【信息技术的应用对我国居民消费的实证探究5100字（论文）】

信息技术的应用对我国居民消费的实证研究目录TOC\o"1-2"\h\u23792信息技术的应用对我国居民消费的实证研究 1120691.1对我国居民消费总体影响的实证研究 1313561.1.1数据选取与处理 1209331.1.2模型构建 3252001.1.3脉冲响应分析及方差分解 6259961.1.4实证分析结论 948171.2对我国城乡消费差距影响的实证研究 995731.2.1数据选取与处理 991991.2.2模型构建 10136091.2.3脉冲响应 1230461.2.4实证分析结论 15前文关于我国信息技术在电子商务产业发展应用，以及居民最终消费支出的理论分析之后，本章将对收集的数据开展实证分析，以确认信息技术的应用对于居民最终消费支出的实质性作用。由于信息技术的各类应用是随着我国通信基础设施建设和互联网普及程度而逐渐为人们所熟知所接受，故而采取过多年份数据并不现实。本文基于目前对信息技术中电子商务发展和城镇与农村居民总消费支出的研究，设计计量分析模型实证研究信息技术应用对全国居民消费支出的总体影响特征，以及对我国城镇与农村居民消费差距的影响特征。考虑信息技术中电子商务的应用现状及趋势，调查研究了近20年来的电子商务相关数据指标，以求更明显地刻画信息技术应用对于我国近期居民消费地影响程度。源数据来自国家统计局年鉴、艾瑞咨询（IResearch）、中国互联网统计中心（CCNIC）等。本章将从信息技术在电子商务应用发展对我国居民最终消费支出总体影响和对我国城镇与农村居民消费差距影响这两方面开展实证研究。1.1对我国居民消费总体影响的实证研究1.1.1数据选取与处理1.1.1.1数据选取由于本文要探究信息技术应用对我国居民最终消费支出的影响大小，而一个行业的兴起技术的应用对于国民的影响是随着时间的推移而逐渐显现的，故本文采集2002-2021年的统计数据建立时间序列模型进行分析。本文选取的指标分别是：（1）互联网上网人数，NumberofNetizen（NON）（2）电子商务交易额，E-commercetransactionvolume（EC_TV）（3）居民消费水平，ConsumptionLevelofResidents（CLR）自2000年起，我国通信基础设施建设速度加快，互联网发展水平迅速提升，随之而来的是我国上网人数的激增，而2005年我国网民数量破亿，达到了1亿1100万，网站域名破700万。电子商务也随着我国互联网上网人数的激增信息技术的应用而繁荣发展，对于电子商务发展程度的衡量，可以参考的数据指标较多，如电子商务交易总额、电子商务交易总笔数、网络零售交易总额占社会零售总额百分比等。考虑到统计数据的可得性和准确性，本文采用电子商务交易额反映我国电子商务市场的繁荣程度，进而描述信息技术的应用发展态势。我国居民消费情况最直观的指标数据是我国居民消费水平。故本文直接采取2001-2021年居民最终消费支出水平作为指标变量。1.1.1.2数据处理本文选取的指标，分别是互联网上网人数（NON）、电子商务交易额（EC_TV），居民消费水平（CLR）。以NON和EC_TV作为自变量，CLR作为因变量，建立多元回归方程。为了消除量纲影响，以及缩小测定变量模型残差的方差，对以上选定指标进行对数化处理，得到表4-1：表4-1数据对数化处理结果年份LNEC_TVLNNONLNCLR20026.232416.92908.215520036.309917.33308.282520046.672017.89478.356120057.272418.19138.421120068.095618.35888.528320078.823218.52508.643120089.495518.73558.748620099.998819.16268.9138201010.240019.51269.0458201110.398219.76629.1298201210.545319.94099.2639201311.002120.05609.4451201411.270920.15069.5522201511.532720.24139.6560201611.805620.29069.7568201712.100720.34979.8485201812.344520.41039.9464201912.583120.464510.0463202012.664420.535110.1416202112.815820.621910.2242由于对时间序列进行平稳性检验是时间序列分析的基础，因而在建立模型之前有必要先对相关的指标变量数据做平稳性检验。1.1.2模型构建1.1.2.1平稳性检验本文选用向量自回归模型（VectorAutoregression,VAR）研究电子商务发展对于居民消费的影响。相比于其他传统模型，VAR模型不依赖各种经济理论，是完全根据数据进行性质描述和确定经济系统的模型。数学表达式为：（1.1）由于时间序列非平稳可能会造成伪回归现象出现，所以进行平稳性检验是VAR模型的基本前提。本文用Eviews，使用ADF检验（Augmenteddickey-fullertest），对变量LNNON、LNEC_TV、LNCLR做单位根检验，判断其是否是平稳时间序列。由于LNCLR非平稳序列，在二阶差分之后平稳，检验结果见下：表4-2ADF检验统计结果指标t-statisticProb是否平稳LNNON-19.90280.0001是LNEC_TV-3.89590.0093是LNCLR1.94080.9811否一阶LNNON-8.53550.0000是LNEC_TV-3.29100.0979否LNCLR0.03310.6787否二阶LNNON-1.38010.0121是LNEC_TV-3.35750.0281是LNCLR-5.58760.0004是表4-3LNNON二阶差分单位根检测结果t-StatisticProb.*AugmentedDickey-Fullerteststatistic-1.51320.0121Testcriticalvalues:1%level-1.61625%level-3.710510%level-3.2978表4-4LNEC_TV二阶差分单位根检测结果t-StatisticProb.*AugmentedDickey-Fullerteststatistic-3.35750.0281Testcriticalvalues:1%level-3.88685%level-3.052210%level-2.6666表4-5LNCLR二阶差分单位根检测结果t-StatisticProb.*AugmentedDickey-Fullerteststatistic-5.58760.0004Testcriticalvalues:1%level-3.92045%level-3.065610%level-2.6735ADF检验后，对LNNON,LNEC_TV,LNCLR进行Johansen协整检验（Cointegrationtest），以检验各个经济变量之间是否存在长期平稳的关系。表4-6迹统计量结果HypothesizedNo.ofCE(s)EigenvalueTraceStatistic0.05CriticalValueProb.**None*0.906871.127929.79710.0000Atmost1*0.706331.421215.49470.0001Atmost2*0.40589.37033.84150.0022Tracetestindicates3cointegratingeqn(s)atthe0.05level表4-7最大特征根统计结果HypothesizedNo.ofCE(s)EigenvalueMax-EigenStatistic0.05CriticalValueProb.**None*0.906842.706721.13160.0000Atmost1*0.706322.050911.26460.0024Atmost2*0.40519.37033.84150.0022Max-eigenvaluetestindicates3cointegratingeqn(s)atthe0.05level经Johansen检验，发现3个变量之间存在协整关系（Cointegrationrelationship），建立VAR方程。由AIC，SC，HQ综合判断之后阶数为二阶。表4-8最佳滞后阶数检验结果LagLogLLRFPEAICSCHQ0-20.1758NA0.00262.57512.72352.5956191.6648173.97432.94e-08-8.8516 -8.2581-8.76982109.758522.1145*1.19e-08*-9.8621*-8.8233*-9.7188*1.1.2.2VAR模型构建以矩阵形式建立VAR模型如下：表4-9LNCLR，LNEC_TV，LNNON的VAR模型LNCLRLNEC_TVLNNONLNCLR(-1)0.8406***-0.93000.4749(0.2970)(1.1130)(0.5110)LNCLR(-2)-0.01561.0459-0.7529(0.2712)(1.0162)(0.4665)LNEC_TV(-1)-0.00451.3564***-0.1372*(0.0427)(0.1599)(0.0734)LNEC_TV(-2)0.0382-0.5849***0.3608***(0.0458)(0.1716)(0.0788)LNNON(-1)-0.0877-0.19250.6807***(0.0925)(0.4673)(0.1591)LNNON(-2)0.11080.4336-0.0991(0.0825)(0.3092)(0.1420)C0.9603-3.07748.6293***(0.6311)(2.3649)(1.0857)VAR模型建立之后需要做稳定性实验，当模型不稳定时VAR模型的某些结果将不具备有效性，检测结果如图4-1和表4-10所示，由于VAR的根的模都处于单位圆以内，所以可以判定此VAR模型稳定。图4-1AR根图检验结果表4-10AR根图坐标的模RootModulus0.8761020.8761020.8659600.8659600.617148-0.569425i0.8397120.617148+0.569425i0.839712-0.049345-0.153764i0.161487-0.049345+0.153764i0.161487Norootliesoutsidetheunitcircle.VARsatisfiesthestabilitycondition.1.1.3脉冲响应分析及方差分解1.1.3.1脉冲响应分析脉冲响应函数分析方法（ImpulseResponsefunction,IRF）描述了序列在受到单位冲击滞后的变化轨迹和方向。由于自变量为DLNEC_CV、DLNNON，因变量为DLNCLR，所以本文仅截取了因变量对于研究的自变量的冲击响应结果，响应周期取值为50。图4-2冲击响应结果图4-2结果显示，第1时间单位时，当EC_TV发生1个正的冲击后，居民消费水水平有1个上升且趋势为正的响应，并在第10时间单位达到最大，峰值为0.008；之后逐渐下降，于第41时间单位趋近于稳定并收敛。说明信息技术的应用逐步普及与深入，电子商务交易额的冲击对于居民最终消费支出水平有显著的促进作用，且在长期发挥作用。当互联网上网人数发生1个正向冲击后，居民消费水平有1个下降且趋势为负的响应，在第2时间单位达到最大，峰值为负向0.003；之后显著上升，在第10时间单位达到最大，峰值为0.003；之后逐渐下降，于第35个时间单位收敛并稳定。电子商务交易额这一冲击相较于网民数量，对于居民消费水平具有显著的作用。1.1.3.2方差分解方差分解表明了因变量LNCLR的变量所含的信息量，并详细阐释了每个自变量对于因变量变化的解释程度，换言之即是自变量对于因变量变化的作用程度。由于周期时间取值较长，结果以图表进行展示。图4-3方差分解展示结果图4-3表明，不考虑居民消费水平自身对于自己的解释，电商交易额对于居民消费水平贡献占比18%，网民数量对于居民消费水平的贡献占比3%，这说明电商交易额对居民消费水平的贡献度大于网民数量对居民消费水平的贡献度。1.1.4实证分析结论通过构建一阶差分后电子商务交易额（LNEC_TV）、互联网上网人数（LNNON）、居民消费水平（LNCLR）的向量自回归模型（VAR），并采用脉冲响应函数、方差分解等理论方法，实证信息技术的应用对于我国居民最终消费支出水平的影响，结论如下：（1）脉冲响应函数表明，当电子商务交易额发生正向冲击后，居民消费意愿呈明显的上升趋势；当互联网人数发生正向冲击后，居民消费意愿呈先下降后上升趋势。说明电商和网民数量对居民最终消费支出有显著的正向影响，信息技术的应用能提升居民总体消费水平。（2）方差分解结果表明，电子商务交易额和互联网上网人数对于居民消费水平的解释程度均呈上升趋势，分别在第24个时间单位和第17个时间单位稳定，贡献度分别为18%和3%，电商交易额对居民消费水平的贡献度大于网民数量对居民消费水平的贡献度。1.2对我国城乡消费差距影响的实证研究1.2.1数据选取与处理1.2.1.1数据选取延续上文的思路对信息技术的应用产生的效果进行论证，采用互联网上网人数（NON）指标代表信息技术发展水平，采用快递业务量（ExpressBusinessScale,EBS）代表我国信息技术广泛应用后电子商务市场的繁荣程度，进而描述信息技术应用的态势。另外，将城乡消费差距（ConsumptionGapbetweenurbanandruralareas,CG）作为变量，城乡消费差距为城市消费水平与乡村消费水平之差，数据来源为《国家统计局年鉴》。1.2.1.2数据处理以快递业务量（EBS），互联网上网人数（NON）作为自变量，城镇与农村居民消费差距（CG）作为因变量，建立多元回归方程。为了消除量纲影响，以及缩小测定变量模型残差的方差，对以上选定指标进行对数化处理，得到表4-11。表4-11数据对数化处理结果年份LNCGLNEBSLNNON20078.8019.2518.5320088.8919.4118.7420099.0420.9119.1620109.1621.1419.5120119.2521.3419.7720129.3421.5719.9420139.4722.0220.0620149.5522.4620.1520159.6222.9420.2420169.6823.3620.2920179.7423.7520.3520189.8021.1720.4120199.8521.4120.4620209.8821.6520.5420219.9421.8720.62时间序列进行平稳性检验是时间序列分析的基础，所以在建立模型之前，先对时间序列相关数据进行平稳性检验。1.2.2模型构建1.2.2.1平稳性检验对LNCG进行ADF单位根检验，二阶差分之后平稳。表4-12LNCG二阶差分单位根检验结果t-StatisticProb.*AugmentedDickey-Fullerteststatistic-5.25160.0037Testcriticalvalues:1%level-1.66795%level-3.733210%level-3.3103表4-13LNEBS二阶差分单位根检测结果t-StatisticProb.*AugmentedDickey-Fullerteststatistic-6.01150.0026Testcriticalvalues:1%level-1.99235%level-3.875310%level-3.3883表4-14LNNON二阶差分单位根检测结果t-StatisticProb.*AugmentedDickey-Fullerteststatistic-1.51320.0121Testcriticalvalues:1%level-1.61625%level-3.710510%level-3.2978对LNCG,LNEBS,LNNON进行Johansen协整检验，以检验经济变量之间是否存在长期平稳的关系。表4-15迹统计量结果HypothesizedNo.ofCE(s)EigenvalueTraceStatistic0.05CriticalValueProb.**None*0.891372.923842.91250.0000Atmost1*0.724132.973125.87210.0055Atmost2*0.41979.796612.51800.1367Tracetestindicates2cointegratingeqn(s)atthe0.05level表4-16最大特征根检测结果HypothesizedNo.ofCE(s)EigenvalueMax-EigenStatistic0.05CriticalValueProb.**None*0.891339.950725.82320.0004Atmost1*0.724123.176519.38700.0134Atmost2*0.41979.796612.51800.1367Max-eigenvaluetestindicates2cointegratingeqn(s)atthe0.05level由表4-15和表4-16结果可知，城乡消费差距LNCG和快递业务量LNEBS，互联网上网人数LNNON之间存在协整关系。1.2.2.2VAR模型建立对变量LNCG,LNEBS,LNNON建立VAR模型。表4-17LNCG，LNEBS，LNNON的VAR模型LNCGLNEBSLNNONLNCG(-1)0.8663**0.95312.2612*(0.3509)(1.1150)(1.1865)LNCG(-2)0.00931.3748-0.9499(0.3201)(3.7539)(1.0824)LNEBS(-1)0.01690.2893-0.1024(0.0320)(0.3749)(0.1081)LNEBS(-2)-0.0348-0.3923-0.0416(0.0280)(0.3288)(0.0948)LNNON(-1)-0.01090.28661.1268***(0.0791)(0.9281)(0.2670)LNNON(-2)0.0848-0.4860-0.5040**(0.0748)(0.8769)(0.2528)C0.1836-21.2539***-1.7077(0.6999)(8.2083)(2.3668)检测VAR模型稳定性，结果如下。图4-4AR根图检测结果由AR根图检测结果可知，没有根落在单位圆外，则此VAR模型是稳定的情况。1.2.3脉冲响应1.2.3.1对城乡居民消费差距的脉冲响应对自变量进行脉冲响应模拟，观察因变量LNCG的响应结果如下：图4-5城镇与农村居民消费差距冲击响应结果由脉冲响应可知，快递业务量LNEBS对于城乡消费差距整体上为抑制作用，最低值为0.007，网民数量变量LNNON对于消费差距为促进作用，最高值为0.009，而后两个变量趋于平稳。说明电子商务的发展可以缩小城镇与农村居民之间的消费差距，互联网普及率的提升会加大城镇与农村居民之间的消费差距。1.2.3.2对城镇居民消费水平的脉冲响应图4-6是城镇居民最终消费支出水平和快递业务量的散点图，由图可知，建立最小二乘回归方程分析（

Leastsquaredmethodregressionanalysis，LSR

）即可。图4-6城镇消费水平与信息技术应用相关图建立回归方程：表4-18LNCZ与LNEBS回归结果VariableCoefficientStd.Errort-StatisticProb.C1.25670.128533.13490.0000LNEBS0.25030.005942.12070.0000由于P小于0.05，拒绝原假设，故而系数均为显著，则LNEBS对于LNCZ具有显著性影响。所以模型回归结果为：（1.2）t=(33.13487)(42.12075)（1.3）,n=20（1.4）所以如果EBS每增加1个单位，平均城镇居民最终