影响粮食产量的多因素分析

影响粮食产量的多因素分析05经济40501031冉峥嵘40501039李仪40501061谭金仪【摘要】本文采用计量经济分析方法,以1978—2005年中国粮食产量及其重要因素的时间序列数据为样本,对影响中国粮食生产的多种因素进行了分析。分析结果表明,近年来我国粮食生产主要受到单产提高缓慢、播种面积波动大、农业基础设施投入不足、自然灾害频繁等重要因素的影响。为提高粮食产量、促进粮食生产,首先应该提供一套促进粮食生产的政策措施,提高粮食种植效益,增加粮农收入是根本。在这个前提下,才有可能提高单产、稳定面积、加强基础设施建设、提高抗灾能力,增强我国粮食生产能力和生产稳定性。【关键词】粮食产量多因素分析一问题提出：我国土地资源稀缺，人口多而粮食需求量大，因此粮食产量的稳定增长，直接影响着人民生活和社会的稳定与发展。粮食生产的不稳定性对国民经济的影响是不可忽略的，主要体现在:粮食生产不稳定会引发粮食供求关系的变动,尤其当国家粮食储备不足的时候,很容易导致粮价上涨,从而影响整个宏观经济。因此,对关系国计民生的这个特殊农产品,我们不得不慎重对待。因此，分析粮食产量波动的原因，并据此提出相应的对策，对保障粮食生产持续稳定发展，具有重要意义。二文献综述中国的粮食生产问题,不仅是中国经济界的重要研究课题,而且也越来越受到世界经济学家的重视。许多经济学家对这一问题进行了深入的研究,得出了许多重要的结论。目前国内学者研究这一问题时大多采用多元统计方法,或者是简单的计量模型，主要是从某一两个因素进行的分析，从而预测粮食产量的。《1978-2003年我国农业科技投入和粮食产量关系的计量分析》（杨剑波）一文是采用计量模型检验科技投入增长对粮食生产增长的影响、是否存在因果关系。主要用到的计量方法有协整分析、协整关系的检验与分析，向量误差修正模型(VEC模型)和动态调整模型。得到中国科技投入增长对粮食生产增长有显著影响的结论。美国学者布朗的一篇《谁来养活中国》的论文,曾引发了国内的大讨论。从国内粮食生产领域来看,2003年秋冬以来,粮价在多年低位徘徊后出现上涨,引发了新一轮对粮食问题的热烈讨论。而今年年初以来的农产品价格大幅上涨,尤其是猪肉价格的飙升,更引发了人们对我国食品安全问题的关注。本文严格按照计量经济分析方法,以1978—2005年中国粮食产量及其重要因素的时间序列数据为样本,对影响中国粮食生产的多种因素进行了分析。三模型设定，数据处理及检验1本模型数据来源相应年度的《中国统计年鉴》、《中国农村统计年鉴》、《中国农业发展报告》、《中华人民共和国年鉴》、《中国统计摘要》,选用了粮食产量、粮食零售价格指数、受灾面积，化肥施用量，乡村农林牧渔业从业人员数，粮食作物播种面积，农用机械总动力，农村用电量这7个指标,把这7个指标的1978—2005年28年间的时间序列数据进行回归分析,来分析这些因素与粮食产量的关系。以粮食产量作为因变量,其它7个指标作为解释变量进行回归分析。数据：粮食产量粮食零售价格指数（上年=100）受灾面积化肥施用量乡村农林牧渔业从业人员数粮食作物播种面积农用机械总动力农村用电量(万吨)y(-)x1(万公顷)x2(万吨)x3(万人)x4(千公顷)x5(万千瓦)x6(亿千瓦时)x7197830476.5101.3507988428455.612058711749.9253.1197933211.5103.739371086.329071.611926313379.2282.7198032055.5103.54452.61269.429808.411723414745.7320.8198132502103.93978.61406.930677.611495815679.8369.8198235450100.23313.31513.431152.711346216614.2396.9198338727.599.93471.31659.831645.111404718022.1435.2198440730.599.83188.71739.83168511288419497.2464198537910.8110.94436.51775.830351.510884520912.5508.9198639151.2109.34713.51930.630467.911093322950586.7198740473.3106.24208.61999.33087011126824836658.8198839408114.15087.42141.531455.711012326575712198940754.9121.34699.12357.132440.511220528067790.5199044624.395.23847.42590.333336.411346628707.7844.5199143529.3108.65547.22805.134186.311231429388.6963.2199244265.8124.35133.32930.23403711056030308.41106.9199345648.8127.74882.93151.933258.211050931816.61244.9199444510.1148.75504.33317.932690.310954433802.51473.9199546661.8134.44582.13593.732334.511006036118.11655.7199650453.5107.54698.93827.932260.411254838546.91812.7199749417.192.15342.93980.732677.911291242015.61980.1199851229.596.95014.54083.732626.411378745207.72042.2199950838.696.44998.14124.332911.811316148996.12173.4200046217.590.15468.84146.432797.510846352573.62421.3200145263.7101.55221.54253.83245110608055172.12610.8200245705.898.64711.94339.431990.610389157929.92993.4200343069.5102.25450.64411.631259.69941060386.53432.9200446946.9126.53710.64636.63059610160664027.93933200548402.2101.43881.84766.229975.510427868397.84375.72模型设定通过对中国粮食生产及影响因素的初步定性分析后假设,粮食产量与其它7个指标之间存在多元线性关系,即粮食零售价格指数、受灾面积，化肥施用量，乡村农林牧渔业从业人员数，粮食作物播种面积，农用机械总动力，农村用电量之间存在着线性关系,也即可以把粮食产量的线性回归模型初步设定为y=b0+b1x1+b2x2+b3x3+b4x4+b5x5+b6x6+b7x7,其中,y:粮食产量,x1粮食零售价格指数、x2受灾面积，x3化肥施用量，x4乡村农林牧渔业从业人员数，x5粮食作物播种面积，x6农用机械总动力，x7农村用电量,然后利用已有的数据进行模型拟合,以便发现这些因素之间存在的数量关系。可能有人会提出质疑,是否遗漏了其它重要的解释变量,的确像农业科技费用等这些因素对粮食产量有重要的影响,但考虑农业科技费用会导致严重的多重共线性(因为它们与粮食单产有极高的正相关性),又考虑到它代表对农业的投入和科技进步,在选用指标中已有灌溉面积、农机总动力等性质相似的指标,再加上分析工具的局限性,因此就舍弃了这几个指标。这也是线性相关分析的局限性之一。3模型结果,检验和调整将收集到的数据运用计量分析软件进行运算,可得到以上设立模型的参数值,则模型结果为:Y=15833.13+8.813674x1-1.954853x2+9.762547x3-0.105747x4+0.154043x5+0.022186x6-5.516333x7Se=(25422.05)(30.81030)(0.565561)(1.802161)(0.482949)(0.143545)(0.203779)(2.316930)T=0.6228110.286063-3.4564845.417134-0.2189601.0731340.108874-2.380880R^2=0.946831dw=0.750906df=26检验和调整（1）经济意义检验从回归结果可以看出，x1粮食零售价格指数，x3化肥施用量，x5粮食作物播种面积，x6农用机械总动力系数为正，x2受灾面积系数为负，符合经济意义。（2）统计推断检验从回归结果可以看出，可决系数=0.946831，认为模型的拟合程度可以接受；系数显著性检验：大多数比较显著。(3)计量经济学检验第一步，怀疑具有多重共线性，用逐步回归方法改善DependentVariable:YMethod:LeastSquaresDate:12/23/07Time:11:28Sample:19782005Includedobservations:28VariableCoefficientStd.Errort-StatisticProb.C30097.871328.76422.651020.0000X34.2725520.42504210.052060.0000R-squared0.795346Meandependentvar42415.58AdjustedR-squared0.787475S.D.dependentvar5897.959S.E.ofregression2718.984Akaikeinfocriterion18.72265Sumsquaredresid1.92E+08Schwarzcriterion18.81781Loglikelihood-260.1171F-statistic101.0440Durbin-Watsonstat0.564307Prob(F-statistic)0.000000DependentVariable:YMethod:LeastSquaresDate:12/23/07Time:11:29Sample:19782005Includedobservations:28VariableCoefficientStd.Errort-StatisticProb.C-9459.7389982.682-0.9476150.3524X33.5759940.3813789.3765090.0000X41.3114140.3290763.9851390.0005R-squared0.874849Meandependentvar42415.58AdjustedR-squared0.864837S.D.dependentvar5897.959S.E.ofregression2168.357Akaikeinfocriterion18.30228Sumsquaredresid1.18E+08Schwarzcriterion18.44502Loglikelihood-253.2320F-statistic87.37936Durbin-Watsonstat0.935247Prob(F-statistic)0.000000DependentVariable:YMethod:LeastSquaresDate:12/23/07Time:11:29Sample:19782005Includedobservations:28VariableCoefficientStd.Errort-StatisticProb.C-38705.6615308.13-2.5284390.0184X34.4891250.5187688.6534260.0000X41.1412