发布时间：2015-05-19 来源：人大经济论坛

试探交通运输发展与国民经济的关系_经济学毕业论文 试探交通运输发展与国民经济的关系 摘要：本文主要通过对我国1991年到2002年交通运输业的发展状况与国民经济的发展之间的关系进行多因素实证分析。建立以国民经济指标为应变量，交通运输业的经济指标为自变量的多元线性回归模型，试图探索交通运输发展与国民经济的关系。首先，我们收集了相关的数据，利用EVIEWS软件对计量模型进行了参数估计，并建立了理论模型。然后，进行检验并对模型加以修正。最后，我们结合相关的理论对所得的分析结果作了经济意义的分析。 一.问题的提出与猜测： “要想富，先修路”是我们大家都耳熟能详的一句话，改革开放以来，我国的交通运输业有了很大的发展，表现在运输线路长度上和客货运送量上都大幅度增长，与此同时，我国的经济发展也快速发展。二者的同步发展是否存在着某种联系？在此，我们猜测两者之间存在着一定的联系，根据“要想富，先修路”这一经验，我们猜测交通运输业对国民经济的发展具有先行作用，也即交通运输业对国民经济的发展具有促进作用。以下，我们将根据这一设想，收集相关数据，并估计和检验，希望能够找出二者之间是否存在关系，如若有，它们是什么样的关系？以及它们在多大程度上相关？ 二.数据的搜集： 在进行实证分析的过程中，所需要的数据，应是能够很好代表两者水平的指标。就国民经济而言，GDP应该是最合适的指标，因为我们探究的是经济总量的问题，我们选取了各年我国的GDP总量（虽然人均GDP也同样有用，但明显不及总量GDP）；对于我国交通运输发展状况的水平指标，可选择的余地较大，但我们发现它们之间存在着明显的相关性，为了尽量避免多重共线形和使模型更加简洁精确，我们选取了四个最具有代表性的指标，它们分别是全国全年客运总量（用X1表示），全国全年货运总量（X2），截止当年全国铁路总里程数（X3），截止当年全国公路总里程数（X4）。 本文中数据的起止时间是1991年到2002年，一共12年的数据。数据来源于中经专网和国家统计局网站。 三.对模型的猜测： 我们假设以上四个变量和GDP之间存在以下的关系，待估计方程为： Y=m+aX1+bX2+cX3+dX4+u Y—GDP X1——全国全年客运总量 X2 ——全国全年货运总量 X3 ——全国铁路总里程数 X4 ——全国公路总里程 接下来我将利用样本数据对参数进行估计。 四.数据: （单位：1万人，2万吨，3公里，4公里） 年份\指标X1X2X3X4Y 199187090793628857800104110021662.5 1992891960100486058100105670026651.9 1993979430106995558600108350034560.5 19941100924113304659000111780046670 19951241770118587159700115700057494.9 19961271387124636964900118580066850.5 19971329770122457266000122640073142.7 19981370410121245466400127850076967.2 19991388321126874667400135170080579.4 20001471849133555468700140270088254.9 20011526602137765070100169800095727.9 200215995551458555720001732000103553.6 五.模型的参数估计： 利用EVIEWS软件，用OLS方法估计得： Dependent Variable: Y Method: Least Squares Date: 05/07/04 Time: 14:30 Sample: 1991 2002 Included observations: 12 VariableCoefficientStd. Errort-StatisticProb. X10.0799470.00703511.364680.0000 X20.0148970.0102531.4530240.1895 X4-0.0010450.003393-0.3081220.7670 X31.1290280.2166425.2114970.0012 C-124807.79976.147-12.510620.0000 R-squared0.999179 Mean dependent var64343.00 Adjusted R-squared0.998710 S.D. dependent var27118.34 S.E. of regression973.9812 Akaike info criterion16.89500 Sum squared resid6640476. Schwarz criterion17.09704 Log likelihood-96.36999 F-statistic2130.105 Durbin-Watson stat2.285535 Prob(F-statistic)0.000000 可得模型： Y=0.07994666486*X1+0.01489726364*X2+1.129028112*X3-0.001045403313*X4- 124807.7471 在上面的ols的结果中我们可以看出，变量x2与x4的p值未获得通过，我们在接下来的过程中进行检验和修正。 六.计量经济学检验及其修正 1.多重共线性检验 用EVIEWS软件，得相关系数矩阵表： X1X2X4X3 X110.9776489310990.8836835472450.952768261281 X20.97764893109910.9039279280610.934040427024 X40.8836835472450.90392792806110.908697841494 X30.9527682612810.9340404270240.9086978414941 由上可以看出，整体上线形回归拟合较好，但x2，x4变量的参数的t检验的p值大于0.05，所以t值并不显著，而且x4的系数符号与经济意义不符。两种方法结合一起来看，解释变量确实存在多重共线性。 下面我们利用逐步回归法（变量剔除法）进行修正： (1)运用ols方法逐一求y对各个解释变量的回归.结合经济意义和统计检验选出拟合效果最好的一元线形回归方程. (a)对x1与y回归: Dependent Variable: Y Method: Least Squares Date: 05/07/04 Time: 14:35 Sample: 1991 2002 Included observations: 12 VariableCoefficientStd. Errort-StatisticProb. X10.1107930.00252243.934120.0000 C-74544.213215.745-23.181010.0000 R-squared0.994846 Mean dependent var64343.00 Adjusted R-squared0.994331 S.D. dependent var27118.34 S.E. of regression2041.904 Akaike info criterion18.23217 Sum squared resid41693735 Schwarz criterion18.31298 Log likelihood-107.3930 F-statistic1930.207 Durbin-Watson stat1.906367 Prob(F-statistic)0.000000 (b)对x2与y回归: Dependent Variable: Y Method: Least Squares Date: 05/07/04 Time: 14:35 Sample: 1991 2002 Included observations: 12 VariableCoefficientStd. Errort-StatisticProb. X20.1749220.01151815.187110.0000 C-146349.013973.68-10.473190.0000 R-squared0.958446 Mean dependent var64343.00 Adjusted R-squared0.954290 S.D. dependent var27118.34 S.E. of regression5797.865 Akaike info criterion20.31938 Sum squared resid3.36E+08 Schwarz criterion20.40020 Log likelihood-119.9163 F-statistic230.6482 Durbin-Watson stat0.888799 Prob(F-statistic)0.000000 (c)对x3与y回归: Dependent Variable: Y Method: Least Squares Date: 05/07/04 Time: 14:36 Sample: 1991 2002 Included observations: 12 VariableCoefficientStd. Errort-StatisticProb. X35.1100790.40722112.548650.0000 C-263000.126162.96-10.052380.0000 R-squared0.940287 Mean dependent var64343.00 Adjusted R-squared0.934316 S.D. dependent var27118.34 S.E. of regression6950.126 Akaike info criterion20.68192 Sum squared resid4.83E+08 Schwarz criterion20.76274 Log likelihood-122.0915 F-statistic157.4687 Durbin-Watson stat1.038107 Prob(F-statistic)0.000000 (d)对x4与y回归: Dependent Variable: Y Method: Least Squares Date: 05/07/04 Time: 14:36 Sample: 1991 2002 Included observations: 12 VariableCoefficientStd. Errort-StatisticProb. X40.1043460.0162546.4196870.0001 C-68969.2521080.72-3.2716750.0084 R-squared0.804735 Mean dependent var64343.00 Adjusted R-squared0.785208 S.D. dependent var27118.34 S.E. of regression12568.17 Akaike info criterion21.86673 Sum squared resid1.58E+09 Schwarz criterion21.94755 Log likelihood-129.2004 F-statistic41.21238 Durbin-Watson stat0.498566 Prob(F-statistic)0.000076 由以上可以得知拟合程度最好的方程是: Y = 0.110793012*X1 - 74544.21148 (43.93412) (-23.18101) R-squared=0.994846 S.E=2041.909 F=1930.207 (2)逐步回归,将其余的解释变量逐一代入上式中,得如下几个模型: 将x2代入: Dependent Variable: Y Method: Least Squares Date: 05/07/04 Time: 14:42 Sample: 1991 2002 Included observations: 12 VariableCoefficientStd. Errort-StatisticProb. X10.1012700.0122198.2876300.0000 X20.0156680.0196550.7971340.4459 C-81478.419295.350-8.7655020.0000 R-squared0.995186 Mean dependent var64343.00 Adjusted R-squared0.994116 S.D. dependent var27118.34 S.E. of regression2080.176 Akaike info criterion18.33061 Sum squared resid38944181 Schwarz criterion18.45184 Log likelihood-106.9837 F-statistic930.2357 Durbin-Watson stat1.615796 Prob(F-statistic)0.000000 (b)将x3代入: Dependent Variable: Y Method: Least Squares Date: 05/07/04 Time: 14:43 Sample: 1991 2002 Included observations: 12 VariableCoefficientStd. Errort-StatisticProb. X10.0885620.00401522.059660.0000 X31.1069820.1904635.8120640.0003 C-117587.07567.214-15.539010.0000 R-squared0.998916 Mean dependent var64343.00 Adjusted R-squared0.998675 S.D. dependent var27118.34 S.E. of regression987.2214 Akaike info criterion16.83998 Sum squared resid8771456. Schwarz criterion16.96121 Log likelihood-98.03990 F-statistic4145.611 Durbin-Watson stat2.228882 Prob(F-statistic)0.000000 (c)将x4代入: Dependent Variable: Y Method: Least Squares Date: 05/07/04 Time: 14:45 Sample: 1991 2002 Included observations: 12 VariableCoefficientStd. Errort-StatisticProb. X10.1037740.00502420.655740.0000 X40.0083170.0052611.5809420.1483 C-76371.763213.872-23.763160.0000 R-squared0.995966 Mean dependent var64343.00 Adjusted R-squared0.995070 S.D. dependent var27118.34 S.E. of regression1904.137 Akaike info criterion18.15376 Sum squared resid32631643 Schwarz criterion18.27499 Log likelihood-105.9226 F-statistic1111.059 Durbin-Watson stat2.072357 Prob(F-statistic)0.000000 由以上可以得知拟合程度最好的方程是: Y = 0.08856170882*X1 + 1.106981758*X3 - 117587.0399 (22.05966) (5.812064) (-15.53901) R-squared=0.998916 S.E=987.2214 F=4145.611 (3)再将x2,x4代入上式: (a)将x2代入: Dependent Variable: Y Method: Least Squares Date: 05/07/04 Time: 14:53 Sample: 1991 2002 Included observations: 12 VariableCoefficientStd. Errort-StatisticProb. X10.0805730.00634212.705150.0000 X31.0958900.1771036.1878530.0003 X20.0135100.0086741.5575160.1580 C-123134.87881.530-15.623200.0000 R-squared0.999168 Mean dependent var64343.00 Adjusted R-squared0.998856 S.D. dependent var27118.34 S.E. of regression917.2336 Akaike info criterion16.74180 Sum squared resid6730539. Schwarz criterion16.90344 Log likelihood-96.45082 F-statistic3202.405 Durbin-Watson stat2.187638 Prob(F-statistic)0.000000 (b)将x4代入: Dependent Variable: Y Method: Least Squares Date: 05/07/04 Time: 14:54 Sample: 1991 2002 Included observations: 12 VariableCoefficientStd. Errort-StatisticProb. X10.0883540.00427020.693000.0000 X31.0702520.2271334.7119940.0015 X40.0011200.0032530.3443850.7394 C-116405.08675.275-13.418020.0000 R-squared0.998932 Mean dependent var64343.00 Adjusted R-squared0.998531 S.D. dependent var27118.34 S.E. of regression1039.430 Akaike info criterion16.99193 Sum squared resid8643317. Schwarz criterion17.15357 Log likelihood-97.95160 F-statistic2493.118 Durbin-Watson stat2.219465 Prob(F-statistic)0.000000 由以上可知x2,x4对y的影响并不显著,故将其删去,得如下模型: Y = 0.08856170882*X1 + 1.106981758*X3 - 117587.0399 (22.05966) (5.812064) (-15.53901) R-squared=0.998916 S.E=987.2214 F=4145.611 2.异方差检验 ARCH检验 我们首先对模型进行ARCH检验,得结果如下: 首先对模型滞后三期: ARCH Test: F-statistic0.376599 Probability0.774398 Obs*R-squared1.658810 Probability0.646130 Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 06/09/04 Time: 08:57 Sample(adjusted): 1994 2002 Included observations: 9 after adjusting endpoints VariableCoefficientStd. Errort-StatisticProb. C2.23E+081.53E+081.4626810.2034 RESID^2(-1)0.2334990.3637610.6419020.5492 RESID^2(-2)-0.2335370.297622-0.7846750.4682 RESID^2(-3)-0.0031150.259411-0.0120070.9909 R-squared0.184312 Mean dependent var2.04E+08 Adjusted R-squared-0.305100 S.D. dependent var2.72E+08 S.E. of regression3.11E+08 Akaike info criterion42.24730 Sum squared resid4.82E+17 Schwarz criterion42.33495 Log likelihood-186.1128 F-statistic0.376599 Durbin-Watson stat0.623651 Prob(F-statistic)0.774398 再对模型滞后一期: ARCH Test: F-statistic1.133281 Probability0.314803 Obs*R-squared1.230212 Probability0.267366 Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 06/09/04 Time: 09:01 Sample(adjusted): 1992 2002 Included observations: 11 after adjusting endpoints VariableCoefficientStd. Errort-StatisticProb. C2.93E+081.88E+081.5589780.1534 RESID^2(-1)0.3355980.3152471.0645570.3148 R-squared0.111837 Mean dependent var4.08E+08 Adjusted R-squared0.013153 S.D. dependent var5.16E+08 S.E. of regression5.12E+08 Akaike info criterion43.10906 Sum squared resid2.36E+18 Schwarz criterion43.18140 Log likelihood-235.0998 F-statistic1.133281 Durbin-Watson stat1.004647 Prob(F-statistic)0.314803 由以上可知,由于F和obs*R-squared的p值都大于0.05,所以其不显著,不能拒绝原假设,所以模型不存在异方差. (2)white检验： 我们运用white检验对模型进行异方差的检验,得到如下结果: White Heteroskedasticity Test: F-statistic1.419397 Probability0.337822 Obs*R-squared6.502552 Probability0.260340 Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 05/07/04 Time: 15:01 Sample: 1991 2002 Included observations: 12 VariableCoefficientStd. Errort-StatisticProb. C-677835114.18E+08-0.1620610.8766 X1-67.63222320.5373-0.2109960.8399 X1^21.03E-055.57E-050.1841590.8600 X1*X30.0007550.0070950.1064720.9187 X33719.79919588.760.1898950.8557 X3^2-0.0395290.225308-0.1754440.8665 R-squared0.541879 Mean dependent var730954.6 Adjusted R-squared0.160112 S.D. dependent var1047067. S.E. of regression959589.0 Akaike info criterion30.69325 Sum squared resid5.52E+12 Schwarz criterion30.93570 Log likelihood-178.1595 F-statistic1.419397 Durbin-Watson stat2.243252 Prob(F-statistic)0.337822 由以上可知,由于F和obs*R-squared的p值都大于0.05,所以其不显著,不能拒绝原假设,所以模型不存在异方差. 3.自相关检验 我们运用d-w检验对模型进行自相关的检验,得到如下结果: d-w值为2.228882,查表得dl=0.812,du=1.579 dud4-dl时,表明不存在一阶自相关,所以模型不存在一阶自相关. 综上所述:交通运输发展与国民经济的关系模型为 Y = 0.08856170882*X1 + 1.106981758*X3 - 117587.0399 其中: X1——全国全年客运总量 X3 ——全国铁路总里程数 七.理论探讨及总结: 人们进行的交通运输活动是人类经济活动中一个极为重要的劳动分工,这种分工实际上包括两个方面,一是要进行交通基础设施建设和交通运输工具的制造活动,一是要进行运输活动即人和物的位移.这两方面恰好对应了本模型的X3和X1.由此可见,对交通运输与经济增长关系问题的研究,实际上只是经济学最基本的关于分工问题研究的一个组成部分,是一个最基本的经济学问题.但实际上如何解释交通运输与经济增长之间的相互作用的内在经济机制是一个尚未给出令人满意回答的理论难题. 发展经济学家赫希曼将交通运输看作社会间接资本,分析了社会间接资本与直接生产活动之间的关系.并得出出结论:交通的发展有降低直接生产活动成本的作用,从而促进经济的发展.从历史上来看,从1843年到1860年期间美国工业化的大飞跃在很大程度上要归功于当时的铁路建设. 综观近几年我国积极发展基础产业,扩大内需的实践,之所以能够保证较高的国民经济增长速度,也许与发展交通运输业有很大的关系,这对于未来国民经济的健康发展,突破交通运输业的瓶颈限制具有重大的战略意义. 综上我们得出这样的结论:首先是发展交通基础设施,由此导致的后向联系,进一步拓展了专业化分工,扩大了市场规模,增加了国民收入;这反过来使整个经济有更大的能力进行交通基础设施建设,由此产生的前向联系又进一步促进了直接生产,并形成一种正反馈的经济增长过程.