人大经济论坛

> 经济学毕业论文

经济学毕业论文

浅谈华为公司的薪酬管理及对战略薪酬设计的启示_经济学毕业论文

浅谈华为公司的薪酬管理及对战略薪酬设计的启示_经济学毕业论文薪酬战略;薪酬模式;启示文章回顾和分析了华为技术有限公司(以下简称“华为”)在不同阶段所实施的薪酬战略，可以说实施具有竞争性的薪酬战略是华为快速发展，位于通讯设备行业领先地位的关健。这种颇具实践指导意义的薪酬战略研究启示应当随着组织内部条件和外部环境的变化而发展。企业应当重视薪酬战略的适用性，有效运用薪酬战略吸引、培育、保留、使用高“成长性”人才，提高组织的核心力。薪酬管理作为人力资源管理的有机组成部分，其最大的作用在于有助于吸引和保留优秀的员工，激励他们在实现自身价值的同时实现组织的目标。研究者们发现，薪酬与工作满意度、组织忠诚度、激发工作动机方面、增强企业凝聚力方面有着极大的正相关。如何发挥薪酬在企业激励机制中的重要作用，设计合理的适合公司发展的薪酬体系越来越得到企业高层管理者的重视! 华为公司从一个注册资金仅有2万元的小公司发展到现在销售额220亿元、利润30亿元的百强企业，10年的快速成长得到了世界各国的肯定，就连世界级企业思科也不得不将其视为竞争对手。思科公司CEO钱伯斯曾说道，“在今后几年里，思科将只有一个竞争对手，就是华为。”华为的成功也引来了企业家、学者从不同的角度、切人点，采用不同的研究方法对华为作为案例研究和探索。一、华为公司的薪酬战略及特点华为技术有限公司，1988年由几名技术成员集资2万元创立于深圳，目前是全球领先的下一代电信解决方案供应商，致力于向客户提供创新的满足其需求的产品、服务和解决方案，为客户创造长期的价值和潜在的增长。华为在全球建立了100多个分支机构，营销及服务网络遍及全球，能够为客户提供快速、优质的服务。目前，华为的产品和解决方案已经应用于全球100多个国家，以及31个全球前50强的运营商，服务全球超过10亿用户。 (一)华为薪酬战略的发展阶段根据华为为适应企业发展战略而进行的招聘思路的转变，(参见《华为的人力资源管理》)，笔者认为华为的薪酬战略经历了三个阶段: 1、1988年到1996年:企业处于初创期，实力单薄，非性薪酬发挥主导作用该阶段为华为初步涉人通信领域，企业处于创业阶段。实行的是内部成长战略，各种外部资源比较贫乏。企业在外部环境处于“不支持”状态。企业的发展受到各种资源如人力、财力、物力的限制。企业对通信人才的急需与无法支付具有竞争性的薪酬成为矛盾。华为人将其称为“乱世英雄的年代。”此时企业的薪酬水平和福利水平都低于市场平均水平，但创业的冲动和对成功的憧憬却吸引了一批优秀的人才。此时企业薪酬的激励效用主要是靠支付员工非经济性薪酬贡献，只要干出绩效，毕业两年的学生可以管理一个五六十人的部门，最年轻的高级工程师19岁，提升最快的高级工程师是在工作后的第7天。与此同时企业对雇员采用的是股权激励的方式，以减少奖金激励给企业带来的现金流压力。大约在1990年前后，华为就已经在企业内部建立全体职工内部持股制度。在2002年以前员工年终奖金的发放不是现金而是股权。 2、1997年到2002年:企业处于高速发展阶段，实力相对雄厚，实灵必贞先薪酬战略 1997年以后，华为开始进行多元化经营，华为的战略也开始关注外部成长。除原有的电话交换机外，还介人了数据业务、无线通讯、GSM等通讯领域的主导产品。随着进人快速扩张期，对优秀人才需求巨大。此时公司实力较以前相比雄厚，按照任正非的说法，当时华为平均每年招聘大约3000人。此时华为主要是采用“压力+补助+加班费+奖金，而每个薪酬要素又有自己的特色。华为的基本工资实为薪酬内容强原则”，提供“有竞争性的薪酬”。华为的薪酬结构大体为:员工薪酬=基本工资+股票+福利。体系中的基本薪酬，通常是包括基础薪酬、岗位薪酬、学历薪酬、职务薪酬、技能薪酬等。如“应届生:2000年华为本科起薪4000，硕士5000;社会招聘进人公司3个月左右有一次加薪，200到3000不等”。这个水平比深圳一般公司高出15-20%左右。高工资作为第一推动力发挥巨大作用。华为的全员持股随着企业的发展在方式上逐渐发生了转变。华为从最初的人人配股的固定股票分红逐渐转变为今天的“虚拟受限股”，从“普惠”走向“重点激励”。全员持股无疑是长期激励的有效方式，它激励华为人以狼的精神不懈奋斗。华为人职满一年后，拥有内部职工股。股票以1元向公司购买，不得转让，离职时必须卖给公司。
广东社会信息化水平测度及研究_经济学毕业论文

广东社会信息化水平测度及研究_经济学毕业论文关键词：社会信息化水平；信息化指数；广东论文摘要：利用改进后的RITE模型对广东省社会信息化水平作了测定，并结合测定结果进行了分析，最后提出推进广东省社会信息化建设进程的建议。 “信息化”一词在1967年初已经开始使用，但是有关信息化的基本范畴却至今依然不是十分明确。一般地，信息化可以理解为产业信息化、国民信息化和社会信息化三个基本层次。社会信息化是指社会经济的，从以物质与能量为经济结构的重心向以信息为经济结构重心转变的过程，信息化社会的主要特征是信息的生产与处理是其经济的核心。信息作为经济产品的意义已超过作为物质产品、能源和一般服务的意义，信息化使信息戴知识获得了巨大的商业价值，而信息载知识的巨大商业价值和发展前景又促使产业、国民经济和社会更加信息化。目前信息化已成为度量经济运动质量与效率的重要标志。世界上许多国家和地区都对其社会信息化程度进行量化测定，这对了解一个国家和地区的信息化程度，并适时调整发展方向、调整产业结构具有重要的现实意义。本文试图通过对广东省社会信息化水平的测定，分析广东省在社会信息化发展道路上存在的问题，并结合测定结果提出建议。 1模型的选择与改进日本电讯与经济研究所(RITE)研究人员在20世纪70年代提出了‘信息化指数”这一新指标，用以测度不同社会阶段或不同国家、地区的信息化发展程度。RITE模型是测度信息化程度较为流行的方法。该模型与波拉特信息经济模型相比，对数据源要求没那么严格，数据可获得性较强，可以最大限度地利用现有资料，节省了大量的人力、物力，而且评价指标体系具有相对的完整性。 RITE模型共由11个要素组成，其中这些要素又被划成四组，即信息量、信息装备率、通信主体水平、信息系数(如图1)。 RITE模型是测定社会信息化水平较为理想的模型，但是由于随着时代的不断发展，有必要结合我国及广东省的具体情况对模型进行完善和改进。首先是资料的缺乏。本文所采用的数据大多采自广东省统计年鉴，而在年鉴中没有“人均年通话次数”、“每万人书籍销售点数’、“每万人机数”这三项统计数据，因此，在信息量中，“人均年通话次数.及“每万人书籍销售点数”分别由‘每百人电话机容量拥有量’和“人均图书发行量’采代替，虽然这样与原采的模型不能保持一致，但基本上还是能够反映信息资源储备能力及信息量水平。而作为信息传播媒介的互联网的飞速发展，计算机在存储、处理信息的作用日益突出，所以计算机的普及率是衡量社会信息化程度的重要指标，而囿于资料的缺乏，在信息的装备率中不得不以‘每万人长话路数”来替代“每万人计算机数’。同时需要说明的一点是，在广东统计年鉴中，“每百人电视机数”和‘个人消费中除衣食住外杂费比率’两项都是分成城镇和两项数据，而在模型中需要的是反映整个社会的指标，因此为了尽可能地保持数据的真实性又能反映整个社会的状况，将城镇与农村数据进行加权平均，根据广东农村人口70%强的比率，给农村数据设权重为3，即整个社会数据=农村数据x3+城镇数据海虽然这个数据不甚精确，但由于我们要得到的是信息化指数(比率)并不是实际数据，这样对社会信息化程度指数影响不大。具体的模型如图2。模型的计算方法是比较简单的。在图2模型的基础上进行测算，先将基年各项指标值数定为100(本文将1985年定为基年)，然后分别用测算年度的各项指标除以基年指标，再求出测算年份各指数数学平均值，最后即得该年份的社会信息化指数。当然也可以先分别计算出信息量指数、信息装备率指数、通信主体水平、信息系数，再计算算术平均，即 2广东省社会信息化指数的测定以广东省1985年作为计算基年，经调查整理得到1985年及1990-1999年广东省信息化水平各项指标值如表1 按照第二种计算方法进行测算，得到广东省社会信息化指数如表2(其中及浙江省的数据来自1)。
1978年~2002年中国失业多因素分析_经济学毕业论文

1978年~2002年中国失业多因素分析_经济学毕业论文 1978年~2002年中国失业多因素分析（一）引言在人的一生中失去工作可能是最悲惨的经济事件。大多数人依靠他们的劳动收入来维持生活水平，而且，许多人不仅从工作中得到收入，还得到个人的成就感。失去工作意味着生活水平降低，对未来的担忧及自尊心受到伤害。因此，毫不奇怪，政治家在竞选时往往谈到他们提出的政策将有助于创造工作岗位。 ——N·曼昆进入新世纪尤其是加入WTO以来，中国经济飞速发展。发展的同时，产生了诸多的问题。这些问题严重制约着中国经济和社会的进一步发展。失业即为其中之一。在我国，失业不仅是经济问题，更是社会问题。一方面，它影响着经济的增长；另一方面，它成为影响社会安定团结的隐忧。故在此，我们对1978年到2002年的失业进行多因素分析研究。（二）基本阐述失业人员是指在劳动年龄内有劳动能力，目前无工作，并以某种方式正在寻找工作的人员。包括就业转失业的人员和新生劳动力中未实现就业的人员。《失业保险条例》所指失业人员只限定为就业转失业的人员。根据有关规定，我国目前的法定劳动年龄是16-60岁，体育、文艺和特种工艺单位按照国家规定履行审批程序后可以招用未满16周岁的未成年人。对企业中男年满60周岁、女年满50周岁的职工和机关事业单位中男年满60周岁、女年满55周岁的职工实行退休制度，对从事有毒、有害工作和符合条件的患病、因工致残职工可以降低退休年龄。按照上述规定，在法定劳动年龄内的人员都可以寻求职业，从事社会生产经营等活动，并取得合法收入。所谓有劳动能力，是指失业人员具有从事正常社会劳动的行为能力。在法定劳动年龄内的人员，若不具备相应的劳动能力，也不能视为失业人员，如精神病人、完全伤残不能从事任何社会性劳动的人员等。目前无工作并以某种方式寻找工作，是指失业人员有工作要求，但受客观因素的制约尚未实现就业。对那些目前虽无工作，但没有工作要求的人不能视为失业人员。造成失业的原因是多方面的，具体到不同国家或一个国家的不同时期，其主导因素并不完全相同。国际上一般将失业原因分为非周期性失业和周期性失业两类。其中非周期性失业包括： *摩擦性失业，由于求职的劳动者与需要提供的岗位之间存在着时间上的差异而导致的失业，如新生劳动力找不到工作，工人想转换工作岗位时出现的工作中断等； *季节性失业，由于某些行业生产条件或产品受气候条件、社会风俗或购买习惯的影响，使生产对劳动力的需求出现季节性变化而导致的失业； *技术性失业，由于使用新机器设备和材料，采用新的生产工艺和新的生产管理方式，出现社会局部劳动力过剩而导致的失业； *结构性失业，由于经济、产业结构变化以及生产形式、规模的变化，促使劳动力结构进行相应调整而导致的失业；周期性失业，市场经济国家由于经济的周期性萎缩而导致的失业。考虑到我国改革开放和市场经济建设时间较短，在这里，我们主要就非周期性失业进行研究。（三）建立模型其中，Y—全国失业总人数（万人） X1——净出口额（亿元） X2——第一产业产值（亿元）X3——第二产业产值（亿元） X4——第三产业产值（亿元） X5——全国总人口数（万人） (注：假定各产业产值为该产业发展状况的标准) 数据说明：在选取影响因素时，通过以下两表对全国总人口数和全国经济活动人口数两个因素的分析，选取全国总人口数建立的模型较用全国经济活动人口数建立的模型对失业的影响更显著，故我们用全国总人口数建立模型。 Dependent Variable: Y Method: Least Squares Date: 11/07/04 Time: 20:27 Sample: 1978 2002 Included observations: 25 VariableCoefficientStd. Errort-StatisticProb. C-381.7618283.3334-1.3473940.1910 X5（全国总人口数）0.0073390.0024892.9483060.0072 R-squared0.274276 Mean dependent var450.2280 Adjusted R-squared0.242723 S.D. dependent var145.9440 S.E. of regression127.0028 Akaike info criterion12.60291 Sum squared resid370983.6 Schwarz criterion12.70042 Log likelihood-155.5364 F-statistic8.692507 Durbin-Watson stat0.168266 Prob(F-statistic)0.007213 Dependent Variable: Y Method: Least Squares Date: 11/07/04 Time: 20:28 Sample: 1978 2002 Included observations: 25 VariableCoefficientStd. Errort-StatisticProb. C84.33512131.49870.6413380.5276 X6（全国经济活动人口数）0.0061510.0021682.8370310.0093 R-squared0.259229 Mean dependent var450.2280 Adjusted R-squared0.227022 S.D. dependent var145.9440 S.E. of regression128.3127 Akaike info criterion12.62344 Sum squared resid378675.5 Schwarz criterion12.72095 Log likelihood-155.7930 F-statistic8.048744 Durbin-Watson stat0.176467 Prob(F-statistic)0.009339 （四）模型的参数估计、检验及修正模型的参数估计及其经济意义用Eviews进行OLS估计得（见附表1） Y= 3289.285-0.022757 X1 + 0.064077X2 -0.040653X3 +0.067632 X4 -0.029455X5 SE=849.7567 0.027917 0.035366 0.028096 0.035708 0.008695 t=3.870855 -0.815191 1.811828 -1.446936 1.894007 -3.387660 =0.814388 =0.765543 F=16.67282 可见，X1、X2、X3的t值都不显著，另外，修正可决系数为0.765543，F值为16.67282。故我们对上述模型进行计量经济学的检验，并进行修正，看是否能使模型方程得到改进。计量经济学检验（1）多重共线性检验及修正用Eviews得相关系数矩阵表 X1X2X3X4X5 X110.8685484436890.8652637606720.8531098753930.735277010146 X20.86854844368910.9848604839390.9812816857290.940903856594 X30.8652637606720.98486048393910.9979421334090.904329932875 X40.8531098753930.9812816857290.99794213340910.916295325676 X50.7352770101460.9409038565940.9043299328750.9162953256761 有上表可以看出，各变量之间的相关系数均较大，说明模型存在较强的多重共线性。从经济意义上来看，进出口可能发生在各个产业中，并且各个产业间相互关联较大。下面我们利用逐步回归法（变量剔除法）进行修正（见附表2，3，4）因X1的t值最小，我们先将其剔除，得： Y= 2999.091+ 0.051123X2-0.035967 X3 +0.062042X4 -0.026391X5 SE=765.0991 0.031328 0.027270 0.034749 0.007775 t=3.919872 1.631824 -1.318927 1.785453 -3.394557 = 0.807896 = 0.769475 F=21.02759 可见，X2，X3，X4的t值仍然很小，故将X3剔除继续作OLS估计得： Y= 2147.867+0.015542X2+0.017020X4 -0.017662X5 SE=418.0825 0.016206 0.006612 0.004150 t=5.137423 0.958994 2.573946 -4.255825 =0.791187 = 0.761357 F=26.5228620 这时，X2的t值依然很小，故将X2剔除继续作OLS估计得 Y= 2147.867+0.022590X4 -0.015507X5 SE=362.1746 0.003155 0.003483 t=5.380492 7.159082 -4.452537 =0.782043 = 0.762228 F=39.46857 此时，修正可决系数开始下降，但所有参数的t值都已经比较显著，且F值也有了一定的增加，故不再删除变量，选择此模型为修正后的模型。（2）异方差检验（见附表5、6）用样本分段法进行检验。将样本分为两部分，对样本一（1978-1986）作估计得剩余平方和为14978.89，对样本二（1994-2002）作估计得剩余平方和为3763.823，两数值相除得F=3.9797故不存在异方差性。（3）自相关性检验及修正（见附表7，8，）有附表4知DW=0.371489，在显著性水平α=0.01下，查表n=25,k’=2，dL=0.981 ,du=1.305 由于DW dL=0.981,表明该模型中的误差序列存在一阶自相关. 下面用广义差分法进行修正，由DW=0.3715得=1-0.3715/2=0.81425,构造差分模型并估计，得： DY=114.6561+0.017328DX4-0.003682DX5 SE=248.617 0.00719 0.012141 t= 0.461176 2.409974 -0.303271 =0.573740 =0.533144 F=14.13287 DW=1.00236 发现经过广义差分法修正后，DW值有所提高，但在不能判断的区域。故进一步用迭代法进行修正，得： Y= 360.8702+0.016735X4-0.001531X5 SE=2151.529 0.008181 0.018534 t=0.167727 2.045622 -0.082626 =0.930446 =0.920013 F=89.18234 DW=1.018935 经迭代法修正后，DW值虽然又有所提高，但仍在不能判断的区域。当我们进一步做对数线性回归进行修正时，发现DW统计量反而变小，在现行知识水平下不能继续对其进行修正。（五）模型的分析我们进行了一系列检验和修正后的最终结果如下： Y= 360.8702+0.016735X4-0.001531X5 SE=2151.529 0.008181 0.018534 t=0.167727 2.045622 -0.082626 =0.930446 =0.920013 F=89.18234 DW=1.018935 从模型中可看出：（1）模型表明：失业与第三产业产值有明显的相关关系，与全国人口数无明显的相关关系。（2）模型的修正可决系数及F值较高，说明模型总体是显著的，而且拟合优度很好。（3）由于修正后不能确定是否存在自相关性，故模型在这一点上是不理想的。（六）总结：尽管影响失业的因素错综复杂，但经过我们的分析，第三产业产值同全国人口总数对失业具有较大影响。我们的模型到最后仍不能解决自相关性的问题。经过分析，我们认为有以下几点原因：在时间数列数据中，经济变量的运行往往存在着一种变化趋势，表现在随时间前后期相关关联上所形成的惯性。我国的经济发展从1978年走到2002年，其间经历了不同的经济、社会阶段。同时，我国的国情是：在这25年里，政府改革力度、市场开放程度、居民意识形态都是不断变革的。这样，许多制度和政策具用一定的惯性作用。我们没有引入滞后变量，这可能会对模型产生一定影响。一些随机偶然因素的干扰或影响也会造成该问题。许多社会经济变革难以量化其影响程度，例如98年的特大洪水、非典疫情、加入WTO、申奥成功等等。我国的统计数据含有一定的水分，而导致了我们赖以进行参数估计的数字基础不具备可靠性，可能也是重要原因之一。（七）附表附表1 Dependent Variable: Y Method: Least Squares Date: 11/07/04 Time: 16:47 Sample: 1978 2002 Included observations: 25 VariableCoefficientStd. Errort-StatisticProb. C3289.285849.75673.8708550.0010 X1-0.0227570.027917-0.8151910.4251 X20.0640770.0353661.8118280.0858 X3-0.0406530.028096-1.4469360.1642 X40.0676320.0357081.8940070.0736 X5-0.0294550.0086950.0031 R-squared0.814388 Mean dependent var450.2280 Adjusted R-squared0.765543 S.D. dependent var145.9440 S.E. of regression70.66720 Akaike info criterion11.55940 Sum squared resid94883.21 Schwarz criterion11.85193 Log likelihood-138.4925 F-statistic16.67282 Durbin-Watson stat0.725028 Prob(F-statistic)0.000002 附表2 Dependent Variable: Y Method: Least Squares Date: 11/07/04 Time: 18:14 Sample: 1978 2002 Included observations: 25 VariableCoefficientStd. Errort-StatisticProb. C2999.091765.09913.9198720.0008 X20.0511230.0313281.6318240.1184 X3-0.0359670.027270-1.3189270.2021 X40.0620420.0347491.7854530.0894 X5-0.0263910.007775-3.3945570.0029 R-squared0.807896 Mean dependent var450.2280 Adjusted R-squared0.769475 S.D. dependent var145.9440 S.E. of regression70.07204 Akaike info criterion11.51378 Sum squared resid98201.81 Schwarz criterion11.75756 Log likelihood-138.9223 F-statistic21.02759 Durbin-Watson stat0.621812 Prob(F-statistic)0.000001 附表3 Dependent Variable: Y Method: Least Squares Date: 11/07/04 Time: 18:17 Sample: 1978 2002 Included observations: 25 VariableCoefficientStd. Errort-StatisticProb. C2147.867418.08255.1374230.0000 X20.0155420.0162060.9589940.3485 X40.0170200.0066122.5739460.0177 X5-0.0176620.004150-4.2558250.0004 R-squared0.791187 Mean dependent var450.2280 Adjusted R-squared0.761357 S.D. dependent var145.9440 S.E. of regression71.29525 Akaike info criterion11.51718 Sum squared resid106743.3 Schwarz criterion11.71220 Log likelihood-139.9648 F-statistic26.5228620 Durbin-Watson stat0.382176 Prob(F-statistic)00000 附表4 Dependent Variable: Y Method: Least Squares Date: 11/07/04 Time: 18:17 Sample: 1978 2002 Included observations: 25 VariableCoefficientStd. Errort-StatisticProb. C1948.678362.17465.3804920.0000 X40.0225900.0031557.1590820.0000 X5-0.0155070.003483-4.4525370.0002 R-squared0.782043 Mean dependent var450.2280 Adjusted R-squared0.762228 S.D. dependent var145.9440 S.E. of regression71.16496 Akaike info criterion11.48004 Sum squared resid111417.9 Schwarz criterion11.62631 Log likelihood-140.5006 F-statistic39.46857 Durbin-Watson stat0.371489 Prob(F-statistic)0.000000 附表5 Dependent Variable: Y Method: Least Squares Date: 11/07/04 Time: 18:30 Sample: 1978 1986 Included observations: 9 VariableCoefficientStd. Errort-StatisticProb. C5281.4611107.6514.7681660.0031 X40.0868720.0584761.4855940.1879 X5-0.0494430.011682-4.2322790.0055 R-squared0.902139 Mean dependent var385.3333 Adjusted R-squared0.869518 S.D. dependent var138.3215 S.E. of regression49.96480 Akaike info criterion10.92172 Sum squared resid14978.89 Schwarz criterion10.98746 Log likelihood-46.14772 F-statistic27.65568 Durbin-Watson stat1.424570 Prob(F-statistic)0.000937 附表6 Dependent Variable: Y Method: Least Squares Date: 11/07/04 Time: 18:31 Sample: 1994 2002 Included observations: 9 VariableCoefficientStd. Errort-StatisticProb. C10485.873528.4892.9717740.0249 X40.0505720.0134943.7476850.0095 X5-0.0897280.031064-2.8885210.0277 R-squared0.937998 Mean dependent var590.8444 Adjusted R-squared0.917331 S.D. dependent var87.10969 S.E. of regression25.04603 Akaike info criterion9.540510 Sum squared resid3763.823 Schwarz criterion9.606251 Log likelihood-39.93229 F-statistic45.38548 Durbin-Watson stat1.691186 Prob(F-statistic)0.000238 附表7 Dependent Variable: DY Method: Least Squares Date: 11/07/04 Time: 18:46 Sample(adjusted): 1979 2002 Included observations: 24 after adjusting endpoints VariableCoefficientStd. Errort-StatisticProb. C114.6561248.61700.4611760.6494 DX40.0173280.0071902.4099740.0252 DX5-0.0036820.012141-0.3032710.7647 R-squared0.573740 Mean dependent var91.15495 Adjusted R-squared0.533144 S.D. dependent var59.86613 S.E. of regression40.90465 Akaike info criterion10.37683 Sum squared resid35136.99 Schwarz criterion10.52409 Log likelihood-121.5220 F-statistic14.13287 Durbin-Watson stat1.002360 Prob(F-statistic)0.000129 附表8 Dependent Variable: Y Method: Least Squares Date: 11/07/04 Time: 18:48 Sample(adjusted): 1979 2002 Included observations: 24 after adjusting endpoints Convergence achieved after 9 iterations VariableCoefficientStd. Errort-StatisticProb. C360.87022151.5290.1677270.8685 X40.0167350.0081812.0456220.0542 X5-0.0015310.018534-0.0826260.9350 AR(1)0.8376360.1352286.1942660.0000 R-squared0.930446 Mean dependent var446.9042 Adjusted R-squared0.920013 S.D. dependent var148.1131 S.E. of regression41.88930 Akaike info criterion10.45895 Sum squared resid35094.27 Schwarz criterion10.65529 Log likelihood-121.5074 F-statistic89.18234 Durbin-Watson stat1.018935 Prob(F-statistic)0.000000 Inverted AR Roots .84 相关数据，其中，Y—全国失业总人数（万人） X1——净出口额（亿元） X2——第一产业产值（亿元）X3——第二产业产值（亿元） X4——第三产业产值（亿元） X5——全国总人口数（万人） obsYX1X2X3X4X5 1978530-19.81018.41745.2860.596259 1979567.6-30.9121258.91913.5865.897542 1980541.5-27.61359.42192966.498705 1981439.5-0.1711545.62255.51061.3100072 1982379.457.3461761.623831150.1101654 1983271.416.5961960.82646.21327.5103008 1984235.7-29.5532295.53105.71769.8104357 1985238.5-448.92541.63866.62556.2105851 1986264.4-123.0532763.94492.72945.6107507 1987276.6-140.6963204.35251.63506.6109300 1988296.2-288.46338316587.24510.1111026 1989377.9-248.497422872785403.2112704 1990383.2411.550177717.45813.5114333 1991352.2428.45288.69102.27227115823 1992363.9233580011699.59138.6117171 1993420.1-701.46882.116428.511323.8118517 1994476.4461.79457.222372.214930119850 1995519.61403.71199328537.917947.2121121 1996552.8101913844.233612.920427.5122389 1997576.83354.214211.237222.723028.7123626 19985713605.514552.438619.325173.5124701 19995752423.31447240557.827037.7125786 20005951996.214628.244935.329904.6126743 20016811864.915411.84875033153127627 20027702513.816117.353540.735132.6128453 （八）参考文献 1李长风，《经济计量学》，上海财经大学出版社 2《中国统计年鉴》2003年 3中国国家统计局网站
我国当前的产业结构与劳动力结构分析_经济学毕业论文范文

我国当前的产业结构与劳动力结构分析_经济学毕业论文范文我国当前的产业结构与劳动力结构分析摘要：如何平稳有效的进行产业结构的调整，带动全国劳动力合理的分配并最终实现充分就业，是关系我国经济能否持续稳定高速发展的重要问题；中国加入WTO后，面临着非常激烈的国际竞争，尤其是劳动力市场上的人才竞争日益激烈，健全的产业结构体制对推动各产业改革发展，提高劳动力效率，增强我国经济实力有极其重要的现实意义。本文从我国产业结构现状谈起，首先分析了我国三大产业间的劳动力需求与供给现状, 并在此基础上结合相关的统计数据建立劳动力模型,并分别对三大产业的发展也建立模型进行分析，然后根据所建立的模型对未来产业发展和我国劳动力的流动趋势进行预测, 进而得出了在今后几年内我国仍将有大量的剩余劳动力从第一产业中流出, 并针对这部分剩余劳动力的就业问题提出了一些政策建议。关键词：三大产业、劳动人口、从业人员、国内生产总值GDP。 Abstract: How to smoothly and efficiently enforcing industrial structure reformation, which will impel a soud allocation of labors and help bring sufficient employment,is an urgent problem matters whether China can develop steadily at a high speed.After China’s entry to the WTO,she has been confronted with fierce competiton,especially in the labor market.So,a sane system of industrial structure is of great sense in impelling the advancement in every industries,promoting labor efficiency,and strengthening China’s economic power. To start with we montioned China’s current industrial structure;Firstly,we anolysed the labor demand and supply in three main industries,and combining with statistics we set up labor model;Then,according to the established model,we forecast the movement trend of the country’s labor force with a conclusion that a large quantity of rested force will stream out of the primary industry;Finally,some advice had been made. Key words:three main industries practitioner gross domestic product. 我国当前的产业结构与劳动力结构分析一：综述随着改革开放的不断深入，我国近十几年来的三大产业的产值和从业人员数均发生了较大的变化。2004年，我国三大产业分别占GDP的14.66%，52.26%，33.08%，产值增长分别为6.05%，16.65%，8%。从业人员占整个就业劳动力的49.1%，21.6%，29.3%，较上一年增长-8.28%，18.82%，3.1%。由此可以看出, 我国产业结构变化正朝着好的方向发展: 第一产业平稳下降, 第二产业稳定上升，第三产业持续上升。伴随着产业结构的变化, 我国的就业结构也发生变化: 第一产业富余劳动力正向第二、三产业流动, 而且向第三产业流动的人员要远大于向第二产业的流动。从1994 年开始, 第三产业的从业人数大于第二产业, 并且差距越来越大。目前我国正处于由一个农业国向工业国转变的阶段, 从相对比例看, 对第一产业的投资少于对第二、三产业的投资是不可避免的; 其次, 第一产业的主要生产要素耕地是不可扩张性资源, 甚至其绝对数量还有减少的趋势, 导致第一产业的GDP 增长率被限制在较低水平; 第三, 农业机械化水平的提高、农业科学技术的推广和优质化肥的广泛施用, 使农业劳动生产率增长较快。因此, 这就使第一产业对劳动力的需求增长缓慢甚至出现负增长。第二产业的GDP 增长速度快, 但对劳动力需求增长比第三产业慢。因为当企业发展到一定阶段时, 对新增劳动力的需求会随着企业技术的升级而受到限制; 另一方面, 原有企业的生产能力扩大和技术进步所带动的新的部门又会提供新的劳动力需求。因此, 与第一产业劳动生产率提高对于该产业劳动力总需求只产生负面的影响不同, 第二产业的劳动生产率的提高对于产业劳动力总需求的影响是双向的。正是这种双向影响导致第二产业对劳动力需求较为稳定, 从1985 年至2003 年从业人员增加了16632万人。第三产业自80 年代中期以来一直保持着高速增长, 政府为促进第三产业的迅速发展, 从1990 年开始就逐年加大对第三产业的投资力度。2002年第三产业的投资额度是第二产业的2.507倍。可见, 第三产业的投资额远大于第二产业, 是第二产业投资额的两倍多。另一方面, 由于产业自身的特点, 在其诸多行业之中, 人工具有不可替代性, 因而劳动生产率的增长速度相对较慢, 这就使第三产业的劳动力需求是三个产业中最为旺盛的。事实上, 除极个别年份外, 第三产业较其它二个产业而言始终保持着更高的就业增长率。虽然我国的人口自然增长率处于下降趋势, 但全国的人口总量还在增长, 据预测我国适龄劳动力的总量在未来的几十年中都将继续增长, 而随着技术进步和资本合理化水平的提高, 劳动力的需求增速则将相对减慢, 因此, 在未来的几十年里我国的劳动力总体上供大于求, 就业形势仍很严峻。我们准备以产业结构为基础，构建我国劳动力模型, 进而分析我国劳动力资源在三大产业中的利用情况及发展趋势, 然后针对如何解决剩余劳动力提出建议。二.建立模型 1.变量说明全社会从业人员数 cp 第一产业从业人员数 fp 第二产业从业人员数 sp 第三产业从业人员数 tp 国内生产总值 gdp 第一产业国内生产总值 gdp1 第二产业国内生产总值 gdp2 第三产业国内生产总值 gdp3 固定资产投资额 i 时间 t（以1979年作为起始年，记为1）注：以下模型中使用数据取自《2004年中国统计年鉴》见附表。 2．第2产业人数回归 sp=0.186795cp+138.1506t VariableCoefficientStd. Errort-StatisticProb. CP0.1867950.00646328.903860.0000 T138.150626.594675.1946700.0000 R-squared0.963503 Mean dependent var13011.28 Adjusted R-squared0.961917 S.D. dependent var3275.778 S.E. of regression639.2665 Akaike info criterion15.83514 Sum squared resid9399218. Schwarz criterion15.93265 Log likelihood-195.9392 Durbin-Watson stat0.229643 3．第3产业人数 tp=1216.053+0.728188tp(-1)+ 215.6963t VariableCoefficientStd. Errort-StatisticProb. TP(-1)0.7281880.1211126.0125430.0000 T215.696392.074322.3426330.0291 C1216.053343.26013.5426570.0019 R-squared0.995439 Mean dependent var13330.25 Adjusted R-squared0.995005 S.D. dependent var5443.809 S.E. of regression384.7427 Akaike info criterion14.85950 Sum squared resid3108566. Schwarz criterion15.00675 Log likelihood-175.3139 F-statistic2291.805 Durbin-Watson stat1.705964 Prob(F-statistic)0.000000 4．第一产业从业员人数　FP FP = CP -SP –TP 5．第一产业GDP回归 GDP1=48012.99-1.128016fp+0.623767i(-1) VariableCoefficientStd. Errort-StatisticProb. Fp-1.1280160.095456-11.817170.0000 I(-1)0.6237670.03069420.321920.0000 C48012.993649.43213.156290.0000 R-squared0.992855 Mean dependent var11359.62 Adjusted R-squared0.991426 S.D. dependent var4242.530 S.E. of regression392.8467 Akaike info criterion14.98389 Sum squared resid1543285. Schwarz criterion15.11426 Log likelihood-94.39529 F-statistic694.7694 Durbin-Watson stat1.358142 Prob(F-statistic)0.000000 6．第二产业GDP回归 Gdp2=-14566.75+1.611904sp+1.565312i VariableCoefficientStd. Errort-StatisticProb. SP1.6119040.4303403.7456510.0032 I1.5653120.2864845.4638790.0002 C-14566.754817.009-3.0240230.0116 R-squared0.992065 Mean dependent var24807.30 Adjusted R-squared0.990622 S.D. dependent var13886.01 S.E. of regression1344.742 Akaike info criterion17.43320 Sum squared resid19891644 Schwarz criterion17.57014 Log likelihood-119.0324 F-statistic687.5906 Durbin-Watson stat1.384572 Prob(F-statistic)0.000000 7．第三产业国内生产总值 GDP3=1.872739i+0.355200TP VariableCoefficientStd. Errort-StatisticProb. TP0.3552000.0413828.5833410.0000 I(-1)1.8727390.08074323.193760.0000 R-squared0.992119 Mean dependent var20090.76 Adjusted R-squared0.991403 S.D. dependent var10010.90 S.E. of regression928.2237 Akaike info criterion16.64506 Sum squared resid9477592. Schwarz criterion16.73198 Log likelihood-106.1929 Durbin-Watson stat1.195115 三、模型分析与预测上述模型方程拟合优度R2 的值大部分较高,t 检验值、德宾—沃特森统计量(D. W.) 的值与F —检验值结果都不错, 模型中各统计指标基本满足统计检验要求, 故该模型可用于预测。以下根据建立的上述模型方程进行相关的分析与预测, 得出以下结论：（1）产业gdp预测由GDP=GDP1+GDP2+GDP3得 gdp=62579.74+3.438051i+0.623767i(-1) -1.128016fp+1.611904sp+0.355200TP 由上式可得出: 一是本期和前期的全社会固定资产投资对本期的GDP 影响很大, 二是第一、二、三产业从业人员对国内生产总值的贡献率分别为-1.128016，1.611904，0.355200，由此可见, 第二产业从业人员对国内生产总值的贡献率最大, 其次是第三产业, 最后是第一产业。并且第一产业为负。这是符合我国当前国情的。因为伴随这GDP的快速发展和工业的崛起，第二产业对劳动力的需求最大，其次是第三产业，最后是第一产业，甚至是逐步减少。这是因为在劳动人口一定或者变化不大的情况下，如果第一产业人口增加，就会导致第二产业或者第三产业或者二，三产业人数减少，这样，由于第二，三产业减少的GDP降低大于第一产业人数增加而增加的GDP，造成整个国内生产总值减少。并且，由于在科学技术难于在农业生产发挥作用，第一产业人口增加也丝毫不能增加第一产业产值，反而还会造成后两个产业劳动者缺乏。因此，增加第一产业，重在更多地依靠科技进步来推动农业的发展。由于sp的估计值为1.611904，可见我国工业的生产率水平是比较低下的。比如说，当前我国出现的流动性人口绝大部分都是从事这类工作。这和我国工业生产老是资源浪费严重，喜欢进行低附加值，粗放式，低技术的工业生产相符。而第三产业，产业应该还有很好的发展前景，发达国家第三产业比重能达到70%以上，而我国仅30%多，可见还有很好的发展空间。引导当前的民工流进一步进入这个行业，应该是一个不错的选择。并且可以预计的是，随着第三产业的发展，第三产业比重不断加大，第三产业就业人数的系数应该有所上升。因为由于第三产业的发展, 人工具有不可替代性,，由此也可知第三产业对于劳动力需求的潜力最大。（2）人口预测： FP = CP -SP –TP =-1216.053+0.814205cp- 0.728188tp(-1)- 353.8469t sp=0.186795cp+138.1506t tp=1216.053+0.728188tp(-1)+ 215.6963t 综合以上方程式可以看出，第一产业从业人员数不仅随时间变量增加而减少,而且它和第三产业人数呈反向变化关系，即第三产业人数的增加会导致第一产业人数的减少。第三产业在原有人数的惯性作用下，随时间的增加而增加。而且也说明，在第三产业人数比较少的情况下，第三产业人数增长较快。这和中国的情况吻合。1980年中国第三产业人数增长了7%，，而2003年比2002年增长了3.4%.从模型可以看出，第二产业人数的变化一方面稳定在总的就业人口的某个水平，另一方面又随时间而增加。这说明第二产业人数变化与第三产业来比，较为平坦，变化幅度不大。以上分析说明今后每年仍将有大量的剩余劳动力从第一产业中释放出来, 主要向第三产业流动, 即存在着农村化人口向非农化人口转变的趋势。这也是符合当前我国国情的。耕地面积的减少和农业劳动力供给的增加导致了我国农业劳动力的剩余。城市经济体制的改革和城市经济的迅速发展, 带来了前所未有的就业需求和岗位, 这不仅在一段时期内使城市本身的劳动者就业有所增加, 而且还容纳了数千万进城民工。但是随着竞争的加剧, 面对资本、技术和劳动等经济要素重新组合的挑战, 国有企业原有的体制结构和运行机制明显地不适应市场经济的需要, 为了努力使国有大中型亏损企业摆脱困境, 国家在对国有企业的战略性改组上采取了一系列综合措施, 其中下岗分流、减员增效就是重要的一条, 从而抬高了第二产业的就业门槛，并且伴随着中国市场和世界市场的融合，加入全球的生产体系，这对劳动者的要求又有所提高，传统上要依靠进城打工的农村剩余劳动力来充当这一劳动力，已经是越来越行不通了。相对而言, 第三产业就业容量大, 不少部门就业门槛低, 尤其是某些主要从事非技术性工作的服务行业, 岗位人员空缺较多, 因此, 农村剩余劳动力进入城市就业, 除一小部分进入第二产业, 大部分直接进入了第三产业。综合以上分析，我们可以看到：第一产业会逐步萎缩，但对于当前来说，加大科技支持农业是很有必要的，这为解决当前农业出现的耕地减少，劳动力转移提供了基础；对于第二产业，一方面它要求控制产业人数总量，提升产业结构，提高进入门槛，为更高的工业化水平做准备，另一方面，也可以看到当前工业的现状：生产效率与生产水平很低。低水平低效率的企业不仅没怎么创造社会价值，而且将整个行业的生产效率降低了；而社会价值主要是由高效率水平的企业所创造。一个极端的例子就是当前的一些小乡镇集体企业以及小国有企业和外资企业的对比。对于第三产业，现在的水平应该说是比较低的，但会有较大的发展。四．政策建议基于以上分析, 今后几年,随着中国国内市场和海外市场的逐步融合，中国的“世界工厂”第二产业对劳动力的素质水平要求逐步提高。另一方面，由于大量的农村剩余劳动力转移亟需解决就业问题而进入第三产业。因此，本文就此提出以下几个建议：大力发展教育水平，提高第二产业从业人员的知识水平。使得他们能够赶上中国工业化这趟快车。特别是积极发展农村教育, 大力提高农村劳动力素质, 增加新型劳动力供给的后劲, 发挥后备劳动力优势。农村劳动力素质的提高依赖农村教育的发展, 目前, 中国70 %的人口在农村, 但却只有10 %的学校在农村, 这种不合理状况需要改变。对务农或转移出农业的农村劳动力进行必要的培训, 以提高其素质, 适应经济发展变化对劳动力提出的素质要求, 从而对农村劳动者就业或再就业创造条件。加快农村城镇化建设的步伐。由于农村剩余劳动力的逐年增多, 他们不得不向非农产业转移, 让这些人全部进入城市是不现实的, 城镇化则是实现我国农村人口非农转移的有效途径, 更重要的是, 农村城镇化可缓解资金与城市就业的压力。大力发展第三产业, 实现充分有效就业。第三产业是三大产业中就业吸纳系数最高的产业, 第三产业产值每增长1 % , 其从业人员可增长0. 975 % , 增加就业机会的前景十分可观。目前我国第三产业从业人员所占比重仅为26. 7 % , 与世界上经济发达国家相比, 仍存在较大差距(高收入国家为70 %左右, 中等收入国家为50 %左右, 低收入国家为20 %左右); 金融、保险、通信、信息咨询、旅游、娱乐业、社区服务、物业管理、家庭服务业等还处于起步阶段, 具有很大的发展潜力, 应推动其尽快发展, 这是创造就业需求的首选产业。继续实行计划生育、优生优育的人口政策, 减缓农村劳动者的增长压力。加大科技扶农力度。参考文献庞皓《计量经济学》西南财经大学出版社国家统计局. 中国统计年鉴[R]. 北京: 中国统计出版社, 2004 徐平. 《城镇化: 我国经济发展阶段的战略选择[J ] 》经济体制改革, 2000 , (3) : 32～35. 蒲晓红.《经济增长方式转变对劳动密集型产业的影响[J ]》 . 经济论坛, 2000 , (13) : 10～11. 梁庆文《我国人口就业增长与经济发展状况分析》数理统计与管理翁恺宁《中国城乡差别和产业差别并存的失业模型》上海经济研究国家统计局《中国劳动统计年鉴[R]》. 北京: 中国统计出版社2003 周长才《宏观调控与失业》数理经济技术经济研究 2002年第一期国家统计局农调总队社区处关于农村剩余劳动力的定量分析国家行政学院学报 2002.2
关于影响大学生就业问题与人口老龄化问题的因素分析与思考_经济学毕业论文

关于影响大学生就业问题与人口老龄化问题的因素分析与思考_经济学毕业论文关于影响大学生就业问题与人口老龄化问题的因素分析与思考一、引言：上世纪90年代后期，我国人口再生产类型实现了历史性的转变,但人口和计划生育形势并不乐观，一方面稳定低生育水平的任务仍然艰巨，另一方面就业人口、老龄人口、流动人口增加以及出生人口性别比例失调等问题日益显现。同时，全面建设小康社会目标的提出，以及在发展中出现的严重环境问题、资源问题等等，提醒全社会对新世纪我国人口问题的长期性、艰巨性和复杂性进行深入思考。二、内容概要：（一）.影响大学生就业问题的因素分析与思考对两大社会人口问题的分析与思考{ （二）.影响人口老龄化问题因素分析与思考. 三、关键词：（一）大学毕业生就业对策；（二）人口老龄化. ( 一 )、大学毕业生就业形势分析与思考. 1、背景： 2003年中国总人口继续增长，农村人口继续向城市转移，劳动力供求总量增长，失业率有所上升，大学生就业受到全社会普遍关注。 2004年中国总人口将突破13亿。2004年我国将提供新的就业岗位900万个左右，城镇登记失业率将上升到4.7%以上，大学生就业问题突出。 2、我国人口就业现状分析：据专家预测，我国将能提供新的就业岗位900万个左右。2004年我国国民生产总值预计增长8%-9%之间，按照目前的就业弹性系数计算，国民生产总值每增长1个百分点，即可提供70--80万个左右的就业岗位，因而仅此可提供600--700万个就业岗位。应当看到，2004年我国的就业形势依然十分严峻，城镇新增加劳动力仍将保持在1000万人左右的规模。随着国家实施振兴东北老工业基地的部署，吉林省、黑龙江省将效仿辽宁省，加快国有企业下岗未实现再业人员“并轨”过程，为此，失业人员将比2003年有所增长，城镇登记失业率可能上升到4.7%以上。 3、大学毕业生就业状况回顾：我国1998年高等院校大规模扩招的学生在2003年毕业，该年毕业生数量达到212万人，比2002年剧增67万人，增长比例达46.5%，大学毕业生就业压力异常巨大，提到最高决策者的日程上。据有关统计，“2003年6月份全国高校毕业生初次就业率为50%，到9月份全国高校毕业生有70%找到了工作，其中本科生就业率为83%，高职高专毕业生就业率为55%[1]”。即使如此，全国大约有10%以上的高校毕业生没有找到工作岗位，大学生就业难成为全国关注的焦点。 2004年依然是高校扩招后毕业生增长的一年，据最新数据，“2004年全国高校毕业生数量达到280万。国家控制目标是初次就业率达到70%，按此比例折算，今年大学毕业未能落实就业的，以及少量继续考研和等待出国等的人数将达84万人[2]”。 4、影响大学毕业生就业问题的因素分析：（1）先根据表一，按初次就业率70%计算出样本（即1990~2003年）的全国高校毕业生就业人数和未落实就业的人数。表一年份普通高校招生人数（万人）普通高校毕业生人数（万人）高校毕业生初次就业人数（万人）未落实就业的毕业生人数（万人） 199060.961.442.9818.42 199162.061.442.9818.42 199275.460.442.2818.12 199392.457.139.9717.13 199490.063.744.5919.11 199592.680.556.3524.15 199696.683.958.7325.17 1997100.082.958.0324.87 1998108.483.058.1024.90 1999159.784.859.3625.44 2000220.695.066.5028.50 2001268.3103.672.5231.08 2002320.5133.793.5940.11 2003335.0212.0148.4063.60 注：表中的高校毕业生初次就业人数=普通高校毕业生人数*初次就业率70% [3] （2）大学毕业生就业问题的回归分析。根据本小组讨论并查阅相关资料，得出可能影响大学生就业数量的因素主要有经济增长、人口结构、人口自然增长率等。现根据表二中1990年~2002年的数据资料，其中Y为大学毕业生就业人数（万人）（按初次就业率70%计算），X为国内生产总值（亿元），S为年底城镇总人口数（万人），T为年底乡村总人口数（万人），Q为全国人口自然增长率(%)，试初步建立四元线形回归函数。设模型的函数形式如下： Yt=Co+C1Xt+C2St+C3Tt+C4Qt+Ut * 表二 ObsYXSTQ 199042.9818547.9301958413814.39 199142.9821617.8312038462012.98 199242.2826638.1321758499611.60 199339.9734634.1331738534411.45 199444.5946759.4341698568111.21 199556.3558478.1351748594710.55 199658.7367884.6373048508510.42 199758.0374462.6394498417710.06 199858.1078345.241608831539.14 199959.3682067.543748820388.18 200066.5089468.145906808377.58 200172.5297314.848064795636.95 200293.59104790.650212782416.45 A、单因素分析。由上表可以看出： a、随着国内生产总值的逐步增长，大学毕业生就业人数逐步增加，这说明这两者之间可能存在相关关系，现根据表中数据，进行Y对X的数据拟合，即对模型：Yt=Co+C1Xt+Ut进行OLS估计。得到如下大学毕业生就业人数与国内生产总值之间的散点图，反映出大学毕业生就业人数与国内生产总值之间存在着近似的线性正相关关系。图一表三 b、随着年底城镇总人口数的逐步增长，大学毕业生就业人数逐步增加，这说明这两者之间可能存在相关关系，现根据表中数据，进行Y对S 的数据拟合，即对模型：Yt=Co+C1St+Ut进行OLS估计。得到如下大学毕业生就业人数与年底城镇总人口数之间的散点图，反映出大学毕业生就业人数与年底城镇总人口数之间存在着近似的线性正相关关系。图二表四 c、随着年底乡村总人口数的逐步减少，大学毕业生就业人数逐步增加，这说明这两者之间可能存在相关关系，现根据表中数据，进行Y对T 的数据拟合，即对模型：Yt=Co+C1Tt+Ut进行OLS估计。得到如下大学毕业生就业人数与年底城镇总人口数之间的散点图，反映出大学毕业生就业人数与年底乡村总人口数之间存在着近似的线性负相关关系。图三表五 d、随着全国人口自然增长率(%)的逐步降低，大学毕业生就业人数逐步增加，这说明这两者之间可能存在相关关系，现根据表中数据，进行Y对Q 的数据拟合，即对模型：Yt=Co+C1Qt+Ut进行OLS估计。得到如下大学毕业生就业人数与全国人口自然增长率之间的散点图，反映出大学毕业生就业人数与全国人口自然增长率之间存在着近似的线性负相关关系。图四表六 B、多因素分析。 ①现用模型*拟合表二中的数据，得到如下回归分析输出结果：图五表七由该输出结果我们可发现一个矛盾现象，即在A中的b部分的分析中得出Y与S呈现近似的线性正相关关系，而回归输出结果中S前的系数符号却变为负号，由此我们可推断在模型*我们引入了不当解释变量，模型* 不能用。 ②进而我们又作了如下工作：表八 X前系数符号S前系数符号T前系数符号Q前系数符号修正可决系数结论 Ls Y C X S 正正0.8179 对 Ls Y C X T 正负0.8594 对 Ls Y C X Q 正负0.7741 对 Ls Y C X S T 正负负0.9001 错 Ls Y C X T Q 正负正0.8529 错 Ls Y C S T 正负0.8250 对 Ls Y C S Q 正正0.8274 错 Ls Y C S T Q 正负正0.8095 错 Ls Y C T Q 负负0.8010 对由上表可以得出最佳模型： Y t=Co+C1Xt+C2Tt+ U t ** 用模型**拟合表中相关数据，得到如下回归分析报告： ^ Y t=251.4126+0.0003Xt - 0.0026Tt S e (90.3982) (8.66E-05) (0.0010) t (2.7812) (3.4179) (-2.4710) 可绝系数为：0.8829 修正可绝系数为：0.8594 F=37.6802 表九 C、模型的检验与修正。 ⑴模型**是否存在多重共线性。多重共线性的检验：简单相关系数矩阵法 XT X 1.000000-0.769136 Y-0.769136 1.000000 由上表可得出解释变量X与T之间存在一定程度的线性相关性。多重共线性的修正：由于模型**是利用逐步回归法（即判断是否存在多重共线性，又削弱了多重共线性的程度）确定出的最佳模型，因此其多重共线性程度较之其他模型应该较弱。 ⑵模型**是否存在异方差性。 a.异方差性的检验：图形分析法图六由以上散点图可得出模型**存在异方差性。 b.异方差的修正：WLS估计法 g e n r e^2=r e s i d * r e s i d g e n r W=1/e^2 Ls(W=W) Y C X T 得到如下回归输入结果：表十表 Unweighted Statistics R-squared0.868749 Mean dependent var56.61385 Adjusted R-squared0.842499 S.D. dependent var15.09165 S.E. of regression5.989340 Sum squared resid358.7219 Durbin-Watson stat1.099410 ⑶模型**是否存在自相关性。 a、自相关性的检验：图示法图七由上图可知，模型**存在一定程度的自相关性。 b、自相关性的修正：①先利用对数线性回归修正自相关 g e n r LY=log(Y) g e n r LX=log(X) g e n r LT=log(T) Ls LY C LX LT 得到如下回归输入结果：表十一由上表可知DW=1.2563,给定显著性水平α=0.05，查DW表，n=13,k’=2,得到d L=0.861,dU=1.562,因为0.8611.25631.562,所以DW=1.2563落在了无法判别区域。 ②同时考虑Cochrane-Orcutt迭代。 Ls LY C LX LT AR(1) 得到如下回归输入结果：表十二由上表可看出，DW=1.4680（n=12,k’=2,dL=0.812,dU=1.579）仍处在无法判别区域。 ③接着再用一次利用对数线性回归修正自相关，得到DW=1.2518；再同时考虑Cochrane-Orcutt迭代。得到DW=1.5037，与此时的dU=1.604相比(n=11,k’=2,a=0.05)有了明显的好转。 5、结合上述模型（即**）与分析对大学毕业生未来就业形势进行预测分析：（1）预测。在此我们假定：年份 X（亿元） Y（万人）大学毕业生人数[4] 2003 11500 77200 212 2004 12200 76000 280 2005 13300 75050 320 利用模型**进行预测，可得到2005年大学毕业生就业人数的预测值分别为：约208.5万人，进而我们可推算出2005年将有91.35万人在毕业时无法落实工作。（2）对大学毕业生未来就业形势的分析与思考：由表一我们不难发现，从1997年国家教育部实行扩招以来，每年的大学生招生数量比以往有了大幅增长，然而大学毕业生中未落实工作的人数从2001年的40.11万人剧增到2003年的63.6万人，并且根据有关数据的预测，到了2005年将约有96万大学毕业生无法落实工作[5]。大学毕业生就业难问题在当今社会已经是一个受到普遍关注的、严重的、亟待解决的问题。对此问题首都师范大学谢维和教授做出了比较全面的归纳[6]，包括以下七个方面：① 1998年以来大规模扩招产生影响；②就业市场总体供过于求成为大学生就业的不良环境；③非典对大学生就业产生直接和间接影响；④高等教育机构与市场需求结构不谐调；⑤社会环境和体制因素，如户口和地方的土政策；⑥大学生就业期望值过高；⑦大学生就业指导系统功能不良。对于如何缓解大学毕业生就业难问题，有关资料[7]提供了如下对策：国家在宏观上要保持一定的经济增长速度，在促进全社会就业率提高的同时，也为大学生充分就业奠定基本条件。继续深化人事和户籍制度改革，放宽户籍控制，加大毕业生择业在地域上的自由度。搞好高等教育科类、专业结构的调整工作，实现按需培养，并深化教育体制改革。强化对大学生的观念教育和职业生涯指导，使其建立对职业的合适期望值，树立自主就业和多元就业的意识。强化政府职能，提供优质服务。首先，要建立起全国统一的供求信息库。其次，要建立全国统一的毕业生就业市场，以提供方便、快捷、规范的服务。（二）人口老龄化问题在20世纪人口增长过程中，二战后半个多世纪的人口增长尤其迅速而显著。公共医疗卫生条件的改善，疾病的减少，婴儿死亡率的下降，生活水平的提高等因素对人口增长做出了贡献。许多发展中国家取得独立后，致力于经济发展，积极改善医疗卫生条件，同时保持着较高的人口出生率，一方面是死亡率的下降，另一方面是高出生率，致使全球人口在20世纪后50年里爆炸性的增长。随着生育率的持续下降，很多国家实现或正在实现人口转变，并在其过程中人口结构发生了根本性的转变，出现了新的人口发展趋势以及新的人口问题。人口老龄化不仅是发达地区面临的人口发展趋势，也是21世纪全球所面临的趋势。根据国家统计局公布的数据，我们可以列以下表格：年份总人数出生率%。出生人数死亡率%。死亡人数 1990114333000021.06240785306.677660311 1991115823000019.68227939666.77760141 1992117171000018.24213719906.647780154 1993118517000018.09214397256.647869529 1994119850000017.7212134506.497778265 1995121121000017.12207359156.577957650 1996122389000016.98207816526.568028718 1997123626000016.57204848286.518048053 1998124761000015.64195126206.58109465 1999125786000014.64184150706.468125776 2000126743000014.03177820436.458174924 设模型yi=a+b1x1+b2x2+ui,其中yi是人口总数，x1是出生人数，x2是死亡人数。在这个模型中，我们假设死亡为自然死亡，即：老年人死亡数占大多数。根据以上数据拟合模型，得： y=(2.08E+08)-8.68x1+148.86x2 se=(3.87E+08) 3.83 39.33 t=0.5384 -2.2649 3.7847 R2=0.9667 R2=0.9583 F=115.9465 以上结果显示，出生人数每减少一单位，总人数将减少8.68单位，死亡人数每减少一单位，总人数将增加148.86单位，由此可见，死亡人数比出生人数更值得我们的关注。作为发展中国家的中国，老龄化进程的快慢取决于生育率下降和平均寿命提高的速度。有数据显示，我国人口平均寿命从1949年的35岁上升到目前的70岁，特别是20世纪70年代初开始的计划生育，效果十分显著，成为世界上生育率下降最快的国家，然而死亡人数往往跟不上出生人数，即老龄化趋势日益显著。估计到21世纪中叶我国的老年人口比例将近1/4，即平均每四个人就有一个老年人。接下来我们再关注平均寿命的问题：我们用1995年国家统计局1995年1%人口抽样调查的相关数据进行模拟，模拟起点为1995年，终点为2100年。生育率假设的三种方案： 1，2000年到2010年总和生育率由1.8下降到1.62后保持不变，1.62大体相当于目前政策生育率水平，这要求从严控制计划外生育。 2，90年代后期中国妇女的总和生育率平均为1.8左右，假设保持这一水平长期不变，即稳定的生育政策，并基本保持90年代的各省控制生育能力。 3，假设2000年到2010年总和生育率由1.8 提高到2.1后保持不变，这一方案假设下世纪放宽生育政策。死亡率只假设一个方案：根据联合国经验数据认为平均预期达到67.5—70岁时，男性每10年增加1.5岁，女性为3.6岁，70—72.5岁时，男性每10年增加0.9岁，女性为2.8岁，72.5—75岁时，相应为0.4 和2，75岁以上，分别为0.2和0.1。通过上述假设，我们可以得到模拟的预期数据：出生十的预期寿命年份199520002010202020302040205020602070208020902100 男68.0668.8170.1971.0971.9972.6973.0973.4973.8974.2974.6975.05 女71.8273.0675.0676.0677.0678.0679.0680.0680.5681.0681.5682.06 人口年龄结构变化（%）方案1方案2方案3 年份0—14岁65岁以上0—14岁65岁以上0—14岁65岁以上 199526.596.2326.596.2326.596.23 200024.046.9425.046.9425.046.94 201019.428.1219.998.0620.937.97 202017.1111.6318.5111.4120.7411.06 203015.4115.9616.7715.4618.9314.68 204014.0921.5915.8720.5218.8118.88 205013.5822.8915.8421.2719.0718.85 206013.425.6615.4123.1618.6919.62 207013.3326.4415.5523.2319.1918.87 208013.3626.4615.523.4418.9519.35 209013.2127.0715.3823.9118.9219.59 210013.2527.0915.4523.8719.0219.52 可见，不管哪种预测方案，21世纪中国人口年龄结构老龄化的程度较严重，而且都将超过目前世界上人口老化最严重的国家，按方案1，到21世纪末人口的年龄中位数将达到48.24 岁，方案2将达到44.81岁，方案3将达到 39.76岁。根据联合国预测数据，到2050年，发展中国家的人口老龄化水平将达到15%左右。这些预测数据，给世界特别是发展中国家敲响了警钟，人口老龄化问题，已经成为了世界各国尤为关注的一个人口问题，如何解决还有待于思考和研究。资料来源： [1] 数据资料来源于北京人才市场报（N）2003-8-23 [2] 数据资料来源于北京人才市场报（N）2003-8-23 [3] 表中数据来源于《2003年中国统计年鉴》 [4]《2003年中国教育年鉴》高等教育热点关注 [5] 数据资料来源于《2003年中国教育年鉴》高等教育热点关注 [6] 北京人才市场报（N）2003-8-23 [7]《2003年中国教育年鉴》 2003年第五期李守信
影响上市公司高管薪酬的企业因素实证分析_经济学毕业论文范文

影响上市公司高管薪酬的企业因素实证分析_经济学毕业论文范文影响上市公司高管薪酬的企业因素实证分析影响上市公司高管薪酬的企业因素实证分析摘要：本文主要通过分析可能影响上市公司高管薪酬的企业因素（排除了个人因素的不确定性与难统计性），寻找出多个符合经济意义的变量，通过应用eviews这类专业的统计软件，对所收集的深交所385个可用样本进行了一系列的描述统计以及回归分析、调整，最终确定了决定高管薪酬的几个主要因素，并且得到了一个拟合度较高的预测方程，以用于高管薪酬的预测。关键词：高管薪酬多因素分析模型计量经济学检验一、问题的提出在股份公司里，人们在努力提高公司经济效益的同时，也越来越来关注委托代理问题。因为我们已意识到如果委托代理关系处理不好，可能带来道德风险、逆向选择等诸多问题，而要解决委托代理问题，重要的一点是如何提高受托人经营的积极性。在西方，高级管理人员的薪酬与公司绩效的关系是企业管理体现激励与约束机制和解决委托代理问题的通行做法，那么在中国这种环境下是不是也是公司绩效影响到高管的薪酬呢？ Hall和Liebman在1998年利用美国上百家商业公司近15年的数据，研究经营者报酬与经营业绩之间的关系，得出经营者报酬与经营业绩具有强相关的特征结论。李增泉的《激励机制与企业绩效——一项基于上市公司的实证研究》（2000）中研究发现经营者年度报酬与企业绩效并不相关，而是与企业的规模密切相关，并表现出明显的地区差异性。谌新民、刘善敏的《上市公司经营者报酬结构性差异的实证研究》（2003）研究发现经营者的年度货币性薪酬与公司绩效不具有统计上的显著性相关关系。杨汉明的《高管薪酬与上市公司绩效的实证分析》（2004）指出高管平均薪酬的对数与上一年公司国有股持股比例及公司总股本的对数（公司规模）之间呈多元线性关系。李兴绪、扬燕红、章玲和郑树明的《国有控股上市公司经营者薪酬安排的实证研究》则详细的对国有绝对控股的公司经营者的年度货币性薪酬与公司绩效进行具体的研究。研究认为经营者年薪与公司绩效具有统计上的弱相关关系。但国有控股公司经营者年薪与滞后一期的公司绩效的相关强度小于当期和未来一期的公司绩效的相关强度)。经营者薪酬、薪酬差距对未来公司绩效具有激励作用。所以我们的研究将建立在对过去研究的完善与创新上：①对于整个上市公司而言，选择添加了滞后一期的数据进行因素分析②添加了行业、地区这类虚拟变量③选取样本时剔除了董事兼高管的公司二、经济意义的阐述与基本关系假设 1、高管当年薪酬与前一年薪酬存在正相关关系。因为，高管薪酬的确定通常需要参照上市公司上年薪酬水平。 2、高管薪酬与经营业绩（扣除非经营性损益的净利润为基础计算的净资产收益率/加权）存在正相关关系。根据委托代理理论，当股东与经理之间存在信息不对称、利益冲突时，股东会与经理签订报酬——绩效契约，来减少由于信息不对称和逆向选择所导致的代理成本；在报酬——绩效契约下，高管阶层的报酬将由企业的经营绩效确定，所以，我们假设高管薪酬与企业绩效存在显著的正相关关系。 3、高管薪酬与总股本存在正相关关系。总股本反映了公司规模的大小，在盈利的企业里，公司规模越大所获利润越多，高管薪酬越多。因此，我们假设高管年薪与总股本存在正相关关系。 4、高管薪酬与国有股权比例存在负相关关系。由于国有产权模糊，高管阶层的预期期望低，难以产生应有的激励效果。所以，我们假设高管薪酬与公司股本中国有股的比例存在负相关关系。 5、上市公司同时发行B股或H股，会提高高管薪酬。当公司能发行B股或H股时，企业的融资渠道更宽广，资金更雄厚，投资规模将更大。同时，市场对于上市公司的监管更严格更全面，要求企业家有更好的业绩表现，相应的也不吝于给出高薪报酬。 6、上市公司所处的地区会影响高管的薪酬。当公司处于上海、北京、广东等地，因为这些地区本身消费水平就很高，所以高管薪酬也相应会提高。因此，我们假设公司是否处于以上较为繁华的城市将对高管年薪产生影响。 7、上市公司所在行业影响高管的薪酬。当公司处于当今社会盈利能力很强的行业（如金融保险、垄断性行业等）时，公司盈利能力越强高管薪酬越高。同时认为综合类的上市公司（通常认为是集团类企业）由于其主营业务多样，而应具有更好的盈利能力及抗风险能力，因而高管薪酬应较高。因此，我们假设公司所在行业会影响高管的薪酬。三、理论数学模型的设定根据以上的经济理论的分析和基本关系的假设，在设立模型时将03年高管薪酬作为滞后一期的变量，将经营业绩、总股本和国有比例作为解释变量，将是否发行B股或H股、所在地区和所处行业作为虚拟变量。由于几个变量之间数量级存在差异,若直接回归会存在一些潜在问题,为了回避这一问题,本文在设定模型时将03年高管薪酬、04年高管薪酬和总股本这几个以绝对值形式出现采用了对数形式。模型设定如下[注：文中回归时使用ly04代替，ly03代替，lx2代替。 ]： ——04年高管薪酬 ——经营业绩（扣除非经营性损益的净利润为基础计算的净资产收益率/加权） ——总股本 ——国有股比例 u——随机扰动项 ——参数四、样本的选取我们以2004年在深圳证券交易所公布年报的上市公司为样本，并且为了保证分析结论的普遍性，我们遵循以下原则选取，共得到385 组样本数据：为了得到更为成熟的信息，而且考虑到样本的一般代表性，我们首先剔除了资料不全、业绩较差的ST和PT 公司；由于我国一些公司是经过包装上市的，这样新上市的公司业绩不稳定，所以，样本中未包含新上市公司，都是2003年前就上市了的公司；因为在本文中我们讨论的是委托代理关系，所以剔除了董事兼高管的公司；由于我们采用的是最前三位高管薪酬总额，所以，还剔除了高管人数少于3个的公司样本。因为一般而言，投资人在年终才会评价经营者完成受托责任的情况，以决定是否增加经营者的薪酬，是否继续聘用经营者，所以我们认为，影响上市公司高管阶层年薪的应该是上年的公司业绩和相关因素。所以，在遵循以上原则基础上，我们选取披露了2004年和2003年前三高管薪酬位总额的所有公司，对应的选择2003 年的业绩、国有股比例、总股本、绝对薪酬差等相关数据及资料。五、样本分析（一）描述统计分析在进行回归分析之前，我们先进行以下描述统计分析：高管薪酬差距较大。在385个样本中，04年高管薪酬最高的是000002深万科A，广东，所属行业J（房地产），前三位高管平均薪酬为171.67万，04年高管薪酬最低的是000426富龙热力，内蒙古，所属行业D（电力、煤气及水的生产和供应），前三位高管平均薪酬为1.14万。由此可以看出，不同公司高管薪酬差距较大，最高的是最低的150倍。表1：单位：万元股票代码04年薪酬股票代码03年薪酬 max000002171.6667000921140 min0004261.1433330004261.143333 average20.6651317.0252 2、同上年相比，不同上市公司间高管薪酬差距扩大。同样本情况下，03年高管薪酬最高的是000921科龙电器，广东，所属行业C7（机械、设备、仪表），前三位高管平均薪酬为140万。03年高管薪酬最低的依然是000426富龙热力的1.14万。而且，04年所有样本的平均高管薪酬为20.67万，03年所有样本的平均高管薪酬为17.03万。显然，差距扩大了。 3、业绩与高管薪酬额不挂钩。 385个样本中，03年所有公司中用来衡量业绩的“扣除非经常性损益的净利润为基础计算的净资产收益率”ROE最高的为000617石油济柴，山东，所属行业C7（机械、设备、仪表）0.4074，其前三位高管平均薪酬10.80万，ROE最低的为000633合金投资，辽宁，所属行业M（综合），ROE=-2.3030，其前三位高管平均薪酬13.07万。虽然业绩最低，但是其高管薪酬却比业绩最高的公司高管薪酬更高。可见，业绩与高管薪酬额相关度不大。表2：单位：万元股票代码03年ROE（%）04年薪酬03年薪酬 max0006170.4074 10.7967 8.4933 min000633-2.3030 13.0667 7.8000 average0.0192 20.6651 17.0252 4、公司规模对高管薪酬有较为显著的影响。表3：单位：万元股票代码总股本（单位：股）04年薪酬03年薪酬 max0008982,962,942,246.0000 15.5000 15.5200 min00066961,670,000.0000 5.1667 5.1667 average425,046,459.0701 20.6651 17.0252 5、与平均水平相比，国有股份额越大，薪酬水平相对更低。表4：单位：万元股票代码国有股比例（%）04年薪酬03年薪酬 max0008980.848477 17.6667 13.6667 min多个股票 average0.290516 20.6651 17.0252 （二）回归分析我们利用Eviews软件，用OLS方法估计得到：（见附表1） LY04=0.491748+0.835528LY03+0.167638D1-0.013293D2-0.050005D3+0.050402X1 (0.788230) (29.11029) (2.148697) (-0.262773) (-0.554123) (0.490981) +0.093156LX2-0.090802X3 (2.973939) (-1.112710) 可见，可决系数比较高，F也较高，但、、、都不显著，而且按照以上的经济意义分析来看，、与经济意义不符，因此，我们再对上述模型进行计量经济学的检验，并进行修正，看是否能使模型方程得到改进。六、回归分析的计量经济学模型检验（一）多重共线性检验用EVIEWS软件，得相关系数矩阵表：表5 LY03D1D2D3X1LX2X3 LY03 1.000000 0.277966 0.412111 0.009197 0.101279 0.321093-0.034610 D1 0.277966 1.000000 0.265374-0.075589 0.097060 0.226111-0.054472 D2 0.412111 0.265374 1.000000 0.021739 0.060491 0.161198-0.001576 D3 0.009197-0.075589 0.021739 1.000000-0.168662-0.100160-0.151421 X1 0.101279 0.097060 0.060491-0.168662 1.000000 0.186132 0.046258 LX2 0.321093 0.226111 0.161198-0.100160 0.186132 1.000000 0.107431 X3-0.034610-0.054472-0.001576-0.151421 0.046258 0.107431 1.000000 由上表我们可以看出，解释变量、虚拟变量和滞后一期变量之间的相关系数较小，可见存在轻度多重共线性。用逐步回归法进行修正：（见附表2）剔除影响不显著的D2、D3、X1、X3 方程变为：（见附表2*） LY04 = 0.4890546548 + 0.8341617686*LY03 + 0.09252437598*LX2 + 0.1746671652*D1 （0.814811）（31.22490）（3.027865）（2.293012） R-squared=0.770975F-statistic=426.4015 （二）异方差检验用EVIEWS软件，进行ARCH检验，得到：（见附表3） Obs*R-squared=0.373588 =3.84146,不存在异方差性 (三)自相关检验由于这是一个一阶自回归模型，所以我们采用德宾 h-检验来检验其自相关性：对于逐步回归法修正前的模型：对于逐步回归法修正后的模型：（见附表2*）在0.05的显著性水平下，上述两个h1.96，即不存在一阶自相关。七、结论那么我们的模型估计式就是经过逐步回归法修正所得到的结果： LY04 = 0.4890546548 + 0.8341617686*LY03 + 0.09252437598*LX2 + 0.1746671652*D1 （0.814811）（31.22490）（3.027865）（2.293012） R-squared=0.770975F-statistic=426.4015 经过修正后，我们可以看出，各t统计量非常显著，而且可决系数和F统计量也都比较大，也就是说方程整体拟合效果较好。结合经济意义，以及回归结果（附表1），我们得出以下结论： 1、总体而言，上市公司高管平均薪酬的对数与其上一年的平均薪酬的对数、反映公司规模的总股本的对数以及是否发行H股或B股，呈现多元线性关系。 2、高管薪酬受其上一期薪酬水平的显著影响。 3、高管薪酬与经营业绩（扣除非经营性损益的净利润为基础计算的净资产收益率/加权）虽然存在正相关关系，但不显著。即表明我国上市公司的委托代理激励机制尚未建立健全，高管的薪酬与其经营的业绩没有什么关系。“干多干少一个样的，干好干坏一个样”的传统计划经济体制下的经营管理模式仍未改变。 4、高管薪酬与公司规模存在显著正相关关系。从积极的角度看，这体现了企业家在管理更大的企业时所体现的企业家价值获得了更多的补偿；但从另一个角度看，也说明了为什么我国上市公司那么热衷于“圈钱”、扩大企业规模。 5、高管薪酬与国有股权比例存在负相关关系，但不显著。国有企业的改制，以及国有股的逐步减持，都能说明国家持股对于上市公司高管的薪酬影响渐渐减弱。 6、上市公司是否同时发行B股或H股，显著影响着高管薪酬。同时在B股市场发行股票或在香港联交所上市的上市公司的高管薪酬显著高于一般水平。 7、上市公司所处的地区对上市公司高管薪酬影响不显著，而且违背了我们做出的假设或者说是经济意义。究其原因，可能是地区差异按照省份划分不合理，忽略了省内发达城市与不发达城市的区别，同时，由于样本选取中只选择了深市，所以样本中没有包括上海的上市公司。当然也可能是地区因素根本不显著，即对于薪酬没什么影响。 8、上市公司所在行业没有显著影响高管的薪酬。而且，基于对行业虚拟变量的假设，认为综合类的上市公司（通常认为是集团类企业）由于其主营业务多样，而应具有更好的盈利能力及抗风险能力，因而高管薪酬应较高。但回归结果与假定相反，这可能是因为一方面，我国上市公司行业分类本身存在一定的缺陷，很多综合类公司并非我们假定中认为的集团类上市公司，而只是主营业务有两项超过判断标准；另一方面，由于数据录入的困难，没有具体的对各个行业进行判断，所以可能让高盈利水平的行业影响没有表现出来。九、不足之处当然，由于我们水平有限，不足之处如下所述： ①由于录入数据的工作量太大，所以我们只选择了深交所的上市公司作为样本。这样影响了对于我国上市公司的全面反映，而且地区因素也可能因此不显著。 ②对于行业的分类以及虚拟变量的设定还不够合理，有待完善另注：对于高管薪酬的反映，忽略了高管可能获得的福利及“灰色收入”，而单纯考虑其年报所披露的收入。由于福利及灰色收入的不确定性和难以统计性，同时，也由于这些福利与灰色收入对于所有上市公司应该是普遍存在，所以我们不得不选择在研究时忽略这些。欢迎大家一同探讨、指正。参考文献 [1]　李增泉《激励机制与企业绩效——一项基于上市公司的实证研究》（2000） [2] 谌新民、刘善敏的《上市公司经营者报酬结构性差异的实证研究》（2003） [3] 杨汉明的《高管薪酬与上市公司绩效的实证分析》（2004） [4] 李兴绪、扬燕红、章玲和郑树明的《国有控股上市公司经营者薪酬安排的实证研究》附录（附表1） Dependent Variable: LY04 Method: Least Squares Date: 06/06/05 Time: 10:35 Sample(adjusted): 1 384 Included observations: 384 after adjusting endpoints VariableCoefficientStd. Errort-StatisticProb. C0.4917480.6238640.7882300.4311 LY030.8355280.02870229.110290.0000 D10.1676380.0780192.1486970.0323 D2-0.0132930.050589-0.2627730.7929 D3-0.0500050.090242-0.5541230.5798 X10.0504020.1026560.4909810.6237 LX20.0931560.0313242.9739390.0031 X3-0.0908020.081604-1.1127100.2665 R-squared0.772059 Mean dependent var12.99271 Adjusted R-squared0.767815 S.D. dependent var0.826929 S.E. of regression0.398460 Akaike info criterion1.018194 Sum squared resid59.69766 Schwarz criterion1.100499 Log likelihood-187.4933 F-statistic181.9356 Durbin-Watson stat1.910938 Prob(F-statistic)0.000000 （附表2） Dependent Variable: LY04 Method: Least Squares Date: 06/06/05 Time: 10:25 Sample(adjusted): 1 384 Included observations: 384 after adjusting endpoints VariableCoefficientStd. Errort-StatisticProb. C1.7759290.3224685.5072980.0000 LY030.8763290.02514234.855810.0000 R-squared0.760791 Mean dependent var12.99271 Adjusted R-squared0.760164 S.D. dependent var0.826929 S.E. of regression0.404972 Akaike info criterion1.035196 Sum squared resid62.64882 Schwarz criterion1.055772 Log likelihood-196.7576 F-statistic1214.928 Durbin-Watson stat1.877970 Prob(F-statistic)0.000000 Dependent Variable: LY04 Method: Least Squares Date: 06/06/05 Time: 10:29 Sample(adjusted): 1 384 Included observations: 384 after adjusting endpoints VariableCoefficientStd. Errort-StatisticProb. C0.1231310.5818270.2116290.8325 LY030.8477980.02618932.371780.0000 LX20.1030650.0303783.3927440.0008 R-squared0.767806 Mean dependent var12.99271 Adjusted R-squared0.766587 S.D. dependent var0.826929 S.E. of regression0.399513 Akaike info criterion1.010640 Sum squared resid60.81159 Schwarz criterion1.041504 Log likelihood-191.0428 F-statistic629.9334 Durbin-Watson stat1.885471 Prob(F-statistic)0.000000 （附表2*） Dependent Variable: LY04 Method: Least Squares Date: 06/06/05 Time: 10:30 Sample(adjusted): 1 384 Included observations: 384 after adjusting endpoints VariableCoefficientStd. Errort-StatisticProb. C0.4890550.6002060.8148110.4157 LY030.8341620.02671531.224900.0000 LX20.0925240.0305583.0278650.0026 D10.1746670.0761742.2930120.0224 R-squared0.770975 Mean dependent var12.99271 Adjusted R-squared0.769167 S.D. dependent var0.826929 S.E. of regression0.397299 Akaike info criterion1.002106 Sum squared resid59.98164 Schwarz criterion1.043259 Log likelihood-188.4044 F-statistic426.4015 Durbin-Watson stat1.895634 Prob(F-statistic)0.000000 Dependent Variable: LY04 Method: Least Squares Date: 06/06/05 Time: 10:32 Sample(adjusted): 1 384 Included observations: 384 after adjusting endpoints VariableCoefficientStd. Errort-StatisticProb. C0.4501530.6013250.7486010.4546 LY030.8325860.02675531.118340.0000 LX20.0967990.0308333.1395110.0018 D10.1693850.0763372.2189090.0271 X3-0.0832960.080470-1.0351160.3013 R-squared0.771620 Mean dependent var12.99271 Adjusted R-squared0.769210 S.D. dependent var0.826929 S.E. of regression0.397262 Akaike info criterion1.004492 Sum squared resid59.81255 Schwarz criterion1.055932 Log likelihood-187.8624 F-statistic320.1292 Durbin-Watson stat1.902857 Prob(F-statistic)0.000000 Dependent Variable: LY04 Method: Least Squares Date: 06/06/05 Time: 10:33 Sample(adjusted): 1 384 Included observations: 384 after adjusting endpoints VariableCoefficientStd. Errort-StatisticProb. C0.4758560.6030970.7890200.4306 LY030.8334500.02680931.088080.0000 LX20.0952190.0309533.0762840.0022 D10.1656010.0766202.1613360.0313 X3-0.0909060.081386-1.1169720.2647 D3-0.0575480.088952-0.6469540.5181 R-squared0.771873 Mean dependent var12.99271 Adjusted R-squared0.768855 S.D. dependent var0.826929 S.E. of regression0.397567 Akaike info criterion1.008593 Sum squared resid59.74639 Schwarz criterion1.070322 Log likelihood-187.6499 F-statistic255.7941 Durbin-Watson stat1.911948 Prob(F-statistic)0.000000 Dependent Variable: LY04 Method: Least Squares Date: 06/06/05 Time: 10:34 Sample(adjusted): 1 384 Included observations: 384 after adjusting endpoints VariableCoefficientStd. Errort-StatisticProb. C0.5232720.6114640.8557680.3927 LY030.8328930.02686131.008010.0000 LX20.0931060.0312852.9760850.0031 D10.1641070.0767582.1379900.0332 X3-0.0913750.081474-1.1215260.2628 D3-0.0509590.090058-0.5658540.5718 X10.0500640.1025210.4883250.6256 R-squared0.772017 Mean dependent var12.99271 Adjusted R-squared0.768389 S.D. dependent var0.826929 S.E. of regression0.397968 Akaike info criterion1.013169 Sum squared resid59.70863 Schwarz criterion1.085186 Log likelihood-187.5285 F-statistic212.7721 Durbin-Watson stat1.910351 Prob(F-statistic)0.000000 （附表3） ARCH Test: F-statistic0.372000 Probability0.542280 Obs*R-squared0.373588 Probability0.541055 Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 06/06/05 Time: 10:52 Sample(adjusted): 2 384 Included observations: 383 after adjusting endpoints VariableCoefficientStd. Errort-StatisticProb. C0.1613640.0194338.3036170.0000 RESID^2(-1)-0.0312350.051212-0.6099180.5423 R-squared0.000975 Mean dependent var0.156473 Adjusted R-squared-0.001647 S.D. dependent var0.346138 S.E. of regression0.346423 Akaike info criterion0.722897 Sum squared resid45.72346 Schwarz criterion0.743514 Log likelihood-136.4348 F-statistic0.372000 Durbin-Watson stat1.992667 Prob(F-statistic)0.542280 数据表股票代码2004年高管薪酬前三位总额(元）2003年高管薪酬前三位总额(元）是否发行H股或B股地区行业经营业绩（扣除非经营性损益的净利润为基础计算的净资产收益率/加权）%总股本（股）国有股比例 0000012,290,000 1,660,000 0100.0592 1,945,822,149 0.000882 0000025,150,000 1,770,000 1100.1558 2,273,627,871 0.069603 000004930,000 900,000 010-0.0448 83,976,684 0.000000 000006541,300 746,000 0100.0069 253,591,631 0.280248 000007560,000 430,000 010-1.4417 143,593,664 0.049668 000009540,000 540,000 011-0.0122 958,810,042 0.227963 000010225,000 225,000 010-0.0952 147,017,448 0.000000 0000121,480,000 1,230,500 1100.1418 676,975,416 0.000000 000014734,800 514,000 0100.0982 89,646,750 0.288000 000016739,200 739,200 1100.0319 601,986,352 0.000000 000018610,000 610,000 1100.0028 169,142,356 0.280000 000019344,600 332,700 1100.0205 115,846,292 0.380592 000021630,000 574,000 0100.0867 732,932,101 0.559619 0000221,560,000 1,060,000 1100.3193 495,972,100 0.000000 000023421,000 338,000 010-0.0665 138,756,240 0.267123 0000241,285,000 1,096,000 1100.1146 618,822,672 0.000000 000026888,100 730,700 1100.0048 249,317,999 0.000000 000027814,000 811,000 0100.1696 1,202,495,332 0.552833 000028829,600 843,700 1100.0662 288,149,400 0.433333 000029440,000 450,000 110-0.1283 1,011,660,000 0.735247 0000311,460,000 1,450,000 0100.0903 466,302,377 0.596314 0000321,190,000 1,029,300 0100.0422 194,053,600 0.049634 000036320,000 320,000 0100.0048 449,555,085 0.000000 0000372,600,000 2,750,000 1100.2393 547,965,998 0.156103 000038420,000 357,000 010-0.0591 90,486,000 0.000000 0000393,100,000 1,660,000 1100.3276 1,008,483,353 0.000000 0000421,054,000 1,055,000 0100.0405 239,463,040 0.348001 000043778,600 445,000 0110.1126 139,325,472 0.000000 000045936,800 668,100 1100.0608 245,124,000 0.662359 0000461,228,200 1,080,000 0100.0819 292,901,209 0.000000 0000502,258,000 576,000 0100.1222 265,540,000 0.127356 0000551,021,800 758,600 110-0.0025 296,400,000 0.000000 000056636,000 295,000 110-0.1632 220,901,184 0.190290 0000581,047,000 925,000 1100.0706 726,145,863 0.326876 000059300,000 98,000 0000.1096 663,225,214 0.000000 0000601,240,000 957,900 0100.1167 432,000,000 0.495833 000061750,200 845,200 0100.0005 387,663,442 0.250912 000062360,000 360,000 0110.0349 270,399,998 0.525000 0000634,285,000 2,777,700 1100.1082 959,521,650 0.481774 000065881,200 851,800 0100.0821 162,437,120 0.743901 000066840,000 770,000 0100.2196 458,491,500 0.604660 0000681,020,000 1,009,000 0100.1075 785,970,517 0.144018 0000691,837,600 748,000 0100.2075 1,052,839,659 0.019827 000070860,000 695,000 010-0.0031 250,000,000 0.392380 0000781,280,000 730,000 0100.0099 332,700,000 0.000000 0000881,415,200 2,030,000 0100.1903 1,245,000,000 0.738956 0000891,187,100 363,200 0100.0946 799,824,000 0.639921 0000901,200,000 1,200,000 0100.0377 223,261,600 0.506946 0000961,336,400 1,309,200 0100.1183 528,000,000 0.212000 0000991,080,000 1,050,000 0100.0692 513,600,000 0.580561 0001001,340,000 1,890,000 0100.0081 2,586,331,144 0.252204 000151756,804 619,600 0100.0360 295,980,000 0.645246 000153128,800 122,400 0000.0150 130,004,600 0.495341 000155190,800 180,000 0000.0190 470,000,000 0.723404 000157987,000 987,000 0000.2388 507,000,000 0.498350 00015856,500 47,900 0000.0211 430,000,000 0.691116 000159276,000 360,000 000-0.0242 171,792,300 0.551784 000301125,000 128,000 0000.0046 467,928,397 0.624382 000400436,500 279,100 0000.0689 378,272,000 0.456391 000401495,300 1,263,600 0000.0627 962,770,614 0.629347 0004022,780,000 1,670,000 0000.1443 459,126,640 0.441178 000403567,100 349,200 000-0.3517 211,683,491 0.409914 000404109,600 133,000 000-0.0652 260,853,837 0.406694 000406392,100 340,100 0000.0717 364,027,608 0.263349 000407459,200 299,000 0000.0132 287,506,509 0.004174 000408266,400 176,400 000-0.0911 114,720,000 0.000000 000410200,000 150,000 0000.0702 340,919,303 0.544248 000413121,200 115,200 1000.0243 383,000,000 0.601594 000415258,209 241,396 000-0.0960 233,179,996 0.280810 000416252,000 252,000 0000.1861 408,249,882 0.000000 000417375,000 315,000 0000.0424 189,239,764 0.501024 000419270,000 270,000 0000.0368 175,508,155 0.559233 00042057,900 69,400 0000.0631 378,257,464 0.389395 000421316,800 352,700 0000.0607 256,337,906 0.285623 000422877,500 580,000 0000.1154 246,535,475 0.255038 0004231,242,700 443,700 0000.1303 408,711,549 0.296251 0004251,123,500 730,000 0000.0411 545,087,620 0.000000 00042634,300 34,300 000-0.0459 266,207,356 0.630524 000428312,000 312,000 0000.0472 172,840,000 0.647998 000429918,900 464,800 1100.0729 1,257,117,748 0.377674 000430390,000 260,000 0000.0698 183,600,000 0.000000 0004881,800,000 3,380,000 1000.0936 897,727,903 0.314010 000501639,200 583,200 000-0.0543 507,248,590 0.297542 000502416,000 520,500 0000.1548 155,668,513 0.000000 000503948,000 912,000 0010.0136 749,018,504 0.000000 000504805,700 766,000 0010.0714 311,573,901 0.267874 000506120,000 100,000 000-0.1121 249,101,743 0.330533 000507652,200 486,300 0110.0283 344,997,420 0.207984 000509216,100 348,200 000-0.1196 250,009,889 0.000000 000510660,000 460,000 0000.1197 609,182,254 0.133359 000511182,400 187,200 0000.0645 269,821,425 0.000000 0005134,209,900 1,678,000 1100.0897 306,035,482 0.000000 000514217,300 158,800 0000.0120 117,542,880 0.522934 000515240,000 240,000 0000.0772 187,207,488 0.275491 000516400,000 216,000 0000.0732 130,378,296 0.215115 000517753,000 336,000 000-0.1358 233,307,495 0.000000 0005181,680,000 168,000 0000.0108 1,029,556,222 0.000000 000519320,000 297,900 000-0.0387 136,538,286 0.448418 0005211,503,300 633,600 1000.0137 413,642,949 0.098016 000522733,000 2,270,000 0100.0515 374,344,355 0.290909 000523397,200 366,000 010-0.0011 229,350,622 0.589333 000524338,000 435,000 0100.0600 269,673,744 0.176261 000525504,000 407,400 0000.0800 280,238,842 0.458956 000526132,000 193,200 001-0.0029 79,250,285 0.000000 0005271,090,000 1,330,000 0100.1072 484,889,726 0.000000 0005282,955,200 2,047,300 0000.1621 472,456,179 0.000000 000530390,000 358,000 1000.0768 350,014,975 0.303892 000531263,100 231,800 0100.1617 266,521,260 0.360115 000532361,200 730,000 010-0.0267 283,909,859 0.331761 000534199,000 152,000 010-0.0112 208,261,325 0.383461 000538394,700 363,520 0000.2395 241,563,368 0.661366 000539910,000 895,000 1100.1172 2,659,404,000 0.517036 000540850,000 850,000 001-0.4548 326,811,466 0.110892 000541840,000 700,000 1100.0998 358,448,259 0.239706 000543617,000 619,000 0000.0522 773,008,816 0.605426 000545132,000 153,000 0000.0585 135,635,820 0.000000 000547158,500 130,000 0000.0239 122,423,174 0.000000 000548354,500 385,800 0000.0197 340,608,048 0.444271 0005493,200,000 1,120,000 0000.1481 936,286,560 0.079460 0005501,700,000 1,000,000 1000.1523 863,214,000 0.410299 000551743,200 668,100 0000.0801 241,726,394 0.416893 000553150,000 100,000 1000.0133 296,961,610 0.285321 000554455,000 411,300 0000.0859 480,793,320 0.386764 000558310,000 240,000 0000.0866 117,164,373 0.000000 000559444,000 280,800 0000.0950 732,562,404 0.000000 000562972,000 828,000 000-0.8459 608,745,150 0.000000 000563396,300 310,000 000-0.2717 314,187,026 0.510398 000564420,000 228,000 0000.0331 202,007,024 0.256452 000565120,000 91,500 0000.0110 173,436,888 0.495991 000568216,000 231,700 0000.0291 841,399,673 0.695604 000569153,800 166,746 0000.0109 695,142,187 0.000000 000573648,000 538,800 0110.0243 451,283,864 0.000000 000576156,000 156,000 010-0.0181 247,598,624 0.358433 000578252,660 211,032 000-0.6790 198,153,422 0.063587 000581671,800 700,000 1000.1050 436,366,150 0.278587 000582152,400 182,200 000-0.0911 188,471,800 0.285767 000584202,900 151,400 0010.0635 303,352,615 0.059264 000589259,200 259,200 0000.0208 254,327,065 0.510000 000590205,500 110,000 0000.0232 203,028,425 0.420201 000591350,000 350,000 0000.0003 109,852,811 0.651534 000593248,900 226,300 000-0.0218 190,307,288 0.000000 000595224,000 135,900 0000.0377 174,959,878 0.477638 000597396,000 396,000 0000.0050 303,810,000 0.600770 000598360,000 264,000 0000.0043 232,669,798 0.000000 000599131,900 96,900 0000.0447 225,079,327 0.478551 000600199,600 235,800 0010.1642 153,733,407 0.308277 000601289,600 289,600 0100.0345 441,873,200 0.160540 000602117,000 97,000 0100.2210 150,750,000 0.000000 000605360,000 384,000 0100.0644 82,500,000 0.000000 00060686,900 89,000 000-0.0037 151,702,000 0.358215 000607752,000 480,000 0000.0656 357,955,451 0.000000 0006081,185,000 1,081,000 0000.1758 292,040,280 0.111893 000609382,316 384,700 0100.0466 129,606,749 0.445197 000610242,100 236,800 0000.0128 167,597,900 0.379228 000611256,000 124,800 0000.0613 175,040,565 0.000000 0006121,281,600 826,500 0000.0413 480,176,083 0.523441 000615170,000 170,000 000-0.0078 154,908,460 0.142649 000616181,132 780,000 0000.2017 283,413,000 0.057143 000617323,900 254,800 0000.4074 166,400,000 0.000000 000619451,900 345,500 0000.0414 360,000,000 0.000000 0006231,560,000 340,000 0000.0442 350,496,900 0.141921 000625900,000 220,900 1000.1691 1,620,849,200 0.000000 00062666,000 63,840 0000.0640 202,500,000 0.306000 000627420,000 1,300,000 000-0.0120 594,794,933 0.213812 000628255,000 255,000 0000.0150 193,560,000 0.156851 000629220,400 184,600 0000.1195 1,306,845,288 0.000000 000630270,000 130,000 0000.1088 834,011,829 0.503907 0006321,782,200 1,778,000 0010.0361 336,984,918 0.258441 000633392,000 234,000 001-2.3030 385,106,373 0.081113 0006361,066,400 872,600 0100.0115 530,330,955 0.379160 000637675,000 675,000 0100.0267 376,721,273 0.177967 000639334,800 185,000 0000.1063 72,864,935 0.015753 0006511,130,000 940,000 0100.1678 536,940,000 0.000000 000652203,800 142,000 000-0.0102 1,053,981,323 0.357517 000655143,900 122,500 000-0.3797 259,254,374 0.344913 000657416,000 426,000 0000.0249 171,081,300 0.434291 000659230,000 230,000 0100.0658 688,295,600 0.000000 000661193,800 235,000 000-0.0607 131,326,570 0.346276 000662170,100 190,500 0010.2408 149,992,500 0.000000 000663256,800 281,604 0000.0103 167,232,600 0.111434 000665560,000 520,000 000-0.0332 140,969,488 0.304855 000666531,000 529,200 1000.0553 603,800,000 0.000000 000667288,000 90,000 0000.1286 245,028,000 0.230341 000668656,000 381,400 0000.0860 146,841,890 0.600891 000669155,000 155,000 0000.0165 61,670,000 0.000000 000671240,500 299,000 0010.0809 95,173,092 0.000000 00067262,000 52,500 000-0.5560 151,969,995 0.492857 000673101,183 79,870 0000.0032 173,400,000 0.000000 000676408,000 452,000 0000.0712 314,586,699 0.000000 0006771,700,000 1,000,000 0000.1563 411,348,974 0.000000 000679451,645 331,642 0000.0472 237,600,000 0.545455 000680773,500 565,100 0000.0661 539,385,600 0.000000 000681252,000 398,600 000-0.0900 198,750,000 0.183742 000685546,600 526,000 0100.0331 225,423,000 0.389333 000686140,000 90,000 0000.0360 162,132,516 0.558709 000687105,100 172,100 0000.0063 320,800,000 0.696072 0006881,950,000 1,888,100 000-0.3936 348,210,999 0.000000 000690194,900 194,900 0110.0687 211,050,000 0.000000 000692300,000 300,800 0000.0042 266,416,488 0.559537 000693166,000 176,500 000-0.0875 192,693,908 0.051134 000697245,400 130,000 0000.0168 217,461,700 0.399973 000698340,000 333,381 0000.0265 422,406,560 0.466637 000700200,000 200,000 0000.0635 309,043,600 0.000000 000701559,500 321,600 001-0.0498 200,000,000 0.425000 000702608,000 588,000 000-0.5210 282,804,576 0.460473 000703208,300 208,320 000-0.0208 106,600,000 0.000000 000705312,200 245,300 000-0.0145 125,329,360 0.293065 00070780,400 77,800 0000.0031 464,145,765 0.398024 000708153,600 112,000 0000.0648 449,408,480 0.388552 000709371,100 352,500 0000.1465 1,954,978,790 0.608960 000711234,500 182,000 0000.0626 107,265,600 0.026178 000712400,000 670,000 0100.0193 152,311,524 0.000000 000713387,000 278,000 0000.0219 225,000,000 0.532000 0007151,130,000 920,000 0000.0778 214,620,000 0.363666 000716752,600 590,500 001-0.0251 178,259,538 0.040964 000717698,000 500,000 0100.1882 838,200,000 0.558339 000719270,000 42,000 000-0.1591 129,375,688 0.000000 000720570,700 355,100 0000.0219 863,460,000 0.422390 000721402,500 395,600 0000.0636 171,622,650 0.305904 000723190,000 180,000 0000.0903 139,599,195 0.000000 0007253,635,000 3,121,000 1100.0328 1,463,797,200 0.403370 0007261,287,000 2,033,000 1000.1754 422,432,400 0.000000 000727206,900 202,300 0000.0236 359,157,356 0.000000 000728493,000 366,000 0100.0883 345,210,000 0.698734 000729520,000 242,544 0100.0643 674,643,432 0.026054 000731706,000 546,000 0000.1831 245,665,700 0.362814 000732270,000 270,000 010-0.1679 198,469,440 0.000000 000733230,000 172,700 0000.0100 358,120,000 0.000000 000735369,700 325,500 0100.0087 587,254,000 0.014764 000737199,600 161,400 0000.0036 457,300,000 0.535972 000739362,100 217,500 0000.1016 145,749,230 0.020995 000748560,000 480,000 000-0.0869 276,374,780 0.493441 000750397,200 313,481 0000.2708 215,057,400 0.413369 00075179,500 76,000 0000.0229 881,098,771 0.587099 000752150,000 150,000 0000.0763 102,413,045 0.392951 000753284,000 227,300 0100.0089 360,756,209 0.073257 000755548,000 540,000 0000.0300 311,053,851 0.541773 000756430,000 909,000 000-0.0481 457,312,830 0.468913 000757170,000 430,000 000-0.1226 243,867,419 0.000000 000758860,000 711,000 0100.0372 580,800,000 0.428926 000759438,000 249,600 0000.0379 209,541,850 0.143990 000762261,000 172,900 0000.0340 200,510,000 0.000000 000763486,000 350,000 0000.1438 787,500,000 0.000000 0007671,262,000 433,200 0000.1275 848,250,000 0.000000 000768135,001 129,600 0000.0260 391,500,000 0.547893 000777498,600 343,000 0000.0226 168,000,000 0.000000 0007781,550,000 1,400,000 0000.1802 621,487,750 0.646493 000779252,800 102,400 000-0.5231 183,154,800 0.000000 00078078,200 78,200 0000.0231 409,117,687 0.000000 000782820,400 519,300 0000.0989 342,000,000 0.018075 000783399,600 187,000 000-0.0071 1,154,444,333 0.000000 000785265,000 259,000 000-0.0289 251,221,698 0.566574 000786663,900 445,300 0100.0384 575,150,000 0.000000 0007871,008,000 1,310,000 0000.0066 250,760,244 0.000000 000789880,000 153,678 000-0.0661 340,500,000 0.675477 000790239,300 257,700 000-0.0005 127,980,000 0.000000 000792390,000 338,000 0000.2185 767,550,000 0.330975 000793765,000 2,035,000 010-0.0016 680,066,288 0.071317 000795174,400 168,000 0000.0090 276,800,000 0.178324 000796676,000 377,226 0000.0153 192,410,341 0.100451 000797441,700 608,000 000-0.3927 389,452,440 0.665864 000798570,000 440,000 010-0.0205 252,000,000 0.750000 000800419,300 513,400 0000.0661 1,627,500,000 0.000000 000803370,000 290,000 0000.0100 101,361,000 0.136246 000806750,000 510,000 0000.0976 348,951,454 0.053505 0008071,120,000 255,900 0000.1015 546,000,000 0.631868 000810306,600 335,400 000-0.0112 129,665,718 0.084510 000811360,000 300,000 0000.1005 175,376,630 0.486396 000812525,400 537,600 0000.0464 237,007,658 0.000000 00081596,200 84,245 0000.0764 132,000,000 0.405191 000817319,100 274,048 0000.1991 1,100,000,000 0.818182 00081867,100 79,800 0000.0034 340,000,000 0.735294 000819666,000 288,000 0000.0894 165,133,860 0.000000 000820186,000 126,000 000-0.0301 211,416,000 0.310527 000821132,500 106,000 0000.0301 345,238,781 0.073094 000822233,200 212,000 0000.0973 458,700,000 0.000000 000823680,000 640,000 0100.0371 359,200,000 0.623608 000825417,602 82,668 0000.2041 1,291,404,000 0.547005 000829540,000 540,000 0000.1640 251,999,998 0.606061 000830650,000 230,000 0000.0989 312,012,819 0.669647 000831378,900 590,000 0000.0619 363,000,000 0.089256 000833413,400 378,900 0000.0639 252,688,500 0.395744 000835405,300 425,800 0110.0920 108,000,000 0.169800 000836978,000 500,000 010-0.1627 122,754,552 0.497777 000837405,200 396,000 0000.0705 232,478,400 0.414593 000839855,400 825,500 0100.0657 659,999,989 0.000000 000848132,900 164,600 0000.0686 259,250,000 0.388987 000850102,500 84,200 0000.0290 629,110,006 0.600000 000852609,059 570,000 0000.1048 308,000,000 0.750000 000858130,900 157,200 0000.1273 2,711,404,800 0.718310 000859228,000 250,000 000-0.0167 420,480,000 0.554795 000860106,200 118,200 0100.0718 331,450,000 0.643083 000861102,400 82,800 0100.0678 111,254,499 0.000000 000866540,000 420,000 0000.4036 2,330,000,000 0.000000 000868639,600 187,200 0000.0077 221,000,000 0.541176 000869510,000 320,000 1000.1195 405,600,000 0.538462 000875547,000 293,300 0000.0328 630,000,000 0.187310 000876560,000 280,000 0000.1013 315,292,250 0.000000 000877553,400 410,100 000-0.4330 208,022,400 0.539665 000878840,000 815,000 0000.1157 798,688,800 0.000000 000881492,500 308,800 0010.0423 308,918,400 0.261040 000882547,000 586,000 0100.0204 249,200,000 0.340372 000883963,300 881,100 0000.0156 285,387,695 0.000000 000886193,000 146,600 0000.0032 988,828,300 0.236261 000888170,000 104,200 0000.0825 130,660,000 0.000000 000889609,200 320,000 0000.0087 294,528,320 0.167216 000890350,000 370,000 0000.0125 292,032,000 0.003817 000892500,000 420,000 0000.0035 413,876,880 0.001160 000893388,000 390,000 0100.0894 222,000,000 0.677523 0008951,173,800 910,000 0000.1702 513,555,000 0.357150 000897790,100 843,800 0000.0145 679,499,549 0.376057 000898465,000 465,600 0000.1863 2,962,942,246 0.000000 000899415,000 289,200 0000.0205 548,032,000 0.000000 000900216,000 216,000 0000.0414 399,165,900 0.000000 000901250,000 96,000 0000.0208 221,759,998 0.553075 000902240,000 240,000 010-0.0832 215,000,000 0.556720 000903890,000 672,000 0000.0928 199,800,000 0.609610 000905584,000 278,100 0000.0773 295,000,000 0.677966 000906325,000 221,000 0000.0250 237,500,000 0.720000 000909614,200 341,100 0000.0090 196,000,000 0.693878 000910148,000 134,000 0000.0609 231,250,000 0.000000 000911748,
四川省农业生产函数建立与分析_经济学毕业论文范文

四川省农业生产函数建立与分析_经济学毕业论文范文四川省农业生产函数建立与分析四川很久以前便被人称之为天俯之国，虽赞美之词甚多，但在我看来不为别的，就因为粮食多。在古代，社会生产力不发达，为了安抚民心，树立威望，统治阶级千百年来重农抑商，成都平原不正是他们施展手脚的好地方吗？民以食为天啊，能吃饱饭的地方能不是好地方吗？不过，可惜现在我国的统治阶级的目标是实现工业现代化。农业好长时间都被他们抛在脑后了，更别提农业现代化了。四川的农业到底是个什么状况呢？怀着这分好奇我决定通过建立生产函数，并加以分析的手段，来对现在的四川农业做些了解。一、四川农业的现状好的方面就不想说了，总之在党和政府的英明领导之下，在最近的几年里任何天灾人祸都能克服，从而取得解放前想都不敢想的大丰收。这不，世界粮食组织今年就停止了对中国的粮食援助。但是，在繁荣背后我们应该看到潜藏的危机。归纳起来有如下六点：(一)耕地资源紧缺，粮食面积难于稳定。我省人口增加、耕地减少、需求增大的矛盾愈来愈突出，压力日趋增大。近17年，全省人口每年以8.4‰ 的速度递增，耕地却以4.3‰ 的速度递减。据资料显示，四川年均新增人口70万人以上，耕地年均递减20－30万亩，人均耕地由改革开放初的1.04亩下降到现在的0.82亩，相当于全国人均耕地1.25亩的65.6％,已接近联合国公布的人均耕地占有量0.8亩的警界线，随着人口的增加，人均耕地占有量还要继续下降。由此，既要保证粮食稳定增长，又要发展经济作物和经济林木，确保粮食面积稳定的难度加大。 (二)增加投入困难，扩大再生产的能力弱。近几年，在我省粮食生产形势好转的情况下，农业投入呈减少趋势。1992年全省粮食总产量 3370.5 万吨，省级财政对农业的投入，占财政支出的10.48％；1993年3153.5万吨,投入比为5.63％；1994年3098.5万吨, 投入比为4.2％; 1995 年3394万吨, 投入比为3.06％; 1996年3483万吨, 投入比为7.5％;1997年3554.4万吨，投入比为3.29％。财政对农业的投入均未达到《农业法》规定的“财政每年对农业投入的增长幅度应高于财政经常性收入增长幅度”的要求。财政投入少，农民收入水平不高，农民除了税费负担和生活开支外，用于扩大再生产的投入相当有限。 (三)农业比较效益较差，农民的种粮成本趋高。据资料显示，由于生产资料价格上涨，水稻、小麦、玉米、红苕等主要粮食作物每亩物质费用，1997年比1991年分别增加157.03％、142.43％、127.15％和161.99％。1997年各大作物每亩税后利润为: 水稻291.72元、小麦10.5元、玉米54.91元、红苕－3.34元、烤烟476.58元、甘蔗 343.24元、茶叶121.37元、棉花373.17元。每亩经济作物平均税后利润比粮食作物高得多。而从事非农产业的收入则比务农种粮的收入高出许多倍。由于受利益驱动，农业上的劳力、资金、物资、耕地转向投入到获利较高的其它产业。1998年面对市场疲软，农产品价格低迷，农民增收遇到了极大的困难。1－9月，全省农民人均现金收入比上年同期仅增加25.23元。 (四)抗灾能力较弱，农业的基础条件还差。我省自然灾害频繁，尤其是旱灾对农业的制约最大。盆中夏旱频率为70％，盆东北和东南伏旱旱频率为80％左右，山区的低温冻旱及大范围的风雹病虫等灾害对农业的影响也很大。目前，全省还有48％的农田无水利灌溉保障，还有47％的中低产田土需要改造。瘦薄地占的比重大,水土流失严重,农业生态环境差，土地负荷重，农机化程度低，农业综合生产能力不高。 (五)科技储备乏力，科技成果转化率较低。近三个五年计划中，全省登记农业科技成果 1156 项, 转化应用仅383项,占33％。三个五年计划农业科技成果转化率分别为28％、32％和37％。有重大影响的新成果后劲乏力，“九五”期间尚无象杂交水稻、杂交玉米、地膜覆盖栽培等突破性新品种、新技术应用于生产。 (六)劳动生产率低，农业劳动者素质较差。据调查，全省现有农村劳动力中，不识字或识字少的占15.67％,小学文化程度占48.61％，初中文化程度占32.41％，高中文化程度占2.88％，中专文化程度占0.35％，大专及以上文化程度占0.08％。全省农民中经过技术培训并取得农民技术职称的仅占农村劳动力总数的0.5％,从事农业的劳动者素质更差，加之农村组织化、社会化服务程度较低，因而劳动生产率有下降趋势。农业科技推广的难度加大。总之，四川农业危机四伏，突出表现为人多地少，劳动生产率低，而国家又投入不足。二、生产函数模型以下我采用2001年的四川省农业数据对农业状况进行分析。由于力图简单明了，我采用道格拉斯生产函数： Q(S，L，K)=A L^α*K^β*S^γ. Q：农业产量 K：农业生产中资本投入量 S：农业生产中土地投入量 L：投入农业生产的劳动人数 A：农业生产进步因素 α、β、γ：分别为劳动、资本和土地的产出弹性通过对四川省20个地区的数据建立对数回归模型： lnQ=lnA+α*lnL+β*lnK+v*lnS+u 因为同在四川省内，各地区的地理，气候，政策制度等因素差异不大，所以皆可看为同质的。在其后的回归中用arch检验也看到，没有明显的异方差。鉴于能力所限以及数据的不可获性。以上大部分解释变量都不可量化。为了将研究继续下去，我对数据进行了如下加工：农业生产中资本投入量，用各地区农业化肥投入量来代替。因为我国农业在生产技术上没有太大变化，还远没有达到欧美发达国家的机械化水平，在不考虑初期的农业固定资产投入下，后来所有的非人力可变投入基本上就是化肥。如果不考虑价格因素，回归结果只会影响到农业生产进步因素A而不影响到弹性系数V。农业生产中土地投入量，用各地区耕地面积和有效灌溉面积表示。这还比较符合变量要求。投入农业生产的劳动时间，用各地区乡村农、林、木、渔业从业人员人数代替。数据如下表（1）数据表（1）2001年的数据 Q产值亿元s千公顷L万人K万吨成都市 212.14 415.35 2705.5221.46 自贡市 52.44 138.47 813.766.30 攀枝花市 13.39 31.68 602.962.27 泸州市 71.18 223.56 17128.35 德阳市 106.19 203.43 1081.215.09 绵阳市 111.20 310.34 3445.3616.92 广元市 49.64 166.35 3670.328.84 遂宁市 63.04 171.28 1046.2412.94 内江市 57.81 185.60 510.168.83 乐山市 58.50 171.80 2664.247.26 南充市 115.26 323.09 2237.6819.24 眉山市 64.61 191.97 1205.2812.48 宜宾市 77.29 249.57 22629.95 广安市 64.93 187.98 1090.8810.07 达州市 122.67 290.77 2991.6816.73 雅安市 31.99 81.62 1702.644.49 巴中市 57.89 157.89 2237.5210.82 资阳市 89.70 311.68 1497.689.01 阿坝藏族羌族自治州 14.10 67.39 1306.880.68 甘孜藏族自治州 10.61 115.92 8160.19 三、参数估计用eviews估计： Dependent Variable: LNQ Method: Least Squares Date: 01/06/05 Time: 11:00 Sample: 1 20 Included observations: 20 VariableCoefficientStd. Errort-StatisticProb. C-0.0092890.475717-0.0195270.9847 LNK0.3826330.03820310.015920.0000 LNL0.0054090.0671950.0805010.9368 LNS0.6339310.0781448.1123240.0000 R-squared0.971443 Mean dependent var4.050115 Adjusted R-squared0.966088 S.D. dependent var0.770186 S.E. of regression0.141831 Akaike info criterion-0.891500 Sum squared resid0.321858 Schwarz criterion-0.692354 Log likelihood12.91500 F-statistic181.4248 Durbin-Watson stat1.092608 Prob(F-statistic)0.000000 LNQ=-0.009289 + 0.382633*LNS + 0.005409*LNL + 0.633931*LNS t= (-0.019527) (10.01592) (0.080501) (8.112324) R^2=0.971443 四、检验从模型上看R^2=0.971443 说明拟和优度较好。（一）下面用简单相关系数矩阵法对其进行多重共线性检验： LNSLNLLNK LNS10.5307460257870.674363933928 LNL0.53074602578710.436307214869 LNK0.6743639339280.4363072148691 结果显示，LNS LNL LNK的相关性不是很高，通过检验。（二）用ARCH法检验异方差性： ARCH Test: F-statistic0.755271 Probability0.538786 Obs*R-squared2.523207 Probability0.471112 Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 01/06/05 Time: 12:15 Sample(adjusted): 4 20 Included observations: 17 after adjusting endpoints VariableCoefficientStd. Errort-StatisticProb. C0.0131020.0070221.8658540.0848 RESID^2(-1)-0.1901390.266401-0.7137340.4880 RESID^2(-2)0.2184350.2702650.8082260.4335 RESID^2(-3)-0.0952120.142733-0.6670670.5164 R-squared0.148424 Mean dependent var0.011716 Adjusted R-squared-0.048094 S.D. dependent var0.015034 S.E. of regression0.015391 Akaike info criterion-5.307708 Sum squared resid0.003080 Schwarz criterion-5.111658 Log likelihood49.11552 F-statistic0.755271 Durbin-Watson stat1.842192 Prob(F-statistic)0.538786 结果表明： Obs*R-squared=2.523207〈=7.83 拒绝H0。即不存在明显的异方差性，通过检验。（三）自相关检验：由EVIEW得到残差的散点图：该图表明，不存在线性自回归，通过检验。最后得到模型： LNQ=-0.009289 + 0.382633*LNS + 0.005409*LNL + 0.633931*LNS 观察上面的函数可以看到农业生产进步因素A≈1，说明四川省农业技术整体没有什么提高。。这是由中国的社会现状所决定的，人多地少，难以实现机械化。人也的确是太多了。人居然成了阻碍生产力发展的因素，马克思在世，估计资本论因此要重写。相对于恐怖的人口，地的稀缺有目共睹，其弹性居高不下。相对而言资本投入变化不大，但弹性也不小。说明农村投入不足。总结：通过生产函数的建立和分析，可以从大体上了解2001年四川省农业的现状。实证的结果支撑了前面对四川农业近几年来困难之处的分类。但由于数据的极端不可获性，选取的数据并不能真正达到模型的要求。而自己能力所限，也没法对数据进行必要的处理。所以肯定有许多不合理的地方，还请老师指出。 [参考文献] 1．计量经济学主编：庞皓西南财经大学出版社 2001年8月第一版 2．中国农业信息网
公共投资取向与经济增长的计量分析_经济学毕业论文

公共投资取向与经济增长的计量分析_经济学毕业论文公共投资取向与经济增长的计量分析 . 内容提要: 2005年，积极的财政政策开始向稳健的财政政策转变，公共投资额可能会缩减，如何选准公共投资方向，使用有限的投资量，获得最大的效果，促进国民经济的增长，是相当具有现实意义的。本文在现有文献研究的基础上，依据中国的实际数据，运用CD生产函数设置模型，对基础设施投资、公共人力资本投资及R&D投资与经济增长的贡献程度进行分析，并对模型进行了检验和修正，结果表明，科教支出对经济增长有明显的贡献。在此结果基础上，我们得出了结论和政策建议，进而为优化投资提供依据。关键词:公共投资科技教育基础设施常规投入文献综述在市场经济中，经济增长主要来源于私人部门，但公共部门通过外部性作用也能够影响私人部门产出并促进整体经济的增长。因此，在对经济增长进行实证研究时，不但要分析私人部门资本和劳动投人的贡献，也应分析公共部门投资对经济增长的影响。这里所说的公共投资包括政府用于形成基础设施等公共物质资本的投资、用于形成人力资本的公共教育投资以及用于促进技术进步的R&D投资。研究表明，公共投资形成的公共资本是经济增长和生产率的重要决定因素。关于公共物质资本与经济增长相关性的实证分析，国际研究中主要使用了三种方法:一是生产函数法。在总量生产函数的框架下，Aschauer(1989)利用美国 1949一1985年的数据，估计出公共资本的产出弹性等于0.39，认为该国1971一1985年全要素生产率下降主要是由公共资本增速降低引起的。Cazzavillan (1993 )利用欧洲12个国家1957一1987年的数据，发现公共资本的平均产出弹性为0.25。二是行为方法，以成本函数和利润函数来分析公共资本对产出的影响。Nadiri和Ma-muneas(1991)估计了美国各级政府的净固定资本存量对12个制造业成本函数的影响，发现其具有显著的生产性效应。Berndt和Hansson(1992)利用瑞典1960一1988年的数据发现，在其他条件不变时，增加公共设施资本会降低私人部门的成本。三是向量自回归VAR法，它可以检验公共资本与经济增长之间的协整关系和格兰杰因果关系。Clarida(1993)对美、法、德、英等国的分析表明，全要素生产率与公共资本是协整的，但因果关系的方向不确定。Christodoulakis (1993)估计了希腊1964一1990年大规模制造业的产出如何取决于交通、通讯和电力方面的公共资本，发现公共资本对产出具有格兰杰因果关系，产出对公共资本则不具有格兰杰因果关系。以上三种分析公共物质资本与经济增长相关性的方法具有一定的借鉴价值。张海星在《公共投资与经济增长的相关分析——中国数据的计量检验》一文中，建立了适用于中国的实证研究的模型：（1)式为经济增长模型，其中，LnY:总产出的自然对数，在模型中是被解释变量，其余为解释变量。(2)式为技术进步模MR ,LnT:全要素生产率的自然对数，在模型中是被解释变量，其余均为解释变量。(3)式为资本积累模型，LnZ:物质资本存量的自然对数，在模型中是被解释变量，其余均为解释变量。Ip:私人投资，Ig:公共物质资本投资，E:公共人力资本投资，R:公共研发((R&D)资本投资，S:制度创新。以上模型对本文模型的建立具有一定的参考价值。彭代彦的《西部开发的公共投资取向》一文，虽然只是针对与西部大开发中公共投资的问题建立模型，展开讨论，但其所建立的模型有定的参考价值。其模型如下： Ln(PDP)=A + β1 Ln(LAB)+ β2 Ln(FMC)+ β3Ln(FLOWC) + β4Ln(ROAD) + β5Ln(EDU)+ β6L n( RES)+ μ 其中，PDP是省区国内生产总值，LAB是从业人员数，FI XC是固定资产形成总额，FLO WC是流动资金，用存货增加额表示，ROAD是等级公路里程，EDU是教育费支出总额,RES是县级以上政府部门属研究与开发机构及情报文献机构科技经费支出总额, u是误差项，假定服从N(0, σ2)分布。范前进、孙培源、唐元虎《公共基础设施投资对区域经济影响的一般均衡分析》，对公共基础设施投资的均衡问题进行了分析，给人一定的启示作用。夏波的《我国基础设施投资研究》从定性的角度分析了基础设施与经济发展的关系，基础设施的效应，当前基础设施投资中应注意的问题，具有参考价值。一、问题的提出近6年来，国家为推动经济发展，一直实施积极财政政策，我国的赤字规模也不断扩大，近三年来赤字规模连续三年突破3000亿元，2002年及2003年财政赤字连续两年达到3198亿元,创下了新中国成立以来的两个最高并列值。2004年11月，国家财政部副部长楼继伟在“2005年中国行业发展报告会”上提出，过去几年来一直采取的扩张性财政政策今年已在转变，明年财政政策要走向稳健。他表示，中国明年将实行稳健的财政政策，在服务于宏观调控政策的同时，适当削减赤字和公共投资。可以看出，在今后几年间，公共投资额的投入可能会减少，在公共投资额缩减的前提下，效率问题也就显得尤为重要。如何选准投资方向，使用有限的投资量，获得最大的效果，促进国民经济的增长，是相当具有现实意义的。同时，这对于我国制定长远的公共投资政策具有重要启示。本文旨在对影响经济增长的公共投资进行分析，从实证上检验公共投资对中国经济增长的影响程度和途径，找出对经济增长贡献较大的领域，达到投资效用的最大化。关于公共人力资本和R&D资本对经济增长的影响，实证研究表明，现代经济增长越来越多地依靠技术进步，或称资本和劳动增长不能解释的全要素生产率。其中，全要素生产率又主要来自形成人力资本的教育投人和研发投人。人力资本理论和大量实证研究表明，通过提高劳动力的素质所形成的人力资本不进能像常规投入一样，直接贡献于生产，而且能够提高资源的配置效率。教育支出对经济增长的短期影响表现在增加需求，改善区域工作环境，吸引投资等方面。此外，教育界人士越来越广泛地参与公共决策，从而可改善投资环境，促进经济增长。有关美、日等国的实证研究表明，用于科技的支出对生产具有显著的积极影响。《中共中央关于完善社会主义市场经济体制若干问题的决定》明确指出：“为适应经济全球化和科技进步加快的国际环境，适应全面建设小康社会的新形势，必须加快推进改革，进一步解放和发展生产力，为经济发展和社会全面进步注入强大动力。”科学技术不仅是经济发展的基本生产要素之一，同时，也是反映社会发展水平的重要指标，因此，科学技术的发展肩负着双重重任：一方面，科学技术要处于优先发展的地位，成为提高资本使用效率和劳动者生产能力的有效动力之源；另一方面，提高全民科技素养，形成高效、和谐、有序的社会发展氛围，科学技术的发展是无可替代的技术保障。基础设施是经济发展的必要条件。基础设施条件改善了，经济才能更快更好地发展。道路建设能缩短厂商与市场间的距离，减少进入市场的时间，降低人流和物流的成本，从而可促进经济增长。国际经验表明，道路等基础设施的兴建对农业增长有显著的积极影响。在战前的中国，交通的改善与农业增长之间也呈正的关系。交通的改善可扩大市场半径，使农民更容易进入市场，诱使其更多地使用商品性投入，从而提高资源配置效率和促进经济作物的专业化。对美国的实证研究表明，高速公路的扩建促进了区域经济的发展。此外公路的兴建既可增加当地的就业，从而增加总供给，也可增加当地居民的收入，从而增加总需求。总需求和总供给的同时增加将促进经济增长。故此基础设施方面的投资一般以公路建设为重点，加强铁路、机场、天然气管道以及电网、通信和广播电视等基础设施建设。由于寻找数据的困难性，本文将基础设施限制在等级公路、长途光缆建设方面。以上分析只是理论上的，至于这些公共投资对经济增长是否起到显著的积极作用，还需要进行实证分析。本文以下将运用计量经济模型，对各种公共投资对经济增长的影响进行定量分析。二、模型的设置（一）函数式本文采用广泛应用于实证研究之中的双对数型。Obb-Douglas生产函数考察公共投资在中国经济增长中的作用，结合了彭代彦在《西部开发的公共投资取向》中运用的模型，函数式如下： LnY=A + β1 LnX1+ β2 LnX2+ β3Lnx3+ β4LnX4 + β5LnX5+ β6L nX6+ μ Y——国内生产总值（即GDP） X1——教育经费支出总额+县级以上政府部门属研究与开发机构及情报文献机构科技经费支出总额 X2——等级公路里程数 X3——长途光缆里程 X4——固定资本形成总额 X5——流动资金，用存货增加额表示 X6——从业人员数解释变量中的X4、X5、X6三项是常规投入，X1、X2、X3、X4四项在中国目前的制度背景下是由公共投入：教育、科技支出、基本设施投入形成的。已有理论证明，这后3项公共投入用来解释经济增长分析中常常不能被常规投入所解释的残差部分。在双对数型Cobb- Dougla、生产函数中，解释变量的系数分别是其生产弹性值，反映这些投资对生产的相对贡献程度。 (二)数据本文数据均来自《中国统计年鉴》（中华人民共和国国家统计局）。因1991年前没有教育费用支出数据，故本文只使用91-03年13年间的数据。样本数共13。 GDP (亿元)从业人员数（万人）固定资本形成总额（亿元）存货增量（亿元） 9121617.8583605537.842302.24 9226638.1594327683.292937.96 9334634.46022011944.613627.05 9446622.36147015845.254662.27 9558260.56794719820.176391.68 9667884.66885023170.286942.37 9774462.66960025556.417596.5 9878345.26995729137.987642.46 9982067.57058631626.388161.33 200089468.17208534807.446404.01 200197314.87302538891.396487.9 2002105172.37374044816.25790.85 2003117251.97443256093.085472.03 长途光缆长度（km）科教支出（万元）等级公路（万km） 9164907315179104.11 92143888670700105.67 933866610599631108.35 947329014888122111.78 9510688218779850115.7 9613015922623798118.6 9715075425317808122.6 9819410029491143127.9 9923973533491095135.2 200028664238491702140.3 200139908246377669169.8 200248768454801565176.5 200359430362084240181 三、模型的参数估计、检验及修正（一）模型的参数估计及其经济意义、统计推断的检验数据处理：令Z= Ln Y; Z1= Ln X1; Z2= Ln X2; Z3= Ln X3; Z4= Ln X4; Z5= Ln X5; Z6= Ln X6 首先对常规投入进行回归，结果如下： Dependent Variable: Z Method: Least Squares Date: 06/05/05 Time: 17:13 Sample: 1991 2003 Included observations: 13 VariableCoefficientStd. Errort-StatisticProb. C-9.8958253.452529-2.8662540.0186 Z40.5644680.04370112.916530.0000 Z50.1173570.0353313.3216550.0089 Z61.2835930.3522853.6436240.0054 R-squared0.998156 Mean dependent var11.03054 Adjusted R-squared0.997542 S.D. dependent var0.535872 S.E. of regression0.026568 Akaike info criterion-4.170560 Sum squared resid0.006353 Schwarz criterion-3.996730 Log likelihood31.10864 F-statistic1624.287 Durbin-Watson stat2.779309 Prob(F-statistic)0.000000 回归结果显示：常规投入的回归系数均在统计上显著。接着对全部变量进行回归由EVIEWS运用OLS方法得到如下结果： Dependent Variable: Z Method: Least Squares Date: 06/05/05 Time: 17:17 Sample: 1991 2003 Included observations: 13 VariableCoefficientStd. Errort-StatisticProb. C-4.1390536.095302-0.6790560.5224 Z10.2685900.2005271.3394240.2289 Z2-0.2450050.328792-0.7451660.4843 Z30.0464860.1027300.4525050.6668 Z40.3126960.2618781.1940510.2775 Z50.1304990.1049581.2433460.2601 Z60.8484460.6409431.3237460.2338 R-squared0.998611 Mean dependent var11.03054 Adjusted R-squared0.997222 S.D. dependent var0.535872 S.E. of regression0.028245 Akaike info criterion-3.992044 Sum squared resid0.004787 Schwarz criterion-3.687840 Log likelihood32.94828 F-statistic718.8763 Durbin-Watson stat2.005232 Prob(F-statistic)0.000000 从回归结果中可以看出R=0.998611（接近1），回归模型的拟合优度得到提高，但同时也存在很大的问题，三项常规投入的t-检验不显著。从经济学的角度讲，GDP应随常规投入（后三个变量）和公共投入形成的资本及公共投入（前三个变量）增加而提高，故我们对上述模型进行计量经济学的检验，并进行修正，看模型方程是否能得到改善。（二）计量经济学检验 1、多重共线性检验计算变量之间的简单相关系数如下： Z1Z2Z3Z4Z5Z6 Z1 1.000000 0.939157 0.973203 0.983964 0.739950 0.968983 Z2 0.939157 1.000000 0.859984 0.877246 0.486182 0.860119 Z3 0.973203 0.859984 1.000000 0.996618 0.834478 0.955141 Z4 0.983964 0.877246 0.996618 1.000000 0.819661 0.966232 Z5 0.739950 0.486182 0.834478 0.819661 1.000000 0.829787 Z6 0.968983 0.860119 0.955141 0.966232 0.829787 1.000000 从上表可以看出回归模型中除Z2 与Z5外，其余变量之间均存在严重的多重共线性，在经济意义上，科教支出、等级公路里程、长途光缆长度、固定资本形成总额、存货增量、从业人员数都与经济的发展密切相关，这使得他们之间的相关性很强。运用逐步回归法对其进行修正。运用OLS方法逐个对解释变量回归。（见附表1、2、3、4、5、6）经分析回模型中国民生产总值对固定资本形成总额X4的线性关系最强，拟合度最好，即 Z = 3.255384446 + 0.7773287047*Z4 （1.1）（14.93724）（35.75357） R2= 0.991468 S.E.=0.051698 F=1278.317 将其余变量逐一代入上式的如下几个模型：（见附表7、8、9、10、11、12）（注：｜R2表示调整过的可决系数） Z=2.667860337+0.7069599565*Z4+0.1503265269*Z5 （1.2）（10.25862）（24.28532）（2.949135）｜R2= 0.994524 S.E.= 0.039653 F=1090.767 Z=-9.895825475+0.5644679149*Z4+0.1173569234*Z5+1.283592828*Z6 (1.3) （-2.866254）（12.91653）（3.321655）（3.643624）｜R2=0.997542 S.E.= 0.026568 F=1624.287 Z=-4.601980257+0.1590457603*Z1+0.4373546645*Z4+0.1884174754*Z5+0.7531614954*Z6 (1.4) （-0.874804）（1.299304）（4.106083）（2.924549）（1.418409）｜R2= 0.997717 S.E.= 0.025607 F= 1311.789 由式（1.4）可以看出Z1加入后虽然可决系数增大，但同时使得Z6显著性大大降低，这是因为从业人员数与科教支出在以上多个变量共同作用下二者存在共线。由于本文的目的是找出公共投资投对国民经济的影响，且由相关系数矩阵可以看出Z6与其余几个变量均存在高度相关性，故舍去Z6，保留Z1，得如下的模型： Z=2.855531074+0.2925343933*Z1+0.3648546277*Z4+0.2559694948*Z5 （1.5） (15.44543) （3.543416）（3.701789）（5.593402）｜R2=0.997460 S.E.= 0.027008 F= 1571.676 可以看出式1.5的可决系数仍旧在较高水平，F-检验更加显著，故以此式为基础进一步引入Z2、Z3。 Z=3.671240026+0.3811458796*Z1-0.2021902249*Z2+0.344961012*Z4+0.2166539076*Z5（3.088692）（2.487657）（-0.695254）（3.270584）（2.942976）（1.6）｜R2=0.997305 S.E.= 0.027818 F= 1111.214 由式（1.6）可以看出Z2加入后其t-检验非常不显著，且可决系数减小，故Z2删除。在代入Z3进行回归的如下模型： Z=2.572190769+0.2796152427*Z1-0.03151367746*Z3+0.4392394125*Z4+0.2571436008*Z5 （3.239301）（2.985422）（-0.368032）（1.933695）（5.330662）（1.7）｜R2=0.997190 S.E.= 0.028407 F= 1065.558 由式（1.7）可以看出Z3情况与Z2相同，故Z3删除。经上述逐步回归分析，表明Z对C 、Z1、Z4、Z5的回归模型为最优，所以模型最后设定为 Z=2.855531074+0.2925343933*Z1+0.3648546277*Z4+0.2559694948*Z5 （1.5） (15.44543) （3.543416）（3.701789）（5.593402）｜R2=0.997460 S.E.= 0.027008 F= 1571.676 可以看出，模型的统计检验效果很好，且符合经济意义。 2、异方差检验（时间序列用ARCH检验）因为是时间序列且数据有限，考虑残差的ARCH过程的阶数为1（表13），由拟合后的数据可知，Obs* R2=0.267289χ20.05（1）=3.84145，表明模型随机误差项不存在异方差。这可能是由于模型是双对数模型，相对误差差异较小。 3、自相关性检验由表10可知:d= 1.683350,在显著性水平α=0.05下，查表n=13,k=3时dL =0.715，dU=1.816，由于d= 1.768901 dU=1.816，表明模型中的误差序列可能存在一阶自相关。用Cochrane-Orcutt迭代法的如下结果（表14） Z=2.636454199+0.2350303246*Z1+0.4376192395*Z4+0.2495242464*Z5+ （1.8）（7.304503）（1.991875）（3.046562） (4.847016) [AR(1)=0.08890577321] (0.251463) ｜R2=0.995940 S.E.= 0.028838 F= 675.6074 DW=1.916323 从估计的结果看d= 1.916323＞dU=1.816，且d= 1.9163234- dU=2.184，说明不存在一阶自相关。同时各个变量的t检验显著。四、模型的分析我们进行了一些列检验和修正得到的最终结果如下： Z=2.636454199+0.2350303246*Z1+0.4376192395*Z4+0.2495242464*Z5+ （7.304503）（1.991875）（3.046562） (4.847016) [AR(1)=0.08890577321] （1.8） (0.251463) ｜R2=0.995940 S.E.= 0.028838 F= 675.6074 DW=1.916323 从以上回归结果可以看出，公共投资中的科教投资在国民经济增长中发挥了积极的作用，公路建设与电缆建设对经济增长的贡献作用不显著，因此，在公共投资资金有限的前提下，将资金多投入于科教事业对增长国民经济极为有利，达到了效用的最大化。此后，我们由进行了模型的检验，发现教育对经济增长的影响程度比科技支出显著，可得出结论，教育事业是公共投资的首选。五、政策建议改革开放以来，中国公共物质资本投资、人力资本投资和研发支出均具有正向经济增长效应。中国公共人力资本投资与经济增长之间尚未形成一种长期均衡机制，但从趋势上看，政府教育投资对经济增长的拉动作用在逐渐增强。今后还应进一步提高公共教育支出比重，并优化教育投资结构（张海星，《财贸经济》）。中国公共物质资本投资与经济增长之间存在一种长期均衡的关系，并且二者的驱动机制更多地表现为公共物质资本投资对国内生产总值的拉动作用。考虑到民间投资的迅速回升，对具有一定收益能力的交通和城市基础设施项目，可通过开放投资领域，吸引民间资金的方式来完成。中国公共研发资本支出与经济增长之间也未形成一种长期均衡机制，但从趋势上看，财政科研支出对经济增长的贡献在逐步提升（张海星，《财贸经济》）。今后财政应进一步加大对科学研究的支持力度，特别是要增加对基础研究的投入，并通过税收优惠和财政补贴激励企业与私人增加研发投入。为加速实现科技成果的转化，每年在预算中安排一笔专款，择优扶持高新技术成果转化项目。中国在连续实行积极财政政策6年之后，在有效需求不足、就业形势严峻等突出问题还未得到根本解决的情况下，维持适度的国债规模，并着力优化公共投资结构，仍然是经济持续、快速、健康发展的重要保证。公共投资政策在今后一段时期要从总量扩张转变到优化投资结构上。通过改变公共资源的内部配置比例，即减少形成物质资本的投资数量，相应增加形成人力资本的公共教育和科技投入，缩小人力资本收益率与物质资本收益率的差距，从而提高公共投资的整体收益率。六、模型缺陷 1、由于固定资本形成总额、教育经费支出、科研经费支出在91年才开始统计，故我们所见模型的样本数据较少，仅13个，可能造成样本代表性不强。 2、公路里程数中只涉及了等级公路里程数，未把公路一、二、三级分开进行检验，可能会有一定的误差。 3、由于在设置模型前对教育经费支出，科技经费支出费别进行回归时，发现两者有强多重共线性，且本模型样本数据较少，应尽量减少解释变量数目，故本文把科教经费支出和在一起进行检验，因此难以区分出教育，科技分别对经济增长影响的作用。 4、本文只对影响经济增长的公共投资的贡献程度进行了计量分析，对于其合理的投资规模未进行测算。 5、本文从宏观的角度上，论述了公共投资对全国的影响，但其实在全国的得不同地区，如东、中、西部，影响程度是不同的。参考文献主要参考文献: [1]彭代彦：《西部开发的公共投资取向》统计研究2002年第3期 [2]张海星：公共投资与经济增长的相关分析《财贸经济》2004年第11期 [3]国家统计局:《中国统计年鉴》(2004)，中国统计出版社。 [4]徐长生《美国‘新经济’的理论透视》，《新华文摘》，2000(10)。 [5]马栓友:《财政政策与经济增长》，经济科学出版社2003年版。 [6]张帆:《中国的物质资本和人力资本估算》，《经济研究》2000年第8期。 [7]蔡增正:《教育对经济增长贡献的计量分析》，《经济研究》1999年第2期。 [8]蔡一诊:选择以公共投资为中性的财政支出政策》，《中国财政》2001年第9期。 [9]上海财经大学公共政策中心:《中国财政发展报告》，上海财经大学出版社2000年版。小组成员：毕雯游丹附表：表1 Dependent Variable: Z Method: Least Squares Date: 06/05/05 Time: 17:46 Sample: 1991 2003 Included observations: 13 VariableCoefficientStd. Errort-StatisticProb. C5.0492640.37301513.536350.0000 Z10.7520290.04673416.091830.0000 R-squared0.959251 Mean dependent var11.03054 Adjusted R-squared0.955547 S.D. dependent var0.535872 S.E. of regression0.112983 Akaike info criterion-1.382526 Sum squared resid0.140416 Schwarz criterion-1.295611 Log likelihood10.98642 F-statistic258.9471 Durbin-Watson stat0.272457 Prob(F-statistic)0.000000 表2 Dependent Variable: Z Method: Least Squares Date: 06/05/05 Time: 17:47 Sample: 1991 2003 Included observations: 13 VariableCoefficientStd. Errort-StatisticProb. C-0.4414642.078101-0.2124360.8357 Z22.3578240.4267935.5245130.0002 R-squared0.735069 Mean dependent var11.03054 Adjusted R-squared0.710984 S.D. dependent var0.535872 S.E. of regression0.288085 Akaike info criterion0.489519 Sum squared resid0.912926 Schwarz criterion0.576434 Log likelihood-1.181875 F-statistic30.52024 Durbin-Watson stat0.325173 Prob(F-statistic)0.000179 表3 Dependent Variable: Z Method: Least Squares Date: 06/05/05 Time: 17:48 Sample: 1991 2003 Included observations: 13 VariableCoefficientStd. Errort-StatisticProb. C6.4480690.17213837.458670.0000 Z30.3923990.01464926.785860.0000 R-squared0.984900 Mean dependent var11.03054 Adjusted R-squared0.983527 S.D. dependent var0.535872 S.E. of regression0.068777 Akaike info criterion-2.375263 Sum squared resid0.052033 Schwarz criterion-2.288348 Log likelihood17.43921 F-statistic717.4823 Durbin-Watson stat0.924679 Prob(F-statistic)0.000000 表4 Dependent Variable: Z Method: Least Squares Date: 06/05/05 Time: 17:40 Sample: 1991 2003 Included observations: 13 VariableCoefficientStd. Errort-StatisticProb. C3.2553840.21793714.937240.0000 Z40.7773290.02174135.753570.0000 R-squared0.991468 Mean dependent var11.03054 Adjusted R-squared0.990693 S.D. dependent var0.535872 S.E. of regression0.051698 Akaike info criterion-2.946168 Sum squared resid0.029399 Schwarz criterion-2.859253 Log likelihood21.15009 F-statistic1278.317 Durbin-Watson stat0.907042 Prob(F-statistic)0.000000 表5 Dependent Variable: Z Method: Least Squares Date: 06/05/05 Time: 17:49 Sample: 1991 2003 Included observations: 13 VariableCoefficientStd. Errort-StatisticProb. C1.0227481.8540240.5516370.5922 Z51.1649830.2156155.4030620.0002 R-squared0.726321 Mean dependent var11.03054 Adjusted R-squared0.701441 S.D. dependent var0.535872 S.E. of regression0.292803 Akaike info criterion0.522005 Sum squared resid0.943070 Schwarz criterion0.608921 Log likelihood-1.393035 F-statistic29.19308 Durbin-Watson stat0.263524 Prob(F-statistic)0.000216 表6 Dependent Variable: Z Method: Least Squares Date: 06/05/05 Time: 17:49 Sample: 1991 2003 Included observations: 13 VariableCoefficientStd. Errort-StatisticProb. C-55.723574.165625-13.377000.0000 Z66.0036470.37463216.025450.0000 R-squared0.958927 Mean dependent var11.03054 Adjusted R-squared0.955193 S.D. dependent var0.535872 S.E. of regression0.113432 Akaike info criterion-1.374597 Sum squared resid0.141534 Schwarz criterion-1.287681 Log likelihood10.93488 F-statistic256.8151 Durbin-Watson stat1.614593 Prob(F-statistic)0.000000 表7 Dependent Variable: Z Method: Least Squares Date: 06/05/05 Time: 17:52 Sample: 1991 2003 Included observations: 13 VariableCoefficientStd. Errort-StatisticProb. C2.6678600.26006010.258620.0000 Z40.7069600.02911124.285320.0000 Z50.1503270.0509732.9491350.0146 R-squared0.995437 Mean dependent var11.03054 Adjusted R-squared0.994524 S.D. dependent var0.535872 S.E. of regression0.039653 Akaike info criterion-3.418121 Sum squared resid0.015724 Schwarz criterion-3.287748 Log likelihood25.21779 F-statistic1090.767 Durbin-Watson stat1.401217 Prob(F-statistic)0.000000 表8 Dependent Variable: Z Method: Least Squares Date: 06/05/05 Time: 18:03 Sample: 1991 2003 Included observations: 13 VariableCoefficientStd. Errort-StatisticProb. C-9.8958253.452529-2.8662540.0186 Z40.5644680.04370112.916530.0000 Z50.1173570.0353313.3216550.0089 Z61.2835930.3522853.6436240.0054 R-squared0.998156 Mean dependent var11.03054 Adjusted R-squared0.997542 S.D. dependent var0.535872 S.E. of regression0.026568 Akaike info criterion-4.170560 Sum squared resid0.006353 Schwarz criterion-3.996730 Log likelihood31.10864 F-statistic1624.287 Durbin-Watson stat2.779309 Prob(F-statistic)0.000000 表9 Dependent Variable: Z Method: Least Squares Date: 06/05/05 Time: 18:06 Sample: 1991 2003 Included observations: 13 VariableCoefficientStd. Errort-StatisticProb. C-4.6019805.260582-0.8748040.4072 Z10.1590460.1224081.2993040.2300 Z40.4373550.1065144.1060830.0034 Z50.1884170.0644262.9245490.0192 Z60.7531610.5309901.4184090.1938 R-squared0.998478 Mean dependent var11.03054 Adjusted R-squared0.997717 S.D. dependent var0.535872 S.E. of regression0.025607 Akaike info criterion-4.208180 Sum squared resid0.005246 Schwarz criterion-3.990892 Log likelihood32.35317 F-statistic1311.789 Durbin-Watson stat2.295504 Prob(F-statistic)0.000000 表10 Dependent Variable: Z Method: Least Squares Date: 06/05/05 Time: 18:18 Sample: 1991 2003 Included observations: 13 VariableCoefficientStd. Errort-StatisticProb. C2.8555310.18487915.445430.0000 Z10.2925340.0825573.5434160.0063 Z40.3648550.0985623.7017890.0049 Z50.2559690.0457635.5934020.0003 R-squared0.998095 Mean dependent var11.03054 Adjusted R-squared0.997460 S.D. dependent var0.535872 S.E. of regression0.027008 Akaike info criterion-4.137695 Sum squared resid0.006565 Schwarz criterion-3.963865 Log likelihood30.89502 F-statistic1571.676 Durbin-Watson stat1.683350 Prob(F-statistic)0.000000 表11 Dependent Variable: Z Method: Least Squares Date: 06/05/05 Time: 20:17 Sample: 1991 2003 Included observations: 13 VariableCoefficientStd. Errort-StatisticProb. C3.6712401.1886073.0886920.0149 Z10.3811460.1532152.4876570.0377 Z2-0.2021900.290815-0.6952540.5066 Z40.3449610.1054743.2705840.0113 Z50.2166540.0736172.9429760.0186 R-squared0.998203 Mean dependent var11.03054 Adjusted R-squared0.997305 S.D. dependent var0.535872 S.E. of regression0.027818 Akaike info criterion-4.042516 Sum squared resid0.006191 Schwarz criterion-3.825228 Log likelihood31.27636 F-statistic1111.214 Durbin-Watson stat1.379230 Prob(F-statistic)0.000000 表12 Dependent Variable: Z Method: Least Squares Date: 06/05/05 Time: 20:33 Sample: 1991 2003 Included observations: 13 VariableCoefficientStd. Errort-StatisticProb. C2.5721910.7940573.2393010.0119 Z10.2796150.0936602.9854220.0175 Z3-0.0315140.085628-0.3680320.7224 Z40.4392390.2271501.9336950.0892 Z50.2571440.0482395.3306620.0007 R-squared0.998127 Mean dependent var11.03054 Adjusted R-squared0.997190 S.D. dependent var0.535872 S.E. of regression0.028407 Akaike info criterion-4.000638 Sum squared resid0.006456 Schwarz criterion-3.783350 Log likelihood31.00415 F-statistic1065.558 Durbin-Watson stat1.679745 Prob(F-statistic)0.000000 表13 ARCH Test: F-statistic0.227815 Probability0.643409 Obs*R-squared0.267289 Probability0.605156 Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 06/05/05 Time: 20:53 Sample(adjusted): 1992 2003 Included observations: 12 after adjusting endpoints VariableCoefficientStd. Errort-StatisticProb. C0.0006100.0003071.9867820.0750 RESID^2(-1)-0.1509420.316243-0.4773000.6434 R-squared0.022274 Mean dependent var0.000528 Adjusted R-squared-0.075499 S.D. dependent var0.000849 S.E. of regression0.000880 Akaike info criterion-11.08188 Sum squared resid7.75E-06 Schwarz criterion-11.00106 Log likelihood68.49128 F-statistic0.227815 Durbin-Watson stat1.990728 Prob(F-statistic)0.643409 表14 Dependent Variable: Z Method: Least Squares Date: 06/05/05 Time: 21:01 Sample(adjusted): 1992 2003 Included observations: 12 after adjusting endpoints Convergence achieved after 6 iterations VariableCoefficientStd. Errort-StatisticProb. C2.6364540.3609357.3045030.0002 Z10.2350300.1179951.9918750.0867 Z40.4376190.1436443.0465620.0187 Z50.2495240.0514804.8470160.0019 AR(1)0.0889060.3535540.2514630.8087 R-squared0.997416 Mean dependent var11.11798 Adjusted R-squared0.995940 S.D. dependent var0.452587 S.E. of regression0.028838 Akaike info criterion-3.959936 Sum squared resid0.005821 Schwarz criterion-3.757891 Log likelihood28.75961 F-statistic675.6074 Durbin-Watson stat1.916323 Prob(F-statistic)0.000000 Inverted AR Roots .09
对我国人均GDP的各影响因素的计量分析_经济学毕业论文

对我国人均GDP的各影响因素的计量分析_经济学毕业论文对我国人均GDP的各影响因素的计量分析主要内容：人均GDP则是一国经济的最大基本面，它是研究产业结构和产业演变趋势的主要解释变量，因而无论对经济政策的制定，还是投资分析均具有重要意义。但是，究竟哪些因素会影响人均GDP的变化呢？本文希望通过分析各个因素对人均GDP的影响来说明受教育水平、引进外资情况和产业结构是影响人均GDP的重要因素。关键词：人均GDP 受教育水平引进外资情况产业构成情况正文：一．因素来源 1．《中国人口问题报告,教育、健康、与经济增长》社会科学文献出版社 ……中国的经济发展在地区间存在很大的差异，尤其是东西部以及农村和城市之间的差异。在解释地区间经济发展差异时，人力资本积累所产生的存量影响可能更为重要。……教育水平能通过外部影响来增加社会资本，教育水平的增加会提高社会能力，而社会能力的提升又会影响到一个国家或地区的经济增长水平。 2．《利用外资与中国经济增长》赵晋平编著人民出版社根据经济学的基本原理，社会可支配资金的规模及其配置方式和配置效率是潜在产出增长的基础，在社会可支配资金规模相对不足时，引进外资可以缓解资金不足对经济增长形成的资源约束，从而促使经济以更快的速度增长；……1990年以后，东部地区工业总产值与中西部地区工业总产值的绝对差距均迅速扩大……即我国地区工业总产值差距的扩大，主要是在1990年以后利用外资高速增长阶段形成的。 3．《中国产业结构调整的关键因素》周冯琦著上海人民出版社改革开放以来，中国经济在20多年的发展过程中总量规模和发展水平都有了极其显著的提高，产业结构变动也随着新兴行业份额不断增大和对传统行业增量改造取得了不容置疑的成就。……然而，总体上说，产业结构的转换明显滞后与经济发展的进程。……作为世界上最大的发展中国家，中国目前的产业结构极不合理，传统农业所占比重过大，严重制约中国经济的发展。从以上文献，我们可以初步知道，影响GDP的因素大致有受教育水平、引进外资情况和产业结构情况。二．数据的搜集与分析通过查阅2003年的统计年鉴，我们可以得到以下数据，其中包括各地区人均GDP（由于各地区的总人数差距太大，为了便于研究，我们取人均GDP）、各地区大专以上水平的人数、引进外资情况、第一产业所占比例、第三产业从业人员所占总就业人口比例 y表示各地区人均GDP（元/人） x1表示各地区受教育水平——大专以上人数（人/万人） x2表示各地区对外开放水平——引进外资情况（美元/人） x3表示各地区的产业构成情况——第一产业所占比例 x4表示各地区的从业人员的构成情况——第三产业从业人员所占总就业人口比例 Y（元/人）X1（人/万人）X2（美元/人） X3(%) X4(%) 北京284492452.545155.907360.7 天津223801098.053172.67054.141.3 河北9115444.248711.8553715.625.1 山西6146444.50376.7292389.828.7 内蒙古7241538.73397.59850921.628.8 辽宁12986533.481683.1461210.837.9 吉林8334633.38569.35285319.934.6 黑龙江10184478.57849.70022611.629.3 上海406461775.161325.35411.647.5 江苏14391378.9367145.37710.530 浙江16838558.706668.855678.932.9 安徽5817250.42246.18401421.625.6 福建13497411.1344116.895314.229.2 江西5829270.097926.2803821.933.1 山东11645533.420653.0622913.225 河南6436400.89594.28345720.91906 湖北8319365.839924.0076114.234.5 湖南6565409.470113.8057419.525.9 广东15030505.9677155.2848.833.7 广西5099329.56558.95859924.328.6 海南7803351.178268.8847537.930.3 重庆6347314.09296.3716911630.6 四川5766357.95666.64983321.127.3 贵州3153335.56241.06670923.725.2 云南5179190.62372.77947221.117.9 西藏609376.69965 NA 14.624.2 陕西5523384.751710.2311614.930 甘肃4493289.93652.44112918.427.1 青海6426314.84959.98643413.229.8 宁夏5804528.2644.0494116.125.2 新疆83821020.7751.07691819.130.5 模型的设计和估计设模型为：Y= C+β1X1+β2X2+β3X3+β4X4 执行ls y c x1 x2 c3 x4后回归报告结果为：所以有： Y=5991.354+5.703649X1+67.33761X2-137.5371X3+0.385009X4 S.E=1238.670 0.899218 5.867942 55.40163 0.898091 t=4.836923 6.342898 11.47551 -2.482546 0.428697 R2=0.963451 F=164.7539 d=2.159648 模型的检验经济意义检验：按经济原理可知，经济的发展与受教育水平、对外开放和第三产业的就业人数所占总就业人数的比例成正比，而与第一产业在三个产业中所占比例成反比，从回归方程可以看出是符合一般的经济原理的。（二）统计推断检验：从回归方程可以看出，可决系数为0.963451，已经比较大了，F统计量为164.7539，也比较大，说明从整体上来看回归方程对数据的拟合是比较好的。还可以看出，除了X4即第三产业从业人口所占比例的t统计量为0.468697，比较小以外，其他的t统计量都超过了2，比较大，说明这些变量对经济的影响还是显著的。计量经济学检验：多重共线性检验——简单相关系数矩阵法解释变量的相关系数矩阵如下：可以看出，解释变量之间并不存在明显的线性相关。 2.异方差检验：图形分析法解释变量为横轴，E2=resid2为纵轴，其图形如下：可以看出，有比较明显的异方差现象。五.模型的修正（一）在统计推断检验中，X4的t统计量不明显，应去掉，即执行：ls y c x1 x2 x3后得如下回归报告：可以看到，无论是方程的拟合优度还是解释变量的个别和整体对应变量的影响都是显著的。此时的回归方程为： Y=5994.365+5.723188X1+67.19265X2-135.6892X3 此时还得针对存在异方差进行修正——加权最小二乘法取w=1/resid2,执行ls(w=w) y c x1 x2 c3后得以下回归报告：所以最后的回归方程为： Y=5801.710+6.076879X1+64.97648X2-134.3855X3 五.结论通过模型的分析结果，我们可以看到，在中国，各地区受教育水平、引进外资情况和第一产业所占比例是影响人均GDP水平的主要因素。其中，前两个因素和人均GDP水平是正相关的关系，而第一产业所占比例与人均GDP则是负相关的关系。从模型分析结果可知，引进外资和产业结构的情况对人均GDP的影响更为显著。同时也可以看出，目前我国传统农业在大多数地区所占比例较大，影响了当地的经济发展水平，产业结构调整已经势在必行。因此，我们要发展一个地方的经济，首先必须进行产业结构调整，适当降低农业的比例，加大第二、三产业的发展；其次就是要进一步加大对外开放的力度，引进外资，加快当地经济的发展；除此之外，我们还要重视教育，提高劳动力素质，进而提高劳动生产率，推动经济的发展。
我国居民消费增长模型_经济学毕业论文范文

我国居民消费增长模型_经济学毕业论文范文我国居民消费增长模型一、经济背景分析目前随着我国改革开放的不断深入,我国居民收入的快速增长，中国居民消费水平的不断提高,消费方式也发生了很的变化。消费品的档次越来越高，消费周期越来越短，折旧越来越快。而相关调查也显示，中国城市家庭每百户拥有汽车及其它耐用消费品现值已达1.30。中国居民消费升级历经了从传统的基本生活消费逐步向发展型和享受型消费转移过程，消费升级主要经历了三个时期： 1．以基本生活消费为主的初级阶段。主要追求“三转一响”的“老四件”，即自行车，缝纫机，手表和收音机。 2．生活大为改善的电器普及阶段。始于80年代的城镇居民消费从千元级向万元级、十万元级消费发展，农村从百元级向千元级，万元级消费发展，形成了以家用电器普为代表的耐用消费品热潮。大约延续了十年左右，其主要标志是以排浪式消费方式在城市普及家电商品，家用电器开始进入农村家庭。 3．高层次的享受型阶段。家电普及后，以住房、汽车为主的新的消费热潮又扑面而来，其增势出人意料。抽样调查资料表明，2002年有82.1%的城镇居民家庭拥有自己的住房，其中：60.7%的家庭购买了房改房，9.3%的家庭购买了商品房，12.1%的家庭拥有私房。根据当前中国居民的收入状况，居民消费将逐步进入新一轮消费周期：将以家电在农村普及，住房、轿车、电脑逐步进入城市家庭为主要标志。引领消费龙头的商品首推住房。去年个人购房可望占商品房销售总数的八成以上。住房制度改革以后，居民购房意识增强，中国房地产业目前已进入新一轮发展周期的上升期。第二消费大件当推汽车，目前个人消费占了汽车销售量的七成以上。在消费方面，通信、电脑、教育、旅游都是热门领域。2001年七月底，中国移动电话业务收入超过固定电话业务收入，成为国内第一大通信业务。移动电话用户达到1.106亿，超过美国，跃居世界第一。目前中国居民消费结构正处于重要的转型期，今后十余年，居民消费需求将从小康走向更宽裕的过渡时期，人们的消费观念、方式、内容以及消费品市场供求关系，都将发生重大变化。衣食等一般性消费在总消费中的比重下降，住、行支出增加。随着世界经济贸易扩大和各国文化间相互渗透，国内消费的国际化趋势开始显现。本文就我国居民消费状况进行数量研究。二、变量的选取和样本数据本文主要研究1982年到2003年我国居民消费与国民生产总值之间的数量关系。同时判断居民消费是否和商品零售价格指数有关。有关变量如下：被解释变量： Y—居民消费（单位：亿元）解释变量： I—国民生产总值GNP （单位：亿元） P—商品零售价格指数（1980年=100）样本数据如下：(n=22) （数据摘自2002，2003年《中国统计年鉴》）表（1）样本数据年份（年）（亿元）(亿元) 19822867.95301.8112.8 19833182.55957.4114.5 19843674.57206.7117.7 198545898989.1128.1 1986517510201.4135.8 19875961.211954.5145.7 19887633.114922.3172.7 19898523.516917.8203.4 19909113.218598.4207.7 199110315.921662.5213.7 199212459.826651.9225.2 199315682.434560.5254.9 199420809.846670310.2 199526944.557494.9356.1 199632152.366850.5377.8 199734854.673142.7380.8 199836921.176967.2370.9 199939334.480579.36359.8 200042911.488228.1354.4 200145923.2794346.4351.6 200249236.45109526.8360.6 200355768.65110015.6362.8 三、建立模型分析首先建立简单线性模型（初始模型）如下：（模型1）用俄Eviews对样本进行OLS估计，计算结果（屏幕）如下： LS // Dependent Variable is Y Date: 12-10-2004 / Time: 14:24 SMPL range: 1982 - 2003 Number of observations: 22 VARIABLE COEFFICIENT STD. ERROR T-STAT. 2-TAIL SIG. C 1416.1365 366.42131 3.922554 0.001 I 0.520154 0.0096012 55.062157 0.000 P -11.235036 2.865203 -3.9562135 0.001 R-squared 0.999406 Mean of dependent var 16999.85 Adjusted R-squared 0.999302 S.D. of dependent var 15057.95 S.E. of regression 418.6330 Sum of squared resid 3329819.33 Durbin-Watson stat 0.969587 F-statistic 13574.75 Log likelihood -162.5247 检验：从经济意义方面检验参数估计量，国内生产总值I的系数估计量，=0.5201542，由于01，故符合经济意义，商品零售价格指数P的系数估计量，=－11.2350360，说明商品零售价格指数和居民消费成反比关系，故也符合经济意义，即经济意义检验通过。从统计检验来看，方程拟合优度很高，总体显著性很好，各变量的显著性也都很好，唯一不足的就是DW值，DW=0.969587，有点小，当显著性水平为α=0.05时，n=22，k=3（包括常数项）查杜宾—瓦特森统计表得到：dL=1.15，由于DW=0.9695871.15，拒绝随机扰动项零自相关的假设H0，说明随机扰动项具有正的一介自相关。由于考虑到要去掉滞后变量,所以建立如下模型: （模型2) 即: （2.3494478）（21.734512）（7.3304080） R2=0.999670 DW=1.567670 F=28779.94 检验：由计算结果可知，根据宏观经济学原理，可知该模型符合经济意义，没有明显的错误，从统计检验来看， R2=0.999670，说明方程总体的拟合优度非常好。从F=28779.94可知，不用查表就可断定方程显著性检验通过。即显著性非常好。四、违背经典假设的检验与模型的改进下面针对此模型，分别对违背基本假设的三种情况进行计量经济学检验。（一）自相关检验首先进行序列相关检验，由于此模型含有滞后的内生变量，使DW统计量失效。故运用回归检验法进行检验，用et作为被解释变量，et-1作为解释变量，建立回归检验模型，et 和et-1的数据如下：年份（年） = - 19822867.92839.4528.451.61 19833182.53146.9335.5728.45 19843674.53681.43-6.9335.57 198545894455.81133.19-6.93 198651755141.0533.95133.19 19875961.25930.6130.5933.95 19887633.17210.98422.1230.59 19898523.58384.45139.05422.12 19909113.29231.21-118.01139.05 199110315.910492.4-176.5-118.01 199212459.812612.4-152.6-176.5 199315682.416037.7-355.3-152.6 199420809.821266-456.2-355.3 199526944.526553.9390.6-456.2 199632152.331589.7562.6390.6 199734854.635272.4-417.8562.6 199836921.137384.2-463.1-417.8 199939334.439245.988.5-463.1 200042911.442651.5259.988.5 200145923.2745825.997.37259.9 200248912.0648765.6300.6106.8 200352012.2551962.5102.4302.4 利用OLS进行参数估计，得到如下检验方程： =4.7256582+0.2228265 （0.0761044）（0.948） R2=0.045688 F=0.899512 显然不用查表就可知该方程的拟合度、总体显著性极差，方程变量的显著性也非常的差。说明模型（三）不存在一阶自相关. （二）异方差的检验 1、采用G—Q检验由于解释变量都是从小到大排列的，所以可以直接把样本分成两个小样本，选择前面8年的数据作为样本1，后面8年数据作为样本2，各自做OLS估计，由TSP计算的RSS1=129033.7071 ，RSS2=563877.3 ， F=RSS2/RSS1=4.37 ，查F统计表可得F0.05（5，5）=5.05 ，由于FF0.05（5，5）,故接受原假设，即模型（二）存在异方差性。（三）多重共线性的检验利用判定系数法来检验解释变量之间的共线性，以国内生产总值I做被解释变量，以做解释变量，建立检验模型，用TSP对其作OLS估计，计算结果如下： =1842.6615+2.2356916 （1.3952213）（35.060877） R2=0.984779 F=1229.265 可以看出，变量显著性和方程的显著性极高，拟合度也很好。说明模型（二）变量之间存在共线性。下面利用一阶差分法来消除模型二的共线性，建立一阶差分模型如下：（模型三）五、最后模型即模型（三）中=0.4015502，=0.1910812，又根据样本资料可得=16997.75318，=35299.16182，=15001.48636，根据=－－，可计算常数项=－43.13432225 。所以最终模型如下：六、模型的预测及分析 1、相对误差分析。由模拟结果可知，最终模型的模拟结果比较满意，偏差都很小。一般地，当预测的相对误差小于10%时，可以认为是高精度预测。从上表可以看出，最终模型所有预测的相对误差都小于10%，而且平均相对误差Sqrt（）=0.049756703 ，小于5% ，说明最终模型预测效果非常好。 2、经济意义分析。从经济意义看，在前期消费不变时，当国民生产总值增加一个单位时，当期消费将增加0.4015502个单位。在国民生产总值不变时，当前期消费增加一个单位时，当期消费将增加0.1910812个单位。七、结论文的数量分析中，可以看出，居民消费和商品零售价格指数没有很大关系，所以虽然目前我国的部分商品价格有上升的趋势，但可能不会对居民消费产生很大的影响。但当选取的解释变量不同时，也可能得出相反的结论，即商品零售价格指数会对居民消费产生一定影响，这是由于好多变量之间都是互相影响的，即商品零售价格指数会影响国民总值，国民生产总值又会影响消费，消费也会影响商品零售价格指

1 ...43 44 45 46 47 48 49 50 51 ... 77

AB
CD A B C D E F G H I J K L M N O P Q I S T U V W X Y Z

人大经济论坛大学专业手机版

为做大做强人大经济论坛，本站接受风险投资商咨询，请联系（010-62719935）
京ICP备11001960号京ICP证090565号京公网安备1101084107号论坛法律顾问：王进律师知识产权保护声明免责及隐私声明
邮箱：service@pinggu.org
合作咨询电话：(010)62719935 广告合作电话：010-68456523 13661292478 刘老师
投诉电话：(010)68466864 不良信息处理电话：13661292478

人大经济论坛

经济学毕业论文

浅谈华为公司的薪酬管理及对战略薪酬设计的启示_经济学毕业论文

广东社会信息化水平测度及研究_经济学毕业论文

1978年~2002年中国失业多因素分析_经济学毕业论文

我国当前的产业结构与劳动力结构分析_经济学毕业论文范文

关于影响大学生就业问题与人口老龄化问题的因素分析与思考_经济学毕业论文

影响上市公司高管薪酬的企业因素实证分析_经济学毕业论文范文

四川省农业生产函数建立与分析_经济学毕业论文范文

公共投资取向与经济增长的计量分析_经济学毕业论文

对我国人均GDP的各影响因素的计量分析_经济学毕业论文

我国居民消费增长模型_经济学毕业论文范文

经济学

管理学

金融学

统计学

国际贸易

财务管理

保险精算

考博

考研

留学

人力资源管理

会计

市场营销

大学

专业

高考