-
试论农村社会组织成长问题之思考_经济学毕业论文
试论农村社会组织成长问题之思考_经济学毕业论文 论文摘要：组织是建设新农村的重要生力军，也是实现农村治理的重要载体之一。拓展农村社会组织成长的空间，需要在四个纬度上形成合力:一是国家权力应从乡村适度退出;二是加强农村社会组织自主性成长的内生空间培育;三是提升农村社会组织的能力;四是为农村社会组织成长提供保障。 论文关键词：农村;社会组织;成长问题;内生空间 农村社会组织是建设新农村的生力军，是实现农村治理的重要载体之一。实行村民自治，是中国共产党领导亿万农民建设有中国特色的伟大创造。发展和壮大农村社会组织不仅是落实党的十七大、十七届三中全会、四中全会精神的需要，而且是深化农村改革，推进农村社会全面转型的必然要求。促进农村社会组织快速发展，需要拓展农村社会组织成长的内生空间，公共空间越大社会组织发展的前景就越好，功能就愈凸显。那么，如何拓展农村社会组织成长的内生空间呢?本文对此做一初步探讨。 一、农村社会组织成长的前提：国家权力从乡村适度退出 就理论而言，国家与社会相对分离，是构成现代社会发展的重要特征之一。对于中国乡村社会来说，我们需要探讨的问题是：国家权力渗透与退f{J对乡村社会产生哪些影响，如果国家权力选择退出，那么，乡村社会秩序是否能够得到保持，成长起来的农村社会组织是否会对国家权力构成挑战和威胁?这是笔者思考本课题的初衷。 (一)从视角看，自主性始终是农村民间组织发育成长的必要条件 传统中国社会奉行“王权不下县”的“乡绅自治”模式，在这种模式下，人与人之间、家庭与家庭之间存在彼此扶助的关系，各种社会功能基本上依靠家庭内部或者家族内部获得支持，人属于家庭人或者家族人。“国家除了赋税、劳役之外，与乡土社会是脱节的”。在传统乡村治理理念支配下，乡村民间组织发育较好，乡村社会自治程度也比较高。到了近代，伴随着剧烈的社会变迁，乡绅自治被排挤政权以外。新中国成立以后，国家政权全面进入乡村社会，原有的社会组织或消亡，或被取缔。20世纪80年代以后，中国农村发生了前所未有的变化，一方面，蓬勃兴起，多元社会利益格局逐渐形成；另一方面，村民自治广泛推行，乡村社会组织不断涌现，并对乡村治理产生重大影响。在这种情况下，国家政权的适度退出，为农村社会组织成长留下必要的空间，是农村社会组织发展的一般规律。 (二)从理论视角看，国家权力从乡村适度退出是现代社会发展的必然要求 在中国传统社会中，村庄依赖于“熟人社会”，这一特点被学者称为内生型秩序，而国家外力嵌入则被称为外生型秩序。人民公社制度就是力量嵌入村庄的结果。从内生型秩序与外生型秩序的比较可见：前者可以从中国传统社会去解读，并寻找例证；后者则可以从新中国成立以后的历史去追寻。公民社会理论的崛起，国家社会关系的论证，似乎都在说明一个事实：压力型权力构架已经不适应现代社会发展的要求，国家权力从村庄适度退出是必要的。比如，上世纪八九十年代，大部分村级领导由合作社时期的队社干部演化而来，他们习惯于凭借行政权力进行管理，结果造成了许多问题，近年来群体性事件不断增多就是典型例证。 为了适应基层民主政治发展的要求，从上世纪八十年代后期始，国家开始推行村民自治制度。对此，学者也争议颇多。一种观点认为，“在整个20世纪的中国现代化进程之中，国家政权一直贯穿始终”。即使是村民自治，也应该被视作“一种国家重建形式，它的推行并非国家从乡村社会的退出，相反则是国家真正深人乡村社会的表现;由于它重新起用了乡村的民间资源，并实现了国家政权与乡村社会性质的对接和融合，无疑是国家对乡村社会整合成熟的标志”。另一种观点认为，村民自治意味着国家行政权力开始从村庄退出，政权的内卷化遇到了抵抗。尽管村民自治还存在着诸如“行政化”等弊端，但其对于村民自治能力的提升意义是不能抹杀的。 (三)从我国农村社会组织成长情况看，国家权力适度退出应该是一个渐进的过程 学术界的争论为我们更深人解农村社会组织成长问题提供了重要的参考。从中国农村社会现实出发，国家权力彻底退出是不可能的，因为中国走的是一条“规划的社会变迁”道路，由政府主导社会变迁的路径选择。基层正式组织弱化，带来非正式组织的成长空间’。这是因为，现代社会背景下的村庄与传统中国社会村庄相比，发生了很大变化，这是一个难以否认的客观现实。另外，在市场经济冲击下，乡村社会关联度的变化、社会分层加剧、利益格局重新调整，仅仅依靠村庄内生秩序是远远不够的，如家族势力的复兴、能人政治的兴起、黑恶势力抬头等等，都对农村政权稳定提出了挑战，都要求国家权力的适度保留。如果国家权力完全退出，在农村社会组织尚未成熟的情况下，势必在某些地方造成“真空”，从而为不良秩序的产生提供土壤。所以，国家权力退出是必要的，但这应该是一个渐进的过程，决不能想当然，毕其功于一役。
-
影响人身保险保费收入的因素分析_经济学毕业论文
影响人身保险保费收入的因素分析_经济学毕业论文 影响人身保险保费收入的因素分析 摘要：本文采用我国实际经济年度数据，利用Eviews软件对传统理论中对于人身保费收入的影响因素进行多元线性回归分析并进行你拟合优度的检验及修正。从模型中可看出我国的物价指数，城镇居民可支配收入，储蓄水平，国民生产总值等因素对人身保险的保费收入均有不同程度的影响。关键词：人身保险 保费收入 多元线性回归 拟合优度 异方差修正 中国保监会最新统计数据显示，2004年全国保费收入4318.8亿元，同比增长11.3%，保险深度3.4%，保险密度332元，而人身保险业务的保费收入达3228.2亿元，同比增长7.2%，其发展速度与增长趋势尤其迅猛。在传统的理论中，影响人身保费的因素有：居民可支配收入，国民经济发展水平，利率水平，储蓄，物价水平，国民保险意识等。此种传统理论仅做了定性的分析，每种因素的影响力有多少均未作出一个定量的模型分析。本文参照传统理论中的定性分析，结合我国1990—2003年间的数据，利用多元线性回归模型进行分析并对拟合优度及异方差进行检验且作出相关的修正。 中国人身保险业发展现状及其理论影响因素 人身保险的基本理论概念 人身保险是以人的生命或身体为保险标的的保险。它是区别财产保险的一类业务的总称。在人身保险中，投保人根据合同约定向保险人支付保险费，保险人根据合同约定向被保险人疾病伤残死亡或到达约定的年龄、期限是承担给付保险金责任的保险。长期以来人身保险被视为个人或者家庭财务规划中必要和基本因素。在个人或家庭的财务规划中，人身保险是有价值和弹性的财务工具。它主要包括人寿保险，人身意外伤害险和健康保险。 我国人身保险业的发展现状 随着我国经济的不断提高，我国的保险业有着迅猛的发展。而在人身保险与财产保险中，我国人身保险保费收入的增长快于财险保费收入的增长。1982年中国恢复了人身保险业务，当期的保费收入为0.016亿元，而04年已增长为4318.8亿元。 我国人身保险业的发展因素的理论解释 在传统的保险理论中，影响人身保险业发展的理论因素主要有：国内生产总值、物价指数、居民可支配收入水平、储蓄、商品经济发展程度、国民保险意识等。 国内生产总值（GDP） 保险是社会生产力发展到一定水平的产物，并且随着生产力的发展而发展。一方面，经济发展带来保险需求的增加；另一方面，收入水平的提高也会带来保险需求总量和结构的变化。可以说国内生产总值（GDP）是一国保险业发展的经济基础。 2.物价指数 物价指数在一定程度上反映我国商品价格的基本水平。而保险商品的价格是保险费率。保险需求主要取决于可支付保费的数量。保险费率与保险需求主要取决于可支付保险费的数量。保险费率与保险需求一般成反比例关系，保险费率越高保险需求越小；反之则越大。而我国人身保险的费率确定和大一部分取决于利率，而物价又是对利率的反应，因此物价指数是人身保险商品价格的影响因素之一。 3.居民可支配收入 可支配收入反映了人均消费水平的高低，可支配收入越大，用于购买消费品的支出越多，而保险作为第三产业中的服务产品之一，是人们在满足基本生存条件后的又一需求，因此居民可支配收入中的很大一部分会用于购买保障性服务产品，如社保，年金及人身保险中的养老，医疗等。 4.居民储蓄水平 在经济学中，对于一种商品的需求是由其需求欲望和购买能力决定的。保险作为一种商品也是这样的，居民的储蓄水平正能够体现这种实际购买能力。因此一国居民的储蓄水平越高会刺激保险业的发展。 5. 其它因素 （1）人口因素 人身保险保障的是人的身体和寿命，涉及到生命表中的多项指标，而生命表也是我国计算费率的重要依据。生命表的来源即是对人口因素的相关统计数据。 （2）国家金融监管水平 一个国家的金融监管越健全，越能够促进本国金融保险业的发展，从而促进保费收入健康稳定的增长。 （3）国民保险意识 作为一种科学的风险管理工具，保险必须首先要为人接受才能发挥出应有的作用，因此一国国民风险意识尤其是树立利用保险机制来管理风险的意识对于保险业的发展起着重要作用。 （4）市场经济的发展程度 市场经济的发展程度与保险需求成正比，市场经济越发达，则对保险的需求越大，反之越小。 对我国人寿保费收入的数据选取及分析 以下我们选用GDP，物价指数，城镇居民可支配收入，储蓄四因素，通过“逐一法”选取并建立模型。 （一）数据选择及模型设定 根据上述分析，选取了GDP即国内生产总值、物价指数、城镇居民可支配收入、储蓄四个因素作为解释变量，将模型设定为 Y=C+C1X1+C2X2+C3X3+C4X4+μ 其中：X1代表GDP即国内生产总值 （亿元）； X2 代表物价指数； X3 代表城镇居民可支配收入； X4代表储蓄（亿元） 年份寿险保费收入Y(亿元)GDP X1（亿元）物价指数X2城镇居民可支配收入X3（元）储蓄X4（亿元） 199028.4118547.9103.11510.277119.8 199141.4121617.8103.41700.69241.6 199264.2926638.1106.42026.611759.4 1993144.0734634.4114.72577.415203.5 199416246759.4124.13496.221518.8 1995194.258478.1117.1428329662.3 1996332.8567884.6108.34838.938520.8 1997616.7374472.6102.85160.346279.8 1998768.4678345.299.25425.153407.5 1999872.182067.598.6585459621.8 2000981.3289468.1100.4628064332.4 20011424.0497314.8100.76859.673762.4 20022274.64105172.399.27702.886910.6 20033011117251.9101.28472.2103617.7 数据如下： 资料来源：《中国统计年鉴2004》 （二）模型分析 对上述模型Y=C+C1X1+C2X2+C3X3+C4X4+μ进行参数估计，如下： Dependent Variable: Y Method: Least Squares Date: 05/10/05 Time: 08:47 Sample: 1990 2003 Included observations: 14 VariableCoefficientStd. Errort-StatisticProb. C-1634.130722.6838-2.2611960.0501 X1-0.0619920.027707-2.2374520.0521 X218.460348.0970842.2798750.0486 X30.2326860.5020360.4634840.6540 X40.0773570.0110387.0081590.0001 R-squared0.988679 Mean dependent var779.6800 Adjusted R-squared0.983648 S.D. dependent var905.2827 S.E. of regression115.7631 Akaike info criterion12.61342 Sum squared resid120609.8 Schwarz criterion12.84166 Log likelihood-83.29395 F-statistic196.5020 Durbin-Watson stat1.229200 Prob(F-statistic)0.000000 得到估计方程： Y*=-1634.13-0.061992*X1+18.46034*X2+0.232686*X3+0.077357*X4 t=(-2.261196) (-2.237452) (2.279875) (0.463484) (7.008159) R^2=0.988679 （三）检验与修正 1．经济意义检验 从上表中可以看出，X1指标符号与先验信息不相符，所估计结果与经济原理相悖，X2.X3.X4指标符号与先验信息相符，所估计结果与经济原理不相悖 2．统计推断检验 从回归结果可以看出，模型的拟和优度非常好（R^2=0.988679），F统计量的值在给定显著性水平α=0.05的情况下也较显著，但X3的t统计值不显著（X3的t统计量的值的绝对值均小于2），说明X3这两个变量对Y的影响不显著，或者变量之间存在多重共线的影响使其t值不显著 3．计量经济学检验 （1）多重共线性检验 ①检验：由F=196.502F0.05（4,14)=3.11(显著性水平α=0.05)表明模型从整体上看寿险保费收入与解释变量间线形关系显著。 这里采用简单相关系数矩阵法对其进行检验 ： X1X2X3X4 X11-0.4645056780480.9986509825980.981095417139 X2-0.4645056780481-0.452614049651-0.542351342826 X30.998650982598-0.45261404965110.985443773234 X40.981095417139-0.5423513428260.9854437732341 从结果可知X1.X3.X4 具有高度相关性 ②修正：采用逐步回归法对其进行补救。 根据以上分析，由于X4的t值和R^2最大，线性关系强，拟合程度最好，因此把X4作为基本变量。然后将其余解释变量逐一代入X4的回归方程，重新回归。分析可得： Dependent Variable: Y Method: Least Squares Date: 05/10/05 Time: 08:52 Sample: 1990 2003 Included observations: 14 VariableCoefficientStd. Errort-StatisticProb. C347.7383176.82731.9665420.0750 X1-0.0401230.007752-5.1760640.0003 X40.0690960.0081088.5218220.0000 R-squared0.968964 Mean dependent var779.6800 Adjusted R-squared0.963321 S.D. dependent var905.2827 S.E. of regression173.3782 Akaike info criterion13.33624 Sum squared resid330659.9 Schwarz criterion13.47318 Log likelihood-90.35366 F-statistic171.7119 Durbin-Watson stat0.606755 Prob(F-statistic)0.000000 加入X1，拟合优度仅略有变动，但与X1的经济意义与先验信息相悖。因此变量X1引起了多重共线性，应舍去。 Dependent Variable: Y Method: Least Squares Date: 05/11/05 Time: 09:14 Sample: 1990 2003 Included observations: 14 VariableCoefficientStd. Errort-StatisticProb. C-652.80761532.038-0.4261040.6783 X21.73642213.638230.1273200.9010 X40.0281600.0034598.1405380.0000 R-squared0.893529 Mean dependent var779.6800 Adjusted R-squared0.874170 S.D. dependent var905.2827 S.E. of regression321.1266 Akaike info criterion14.56896 Sum squared resid1134345. Schwarz criterion14.70590 Log likelihood-98.98270 F-statistic46.15702 Durbin-Watson stat0.376305 Prob(F-statistic)0.000004 加入X2进行回归的情况和X1相同，其t=0.12737，不显著。因此也应将变量X2删去。 Dependent Variable: Y Method: Least Squares Date: 05/11/05 Time: 09:15 Sample: 1990 2003 Included observations: 14 VariableCoefficientStd. Errort-StatisticProb. C-217.7667149.1925-1.4596360.1724 X3-0.0901320.033197-2.7150900.0201 X40.0350820.00346710.118930.0000 R-squared0.936157 Mean dependent var779.6800 Adjusted R-squared0.924549 S.D. dependent var905.2827 S.E. of regression248.6666 Akaike info criterion14.05751 Sum squared resid680186.0 Schwarz criterion14.19445 Log likelihood-95.40259 F-statistic80.64832 Durbin-Watson stat0.980862 Prob(F-statistic)0.000000 加入X3，拟合优度仅略有变动，但对X3的经济意义与先验信息相悖。因此变量X3引起了多重共线性，应舍去。 故模型修改为如下形式：Y=C+C4X4+μ 新模型估计结果： Dependent Variable: Y Method: Least Squares Date: 05/10/05 Time: 08:50 Sample: 1990 2003 Included observations: 14 VariableCoefficientStd. Errort-StatisticProb. C-458.7474148.3799-3.0917080.0093 X40.0279210.00278510.026980.0000 R-squared0.893372 Mean dependent var779.6800 Adjusted R-squared0.884486 S.D. dependent var905.2827 S.E. of regression307.6817 Akaike info criterion14.42757 Sum squared resid1136017. Schwarz criterion14.51887 Log likelihood-98.99301 F-statistic100.5404 Durbin-Watson stat0.379021 Prob(F-statistic)0.000000 （2）异方差检验 ①检验：利用Goldfeld--Quandt检验法检验模型是否存在异方差。如下： 将时间定义为1990—1994，得到如下结果： Dependent Variable: Y Method: Least Squares Date: 05/10/05 Time: 10:02 Sample: 1990 1994 Included observations: 5 VariableCoefficientStd. Errort-StatisticProb. C-44.9261527.40026-1.6396250.1996 X40.0102530.0019695.2079170.0138 R-squared0.900406 Mean dependent var88.03600 Adjusted R-squared0.867208 S.D. dependent var61.04015 S.E. of regression22.24338 Akaike info criterion9.331140 Sum squared resid1484.304 Schwarz criterion9.174916 Log likelihood-21.32785 F-statistic27.12240 Durbin-Watson stat2.866450 Prob(F-statistic)0.013761 得出：∑e12 =1484.304 再将时间定义为1999-2003，估计结果如下 Dependent Variable: Y Method: Least Squares Date: 05/10/05 Time: 10:03 Sample: 1999 2003 Included observations: 5 VariableCoefficientStd. Errort-StatisticProb. C-2234.029205.6333-10.864140.0017 X40.0508270.00259419.595110.0003 R-squared0.992247 Mean dependent var1712.620 Adjusted R-squared0.989663 S.D. dependent var911.8949 S.E. of regression92.71224 Akaike info criterion12.18605 Sum squared resid25786.68 Schwarz criterion12.02983 Log likelihood-28.46513 F-statistic383.9683 Durbin-Watson stat2.491872 Prob(F-statistic)0.000290 得出: ∑e22 =25786.68 求得：F=∑e12 /∑e22=25786.68/1484.304=17.3729101316 F0.05（5，5）=5.05，拒绝H0 ，表明随机误差项显著的存在异方差。 用对数变换法对其进行修正，即： GENR LY= LOG(Y) GENR LX4= LOG(X4) 估计结果如下： Dependent Variable: LY Method: Least Squares Date: 05/10/05 Time: 10:08 Sample: 1990 2003 Included observations: 14 VariableCoefficientStd. Errort-StatisticProb. C-11.587880.726215-15.956530.0000 LX41.6773560.06957224.109720.0000 R-squared0.979773 Mean dependent var5.864116 Adjusted R-squared0.978088 S.D. dependent var1.478128 S.E. of regression0.218803 Akaike info criterion-0.069722 Sum squared resid0.574500 Schwarz criterion0.021572 Log likelihood2.488053 F-statistic581.2788 Durbin-Watson stat1.145060 Prob(F-statistic)0.000000 修正后得：LY=-11.58788+1.677356LX4 （3）一阶自相关检验 ①检验：从模型设定来看，没有违背D-W检验的假设条件，因此可以用D-W检验来检验模型是否存在一阶自相关。 由DW=1.145060，根据ρ=1-DW/2，计算出ρ=0.42747。而在n=14，k=1时，Dl=1.045 Du=1.350，DW值落在不能决定的区域。用Cochrane-Orcutt迭代法对其进行修正，得： Dependent Variable: LY Method: Least Squares Date: 06/02/05 Time: 16:32 Sample (adjusted): 1991 2003 Included observations: 13 after adjustments Convergence achieved after 5 iterations VariableCoefficientStd. Errort-StatisticProb. C-11.958771.605074-7.4506000.0000 LX41.7126060.15021411.401080.0000 AR(1)0.4190860.3035651.3805450.1975 R-squared0.977875Mean dependent var6.057760 Adjusted R-squared0.973450S.D. dependent var1.340975 S.E. of regression0.218499Akaike info criterion-0.004900 Sum squared resid0.477417Schwarz criterion0.125473 Log likelihood3.031847F-statistic220.9929 Durbin-Watson stat1.591680Prob(F-statistic)0.000000 Inverted AR Roots.42 从经过迭代处理后的回归结果得到DW值为1.591680，可看出DW值明显提高了，此时不再存在自相关，模型有了很好的改善。 (4)确定模型 LYt = -11.95877+1.712606X4t+0.419086Yt-1 t=(-7.450600) (11.40108) (1.380545) R^2=0.977875 F=220.9929 由于该模型的回归结果、t值以及F统计值均显著，且不存在计量经济学问题，因此最后定型为此。 对模型的经济解释 从以上模型经分析可得出：从模型可以看出居民的储蓄水平是影响保费收入的最佳因素。 下面定性的分析本文所选的因素对保费影响的经济意义。（1）国内生产总值 其反映的是国内生产总水平，本应与保费收入呈正相关，但由于其包含因素太多，涵盖第一、二、三产业，而保费只是其中很小的一部分，因此国民生产总值不能直接决定保费。另一方面，国内生产总值与可支配收入及储蓄间存在严重多重共线性。（2）物价指数 物价指数会影响人均购买力，但不能直接决定购买力和消费水 平，还必须同时与收入和储蓄相结合。因此不能成为最佳选择。（3）城镇居民可支配收入 从经济上来讲，可支配收入越大，用于购买消费品的支出越多，但它与储蓄存在较强的线性关系，在选择储蓄的条件下只能舍去。（4）储蓄 最直接体现出居民的消费能力和影响消费品的因素。根据边际效用递减，储蓄越大，则用于购买必需品的支出就会减少，而用于购买其他消费品的支出会增加，即个人恩格尔系数减小 。根据马斯洛需求理论，满足生存这一需求后，人最迫切的得到的就是安全，而保险尤其是人身保险如养老保险医疗保险就解决了大家的后顾之忧。另一方面，从我国的总体情况看，人均可支配收入能基本满足生存需要，但无法满足所有的需要，而其中尤其以养老意外伤害医疗费用等涉及安全问题的现状受到的关注最大，这就为人均保费的增加提供了前提。同时储蓄扣除了消费后收入的一部分，它既包含收入水平，又包含了物价水平，是反映保费收入的最佳指标。 综上，得出保费收入关于储蓄的最优模型： LYt = -11.95877+1.712606X4t+0.419086Yt-1 参考文献： 1、庞皓，《计量经济学》 ， 西南财经大学出版社 2002年8月第一版 2、 《中国统计年鉴2004》 3、中华人民共和国国家统计局网
-
我国财产保险市场发展的因素分析_经济学毕业论文范文
我国财产保险市场发展的因素分析_经济学毕业论文范文 我国财产保险市场发展 的因素分析 摘要：本文主要通过对财产保险市场的发展进行多因素分析，建立以财产保险保费收入为应变量，以其它可量化影响因素为自变量的多元线性回归模型，并利用模型对这一问题进行数量化分析。 关键词：财产保险保费 多因素分析 模型 计量经济学 检验 一、经济背景及研究目的 （一）财产保险的概述 1．财产保险，是指以各种财产物资和有关利益为保险标的，以补偿投保人或被保险人的经济损失为基本目的的一种社会化的经济补偿制度。作为现代保险业的两大部类之一，财产保险通过各保险公司的社会化经营，客观上满足着人类社会除自然人的身体与生命之外的各种风险保障需求，是当代社会向的发展必不可少的经济补偿制度。 2．随着我国改革开放的进一步深化,经济的进一步发展，以及加入WTO，财产保险越来越受到人们的重视，它在很多方面都发挥着越来越重要的作用。 第一、能够补偿被保险人的经济利益损失，维护社会再生产的顺利进行。 第二、有利于提高整个社会的防灾减损意识，使各种灾害事故的发生及其危害后果得到有效控制。 第三、有利于创造公平的竞争环境，维护市场经济的正常运行。 第四、有利于安定城乡居民的日常生活，稳定社会秩序。 第五、能够增加就业机会，促进第三产业的发展。 3．财产保险的业务分为四大部分。 （1）．财产损失保险。它是以承保保险客户的财产物资损失风险为内容的各种保险业务的统称，包括各种火灾保险、运输保险、工程保险等。 （2）．农业保险。它又可以分为各种种植业保险、林业保险和养殖业保险。 （3）．责任保险。责任保险承保的是保险客户的各种民事法律风险，它包括公众责任保险、产品责任保险、雇主责任保险、职业责任保险以及各种运输工具第三者责任保险等内容。 （4）．信用保证保险。信用、保证保险承保的主要是保险客户的各种商业信用风险，其业务主要包括出口信用保险、个人信用保险、产品保证保险等各种信用、保证保险。 （二）我国财产保险市场发展及进程 我国改革开发以来，特别是1986年以后，随着保险市场供给主体不断增加和有竞争的保险体系初步形成，保险业务获得迅速发展。自1980年以来，我国保险费总收入年均增幅为35%，远高于同期GDP的增长速度，很好地拉动了经济增长，其中财产保险收入从1992年147.4亿元到2003年增长到869亿元，将近增加了5倍，中国保险业进入了一个迅速发展时期。 1992年邓小平南巡讲话发表后，国内经济环境空前活跃，直接拉动次年财产保险业务成为整个90年代增长幅度最高的年份。1997年开始的经济软着陆和整顿经济环境，直接导致以社会物质财产作为保险标的的财产保险业务在1997年和1998年开始进入递增长状态，财产保险比重开始大幅下降，1999年由于通货紧缩又造成当年的财险业务增长成为90年代的最低点。进入2000年，国有企业机制转换带来整个国有经济资产总量的增加，加上住房制度改革，使全国企业财产保险和住房抵押保险业务上扬，整个财产保险市场一改连续三年的颓势，出现了14.8%的高增长率。 保险业的发展状况与经济的发展程度有较为稳定的正相关关系。从国际形势来看，世界经济复苏步伐开始加快，国际经济发展环境好转；从国内经济情况来看，随着国家西部大开发、振兴东北工业基地等战略部署的实施，或内投资项目和投资总量会大量增加，新兴产业和汽车、住房、通信、家电等行业继续迅猛发展，个人居民储蓄保持快速增长，人民生活水平不断提高。这都为企业财产保险、家庭财产保险、建安工程险、货运险、机动车辆保险等业务发展拓宽了保险服务领域，社会对于防灾、防损、防意外等方面需求构成支撑财产险发展的巨大市场资源。 另外，随着科技的进步、社会的发展，客观条件的变化，微观风险环境也越来越复杂，理想的可保风险条件不会一成不变，有些原先不可保的风险变得可保了，或者加上一些约束条件变的可保了，这尤其对财产险承保技术的要求越来越高，对财产险发展的意义也日益凸现。 研究目的 当然，财产保险保费收入的迅速增长也是与整个经济环境的好转分不开的。如我国现在居民的汽车拥有量、居民可支配收入都在快速增长，世界贸易的频繁增多、我国的外贸出口总额也在逐年递增，诸多因素对我国财产保险保费收入产生着影响。下面我们就具体地研究这些因素对其产生的影响。 二、结合经济背景，建立计量经济学模型 （一）关于数据 数据的来源:中国保险年鉴(1993-2004)和中国统计年鉴(1993-2004)通过查阅以上资料, 得1992年到2003年关于财产保险保费收入，社会消费品零售额，居民可支配收入，民用汽车拥有量的数据。 年份社会消费品零售额(亿元)X4居民可支配收入(元) X1民用汽车拥有辆(万辆)X5财产保险保费收入(亿元)Y 199210993.72026.6691.74147.4 199312462.12577.4817.58251.4 199416264.73496.2941.95336.9 199520620.04283.01040.00390.7 199624774.14838.91100.08452.47 199727298.95160.31219.09480.73 199829152.55425.11319.30499.6 199931134.75854.01452.94521.12 200034152.66280.01608.91598.4 200137595.26859.61802.04688.24 200242027.17702.82053.17780 200345842.08472.22382.93869 （二）关于模型 1．模型的建立 Y=а+β1X1+β4X4+β5X5 其中：Y—财产保险保费收入，X1—城镇居民家庭人均可支配收入，X4—社会消费品零售总额，X5—居民汽车拥有量。 2．参数估计 用Eviews估计结果为： Dependent Variable: Y Method: Least Squares Date: 04/29/05 Time: 20:26 Sample: 1992 2003 Included observations: 12 VariableCoefficientStd. Errort-StatisticProb. C-88.7285321.86812-4.0574370.0036 X10.1298620.0348513.7262420.0058 X50.1504010.0503872.9849320.0175 X4-0.0107380.006404-1.6768930.1321 R-squared0.994634 Mean dependent var501.3300 Adjusted R-squared0.992622 S.D. dependent var210.4994 S.E. of regression18.08112 Akaike info criterion8.888815 Sum squared resid2615.415 Schwarz criterion9.050451 Log likelihood-49.33289 F-statistic494.2947 Durbin-Watson stat1.920454 Prob(F-statistic)0.000000 Y=-88.72853+ 0.129862X1+ (-0.010738)X4+ 0.150401X5 （-4.057437）（3.726242）（-1.676893）（2.984932） R2=0.994634S.E.= 18.08112F=494.2947 3．模型检验 (1).经济意义检验 从经济意义上来说，财产保险保费收入会随着城镇居民家庭人均可支配收入、社会消费品零售总额和居民汽车拥有量这几项的增加而增加。 从模拟的结果可以看出X4的系数为负，即社会消费品零售总额与财产保费收入反向变化，这与经济意义相背。另外，X1、X5的系数为正，即城镇居民家庭人均可支配收入、居民汽车拥有量与财产保险保费收入同向变化，这与经济意义相符合。 (2).计量经济学意义检验 ①多重共线性检验 由F检验和简单相关系数矩阵法检验,发现各解释变量的t检验值都不显著，但相关系数很高，而X4的系数为负不符合经济意义，估计解释变量间存在多重共线性。对X1、X4、X5进行简单相关系数矩阵检验。 X1X4X5 X1 1.000000 0.996799 0.974960 X4 0.996799 1.000000 0.977511 X5 0.974960 0.977511 1.000000 由此可见，解释变量之间存在高度线性相关。尽管整体线性回归拟合较好，但X4变量的参数t值并不显著而且符号与经济意义相悖。现利用逐步回归法进行修正。表明模型中解释变量确实存在严重的多重共线性。利用逐步回归法进行修正，对X1、X4、X5进行简单相关系数矩阵检验。 第一个是居民可支配收入与财产保险保费收入 Dependent Variable: Y Method: Least Squares Date: 04/29/05 Time: 17:39 Sample: 1992 2003 Included observations: 12 VariableCoefficientStd. Errort-StatisticProb. C-59.5788920.52385-2.9029100.0158 X10.1068800.00368329.020730.0000 R-squared0.988266 Mean dependent var501.3300 Adjusted R-squared0.987092 S.D. dependent var210.4994 S.E. of regression23.91530 Akaike info criterion9.337926 Sum squared resid5719.415 Schwarz criterion9.418743 Log likelihood-54.02755 F-statistic842.2027 Durbin-Watson stat0.991942 Prob(F-statistic)0.000000 第二个是社会消费品零售额与财产保险保费收入. Dependent Variable: Y Method: Least Squares Date: 04/29/05 Time: 17:51 Sample(adjusted): 1992 2002 Included observations: 11 after adjusting endpoints VariableCoefficientStd. Errort-StatisticProb. C0.87868627.205390.0322980.9749 X40.0179330.00097918.312800.0000 R-squared0.973864 Mean dependent var467.9055 Adjusted R-squared0.970960 S.D. dependent var184.3745 S.E. of regression31.41923 Akaike info criterion9.895683 Sum squared resid8884.511 Schwarz criterion9.968027 Log likelihood-52.42626 F-statistic335.3585 Durbin-Watson stat1.041503 Prob(F-statistic)0.000000 第三个是居民汽车拥有量与财产保险保费收入. Dependent Variable: Y Method: Least Squares Date: 04/29/05 Time: 19:31 Sample: 1992 2003 Included observations: 12 VariableCoefficientStd. Errort-StatisticProb. C-51.1605633.49140-1.5275730.1576 X60.4035300.02302317.527240.0000 R-squared0.968475 Mean dependent var501.3300 Adjusted R-squared0.965322 S.D. dependent var210.4994 S.E. of regression39.19926 Akaike info criterion10.32620 Sum squared resid15365.82 Schwarz criterion10.40702 Log likelihood-59.95723 F-statistic307.2041 Durbin-Watson stat0.649323 Prob(F-statistic)0.000000 发现居民可支配收入(X1)的t值最大，线形关系强，拟合程度最好，因此把X1作为基本变量。然后将其余解释变量逐一代入X1的回归方程，重新回归。 居民可支配收入（X1）与居民汽车拥有量(X5)的回归 Dependent Variable: Y Method: Least Squares Date: 04/29/05 Time: 20:22 Sample: 1992 2003 Included observations: 12 VariableCoefficientStd. Errort-StatisticProb. C-62.9838917.06863-3.6900380.0050 X10.0753230.0137245.4885290.0004 X50.1234470.0523412.3585140.0427 R-squared0.992748 Mean dependent var501.3300 Adjusted R-squared0.991136 S.D. dependent var210.4994 S.E. of regression19.81785 Akaike info criterion9.023361 Sum squared resid3534.724 Schwarz criterion9.144587 Log likelihood-51.14016 F-statistic616.0139 Durbin-Watson stat1.409856 Prob(F-statistic)0.000000 居民可支配收入（X1）和社会消费品零售额（X4）的回归 Dependent Variable: Y Method: Least Squares Date: 06/03/05 Time: 22:57 Sample: 1992 2003 Included observations: 12 VariableCoefficientStd. Errort-StatisticProb. C-70.3833128.76687-2.4466790.0370 X10.1334270.0477422.7947360.0209 X4-0.0046410.008319-0.5578310.5906 R-squared0.988658 Mean dependent var501.3300 Adjusted R-squared0.986137 S.D. dependent var210.4994 S.E. of regression24.78412 Akaike info criterion9.470601 Sum squared resid5528.275 Schwarz criterion9.591828 Log likelihood-53.82361 F-statistic392.2504 Durbin-Watson stat1.006545 Prob(F-statistic)0.000000 最终确定初步模型为。 Y=-62.98389+0.075323 X1+0.123447X5 t=(-3.690038)(5.488529)(2.358514) R2=0.992748F=616.0139 ② 异方差检验（WHITE检验） 利用Eviews进行White检验 White Heteroskedasticity Test: F-statistic0.532181 Probability0.717072 Obs*R-squared2.798276 Probability0.592130 Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 04/29/05 Time: 20:55 Sample: 1992 2003 Included observations: 12 VariableCoefficientStd. Errort-StatisticProb. C354.02902564.5350.1380480.8941 X1-1.2074121.230960-0.9808710.3593 X1^20.0001220.0001850.6573820.5319 X64.4023934.9864090.8828790.4066 X6^2-0.0016700.001740-0.9599320.3691 R-squared0.233190 Mean dependent var294.5603 Adjusted R-squared-0.204988 S.D. dependent var389.4829 S.E. of regression427.5429 Akaike info criterion15.24832 Sum squared resid1279550. Schwarz criterion15.45037 Log likelihood-86.48994 F-statistic0.532181 Durbin-Watson stat2.626586 Prob(F-statistic)0.717072 因为Obs*R-squared=2.798276 X20.05(k-1).所以接受H0,表明模型没有异方差。 ③ 自相关检验 （DW检验） 由结果显示DW=1.409856（计算得ρ=0.295072），而通过查表的dL=0.812，dU=1.579，4-dU=2.421，4-dL=3.188，可见dLDWdL，所以X1、X5有无自相关无法确定，需要进行修正。 现采用广义差分法进行修正，在GENR中输入DY=Y-0.295072*Y(-1)，DX=X-0.295072*X(-1)，再用OLS法进行估计，结果为： Dependent Variable: DY Method: Least Squares Date: 04/29/05 Time: 21:47 Sample(adjusted): 1993 2003 Included observations: 11 after adjusting endpoints VariableCoefficientStd. Errort-StatisticProb. C-14.5943218.17540-0.8029710.4452 DX10.0484120.0179682.6943210.0273 DX50.2016960.0610893.3016530.0108 R-squared0.989306 Mean dependent var395.4397 Adjusted R-squared0.986632 S.D. dependent var133.9224 S.E. of regression15.48417 Akaike info criterion8.544515 Sum squared resid1918.077 Schwarz criterion8.653032 Log likelihood-43.99483 F-statistic370.0250 Durbin-Watson stat1.647507 Prob(F-statistic)0.000000 这时，DW=1.647507，查表得dL=0.658，dU=1.604，从而DWdU，可见DW已经落在了无自相关区域,表明通过修正的模型已经不存在自相关。 通过以上的回归及检验,就可得到以下回归方程： DY=-14.59432+0.048412DX1+0.201696DX5 (-0.802971)(2.694321)(3.301653) R2=0.989306 F=370.0250DW=1.647507 通过以上分析，我们得到如下方程： DY=-14.59432+0.048412DX1+0.201696DX5 4.模型解释 从模型中可以看出居民可支配收入和居民汽车拥有量是影响财产保险保费收入增长的最主要因素。居民可支配收入每增长一单位，财产保险保费收入增长0.048412单位。居民汽车拥有量每增加一单位，财产保险保费收入增加0.201696单位。
-
中国城镇居民2003年可支配收入分析_经济学毕业论文
中国城镇居民2003年可支配收入分析_经济学毕业论文 中国城镇居民2003年可支配收入分析 摘要：本文通过对影响可支配收入因素的分析，并结合各种检验方法，得到计量经济模型，以此了解各个地区的发展程度且做出分析。 关键字：可支配收入 个人所得税 社会保障补贴 第一部分建模的目的及其经济意义 建立本模型的目的：通过对中国东北三省、长江中下游及沿海地区的城镇居民的人均可支配收入占总收入的比率的估计，可了解这些地区的经济发展状况。 其经济意义是： 1 通过对各个地区人均可支配收入占总收入比率的分析，可得各个地区的发展程度以及它们之间的差别；为各地区政府来年制定经济规划提供参考，分析各项利弊得失并找出症结所在，保证政策的合理性。 2 人均可支配收入占总收入的比率还可作为各地区政府工作绩效考核指标，形成各地区间的良性竞争。 3 该模型也可对企业的投资和经营提供参考，使优势资源得到合理配置。 第二部分数据的取得 模型所用数据均取自《2004中国统计年鉴》及《2004中国人口年鉴》。 现对所用数据做以下说明： 1 依照研究的目的，我们选择了17个省及直辖市作为研究地区来估计模型，它们分布在东北三省、长江中下游及沿海地区，这样减小了由地区性差异带来的误差。 2 所选项目包括：城镇居民人均可支配收入、城镇居民人均社会保障补贴、城镇居民人均个人所得税、城市人口等。 3 由于所得税的征收时间不长且年鉴中的数据多以年为统计单位，为了保证取得充足的数据，我们选择了截面数据而非时间序列数据进行估计。 4 由于统计年鉴上福利补贴项目的数据是按各个城市的补贴总数来统计的，而模型中需要用到的是人平均数。因此，我们用补贴总数除以该地区城镇居民总人数，求得近似值来估计。（注：该福利补贴是指养老保险、住房公积等项目的加总，不考虑农村人口） 第三部分模型建立 首先，在选择解释变量时，我们最初考虑到了通货膨胀率对可支配收入的影响，因为模型中的城镇居民可支配收入是一个名义收入，而从现实经济生活来看，实际可支配收入才能真正表现出居民的实际购买力，才是一个具有实际经济意义的变量。但是，我们加入这个解释变量时遇到了问题，因为实际可支配收入＝名义可支配收入*(1—通货膨胀率)，就目前中国的经济情况来看，居民对通货膨胀的敏感度不高，而且我们用的是截面数据，通货膨胀率对这个模型的影响可以忽略不计，因此在建立模型时我们剔除了这个解释变量。 其次，我们还考虑到了就业率对居民可支配收入的影响，一个地区的就业情况越好，那么该地区的居民收入也会越多，而可支配收入也会随之增加。但在收集资料的过程中我们发现就业率统计口径并不一致，而且本文模型所要求的是城镇居民的就业率，而统计数据是以一个地区的所有居民为基础的，因此我们不能采用它作为解释变量。 第三，我们主要是想模拟在一年之中中国东北三省、长江中下游及沿海地区的城镇人均可支配收入与其总收入、个人所得税和社会保障补贴之间的关系。 我们选择的被解释变量是：城镇人均可支配收入YD 我们选择的解释变量是：城镇人均总收入Y 城镇人均个人所得税T 城镇人均社会保障补贴E 我们所用的模型为： 经济意义如下： ⑴这里的城镇人均总收入是指城镇居民的劳动收入以及其他的非劳动收入，但其中不包括政府的补贴。因此，可支配收入YD与其总收入Y是成正比的关系：即Y增加，YD也应增加，也即是说系数应该为正。 ⑵这里的T是指城镇居民上缴的个人所得税。因此YD与T成反比的关系：即T增加，YD应减少，即是说系数应该为负。个人所得税和人均总收入之间可能存在多重共线性，这是因为国家在征收个人所得税时是以居民的总收入作为税基的，因此总收入的变化要引起个人所得税的变化，二者存在着密切的关联度。 ⑶这里的E是指政府补贴给城镇居民的社会保障补贴。因此YD与E成正关系：即E增加，YD也应增加，即是说系数应该为正。政府补贴与人均总收入应该也存在一定程度上的共线性。 第四、为了估计，我们选用的数据如表1： 省份\项目城镇居民人均可支配收入YD（元）城镇居民人均总收入Y（元）城镇居民人均个人所得税T（元）城镇居民人均社会保障支出E(元) 北京13882.6214959.35878.612824131.6296753 天津10312.9110971.57221.0705467485.0952381 河北7239.067608.43140.1560207433.1628949 辽宁7240.587832.7112.2632607608.3262641 吉林7005.177311.2369.28470004439.858005 黑龙江6678.96968.0188.25094446498.5555823 上海14867.4916380.24504.3380855232.664513 江苏9262.469912.14178.1565287150.6242513 浙江13179.5314295.38287.2976534138.2300163 安徽6778.037155.9175.76353774451.5564954 福建9999.5410816.32206.722427582.38864034 江西6901.427153.6583.08175383473.2484586 山东8399.919057.58108.5103189144.0304357 湖北7321.987745.7769.64209888294.492569 湖南7674.28145.07135.1655924531.9226495 广东12380.4313451.13440.901647172.1731646 海南7259.257605.69143.9720352451.9368203 表1 统计资料 第四部分模型检验 ⑴ 先对17个数据进行回归分析 用OLS方法回归得到表2 Dependent Variable: YD Method: Least Squares Date: 06/03/05 Time: 16：00 Sample: 1 17 Included observations: 17 VariableCoefficientStd. Errort-StatisticProb. C496.4948132.23053.7547670.0024 Y0.8808630.00950292.702860.0000 T0.0346010.0168192.0572190.0603 E0.0367980.1572640.2339860.8186 R-squared0.999303 Mean dependent var9199.028 Adjusted R-squared0.999142 S.D. dependent var2763.035 S.E. of regression80.91209 Akaike info criterion11.82693 Sum squared resid85107.96 Schwarz criterion12.02298 Log likelihood-96.52889 F-statistic6215.012 Durbin-Watson stat2.477990 Prob(F-statistic)0.000000 表2 从表2中可以看到税收的参数的估计值＝0.0346010，这与我们开始所估计的有出入。究其原因我们发现，北京的数据与其他地区的数据差距太大，因此我们去掉了这个异常数据――北京的数据，而只采用了16个数据。 ⑵ 对这16个数据进行回归分析 将数据录入后用OLS法对模型 进行回归，得到表3 Dependent Variable: YD Method: Least Squares Date: 06/03/05 Time: 16:10 Sample: 2 17 Included observations: 16 VariableCoefficientStd. Errort-StatisticProb. C444.3489211.26522.1032760.0572 Y0.8887940.02636633.710240.0000 T-0.1364760.527820-0.2585660.8004 E0.0573310.1748400.3279030.7486 R-squared0.999146 Mean dependent var8906.304 Adjusted R-squared0.998933 S.D. dependent var2567.006 S.E. of regression83.84934 Akaike info criterion11.90824 Sum squared resid84368.55 Schwarz criterion12.10139 Log likelihood-91.26591 F-statistic4682.238 Durbin-Watson stat1.870753 Prob(F-statistic)0.000000 表3 由表3我们看到，和很大，且F值显著大于给定显著性水平（α＝0.05）下的临界值，而变量对应的偏回归系数的t值不显著，因此我们怀疑该模型存在多重共线形。 ⑶ 对该模型进行多重共线性检验： 检验方法：相关系数矩阵法，得到表4 YTE Y 1.000000 0.941332-0.629425 T 0.941332 1.000000-0.497713 E-0.629425-0.497713 1.000000 表4 从表4可以看出Y与T具有较强的相关性，两者的相关系数达到了0.941332，且Y与E相关系数为 -0.629425，说明该模型存在多重共线性。因此我们对该模型进行了修正。 修正方法：比率法――我们对解释变量和被解释变量重新定义 令 YD1=Yd/Y T1=T/Y E1=E/Y 各个变量的经济意义如下： YD1 可支配收入在总收入中占的比重 T1 个人所得税在总收入中占的比重 E1 社会保障补贴在总收入中占的比重 将模型修正为 其中，为T1对YD1的影响程度；为E1对YD1的影响程度。 ⑷ 对修正模型进行OLS回归得到表5： Dependent Variable: YD1 Method: Least Squares Date: 06/03/05 Time: 16:14 Sample: 2 17 Included observations: 16 VariableCoefficientStd. Errort-StatisticProb. C0.9407470.01268674.154770.0000 T1-0.9228880.490180-1.8827530.0823 E10.3304810.1317822.5077800.0262 R-squared0.623324 Mean dependent var0.938916 Adjusted R-squared0.565374 S.D. dependent var0.016573 S.E. of regression0.010926 Akaike info criterion-6.028021 Sum squared resid0.001552 Schwarz criterion-5.883160 Log likelihood51.22416 F-statistic10.75620 Durbin-Watson stat1.519451 Prob(F-statistic)0.001753 表5 ⑸ 对修正模型拟合优度的检验 由表5可得：可决系数为＝0.623324，＝0.565374 虽然可决系数和修正的可决系数比较低，但是考虑到经济意义，我们仍然接受这样的可决系数程度。 ⑹ 对修正模型回归参数的显著性检验 检验方法：t检验法 在显著性水平为α＝0.1下，自由度为n-k=16-3=13 查t分布表有，(13)=1.782 由表5有： ＝ -1.882753-,但t值偏小。这是因为中国个人所得税开征比较晚，个人所得税的征收还不完善、统计也不完善，由此造成一定的制度性误差和统计误差，而这部分误差是不可避免和消除的。 ＝ 2.507780,显著不为0的。 ⑺ 对修正模型回归方程的显著性检验 检验方法：F检验法 在显著性水平为α＝0.05下，自由度为（k-1,n-k）=(2,13) 查F分布表，有（2，13）＝3.81 由表5，F=10.75620（2，13）,因此我们认为方程具有整体显著性。 ⑻ 对修正模型的多重共线性进行检验 检验方法：相关系数矩阵法，得到表6 T1E1 T1 1.000000-0.549320 E1-0.549320 1.000000 表6 由上表我们可以看出T1与E1之间的相关系数为-0.549320，因此我们可以认为此模型已不存在多重共线性。 ⑼ 对修正模型的异方差性进行检验 检验方法为：Goldfeld-Quandt检验法 截取第一部分样本2-6，进行OLS回归，得到＝0.000145 截取第二部分样本13-17，进行OLS回归，得到＝ 0.000120 计算F统计量：F==0.827586 查F分布表，给定显著性水平α＝0.05，得到临界值(3，3)=9.28F,则接受:,表明随机误差项不存在显著异方差性。 ⑽ 对修正模型的自相关性进行检验 检验方法：图示法和D-W检验法 ①图示法：绘制和的二维坐标图如下 ②D-W检验法: 给定显著性水平α＝0.01，＝2，n＝16，查表可得： ＝0.737，＝1.252，4-＝2.748 由表5可以得到，DW＝1.519451 ，因此可以得出DW4- 表明修正模型随即误差项不存在自相关性。 ⑾ 最终回归模型 = 0.940747 - 0.922888T1 + 0.330487E1 t= (74.15477) (-1.882753) (2.507780) ＝0.565374 F=10.75620 ⑿ 带入数据检验 ①上海：T1=0.030789 E1=0.014204YD1=0.907648 将T1和E1代入回归方程=0.917026 误差为1.059％ ②河南：T1=0.0096667E1=0.033261YD1=0.955986 将T1和E1代入回归方程=0.942817 误差为-1.378％ ③四川：T1=0.013441E1=0.050172YD1=0.940359 将T1和E1代入回归方程=0.944924 误差为0.485％ ④广西：T1=0.015446E1=0.032949YD1=0.938646 将T1和E1代入回归方程=0.937381 误差为-0.135％ 通过以上检验，我们看到模型的估计值与真实值之间差别不大，说明该模型做出的估计在实际操作中是有效的。我们可以借此估算当地经济情况，为来年规划提供参考。 第五部分总结 我们最终的回归模型为： = 0.940747 - 0.922888T1 + 0.330487E1 t= (74.15477) (-1.882753) (-1.882753) ＝0.565374 F=10.75620 由以上模型可知，可支配收入在总收入中占的比重(YD1)与个人所得税在总收入中占的比重(T1)成反比的关系：即T1增加，YD1减少，T1的系数为负，与经济意义相符。YD1与社会保障补贴在总收入中占的比重(E1)成正比关系：即E1增加，YD1也增加，E1的系数为正，与经济意义相符。 综上，修正的模型比较符合现实经济意义。 在资料搜集和模型建立检验的过程中，由于我们知识有限、经验不足，难免会出现一些问题，望老师批评指正。
-
中国经济增长的影响因素实证分析_经济学毕业论文范文
中国经济增长的影响因素实证分析_经济学毕业论文范文 中国经济增长的影响因素实证分析 引言：一直以来，各国都试国寻找最有效的发展途径和最便捷的快速增长方式，努力寻找解决本国财富与知识增加、提高民众生活的“安全出口”。由于各国的经济、政治、文化及各种背景的不同，我们很难找到他们完全一致的发展道路，完全相同的发展轨迹。但是，教育却能成为其中主要的安全出口，不管是二战战败国日本，还是战胜国美国；不管是在欧洲还是亚洲，几乎所有经济发展较快、民众生活水平提高较快的国家，无一不把教育当做他们解决问题的重点，而对教育的重视也给这些国家带来较高的回报，国民素质的提高、综合国力的增强、加快发展的科学技术等，无一不与教育的发展有关。无论对于个人还是国家而言,教育都是创造知识和传播知识的关键。通过教育,人们的文化水平得到提高,相应的提高了劳动生产率,从而带来ＧＤＰ的增长和整个社会经济的发展。教育投资和物质资本投资都是经济增长不可或缺的因素。 内容摘要：“科教兴国”作为中国长期基本国策，有其重要意义，而教育是此基本国策的有效实施途径，因此考虑教育对社会经济发展的影响至关重要。 本文重点从教育投入及其他一些因素着手分析，并使用经济计量的方法建立模型，以揭示教育投入的增长和经济增长的相关关系。 关键词：GDP 消费价格指数 职工平均工资 自相关 多重共线性 一.理论叙述： 一几种具有代表性的研究教育影响经济的理论、方法： 舒尔茨的余数分析法：舒尔茨是把柯布—道格拉斯生产函数中资本的投入分解为物质资本投入和人力资本投入，通过计算社会积累的教育资本量及其收益率来衡量教育的社会经济效益。 丹尼森的经济增长因素法：丹尼森不象舒尔茨那样，把教育资本的增加看作是国民经济的增长，而是把教育当作提高劳动力质量的一个因素，以劳动工资的多少作为简化劳动的尺度，来确定教育对经济增长的贡献。 斯特鲁米林劳动简化法：这种方法依据马克思劳动价值论中复杂劳动等于倍加的简单劳动的原理，按照一定的比例关系，把多种不同程序的复杂劳动折算为同一的简单劳动，标志着劳动者由于受教育程度的提高而导致的劳动复杂程度，或熟练程序的提高，如果计算出劳动复杂度的提高而引起的国民收入增量，就能计算出教育对国民收入增长所做的贡献。 在发展经济学的学习中，对教育成本——收益分析的内部收益率法有了初步了解，根据哈夫曼和沃尔夫在1984年所做的研究表明，使用收益率法计量教育教育的价值大约只能捕捉到教育价值的一半。 上诉计量方法所测量的教育投资的经济效益，是用教育投资所引起的国民生产总值的增长量来反应的，其中包括因教育而增加的个人所得收入以及由教育引起所得增加而增加的利税额，通过这些计量方法所衡量的教育对国民经济的作用，只是教育的直接收益，属于其内部作用。 〈二〉、文章依据理论的叙述： 教育作为一个部门，与经济中其他部门的联系是重要的，而要估计教育对非教育部门的影响，就需要关注教育对非教育部门的基础性影响作用，即外溢作用。 教育对经济增长的影响可以分为内部作用和外溢作用按照卢卡斯的定义，教育的内部作用是“个人的能力资本对其生产力（率）的作用”（1988），可以表述为：由教育带来的货币收入的增加；而教育的外溢作用，其内容相对复杂：（1）提高子女的品质（指健康状况、认识能力的发展、接受教育的程度、选择的职业性质、未来收入等）；（2）提高家庭内部劳务生产的生产率；（3）有助于改善受教育者本人的健康状况；（4）改善配偶和家庭成员的健康状况；（5）降低生育率；（6）提高消费者选择效率；（7）提高劳动力市场双向选择的效率；（8）婚姻选择更具有效率；（9）提高储蓄率；（10）降低犯罪率；（11）提高社会和谐程度；（12）促进技术进步与传播。 二．相关数据收集 在进行实证分析的过程中，所需要的数据应是能够度量影响经济增长的因素，以下我们采用1985—2003年的相关因素的数据进行分析。 其中，我们采用的相关因素有就业人数，教育投入，消费价格指数，职工平均工资水平，以及高等院校在校生人数。 相关数据如下： 年份GDP Y（亿元）就业人数X1（万人）教育投入X2（亿元）消费价格指数X3职工平均工资X4（元）高等院校在校生人数X5（万人） 19858989.1 49873363.25109.31148170.3 198610201.4 51247400.98108.31352188.0 198711954.5 53954462.34113.41503195.9 198814922.3 54254512.54 116.51630.206.6 198916917.8 55329587.43118.01935208.2 199018598.4 64749659.38103.12140206.3 199121662.5 65491731.5103.42340204.4 199226651.9 66152867.05106.42711218.4 199334560.5 668081059.94114.73371253.6 199446670.0 674551488.78124.14538279.9 199557494.9 680651877.95117.15500290.6 199666850.5 689502262.34108.36210302.1 199773142.7 698202531.73102.86470317.4 199876967.2 706372949.0699.27479340.9 199980579.4 713943349.0498.68346413.4 200088254.0 720853849.08100.49371556.1 200195727.9 730254637.66100.710870719.1 2002103935.3 737405480.0399.212422903.4 2003116603.2 744326406.26101.2140401108.6 三．计量经济模型的建立 设定经济模型如下： 其中，Y：GDP ：就业人数 ：教育投入 ：消费价格指数 ：职工平均工资 ：高等院校在校生人数 ：固定值 ：随机扰动项 ：系数（i=1，2，3，4，5） 四．模型的求解和检验 我们利用EVIEWS软件，分别用最小二乘法进行回归分析，并针对其中的多重共线性、异方差和自相关进行了统计检验，最后进行修正再来估计参数。 1．最小二乘法回归分析： 用OLS法进行最小二乘估计，结果如图： Dependent Variable: Y Method: Least Squares Date: 05/08/05 Time: 21:07 Sample: 1985 2003 Included observations: 19 VariableCoefficientStd. Errort-StatisticProb. C-54237.1623513.39-2.3066500.0382 X10.4683050.2289912.0450800.0616 X227.3748814.457041.8935330.0808 X3397.2618160.43832.4761040.0278 X41.4017075.7710300.2428870.8119 X5-90.8541918.40130-4.9373790.0003 R-squared0.997493 Mean dependent var51088.61 Adjusted R-squared0.996529 S.D. dependent var35774.57 S.E. of regression2107.718 Akaike info criterion18.39669 Sum squared resid57752184 Schwarz criterion18.69493 Log likelihood-168.7685 F-statistic1034.514 Durbin-Watson stat1.800604 Prob(F-statistic)0.000000 由上图可见，R^2和F-检验值较大，说明总体拟合效果比较好。但是X4的T检验值不显著，故去掉X4，再次进行OLS分析，结果如下： Dependent Variable: Y Method: Least Squares Date: 05/08/05 Time: 21:20 Sample: 1985 2003 Included observations: 19 VariableCoefficientStd. Errort-StatisticProb. C-59212.1111152.58-5.3092730.0001 X10.5157880.1151684.4785570.0005 X230.868981.38521822.284560.0000 X3430.402181.516195.2799580.0001 X5-94.880787.712977-12.301450.0000 R-squared0.997482 Mean dependent var51088.61 Adjusted R-squared0.996762 S.D. dependent var35774.57 S.E. of regression2035.651 Akaike info criterion18.29595 Sum squared resid58014264 Schwarz criterion18.54449 Log likelihood-168.8116 F-statistic1386.307 Durbin-Watson stat1.811326 Prob(F-statistic)0.000000 回归模型初步确定为： Y=-59212.11+0.515788X1+30.86898X2+430.4021X3-94.88078X5 (-5.309273)(4.478557)(22.28546)(5.279958)(-12.30145) R^2=0.996762 可以看出所有解释变量的T检验值都很显著。 2.多重共线性分析： 下面我们进行多重共线性的检验。通过Eview软件分析得出解释变量就业人数X1，教育投入X2，消费价格指数X3，高等院校在校生人数X5之间的简单相关系数矩阵如下： X1 X2 X3 X5 X1 1.000000 0.788246-0.523152 0.659876 X2 0.788246 1.000000-0.605328 0.957572 X3-0.523152-0.605328 1.000000-0.518727 X5 0.659876 0.957572-0.518727 1.000000 由上表可以看出X1、X2 、X3、X5都是高度相关，它们之间存在严重的多重共线性，须对其进行修正。 （1）.采用逐步回归法以剔除部分因素，使模型的拟合效果更好。下面我们运用OLS方法逐一求Y对X1、X2 、X3、X5的回归。 首先选取X1，回归结果如下： 可以看出X3的T检验值仍然不显著，于是去掉X3，再做OLS分析，结果如下： Dependent Variable: Y Method: Least Squares Date: 06/05/05 Time: 18:51 Sample: 1985 2003 Included observations: 19 VariableCoefficientStd. Errort-StatisticProb. C-201438.734922.34-5.7681920.0000 X13.8773130.5323807.2829840.0000 R-squared0.757288 Mean dependent var51088.61 Adjusted R-squared0.743011 S.D. dependent var35774.57 S.E. of regression18135.60 Akaike info criterion22.54844 Sum squared resid5.59E+09 Schwarz criterion22.64786 Log likelihood-212.2102 F-statistic53.04186 Durbin-Watson stat0.308916 Prob(F-statistic)0.000001 再选取X2，结果如下： Dependent Variable: Y Method: Least Squares Date: 06/05/05 Time: 18:56 Sample: 1985 2003 Included observations: 19 VariableCoefficientStd. Errort-StatisticProb. C11382.123203.5603.5529610.0024 X218.638621.14575416.267560.0000 R-squared0.939638 Mean dependent var51088.61 Adjusted R-squared0.936087 S.D. dependent var35774.57 S.E. of regression9044.167 Akaike info criterion21.15693 Sum squared resid1.39E+09 Schwarz criterion21.25634 Log likelihood-198.9908 F-statistic264.6334 Durbin-Watson stat0.166515 Prob(F-statistic)0.000000 再选取X3，结果如下： Dependent Variable: Y Method: Least Squares Date: 06/05/05 Time: 18:57 Sample: 1985 2003 Included observations: 19 VariableCoefficientStd. Errort-StatisticProb. C339816.599558.123.4132480.0033 X3-2682.951922.8997-2.9070890.0098 R-squared0.332054 Mean dependent var51088.61 Adjusted R-squared0.292763 S.D. dependent var35774.57 S.E. of regression30085.47 Akaike info criterion23.56077 Sum squared resid1.54E+10 Schwarz criterion23.66019 Log likelihood-221.8273 F-statistic8.451165 Durbin-Watson stat0.344662 Prob(F-statistic)0.009814 再取X5，结果如下： Dependent Variable: Y Method: Least Squares Date: 06/05/05 Time: 18:58 Sample: 1985 2003 Included observations: 19 VariableCoefficientStd. Errort-StatisticProb. C7467.3067469.5440.9997000.3315 X5117.009916.490077.0957810.0000 R-squared0.747588 Mean dependent var51088.61 Adjusted R-squared0.732740 S.D. dependent var35774.57 S.E. of regression18494.45 Akaike info criterion22.58763 Sum squared resid5.81E+09 Schwarz criterion22.68704 Log likelihood-212.5825 F-statistic50.35011 Durbin-Watson stat0.146730 Prob(F-statistic)0.000002 由以上这些表所显示的数据，结合经济意义和统计检验选出拟合效果最好的一元线性回归方程。经分析，在四个一元回归模型中教育投入X2的t值最大，对Y线性关系强，拟合程度好，因此把X2作为基本变量，得如下模型： Y=11382.12+18.63862X2 (3.552961) (16.26756) R2=0.939638,Ř2=0.936087,F=264.6334 （2）.逐步回归。将X1、X3、X5逐个加入回归分析可得如下这些表： 表1. Dependent Variable: Y Method: Least Squares Date: 06/05/05 Time: 20:12 Sample: 1985 2003 Included observations: 19 VariableCoefficientStd. Errort-StatisticProb. C-60904.5218482.33-3.2952840.0046 X11.2488460.3167113.9431700.0012 X214.390431.36677410.528750.0000 .R-squared0.969387 Mean dependent var51088.61 Adjusted R-squared0.965560 S.D. dependent var35774.57 S.E. of regression6639.006 Akaike info criterion20.58325 Sum squared resid7.05E+08 Schwarz criterion20.73237 Log likelihood-192.5409 F-statistic253.3276 Durbin-Watson stat0.405090 Prob(F-statistic)0.000000 表2. Dependent Variable: Y Method: Least Squares Date: 06/05/05 Time: 20:12 Sample: 1985 2003 Included observations: 19 VariableCoefficientStd. Errort-StatisticProb. C-81690.5036525.06-2.2365610.0409 X11.2690400.3238263.9188900.0014 X214.755941.4962609.8618860.0000 X3173.6929261.60710.6639460.5168 R-squared0.970261 Mean dependent var51088.61 Adjusted R-squared0.964313 S.D. dependent var35774.57 S.E. of regression6758.150 Akaike info criterion20.65955 Sum squared resid6.85E+08 Schwarz criterion20.85838 Log likelihood-192.2657 F-statistic163.1297 Durbin-Watson stat0.353611 Prob(F-statistic)0.000000 表3. Dependent Variable: Y Method: Least Squares Date: 06/05/05 Time: 20:13 Sample: 1985 2003 Included observations: 19 VariableCoefficientStd. Errort-StatisticProb. C-59212.1111152.58-5.3092730.0001 X10.5157880.1151684.4785570.0005 X230.868981.38521822.284560.0000 X3430.402181.516195.2799580.0001 X5-94.880787.712977-12.301450.0000 R-squared0.997482 Mean dependent var51088.61 Adjusted R-squared0.996762 S.D. dependent var35774.57 S.E. of regression2035.651 Akaike info criterion18.29595 Sum squared resid58014264 Schwarz criterion18.54449 Log likelihood-168.8116 F-statistic1386.307 Durbin-Watson stat1.811326 Prob(F-statistic)0.000000 加入X1后，可决系数并无显著变化，但是却引起X2的t检验值发生较大的下降，由此可以看出X1引起多重共线性，故将其剔除。 加入X3后，可决系数反而有些上升，然而X3的t检验值为0.663946，较小，对Y的影响并不显著，因而将其剔除。 加入X5之后，可决系数也有较大的升高，达到了很高的程度，F值也有一定的增加，但X5的系数为负不符合经济意义。故将其予以剔除。所以，经逐步回归修正后模型可以确定为： Y=11382.12+18.63862X2 (3.552961) (16.26756) R2=0.939638,Ř2=0.936087,F=264.6334 3.异方差检验： 接下来进行异方差检验，用ARCH检验法可得如下结果： Dependent Variable: E2 Method: Least Squares Date: 05/08/05 Time: 21:43 Sample(adjusted): 1988 2003 Included observations: 16 after adjusting endpoints VariableCoefficientStd. Errort-StatisticProb. C1924079.1863160.1.0326960.3221 E2(-1)0.1152010.2884140.3994300.6966 E2(-2)0.2993320.2779381.0769760.3027 E2(-3)-0.0032900.287969-0.0114250.9911 R-squared0.111640 Mean dependent var3324693. Adjusted R-squared-0.110450 S.D. dependent var4860014. S.E. of regression5121381. Akaike info criterion33.94806 Sum squared resid3.15E+14 Schwarz criterion34.14121 Log likelihood-267.5845 F-statistic0.502677 Durbin-Watson stat1.991352 Prob(F-statistic)0.687550 由上表数据可得，(n-p)*R^2=1.78624χ20.05(3).说明无异方差。 4,自相关检验： 再进行下一步自相关的检验 Dependent Variable: Y Method: Least Squares Date: 06/06/05 Time: 10:58 Sample: 1985 2003 Included observations: 19 VariableCoefficientStd. Errort-StatisticProb. C11382.123203.5603.5529610.0024 X218.638621.14575416.267560.0000 R-squared0.939638 Mean dependent var51088.61 Adjusted R-squared0.936087 S.D. dependent var35774.57 S.E. of regression9044.167 Akaike info criterion21.15693 Sum squared resid1.39E+09 Schwarz criterion21.25634 Log likelihood-198.9908 F-statistic264.6334 Durbin-Watson stat0.166515 Prob(F-statistic)0.000000 在0.05的显著性水平下，查Durbin-Watson表n=19，k=1得到下限临界值为dl=1.180，上限临界值du=1.401，所以根据公式得到无自相关区间为（1.401，2.699）。因为D-W统计量为0.166515，D-W〈dl，所以，X2具有正自相关性。下面要对其修正 5自相关修正 （1）由DW值为0.166515，根据ρ=1-DW/2计算出ρ=0.9167425 Dependent Variable: DY Method: Least Squares Date: 06/06/05 Time: 11:17 Sample(adjusted): 1986 2003 Included observations: 18 after adjusting endpoints VariableCoefficientStd. Errort-StatisticProb. C3798.0921013.7303.7466510.0018 DX212.428151.5944797.7944930.0000 R-squared0.791542 Mean dependent var9929.038 Adjusted R-squared0.778514 S.D. dependent var5764.977 S.E. of regression2713.134 Akaike info criterion18.75404 Sum squared resid1.18E+08 Schwarz criterion18.85297 Log likelihood-166.7863 F-statistic60.75412 Durbin-Watson stat0.564633 Prob(F-statistic)0.000001 结果为DY=3798.092+12.42815DX2 T=(3.746651) (7.794493) R^2=0.791542 F=60.75412,DW=0564633 这时，我们发现经过用广义差分法后，DW值有所提高，但仍然存在自相关性 （2）Cochrance-Orcutt迭代法 Method: Least Squares Date: 06/06/05 Time: 11:22 Sample(adjusted): 1986 2003 Included observations: 18 after adjusting endpoints Convergence not achieved after 100 iterations VariableCoefficientStd. Errort-StatisticProb. C-4020984.4.01E+08-0.0100280.9921 X29.3782804.6928991.9983980.0641 AR(1)1.0006990.07059314.175600.0000 R-squared0.994674 Mean dependent var53427.47 Adjusted R-squared0.993964 S.D. dependent var35285.33 S.E. of regression2741.414 Akaike info criterion18.82135 Sum squared resid1.13E+08 Schwarz criterion18.96974 Log likelihood-166.3921 F-statistic1400.680 Durbin-Watson stat0.622211 Prob(F-statistic)0.000000 Inverted AR Roots 1.00 Estimated AR process is nonstationary 从表中可以看出DW=0.622211，还是落在了正自相关区域 （3）利用对数线性回归修正自相关 Dependent Variable: LY Method: Least Squares Date: 06/06/05 Time: 11:29 Sample: 1985 2003 Included observations: 19 VariableCoefficientStd. Errort-StatisticProb. C4.0080620.26017315.405400.0000 LX20.8984080.03552325.290590.0000 R-squared0.974110 Mean dependent var10.53521 Adjusted R-squared0.972587 S.D. dependent var0.865725 S.E. of regression0.143338 Akaike info criterion-0.947922 Sum squared resid0.349278 Schwarz criterion-0.848508 Log likelihood11.00526 F-statistic639.6141 Durbin-Watson stat0.166743 Prob(F-statistic)0.000000 从表中可以看出，DW值越来越小，还是落在正自相关区域 同时考虑Cochrance-Orcutt迭代. Dependent Variable: LY Method: Least Squares Date: 06/06/05 Time: 11:31 Sample(adjusted): 1986 2003 Included observations: 18 after adjusting endpoints Convergence achieved after 10 iterations VariableCoefficientStd. Errort-StatisticProb. C6.1912561.9122453.2376900.0055 LX20.6408440.1996443.2099390.0058 AR(1)0.8749360.0953589.1752310.0000 R-squared0.996876 Mean dependent var10.61474 Adjusted R-squared0.996459 S.D. dependent var0.816296 S.E. of regression0.048575 Akaike info criterion-3.060408 Sum squared resid0.035393 Schwarz criterion-2.912012 Log likelihood30.54367 F-statistic2392.940 Durbin-Watson stat1.022588 Prob(F-statistic)0.000000 Inverted AR Roots .87 从表中可以看出，DW值在经过此修正后已经有明显好转，但是还是落在正自相关区域，因而可以考虑认为我们所假设的模型失败。 五总结报告及其启示： 通过以上对就业人数，教育投入，消费价格指数，职工平均工资，高等院校在校生人数等因素的综合分析，以及对模型中因素的各种检验，最后我们可以认为我们选取的因素可能不合适，但是通过各国的实践及众多经济学家的经济路论分析，我们可以得知：教育投入是经济增长的重要因素。教育投入和经济增长之间存在着高度相关的关系，政府对教育的投入对GDP的增长具有重要的影响，有很大的促进作用。众多的经济学家也得出一个共识：经济对GDP增长的贡献率很高。因此，在发展经济的过程中，一定要注意到这一点，重视教育投入对经济增长的重要作用，以便能在现实中更好的利用这一因素来促进经济的增长。 我们通过近一段时间对各国教育投入及各国所取得的成绩的观察，我们可以得出以下几点结论和启示： 1、教育的外溢作用对于经济增长有显著的推动作用，这一方面的研究需要给予较高的重视，以便全面估计教育对经济增长的作用，从而为制定有效的政策提供坚实的理论基础。 2、教育对经济增长的全部作用是经济规模增长的决定性因素，因为通过教育使专业化能力资源加速积累，使人们的“内生比较利益”规模递增，并且通过其外溢作用使其他生产要素产生递增收益，从而使总体经济实现规模收益递增，但外溢效应确是教育以外的其他部门所受益，受益了却未支付成本，势必造成教育供给的不足，其后果是资源在教育部门配置的减少，有鉴于此，作为全社会都有所收益的教育，其投入应该由社会各方面按适合比例给予支付，这是社会支持教育的理论基础。 3、教育由于可被划分为内生作用和外溢效应，因而，其投资既是直接利益驱动下的家庭个人和企业组织的投资，也是作为间接投资者的纳税人通过政府部门“代理”的社会性投资，但这种社会性投资是由政府具体操作，其间有一个投资比例问题。由于基础教育为一个社会提供着国民经济体系得以形成和正常运转所必需的一般能力资本，其投资收益具有很强的外溢效应，故应采用义务的、普及的、由税收支持的公共教育投资由政府支付；而专业技术投资，一般由作为直接收益者的家庭个人和企业组织支付的方法。这是教育投资结构应该合理构架的理论依据。 4.应当进一步加大教育投资在GDP中的比重。从前面的分析中，我们已清楚地看到教育投资与经济增长存在关显著的正相关关系，而且教育投资的边际收益远大于物质投资的边际收益，进一步加大教育投资在GDP中的比重，可以优化投资结构，以一定的投入获得最大的产出。我国政府教育经费投入占GDP的比重历年平均在2%左右，1952年为1.6%，1957年提高到2.2%，1970年降至1.2%，改革开放20年累计平均为2.2%，其中1978年为2.1%，最高为1986年的2.6%，1990年为2.2%。这一比例不仅与2000年的教育纲要提出的4%差了一半，与国外比较，仅为120个国家平均5.2%及低收入国家平均5.5%的1/3，居世界96位，比印度3.5%、泰国4.2%、韩国3.7%的投入比例还低很多。我国加大教育投资的力度是有空间的，也是有可能的，更是有必要的。 5.拓宽财政性教育投资的收入来源：①适时开征教育税。国内学者杨丹尼和朱柏铭(2000)以及贾康(2001)都主张利用费改税的契机适时开征教育税。②考虑发行教育公债，以保证国家财政对教育的稳定支出。③通过发行教育彩票筹集部分教育资金。彩票是利用商业行为筹措资金的一条很好的途径,目前，在我国体育彩票、福利彩票等等相继出现，每年给相应的体育、慈善等事业发展筹措了大量的社会资金，同时也给国家以个人所得税形式筹集到一定量的财政收入。由此，使人们很自然地想到，为何不利用彩票为发展我国教育事业筹措资金，发行“教育彩票”呢？其实发行彩票筹集教育资金有许多优越性。 六，结语： 由于我们小组成员水平有限，加之选取因素可能稍有偏差。我们设定的模型未能顺利通过各种检验，这在计量经济的分析过程中也是很常见的，但是从基本经济理论和实践我们可以知道教育投入对经济的发展还是有很大的促进作用，我想我们小组在以后的学习过程里还会继续对此问题做进一步更合理的研究，希望能得到老师和同学们的指导和帮助！ 【参考文献】 庞皓《计量经济学》，西南财经大学出版社，2002年8月第二版. 中华人民共和国国家统计局网站. Ｔ·Ｗ·舒尔茨.论人力资本投资[Ｍ].北京:北京经济学院出版社,1988. 中华人民共和国财政部网站 范先佐《教育经济学》，人民教育出版社，1999年12月. Ｇ·Ｓ·贝克尔.人力资本[Ｍ].北京:北京大学出版社,1987.
-
工作过程导向在《税费计算与申报》教学改革中的应_经济学毕业论文范文
工作过程导向在《税费计算与申报》教学改革中的应_经济学毕业论文范文 摘 要：高职的《税费计算与申报》课程是会计电算化专业的一门理论性强、方法体系繁杂且注重实务操作的财会专业课。其教学目的是培养学生解决企业税费计算与申报等实际问题的能力，实现学生在课堂上所学与毕业后所要做的工作直接对接，使学生具有较强的就业能力。《税费计算与申报》课程是由传统的《税法》和《税务会计》课程改革而来的，如何使我们的改革后的课程满足会计行业发展的需要，使学生的技能更加贴近岗位实际，这就要求我们教育工作者创新《税法》与《税务会计》的教学内容，改革教学方法和教育观念。 关键词：税费计算与申报 改革 工作过程导向 工作过程导向是近年来高职院校十分青睐的东西。工作过程是一个内涵丰富的概念，不仅仅是指工作的一系列工作流程和任务，同时还包括工作实施的条件、环境及情景，工作所需要的能力和其他相关条件等，这些都是在未来工作岗位中所要认知、熟悉的及所要具备的。因此，以工作过程为导向的课程必然要以实践活动来展开，实践性是这一课程的中心属性。工作过程导向的课程设计，就是以工作任务为中心构建一定的教学情境，围绕工作任务的实施来展开学习。也就是说，课程活动内容是以经过教学改造的工作任务为中心来进行设定和组织，课程内容的学习在一定的情境中完成，而这些情境必须是构成工作任务内容的必要和重要组成部分。可以说，工作过程导向的课程建立在行为主义构建的学习理论基础之上，行动导向是“做中学”这一朴素思想的集中反映，其研究的最主要任务是分析和探索如何在行为活动中获取知识和技能，以及行动(为)技能的获得。现以齐齐哈尔职业学院《税费计算与申报》课程改革为例，阐述工作过程导向在教学改革中的应用。 一、《税费计算与申报》课程改革的总体思路 按照“以能力为本位，以职业实践为主线，以具体工作任务为载体，以完整的工作过程（即：资讯、决策、计划、实施、检查、评价）为行动体系”的总体设计要求，《税费计算与申报》课程以培养各种类型企业税费计算与申报能力和税务会计岗位能力为基本目标，紧紧围绕完成“各种类型企业税费的计算与申报”任务、具备胜任“税务会计岗位”所要求的职业能力的需要来选择和组织课程内容，突出工作任务与知识的联系，实现课堂所教、学生所学与企业所需、学生就业的直接对接，通过学习使学生掌握独立完成企业“税费的计算与申报”的工作，同时具备独立制定计划、独立实施计划和独立评估计划的工作能力和良好的职业素养。 二、《税费计算与申报》课程改革的具体实施 （一）课程结构的改革 工作过程导向的课程与学科体系课程相比，最大的不同是课程结构。学科体系课程的结构是学科知识，而工作过程导向课程的结构是学习性工作任务。这就要求教育者要把学生带入企业真实的工作情境使学生能够“做中学”、“学中做”、“学做结合”，迅速的提高职业技能，因此教师要设计合理的学习情境。学习情境选取的基本依据是不同类型企业所申报的税费种类的不同、计算方法的不同即不同类型企业税务会计岗位的工作任务，同时遵循高等职业院校学生的认知规律，充分考虑项目的实用性、典型性、趣味性、可操作性以及可拓展性等因素，紧密结合岗位能力和职业资格证书中相关考核要求，确定本课程各相关学习情境的具体内容。齐齐哈尔职业学院《税费计算与申报》课程改革在学习内容的构建过程中，注重情境性、科学性和人本性这三个结构性原则的平衡与互补，考虑知识点的合理分配以及知识结构、学习能力、知识迁徙能力的循序渐进。为了将学生在课堂所学与毕业后在企业所从事的税务工作直接对应起来，把《税费计算与申报》课程按照行业类型进行情境划分，每个大的情境下按照具体的企业类型划分若干个子情景，载体为子情境申报税费完整的工作过程，以便更好地将课堂教学内容与职业行动领域的工作过程直接对应起来。 （二）教学方法的改革 《税费计算与申报》课程体系与传统的《税法》、《税务会计》课程结构的不同决定了两者教学方法的不同。传统的学科性课程体系注重知识的传授，教师讲、学生听，典型的“填鸭”式教育，学生没有真实的职场感受，完全是教师的经验与知识的传授。工作过程导向课程以学习性任务为载体，设计真实的企业生产情境，使学生置身其中与企业工作岗位零距离接触。工作过程导向教学方法主要有项目教学法、任务驱动法、引导文法、演示教学法等等，教师在教学工作中设计不同企业的生产计划，同时下达企业生产任务，使学生通过不同企业类型的真实的工作任务深入理解并掌握不同类型企业所申报的税费的种类、计算的方法和申报的流程，培养学生爱岗敬业、踏实肯干、善于沟通、遵纪守法的职业品质，为增强工作变化的适应能力和继续学习能力奠定基础。在教学过程中，要讲究循序渐进，比如工业企业的税费计算与申报情境的教学任务教师应带领学生操作，做到“手把手”；商业企业的税费计算与申报情境的教学任务教师应指导学生操作，做到“放开手”；最后服务业企业的税费计算与申报情境的教学任务应由学生自己设计操作，教师扮演咨询的角色，逐渐做到“甩开手”，使学生成为完成工作任务的主体，只有这样的教学方法，才能够锻炼学生真实的职业能力，使学生在教学中得到专业能力、团结协作能力、沟通能力、职业素养的全面提高。 三、工作过程导向在《税费计算与申报》教学改革中的应用实例 （一）学习情境选取的依据 学习情境选取的基本依据是不同类型企业所申报的税费种类的不同、计算方法的不同即不同类型企业税务会计岗位的工作任务，同时遵循高等职业院校学生的认知规律，充分考虑项目的实用性、典型性、趣味性、可操作性以及可拓展性等因素，紧密结合岗位能力和职业资格证书中相关考核要求，确定本课程各相关学习情境的具体内容。在学习内容的构建过程中，注重情境性、科学性和人本性这三个结构性原则的平衡与互补，考虑知识点的合理分配以及知识结构、学习能力、知识迁徙能力的循序渐进，以3个学习情境（工业企业的税费计算与申报、商业企业的税费计算与申报、服务业企业的税费计算与申报）为载体，每个学习情境都按照“资讯、决策、计划、实施、检查、评价”这6个工作步骤进行设计，其内容编排的依据是不同类型企业的税费计算与申报所特有的工作任务，而不是税法学科知识体系。 （二）课程知识、能力确定的原则 依据工作任务完成的需要、高等职业院校学生的学习特点和职业能力形成的规律，以及“学历证书与职业资格证书嵌入式”的设计要求确定课程的知识、职业能力等内容。 （三）课程目标的确定 本学习领域课程目标是以基于工作过程的任务为载体，由工作任务导向的行动导向的教学组织来实施，使学生通过不同企业类型的真实的工作任务深入理解并掌握不同类型企业所申报的税费的种类、计算的方法和申报的流程，培养学生爱岗敬业、踏实肯干、善于沟通、遵纪守法的职业品质，为增强工作变化的适应能力和继续学习能力奠定基础。具体目标： （四）学习情境划分及学时分配 为了将学生在课堂所学与毕业后在企业所从事的税务工作直接对应起来，把《税费计算与申报》课程按照行业类型进行情境划分，每个大的情境下按照具体的企业类型划分若干个子情景，载体为子情境申报税费完整的工作过程，以便更好地将课堂教学内容与职业行动领域的工作过程直接对应起来。 表一 学习情境划分及学时分配表 序号学习情境子情景课时 1工业企业的 税费计算与申报工业企业小规模纳税人的税费计算与申报12 工业企业无出口经营权的一般纳税人的税费计算与申报14 工业企业有出口经营权的一般纳税人税费计算与申报10 2商业企业的 税费计算与申报批发企业的税费计算与申报8 零售企业的税费计算8 3服务业企业的 税费计算与申报住宿和餐饮业的税费计算与申报10 房地产业企业的税费计算与申报8 文化、体育和娱乐业企业的税费计算与申报8 （五）知识与技能目标（以情境一为例） 情境1-1：工业企业小规模纳税人的税费计算与申报（手把手） 知识与技能目标表1 情境1-1：工业企业小规模纳税人的税费计算与申报 双基基础知识： 掌握工业企业小规模纳税人应纳税费的种类：增值税、消费税、城市维护建设税、教育费附加、城镇土地使用税、房产税、印花税、车船购置税、车船税、契税、企业所得税； 掌握工业企业小规模纳税人每一应纳税种的计税依据、税率、计算公式、是否享受相关税收优惠政策等基础知识。 基本理论： 理解工业企业小规模纳税人所应纳税种的征税原理； 掌握工业企业小规模纳税人所应纳税种的含义、征税目的。 双技专业技能： 掌握工业企业小规模纳税人应申报税种的计算方法； 掌握工业企业小规模纳税人每一应纳税种的纳税报表的填制方法； 掌握工业企业小规模纳税人每一应纳税种的申报流程。 通用技能： 掌握不同企业类型纳税计算与申报的专业技能的迁徙能力； 掌握信息处理能力； 掌握自学能力； 掌握沟通、协调能力。 情境1-2：工业企业无出口经营权的一般纳税人的税费计算与申报（手把手） 知识与技能目标表2 情境1-2：工业企业无出口经营权的一般纳税人的税费计算与申报 双基基础知识： 掌握工业企业无出口经营权的一般纳税人应纳税费的种类：增值税、消费税、土地增值税、城市维护建设税、教育费附加、城镇土地使用税、房产税、印花税、车船购置税、车船税、契税、企业所得税，代扣代缴的员工个人所得税； 掌握工业企业无出口经营权的一般纳税人每一应纳税种的计税依据、税率、计算公式、是否享受相关税收优惠政策等基础知识。 基本理论： 理解工业企业无出口经营权的一般纳税人所应纳税种的征税原理； 掌握工业企业无出口经营权的一般纳税人所应纳税种的含义、征税目的。 双技专业技能： 掌握工业企业无出口经营权的一般纳税人应申报税种的计算方法； 掌握工业企业无出口经营权的一般纳税人每一应纳税种的纳税报表的填制方法； 掌握工业企业无出口经营权的一般纳税人每一应纳税种的申报流程。 通用技能： 掌握不同企业类型纳税计算与申报的专业技能的迁徙能力； 掌握信息处理能力； 掌握自学能力； 掌握沟通、协调能力。 情境1-3：工业企业有出口经营权的一般纳税人的税费计算与申报（放开手） 知识与技能目标表3 情境1-3：工业企业有出口经营权的一般纳税人的税费计算与申报 双基基础知识： 掌握工业企业有出口经营权的一般纳税人应纳税费的种类：增值税、消费税、关税、土地增值税、城市维护建设税、教育费附加、城镇土地使用税、房产税、印花税、车船购置税、车船税、契税、企业所得税，代扣代缴的员工个人所得税； 掌握工业企业有出口经营权的一般纳税人每一应纳税种的计税依据、税率、计算公式、是否享受相关税收优惠政策等基础知识。 基本理论： 理解工业企业有出口经营权的一般纳税人所应纳税种的征税原理； 掌握工业企业有出口经营权的一般纳税人所应纳税种的含义、征税目的。 双技专业技能： 掌握工业企业有出口经营权的一般纳税人应申报税种的计算方法； 掌握工业企业有出口经营权的一般纳税人每一应纳税种的纳税报表的填制方法； 掌握工业企业有出口经营权的一般纳税人每一应纳税种的申报流程。 通用技能： 掌握不同企业类型纳税计算与申报的专业技能的迁徙能力； 掌握信息处理能力； 掌握自学能力； 掌握沟通、协调能力。 参考文献： [1]姜大源.职业教育学研究新论.教育科学出版社.2007.23-30 [2]姜金鑫.《职教通讯》工作过程导向的实践性课程构建.江苏省职教科研中心.2008.33-36 原论文发表在期刊《商业文化》2009年12月总第165期
-
影响中国汽车产量的多因素分析_经济学毕业论文
影响中国汽车产量的多因素分析_经济学毕业论文 影响中国汽车产量的多因素分析 [摘要] 汽车产业是国民经济的支柱产业，改革开放以来我国汽车产量呈持续上升的趋势。根据经济学原理和生活经验，汽车产量可能与钢铁产量、运输公路长度、制造业职工人数、私人汽车拥有量、石油消费总量等因素相关，本文通过建立多元线性回归模型，引入上述五个变量，利用Eviews软件进行检验分析。在逐步回归分析中，先后排除了运输公路长度、私人汽车拥有量、石油消费总量等三个因素和汽车总产量之间的线性相关性。之后，又通过异方差性检验和自相关性检验验证了钢铁产量、制造业职工人数和汽车总产量之间的线性相关性。最后确定了汽车总产量的多元线性回归模型。 [关键词] 汽车产量 钢铁产量 制造业职工人数 因素分析 一、汽车产业在国民经济中的重要地位 （1）促进国民经济的持续快速发展 汽车产业是资本、技术密集型产业，又是劳动密集型产业，具有巨大的前后向关联度和很强的波及效果，对国民经济具有很强带动作用。因此，党中央、国务院对发展汽车产业非常重视，多次提出要把汽车产业建成国民经济的支柱产业，并为此采取了一系列的政策措施。在这一指导思想下，我国汽车产业取得了快速发展，在国民经济中的地位和作用越来越重要。1990-1999年，我国汽车工业总产值占全国工业总产值的比例在2.1%-3.7%之间；占国民生产总值的比例在0.7%-1.2%之间。汽车工业增加值的比例在1.8%-2.9%之间，增加值年平均增长速度为23.72%,高于同期全国工业增加值21.9%的平均速度。汽车工业利税占全国工业利税的比例为2.2%-4.8%；汽车工业年利税超过1 000亿元人民币。据测算，汽车产业对相关产业的带动系数为1：3。2002年广义的汽车产业增加值占GDP的比重达6%。有关专家预测：到2030年，我国汽车产业对GDP的直接影响将占8%，间接影响将占30%；汽车产业对国民经济贡献率将达38%。由此可见，近些年来，我国国民经济的快速增长，汽车产业做出了很大的贡献。到2020年要实现国民经济翻两番的奋斗目标，离开了汽车产业的快速发展也是难以实现的。 （2）.有利于全面建设小康社会 发展汽车产业对全面建设小康社会有很大的推动作用。一是有利于增加就业。汽车产业的大规模生产方式和对上下游产业的巨大带动作用为社会提供了大量的就业机会。根据笔者的测算和国外的相关经验，汽车产业对就业的带动作用为1；10,即1个汽车产业的直接就业可带来10个与汽车产业相关的就业机会。二是有利于满足人民的消费需求。随着我国国民经济的快速发展和人民生活水平的提高，人民的消费需求已逐步由吃、穿、用为主向住和行为主转变，因此，发展汽车产业有利于满足人民不断增长的消费需求，有利于推动居民消费结构的升级。三是有利于改变人民的生活方式，提高生活质量。随着我国汽车产业的发展和汽车普及率的提高，将极大地提高人们的出行效率，拓展活动空间，提高出行的舒适性。 (3).推动技术进步和产业结构升级 汽车作为一个产品，是高新技术的结晶。作为一个产业，是新技术应用范围最广、数量最多、周期最长、规模最大的产业。它不仅本身的生产制造有很高的技术要求，而且对相关产业如原材料产业、装备制造业、配套产业等也有很高的技术要求。因此，汽车产业的发展不仅要求本身广泛发展和使用新技术，也要求相关产业广泛发展和使用新技术。因此，发展汽车产业对推动技术进步和产业结构升级具有重要作用。 (4).推动城市化进程 城市化是我国经济社会发展的必然历史过程，汽车产业的发展有助于加快我国城市化进程。一是汽车的发展和普及，改变了城市交通的面貌，推动了城市交通的现代化，促进了城市经济繁荣；二是汽车的发展和普及，推动了城市结构的改变，促进了围绕大城市而建立的卫星城市群落发展；三是汽车的发展和普及，加强了城乡之间在物质、文化、信息、人员等方面的交流和联系，有利于推动城乡经济社会一体化发展，缩小城乡差别。 我国正处于全面建设小康社会的重要战略机遇期，大力发展汽车产业，全面推进国民经济各部门持续健康发展，是当前我们面临的重大任务。因此，通过建立计量经济学模型，研究汽车产量和相关因素的依存度，是一件很有意义的事。 二、模型设定 根据经济学原理和生活经验，我们把模型设定为： Y=β０+β１Ｘ１+β２Ｘ２+β３Ｘ３+β４Ｘ４+β５Ｘ５+ｕ 其中： y. 汽车总产量（万量） X1 钢铁产量（万吨） X2 运输公路长度（万公里） X3 制造业职工人数（万人） X4私人汽车拥有量（万辆） X5 石油消费总量（万吨） 数据如下： 年 份yX1X2X3X4X5 198958.35 6159.00 101.43 5206.00 73.1216575.71 199051.40 6635.00 102.83 5304.00 81.6216384.70 199171.42 7100.00 104.11 5443.00 96.0417746.89 1992106.67 8094.00 105.67 5508.00 118.2019104.75 1993129.85 8956.00 108.35 5469.00 155.2721110.73 1994136.69 9261.00 111.78 5434.00 205.4221356.24 1995145.27 9535.99 115.70 5439.00 249.9622955.80 1996147.52 10124.06 118.58 5293.00 289.6725010.64 1997158.25 10894.17 122.64 5083.00 358.3628110.79 1998163.00 11559.00 127.85 3769.00 423.6528426.01 1999183.20 12426.00 135.17 3496.00 533.8830187.61 2000207.00 12850.00 140.27 3240.00 625.3332053.06 2001234.17 15163.44 169.80 3010.00 770.7832784.10 2002325.10 18236.61 176.52 2907.00 968.9835528.81 2003444.37 22234.00 180.98 2841.00 1219.2338107.38 三、 参数估计 使用Eviews软件，根据ols法对模型进行估计得： 表1 Dependent Variable: Y Method: Least Squares Date: 05/13/05 Time: 09:44 Sample: 1989 2003 Included observations: 15 VariableCoefficientStd. Errort-StatisticProb. C-51.0043764.61807-0.7893210.4502 X10.0252410.0057504.3900660.0017 X2-1.1968580.457563-2.6157220.0280 X30.0143690.0079831.7999860.1054 X40.1207050.0958861.2588390.2398 X5-0.0009290.001127-0.8243740.4310 R-squared0.996025 Mean dependent var170.8173 Adjusted R-squared0.993816 S.D. dependent var103.2583 S.E. of regression8.119807 Akaike info criterion7.315664 Sum squared resid593.3814 Schwarz criterion7.598884 Log likelihood-48.86748 F-statistic451.0106 Durbin-Watson stat1.708534 Prob(F-statistic)0.000000 分析： 由F=451.0106〉F0.05(5,9)=4.77(显著水平为0.05)表明模型从整体上看汽车生产量与解释变量之间线性关系显著。但X3,X4,X5的t值不显著,x2,x5系数的符号与经济意义不符，模型可能存在多重共线性 。 四、 检验及修正 1、多元线性检验 （1）计算解释变量之间的简单相关系数： 表2 X1X2X3X4X5 X1 1.000000 0.967588-0.862861 0.990592 0.945730 X2 0.967588 1.000000-0.917334 0.983487 0.941083 X3-0.862861-0.917334 1.000000-0.913528-0.904263 X4 0.990592 0.983487-0.913528 1.000000 0.955061 X5 0.945730 0.941083-0.904263 0.955061 1.000000 由上表可看出，届时变量之间高度线性相关。表明模型确实存在多元共线性 。 （2）修正： （A）、用ols法逐一求Y对各解释变量的回归。结合经济意义和统计检验选出拟合效果最好的一元线性回归方程。 经分析知Y对X1的线性关系最强，即： Y = -89.08702189 + 0.02303731716*X1 （1） t检验值 （ -9.042861） （28.22923） R^2=0.983948 SE=13.57613 F=796.8896 （B）、逐步回归将其余解释变量注意带入（1）式得 Y = -0.7809499444 + 0.03162866347*X1 - 1.445864947*X2 （2） T检验指：（-0.034472） （14.52252 ） （-4.076918） R^2=0.993270 R^2（修正）=0.992148 SE=9.149627 F=885.5407 X2系数符号与经济变量意义不符，故剔除x2。 Y = -207.99033 + 0.02674241588*X1 + 0.01714869331*X3 （3） t检验值（-6.464265） （23.56714 ） （3.784124） R^2（修正）=0.991462 SE=9.541313 F=813.8449 Y = -208.6516481 + 0.02550539133*X1 + 0.01858396171*X3 + 0.01984792996*X4 (4) t检验值 (-6.184963) （3.821566） ( 2.072435) (0.188332) R^2（修正）=0.90716 SE=9.949549 F=498.9651 Y = -186.2612864 + 0.02692214325*X1 + 0.016017268*X3 + 0.01239626014*X4 - 0.0009249872475*X5 (5) t检验值 (-3.818853) (3.743718) (1.599143) (0.113880) (-0.652324) R^2（修正）=0.990204 SE=10.22 F=354.7865 由（4）式可知，值X3的t值不显著，又由（5）式知X5的系数与经济意义不符，故排除X4,X5与Y的相关性。 由上可知，Y与X1,X3具有高度相关性，从而建立如下模型： 表3： Dependent Variable: Y Method: Least Squares Date: 05/13/05 Time: 10:53 Sample: 1989 2003 Included observations: 15 VariableCoefficientStd. Errort-StatisticProb. C-207.990332.17540-6.4642650.0000 X10.0267420.00113523.567140.0000 X30.0171490.0045323.7841240.0026 R-squared0.992682 Mean dependent var170.8173 Adjusted R-squared0.991462 S.D. dependent var103.2583 S.E. of regression9.541313 Akaike info criterion7.525996 Sum squared resid1092.440 Schwarz criterion7.667606 Log likelihood-53.44497 F-statistic813.8449 Durbin-Watson stat2.121992 Prob(F-statistic)0.000000 2、异方差性检验（Goldfeld-Quandt检验） 将样本时间为1989—1994年，然后用OLS方法求得下列结果： Dependent Variable: Y Method: Least Squares Date: 05/13/05 Time: 10:16 Sample: 1989 1994 Included observations: 6 VariableCoefficientStd. Errort-StatisticProb. C-0.025314251.7579-0.0001010.9999 X10.0305110.0046766.5247920.0073 X3-0.0264250.051580-0.5123100.6438 R-squared0.968100 Mean dependent var92.39667 Adjusted R-squared0.946833 S.D. dependent var37.00892 S.E. of regression8.533533 Akaike info criterion7.432737 Sum squared resid218.4636 Schwarz criterion7.328617 Log likelihood-19.29821 F-statistic45.52136 Durbin-Watson stat2.379145 Prob(F-statistic)0.005698 Y= -0.025314+0.030511X1-0.026425X3 （-0.0001）（6.524792）（-0.51231） R^2=0.9681 残差平方和（1）=218.4636 将样本时间定义为1998—2003，再用OLS方法求得如下结果： Dependent Variable: Y Method: Least Squares Date: 05/13/05 Time: 10:21 Sample: 1998 2003 Included observations: 6 VariableCoefficientStd. Errort-StatisticProb. C-251.6990143.0800-1.7591490.1768 X10.0277280.0028529.7231630.0023 X30.0261140.0322680.8092900.4776 R-squared0.990165 Mean dependent var259.4733 Adjusted R-squared0.983609 S.D. dependent var106.7821 S.E. of regression13.67120 Akaike info criterion8.375312 Sum squared resid560.7049 Schwarz criterion8.271192 Log likelihood-22.12594 F-statistic151.0189 Durbin-Watson stat2.665473 Prob(F-statistic)0.000975 Y= -251.699+0.027728X1+0.026114X3 （-1.7591）（9.723） （0.80929） R^2=0.990165 残差平方和（2）=560.7049 求F统计量：F=560.7049/218.4636=2.47 给定显著性水平为0.05，得临界值F（3，3）=9.28，比较F=2.47F（3，3）=9.28，则接受原假设，表明随机误差不存在异方差。 3、自相关性检验 (1)DW检验 由DW=2.121992，给定显著性水平为0.05，查Durlin-Watson表，n=15,k=2,得下限临界值为0.946，上临界值为1.543。因为1.543〈2.121992〈4-1.543=2.457。根据判定区域知，这时随机误差项不存在一阶自相关。 (2)图示法检验 从上图可看出残差et较为分散，表明随机误差ut不存在自相关。 4、确定模型 Y= -251.699+0.027728X1+0.026114X3 由于该模型的回归结果、t值以及F统计值均显著，且不存在计量经济学问题，因此最后定型为此。 五、对模型的经济解释及存在的问题 1．经济解释 从以上模型经分析可得出： （1）从模型可以看出，运输公路长度、私人汽车拥有量、石油消费总量对汽车产量没有显著影响。说明汽车生产与上述三个因素没有必然联系。 （2）从模型可以看出，钢铁产量对汽车产量有显著影响。这说明，作为汽车产业的上游产业，钢铁制造业的健康稳定发展对于汽车生产具有重大意义。为了保证汽车生产，我们必须全力发展现代化的中国钢铁产业。 （3）从模型可以看出，制造业职工人数对汽车产量有显著影响。制造业职工人数可以在一定程度上反映民众对汽车的需求。这说明，在汽车行业中，仍然是消费带动生产。我们只有不断提高居民购买力，才能从根本上保证汽车产业持续发展。 2．存在的问题： （1）在未作数据分析回归之前，我们还考虑了许多可能影响的因素，如国民生产总值，城镇居民消费总额，原油总产量，公路运输业从业人数，自行车总产量等，但回归分析后都遭到了淘汰。说明往往主观认知与数据说明的问题有很大差距。 （2）对于制造业从业人数对汽车产量的影响是我们始料未及的，而且一直存在疑问。如果以我国仍旧是资本密集型生产模式为原因，则说明我们的劳动力资本仍旧是生产力提高的主要因素，而生产率的提高对其影响不大，因此如果要想进一步推动汽车制造业的发展，就要从科技方面入手，改进技术，提高劳动生产率，降低劳动力数量因素在汽车产业发展中的比重。当然还有一种可能就是数据本身存在误差。 [参考文献]： 1、《计量经济学》 主编：庞皓 西南财经大学出版社 2004年12月第二版 2、《中国统计年鉴》1990—2003 3、《中国经济统计年鉴》1997 4、中国国家统计局
-
成都市05年度住宅市场定价模型_经济学毕业论文
成都市05年度住宅市场定价模型_经济学毕业论文 成都市05年度住宅市场定价模型 摘 要：本文通过计量统计的方法，将住宅价格的形成视作是其自身各方面属性综合作用的结果，并通过对成都市住宅市场2005年4月的楼盘公开信息数据建立基于成都住宅市场的房价模型，分析影响其价格的主要因素。 关键词：逐步回归，显著性水平,SAS 引言 “安居乐业”有史以来就是衡量社会福利的指标之一，不同国度、不同历史时期皆然如此。尤其在中国这样一个儒学底蕴深厚的国家，“寄身之所”的重要性关乎社会、经济、文化的方方面面。早在千余年前，就有“安得广厦千万间”的疾呼，而今，如火如荼的房产市场更是引来社会各界的关注。介于此，我们意图通过计量统计所学，为房价（成都房产市场）这一敏感话题建立模型，揭开隐于其后的影响因素。 二、计量经济模型 通过考察，我们在诸多可能影响房价的因素中选取以下九个作为住宅均价的解释变量，并对区位、厨卫装修、周边环境、环境进行评分，详见下表： 代码因素评分标准分值备注 x1区位一环以内(河内)5 一环以内4 一二环间3 二三环间2 三环以外1 郊区0.5 x2绿化率 x3容积率等于总建筑面积与用地面积的比率 x4占地面积 x5室 x6厅 x7卫 厨卫装修标准精装修3 初装修2 清水房1 x8周边环境有大型商场,超市2累加 有大学、小学、中学、幼儿园2 交通便利与否2 运动设施2 x9户型多层27层及其以下,无电梯 小高层1.5 y高层17层以上的电梯公寓 （一）模型的建立： 首先我们假定模型为线性形式:即 使用eviews对该模型进行回归分析（原始数据参见附件一） Dependent Variable: Y Method: Least Squares Date: 07/06/05 Time: 15:49 Sample: 1 46 Included observations: 46 VariableCoefficientStd. Errort-StatisticProb. X1330.3166158.94512.0781810.0449 X235.7124018.361931.9449150.0596 X3270.5117200.50991.3491190.1857 X4-0.1459410.618733-0.2358710.8149 X5-75.59086209.5936-0.3606540.7205 X6-201.6988314.9935-0.6403270.5260 X7406.5982350.68531.1594390.2539 X8555.8820129.37934.2965310.0001 X9636.7978429.48781.4826910.1469 C-2332.0101320.955-1.7653960.0860 R-squared0.783368 Mean dependent var3184.696 Adjusted R-squared0.729209 S.D. dependent var1440.707 S.E. of regression749.7082 Akaike info criterion16.26691 Sum squared resid20234248 Schwarz criterion16.66444 Log likelihood-364.1388 F-statistic14.46446 Durbin-Watson stat1.097759 Prob(F-statistic)0.000000 回归结果见上表，发现t统计量的p值明显大于0.05，无法通过检验，修正R^2=0.729209较高，F值显著大于临界值0.05，我们认定模型中存在多重共线；与此同时，DW的值1.097759在0.01显著性水平下落入无法判定区域（0.927 1.834）。 鉴于回归结果不太理想，我们决定将模型进行对数变化。对数变换后模型中参数可以看作Y相对于X的百分比变化，可以降低数据中因为评分的人为因素造成的不利影响，而且还可以减少异方差的影响。即原表达式变化为： 根据新的对数模型，我们采取逐步回归的方式不断的减少解释变量个数寻求最佳的log(y)表达式，即当模型中有i（i＝9、8、7….）个解释变量时，我们从个模型中选取F统计量的p值最优的一个，直至达到理想效果时（即F统计量的p值小于给定的临界值）停止减少变量。我们将这个F的p值取为0.05，应用统计软件SAS，我们可以直接得到逐步回归的最优结果，如下： Step 1 当引入九个解释变量时的回归结果： VariableCoefficientErrorSum of SquaresFProbF c4.870083880.861217541.5197691231.980.0001 LOGX10.571785640.089300261.9484601941.000.0001 LOGX20.747594780.232611170.4909099610.330.0028 LOGX30.006137600.155745480.000073810.000.9688 LOGX40.038679100.043761930.037127030.780.3826 LOGX50.044340810.144569850.004470770.090.7608 LOGX6-0.103417070.190909930.013946260.290.5914 LOGX7-0.045819030.159050780.003944120.080.7749 LOGX80.062661310.129374750.011148860.230.6311 LOGX90.119580310.173489300.022578980.480.4951 显然，LOGX3、LOGX4……LOGX9的回归结果皆不尽如人意，其F的p值大于0.05。该模型达不到要求。因此，我们改用8个变量回归，并在个回归结果中选出最优的一个（即下表）。有必要说明，这一选择过程由SAS软件完成，依据的标准已事先在程序内部设定。同理，以下7步皆照此处理，不再赘述。 Step 2 引入8个解释变量的回归结果 VariableCoefficientErrorSumofSquaresFProbF C4.879325000.817419621.6477045935.630.0001 LOGX10.573466450.077390362.5391731954.910.0001 LOGX20.747036700.229025560.4920009510.640.0024 LOGX40.037857210.037949830.046017981.000.3250 LOGX50.044570360.142490090.004524520.100.7562 LOGX6-0.100720910.175808330.015177850.330.5702 LOGX7-0.046032750.156798870.003985640.090.7707 LOGX80.062770690.127587840.011192970.240.6256 LOGX90.116094800.147222730.028755820.620.4354 Step 3 引入7个解释变量的回归结果 VariableCoefficientErrorSumofSquaresFProbF C4.973617890.742581912.0245787544.860.0001 LOGX10.567445550.073720742.6739146759.250.0001 LOGX20.722978070.211274940.5284852011.710.0015 LOGX40.036304480.037124860.043158790.960.3343 LOGX50.017714620.107927390.001215850.030.8705 LOGX6-0.101225970.173673260.015331920.340.5634 LOGX80.066887400.125280850.012864640.290.5965 LOGX90.114774510.145373900.028131740.620.4347 Step 4 引入6个解释变量的回归结果 VariableCoefficientErrorSumofSquaresFProbF C4.979670320.732354972.0345260946.230.0001 LOGX10.569597770.071634492.7822591663.230.0001 LOGX20.721163610.208336840.5272794211.980.0013 LOGX40.038203050.034834000.052929131.200.2795 LOGX6-0.086142090.145516500.015420970.350.5573 LOGX80.061697460.119703010.011690410.270.6092 LOGX90.122058090.136697530.035084650.800.3774 Step 5 引入5个解释变量的回归结果 VariablecoefficientErrorSumofSquaresFProbF C4.951270820.723544812.0228363446.830.0001 Logx10.598675830.043737258.09354515187.360.0001 Logx20.746880040.200408810.5999656013.890.0006 Logx40.038812080.034492900.054693111.270.2672 Logx6-0.090585930.143921290.017113140.400.5327 Logx90.109858990.133391390.029300420.680.4151 Step 6 引入4个解释变量的回归结果 VariableCoefficientErrorSumofSquaresFProbF C4.908471220.715018222.0057313947.130.0001 LOGX10.595743290.043166958.10643953190.470.0001 LOGX20.744190460.198882320.5959232514.000.0006 LOGX40.035112080.033737070.046101261.080.3041 LOGX90.113996070.132244620.031625560.740.3937 Step 7 引入3个解释变量的回归结果 VariableCoefficientErrorSumofSquaresFProbF C5.163838590.648766662.6798947863.350.0001 LOGX10.578013970.037835899.87229985233.380.0001 LOGX20.689300270.187835670.5696527913.470.0007 LOGX40.035039060.033633610.045910011.090.3035 Step 8 引入2个解释变量的回归结果 VariableCoefficientErrorSumofSquaresFProbF C5.032046710.636944202.6454338362.410.0001 LOGX10.574138140.037689879.83544281232.050.0001 LOGX20.764632940.173530940.8229292419.420.0001 通过对8个模型中所有变量F的p值考察，当引入两个解释变量logx1、logx2时，p值明显小于0.05，此时逐步回归结束，是log（y）的最佳表达式。 1、多重线性的检验 考察X1、X2的相关系数矩阵： LOGX1LOGX2 LOGX11-0.335175 LOGX2-0.3351750.0344709416129 显然二者协方差在显著小于0.8(经验值)，LOGX1、LOGX2不存在多重共线性。 Dependent Variable: LOGY Method: Least Squares Date: 06/06/05 Time: 17:23 Sample:1 46 Included observations: 46 VariableCoefficientStd. Errort-StatisticProb. LOGX10.5741380.03769015.233220.0000 LOGX20.7646330.1735314.4063200.0001 C5.0320470.6369447.9002940.0000 R-squared0.843978 Mean dependent var7.949505 Adjusted R-squared0.836721 S.D. dependent var0.509495 S.E. of regression0.205876 Akaike info criterion-0.260094 Sum squared resid1.822547 Schwarz criterion-0.140835 Log likelihood8.982172 F-statistic116.3011 Durbin-Watson stat1.522128 Prob(F-statistic)0.000000 由上表可见，logX1与logX2的p值显著，又由Adjusted R-squared＝0.836721同样可判断，两者间不存在多重共线。 2、自相关检验： 在0.01的显著水平下，4-Du=2.577DW＝1.522128Du=1.423,落入无自相关的区域，因此判定模型不存在自相关。 3、异方差检验： 用white交叉检验，得到以下结果： White Heteroskedasticity Test: F-statistic0.450226 Probability0.810566 Obs*R-squared2.450870 Probability0.783875 Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 06/06/05 Time: 21:56 Sample: 1 46 Included observations: 46 VariableCoefficientStd. Errort-StatisticProb. C-1.1396873.203654-0.3557460.7239 LOGX1-0.2073110.248592-0.8339390.4093 LOGX1^20.0054360.0200890.2705770.7881 LOGX1*LOGX20.0545620.0672280.8115840.4218 LOGX20.6826471.7046570.4004600.6909 LOGX2^2-0.0982180.226295-0.4340240.6666 R-squared0.053280 Mean dependent var0.039621 Adjusted R-squared-0.065060 S.D. dependent var0.060492 S.E. of regression0.062429 Akaike info criterion-2.588463 Sum squared resid0.155896 Schwarz criterion-2.349945 Log likelihood65.53465 F-statistic0.450226 Durbin-Watson stat2.208109 Prob(F-statistic)0.810566 Obs*R-squared的p值＝0.7838750.05,由此判定模型不存在异方差。 综上所述，最终回归结果为：LOGY = 0.5741381393*LOGX1 + 0.7646329432*LOGX2 + 5.03204671即： （二）模型解释： 当区位得分每上升1％时，住宅均价y上升0.574138139％； 当绿化率每上升1％时，住宅均价y上升0.7646329432％ 从最终回归模型来看，绿化率对均价y的解释作用较大，说明现在都市人较为看重住宅小区的环境；住宅的区域位置则反应了成都房产市场中消费者依然倾向于城市中心区域给交通、娱乐、教育等带来的条件便利。 在剔除的变量中，包括室、厅、卫等因素，说明他们与住宅均价的相关性较小，推断可能是他们对消费者决策的影响程度有限。 （三）模型检验 我们收集到04年住宅市场上的42个样本，（来源：04年成都市房地产交易会4月数据 成都市房地产协会会刊），并根据模型进行推断，得到今年的可能的房价，并与去年的实际房价进行对比，由此进行模型检验。 05年的数据得模型为LOGY = 0.5741381393*LOGX1 + 0.7646329432*LOGX2 + 5.03204671，04年的42个样本为： X1X2YX1X2Y 53548002304000 24330003333600 353.537003303200 54042002352500 53040003423530 3423000230.54000 2302800240.53700 33031502683000 130.618683304200 15013281402000 33836002333300 15527002303250 130.562500138.23500 23829003313500 24529502393950 23023001703600 24039001353600 2303000235.52800 33028005304000 34033005553900 24543005404100 分别取对数得LOGX1 LOGX2 LOGY并做其描述统计如下 将04年的LOGX1、LOGX2的均值代入得到的模型得： LOGY = 0.5741381393*LOGX1 + 0.7646329432*LOGX2 + 5.03204671 =0.5741381393*0.798211+0.7646329432*3.625849+ 5.03204671 ＝0.458283378＋2.772443592＋5.03204671 ＝8.26773681 两边取指数E8.26773681得Y=3896.121343735即若代入LOGX1的均值0.798211、LOGX2的均值3.625849到由05年的数据得到的模型中，得到的每平方米的均价近似为3896元，而04年已知的每平方米的均价为Y=E8.079750 ＝3228.426029241即近似为3228元。 由成都房地产咨询查得05年的房价由于通货膨胀、成都环境整治、购房需求旺盛等原因比04年每平米大约涨了350—750元左右。而我们由模型得到的差价为Y=3896－3228＝668元，很符合实际。说明模型与成都房地产实际定价比较切合。 再以“学林雅苑”楼盘为例进行个体分析，其区位得分1分，绿化率70%.最终以模型计算，得到价格约3946元，高出04年价格346元；同理，可以发现包括“汇夏花园”、“学府嘉苑”、“汇景樱桃季社区”、“天府长城”、“盛锦华庭”、“自由星城二期”、“东方桂苑”与“金港·金海岸”等楼盘的价格差异均在350-750的范围内波动（详见下表）。可以肯定，模型的真实性在大部分个体数据中是经得起考验的。它所反映的变化状况也是与事实相吻合的。这个模型应该可以作为房地产价格评判标准进行实际运用。 楼盘区位绿化模型推测价04年均价差价 学林雅苑10.73946.50803600346.5080 汇夏花园30.313978.02923500478.0292 学府嘉苑10.42572.63452000572.6345 汇景樱桃季社区30.334172.81823600572.8182 天府长城10.553281.92682700581.9268 盛锦华庭30.33879.53133200679.5313 自由星城二期20.33050.82102300750.8210 东方桂苑30.33879.53123150729.5312 金港·金海岸20.3553496.05832800696.0583 综上所述，我们通过对模型及其效果的检验，最终得到较为满意的结果，证明了模型不但操作简单且具一定的可行性，可用以做相关分析预测。 附表一： 原始数据（来源：05年成都市房地产交易会4月数据 成都市房地产协会会刊） YX1X2X3X4X5X6X7X8X9 10880.5351.5316.92212.52 14000.5361.7333032222 14500.5401.22532122 21000.5451.28532212 13000.534.61.7246.22211.52 18000.5451.262632222 10100.540.21.6557.53221.51.5 14000.5402182322.51.75 24800.5621.540032231.5 16000.535215.82211.52 22000.5421.56104.42212.52 19000.542.32724231.51.5 21000.55023312121 26000.5650.89160022231 19800.5311.822.483211.52 15900.5411.7510032221.5 18000.550.11.351204221.52 14680.5371.798432231.5 18600.537.82.1804221.51.5 15000.531.81.31204221.52 48005355.3304324.51 4700430.52.271011152 3650230.63.93822151 32002362.2596.632221.5 42002401.71003324.52 35002352.794542252 45003383.9711151 4200240.53.6443323.51.5 3900230.542712141 6000360.64.066122251 40002352.4317032232 39001351.33503221.52 50003363.57533251.5 59602515.53033241.5 38003413.27212151.5 37002351.7703222.52 3300230.82.82432241.5 4000531.25.5422.833251 45002372.6918132242 4500431.7533032241.5 45005354302214.51.5 56802481.85032261.5 2900232.561.778022232 450053441004324.51 43002351.7503224.52 4680237240022151 参考书目： 《计量经济学》西南财经大学出版社 庞皓等 《SAS 8.X经济统计》北京希望电子出版社 作者：樊欣 邵谦谦 《统计软件教程》北京大学数学科学学院 作者：李东风
-
NBA优秀后卫技术指标与薪金的分析_经济学毕业论文范文
NBA优秀后卫技术指标与薪金的分析_经济学毕业论文范文 摘 要：本文将就对当今NBA各队的核心后卫的得分、助攻、篮板等技术统计和薪金的关系进行分析，找出一名优秀的核心后卫应具备的关键素质，为提高我国篮球的后卫水平，并最终提高我国的篮球水平提供一些参考意见。 关键词： 助攻 抢断 篮板 得分 投篮命中率 薪金 一、引言部分 纵观当代篮球运动的发展，核心后卫球员的影响力正变的日趋突出，一名优秀的后卫往往对比赛的胜负起着重要作用。芝加哥公牛队之所以取得六夺NBA总冠军的伟业与队中的超级后卫迈克尔乔丹的作用是分不开的。可以毫不夸张的说，核心后卫是一支球队在场上的灵魂，是一支球队具体战术打法的组织指挥者，是场上的教练员。其水平的高低对整个队伍有着举足轻重的作用。 中国男篮与欧美篮球强国的差距在后卫方面体现的最为明显，后卫问题的良好解决业已成为中国队进一步提升实力的关键。中国队需要培养更好的后卫，这已经不是秘密。而如何培养一名优秀的后卫需要的不仅是关注和重视，更需要找出我国男篮后卫现状存在的问题以及今后着重培养后卫的着眼点，正所谓有的放矢。 二、数据搜集 1数据选择：由于篮球运动员都有其运动生涯的周期性，本文所选取的球员大都处在其运动生涯的鼎盛时期，考虑到代表性的问题，我们选取了处于高中低不同的薪金层次的球员。因此这些技术统计将会很好的反映一名优秀后卫球员的价值所在，核心素质所在。 2数据来源:本文的数据全部来自NBA官方网站，因此数据具有高度准确性、全面性以及权威性。 据此,我们选择NBA后卫球员2003—2004年年薪以及该年平均每场助攻次数，得分数，篮板次数等技术指标作为分析数据。详见附表(一) 三、建立模型 建立经济模型 ： 其中， Y——年薪 X2——助攻 X3 ——得分 X4——抢断 X5——篮板 X6——投篮命中率 需要特别说明的是：我们用薪金来数量化球员能力。由于NBA球员的年薪给出是根据他们的技术表现，在NBA联盟中有完善的统计资料能很好的考察球员的能力，所以较有代表性。 四、模型的参数估计、检验及修正 1.模型的参数估计及其经济意义、统计推断的检验 利用EVIEWS软件，用OLS方法估计得：（见附表二） Y= -289.09912+71.17229X2 +44.08696X3 +91.15683X4 +-29.26075X5 +0.19616X6 (-0.66749) (3.15035) (4.03103) (0.73860) (-0.82658 ) (0.01949) R-squared=0.83555 Adjusted R-squared=0.80814 F= 30.48620 可以看到，x2助攻 ，x3 得分两项数据的T值比较明显，对Y的影响显著，而且顺利的通过了统计推断检验。但是X4、X5、X6的P值较低，未能通过检验。 从经济意义上来分析：（1）篮板球能力主要取决也身高和球场位置。而后卫球员主任务是组织进攻，多在外线。并且相对于中锋前锋而言，身材较为矮小，所以篮板球较少。在一个球队中篮板多是衡量中锋的能力的，并非后卫的核心指标，所以应舍去。 （2）对于投篮命中率而言，之所以不显著是因为高薪球员往往是球队的主力队员，出手投篮中很多是一些难度较大的球。低薪球员为减少球队失误率，仅敢投一些离篮近，把握大的球，这就使得低薪球员的命中率与高薪球员差不多，有时还要高一些，因此该项指标不具有很好的代表性，也不得不舍去。 2.计量经济学检验 （1）对各影响因素进行多重共线性检验： 先进行变量显著性与方程显著性综合判断： R-squared0.835554300185 F-statistic30.4862079503 Prob(F-statistic)6.66500717359e-11 t-Statistic Prob X2 3.1504 0.0037 X3 4.0310 0.0004 X4 0.7386 0.4659 可以看到比较大，F值显著的大于给定显著水平下的临界值，而变量X4，对应的T值不显著，说明该模型可能存在多重共线性。 构建相关矩阵检验： X2X3X4 X2 1.000000 0.585766 0.697735 X3 0.585766 1.000000 0.808914 X4 0.697735 0.808914 1.000000 可见x4抢断与x3得分之间较有可能存在多重共线性. 下面我们利用逐步回归法（变量剔除法）进行修正（回归过程详见附表四、五、六）： 在回归中我们先用Y对X2、X3、X4进行单独回归，选出Y对X2的回归为最优基本方程： Y= -37.45163 + 161.9965 X2 （-0.315000) (6.460686) =0.551099 =0.537896 F= 41.74046 引入另一变量，扩大模型，从中选优得： Y= -284.9449 + 78.90378 X2 + 42.72510X3 (-3.480065) (4.067177) (7.311955) =0.828673 =0.818289 F=79.80698 再添加一项： Y= -303.8851 + 71.37759 X2 + 38.67332X3 + 87.04928X4 (87.04928) (3.224229) (4.760202) (0.723518) =0.831430 =0.815627 F= 52.61087 从以上回归过程可以看到X2 ,X3的回归效果比较好，而且T 检验F检验都较好的得到通过，在加入X4一项以后，不仅改进不大还使X2 X3的T值趋向不显著方向发展。所以X4对模型的改进作用不显著。将X4剔除出去会使模型得到改善。 故将模型变为： （2）异方差检验（white检验） Obs*R-squared3.832947 Probability0.429086 （具体数据见附表七） 查表知： ，，所以接受原假设. 模型无异方差 （3）自相关检验： 由自相关的定义可以知道：自相关是指回归模型中随机误差项逐项值之间的相关，即： 对于截面数据而言，不存在时间序列T，所以自相关检验也无法作出。 五、总结 我们进行了一系列检验和修正后的最终结果如下： 从模型中可看出： 1 X2 助攻，X3得分，两项对Y球员薪金的影响作用最为显著，所以助攻能力和个人的得分能力是一名优秀后卫球员必备的基本素质，也是决定一名后卫是否优秀的关键。这也说明后卫的一项主要作用是传球助攻，这就需要后卫有巧妙的传球技巧，能及时准确的将球传出，为队友创造得分机会，从而盘活全队的进攻体系。作为一名优秀的后卫同时还应该具备出色的得分能力，这就需要后卫拥有良好的个人突破和远投能力。 2 对于一名优秀的后卫来说篮板球能力也是必不可少的的，只不过与得分，助攻这样的核心能力相比作用要弱的多，因此在计量经济模型中不能得到很好的体现。 六、政策建议 1在了解了世界优秀后卫情况之后之下，我们比较一下国内后卫。国内后卫球员缺乏主动进攻的意识，难以独当一面。这一方面与国内篮球倚重中锋前锋的理念有关，另一方面由于国内后卫球员的身体对抗能力差，难以发挥出原有的技术水平。因此，我们一方面要强调后卫的攻击意识，给后卫球员更大的个人发挥空间，另一方面加强后卫球员的身体素质，全面提高后卫的个人攻击技术，尤其是突破技术。 2 提高后卫阅读比赛的能力，后卫是是团结全队夺取比赛胜利的组织者与指挥者。球场上出现任何的情况，后卫队员都要能最早时间的掌握，在进攻中能找到对方的漏洞，在防守中抓住对方的失误。这必须要通过长期的比赛训练这方面的能力，积累这方面的经验。要具备这方面的思想。 3 加强后卫球员调控比赛的能力，后卫球员是场上的指挥官，必须具备良好的心理素质和个人控制能力。这就要在平时的训练比赛过程中注意培养后卫优秀的意志品质，在任何情况下都不丧失斗志和进取心。 4 后卫球员要具有领导球队的意识，还要具有整体思想，能带动球队比赛，融合球队成一个整体，在比赛中能积极的配合队友，帮助他们进攻和防守。特别杜绝一个人猛冲猛撞，当成一个人的比赛。 5 作为进攻中心的后卫队员，在关键时刻一定要能够站出来，承担更多的责任，比如说最后时刻的反攻，或者是最后一投等。要求后卫队员具备过硬的心理素质，和稳定的心态。 参考资料： 《计量经济学》庞皓 李南成主编 NBA官方网站 附表(一) obsY(单位$)X2X3X4X5X6 % 贾森-基德12209.215.51.826.438.4 斯蒂芬-马布里14628.320.81.883.443.2 戴维斯10107.522.92.364.344 阿伦－艾佛森14636.826.42.43.738.7 贾森－威廉姆斯6876.810.91.28242.6 史蒂夫－弗朗西斯11336.2161.765.540.3 安德列－米勒逊7366.114.81.734.538.9 卡伦特－巴里4265.810.81.443.541.9 达蒙－琼斯2505.870.372.144.7 麦克格雷蒂13305.5281.39641.7 贾森－特里7505.416.81.534.145.7 毕比11675.418.41.373.447 杰查基－阿特金斯4205.3121.081.947 保罗－皮尔斯12585.1231.646.540.2 科比13505.1241.725.543.8 吉尔伯特－阿里纳斯1062519.61.874.639.2 里基－戴维斯545515.31.145.540.7 文斯－卡特12584.822.51.214.843.1 安东尼奥－丹尼尔斯2204.280.63242.5 理查德-汉密尔顿1200417.61.323.645.5 厄尔-博伊金斯2503.610.20.621.741.8 卡蒂诺-莫布里5883.215.81.344.539.5 斯蒂芬-杰克逊5103.118.11.784.645 大卫-韦斯利4452.9141.162.244.4 贾森-理查德森3532.918.71.16.741.7 安东尼-卡特802.44.10.81.729.7 里基-戴维斯5452.418.81.565.339.7 德里克-费舍尔4902.37.11.261.950.4 弗雷德-琼斯1572.14.90.81.639.5 鲍比-杰克逊3152.113.80.983.543.8 埃里克-斯特里克兰1651.94.90.51.741.7 凯斯-迈克里奥德751.82.70.48135 安东尼-皮勒1601.65.70.75244.8 贾森-哈特1401.53.20.531.440.1 拉加-贝尔1321.311.20.72.940.9 布莱文-奈特690.52.40.31.142.7 附表(二) Dependent Variable: Y Method: Least Squares Date: 05/28/05 Time: 10:48 Sample: 1 36 Included observations: 36 VariableCoefficientStd. Errort-StatisticProb. X271.172299207222.59185632663.150351975430.00367934187391 X344.08696219610.93689725744.031030113780.000350607352956 X491.1568353941123.417352810.7386063087470.465885645889 X5-29.260750243935.399662025-0.8265827572920.414999684941 X60.19616928969410.06496403660.0194903120350.984579019412 C-289.099128331433.111407923-0.6674936818620.509559318893 R-squared0.835554300185 Mean dependent var650.583333333 Adjusted R-squared0.808146683549 S.D. dependent var466.58420615 S.E. of regression204.368844458 Akaike info criterion13.6287416876 Sum squared resid1252998.73756 Schwarz criterion13.8926615107 Log likelihood-239.317350377 F-statistic30.4862079503 Durbin-Watson stat1.54660134294 Prob(F-statistic)6.66500717359e-11 附表(四) Dependent Variable: Y Method: Least Squares Date: 05/28/05 Time: 12:26 Sample: 1 36 Included observations: 36 VariableCoefficientStd. Errort-StatisticProb. X2161.996525.074196.4606860.0000 C-37.45163118.8940-0.3150000.7547 R-squared0.551099 Mean dependent var650.5833 Adjusted R-squared0.537896 S.D. dependent var466.5842 S.E. of regression317.1758 Akaike info criterion14.41074 Sum squared resid3420417. Schwarz criterion14.49872 Log likelihood-257.3934 F-statistic41.74046 Durbin-Watson stat1.625013 Prob(F-statistic)0.000000 附表(五) Dependent Variable: Y Method: Least Squares Date: 05/28/05 Time: 12:27 Sample: 1 36 Included observations: 36 VariableCoefficientStd. Errort-StatisticProb. X278.9037819.400134.0671770.0003 X342.725105.8431857.3119550.0000 C-284.944981.87919-3.4800650.0014 R-squared0.828673 Mean dependent var650.5833 Adjusted R-squared0.818289 S.D. dependent var466.5842 S.E. of regression198.8933 Akaike info criterion13.50307 Sum squared resid1305432. Schwarz criterion13.63503 Log likelihood-240.0553 F-statistic79.80698 Durbin-Watson stat1.741556 Prob(F-statistic)0.000000 附表(六) Dependent Variable: Y Method: Least Squares Date: 05/28/05 Time: 12:28 Sample: 1 36 Included observations: 36 VariableCoefficientStd. Errort-StatisticProb. X271.3775922.137883.2242290.0029 X338.673328.1243014.7602020.0000 X487.04928120.31390.7235180.4746 C-303.885186.53157-3.5118410.0013 R-squared0.831430 Mean dependent var650.5833 Adjusted R-squared0.815627 S.D. dependent var466.5842 S.E. of regression200.3451 Akaike info criterion13.54240 Sum squared resid1284421. Schwarz criterion13.71835 Log likelihood-239.7632 F-statistic52.61087 Durbin-Watson stat1.631802 Prob(F-statistic)0.000000 附表（七） White Heteroskedasticity Test:0.923471 Probability0.462893 Obs*R-squared3.832947 Probability0.429086 Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 05/28/05 Time: 12:57 Sample: 1 36 Included observations: 36 VariableCoefficientStd. Errort-StatisticProb. C-2615.78728665.38-0.0912520.9279 X2-762.332314531.58-0.0524600.9585 X2^2-283.77141425.787-0.1990280.8435 X36824.7434200.8181.6246220.1144 X3^2-192.3548133.9603-1.4359090.1610 R-squared0.106471 Mean dependent var36262.00 Adjusted R-squared-0.008823 S.D. dependent var38221.76 S.E. of regression38390.01 Akaike info criterion24.07723 Sum squared resid4.57E+10 Schwarz criterion24.29716 Log likelihood-428.3901 F-statistic0.923471 Durbin-Watson stat2.423659 Prob(F-statistic)0.462893
-
私家车拥有量的计量分析_经济学毕业论文范文
私家车拥有量的计量分析_经济学毕业论文范文 私家车拥有量的计量分析 【摘要】本文旨在对1989-2003年我国人均收入变动，基础设施建设等一系列因素对私人汽车拥有量的影响进行实证分析。首先，我们收集了相关的数据。其次，建立了理论模型。然后，利用EVIEWS软件对计量模型进行了参数估计和检验，并加以修正。最后，我们对所得的分析结果作了经济意义的分析，并相应提出一些政策建议。 【背景资料】众所周知，汽车产业发展将带动巨大的经济链条的运转，特别是对钢铁、有色金属等原材料影响深刻，而就目前来说，中国的平均汽车保有量非常低，与中国的经济发展水平不相称，２００３年，我国每千人的轿车拥有量只不过５．１６辆。世界上有２９个国家遍及亚、非、拉美的人均ＧＤＰ低于我国，可是它们的每千人轿车拥有量却高于我国。例如位于高加索地区的格鲁吉亚，虽然人均ＧＤＰ只有７０１美元，但每千人轿车拥有量竟高出我国１６．６倍；居民数仅次于我国的印度，其人均ＧＤＰ只及我国的３９％，可是每千人轿车拥有量却只与我国相差１０％。中国汽车市场目前400多万的销量仅仅相当于美国六七十年代的水平,而中国的人口基数要比美国大得多,从收入最高的20%人口的收入水平来看,如果达到世界平均水平，中国应该有１．６亿辆汽车，是目前的８倍。可见中国的汽车市场还没有完全形成应有的规模，所以中国汽车市场潜力巨大。 数据源 Y: 私家车拥有量，（万辆）；X2：国内生产总值（亿元）；X3：居民消费水平（元） X4:公路长度（万公里）； x5：人均生活能源消费量（液化石油气kg）； x6：海关历年进口机械及运输设备金额（亿美元）； x7:年底总人口数（万人）。（数据来源于《中国统计年鉴》） 一 运用OLS法对参数估计. (一) 参数的估计 分析：F=338.4232 F0.05(6,8)=3.58,表明模型从整体上看私人汽车拥有量与解释变量之间线性关系显著。 Y=-1337.667+0.002107X2-0.189167X3+7.617672X4+74.71374X5+0.040517X6+0.005484X7 （1308.979）（0.010792）（0.271554）（1.440055）（24.50343）（0.147795）（0.011616） t=（-1.021916）(0.195260) (-0.696610 ) (5.289848) (3.049114) (0.274143) (0.472049) r^2=0.996076 df=8 X3是居民消费水平,系数为负号与经济变量不符，剔除x3。 (二) 解释变量之间的简单相关系数： 由上表可以看出：解释变量之间存在高度线性相关，尽管整体上回归拟合较好但X2，X3, X6,X7变量的参数t值并不显著，X3系数符号是负的这与实际的经济意义相悖。表明模型中解释变量之间确实存在严重的多重共线性。 (三) 修正 （1） 运用OLS法逐一求Y对各个解释变量的回归。结合经济意义和统计检验选出拟合效果最好的一元线性回归方程。逐步回归如下： X4系数为正,t检验值=7.803266显著,可决系数=0.931589显著.保留X4 Y=-849.3466+8.237276X4+39.09645X5 (1.268732) (10.59728) t=(-7.510570) (6.492524) (3.689291) r^2=0.984654 df=12 X4与X5系数的符号为正与经济意义相符,t检验显著,可决系数=0.984654显著,保留X4与X5 Y=-690.7049-0.003628X2+6.935038X4+66.57942X5+0.134430X6 (89.86115) (0.001521) (1.051863) (19.38056) (0.074675) t=(-7.686357) (-2.385545) (6.593097) (3.435372) (1.800200) r^2=0.995726 df=10 X2是国内生产总值,系数符号与经济意义相悖,不能同时保留X2 X4 X5 X6 Y=418.6284+6.429052X4+42.09112X5+0.186836X6-0.009652X7 (628.5659) (1.106487) (13.64904) (0.073565) (0.005814) t=(0.666006) (5.810327) (3.083816) (2.539751) (-1.660227) r^2=0.994743 df=10 X7是年底总人口数,系数符号为负, 与经济意义相悖,不能同时保留X4,X5,X6,X7 Y=-613.4566+5.726536X4+23.50411X5+0.252093X6 （100．1139）（1.100981）(8.407789) (0.066964) t=(-6.127588) (5.201305) (2.795516) (3.764609) r^2=0.993294 df=11 如上分析可知：删除X2,X3,X7之后，模型的统计检验效果均有较大的改善，表明Y对X4,X5,X6的回归模型最优。 三 异方差检验 (一)匡特检验 （1） 由表可知:F4=53894.13/109.6726=491.40925F0.05(4,4)=6.39，则拒绝H0,表明随机误差显著的存在异方差。 (2) 由表可知:F5=30990.38/43.10704=718.91691F0.05(4,4)=6.39，则拒绝H0,表明随机误差显著的存在异方差。 (3) 由表可知:F6=5591.736/635.7427=8.7955961F0.05(4,4)=6.39，则拒绝H0,表明随机误差显著的存在异方差 （1）用WLS估计法对X4异方差修正如下： （2）用WLS估计法对X5异方差修正如下： （3）用WLS估计法对X6异方差修正如下： （1）用对数变换法对X4异方差修正如下 （2）用对数变换法对X5异方差修正如下x5 （3）用对数变换法对X6异方差修正如下x6 四 自相关检验 （1）对x4进行检验 DW检验: 根据上表的结果，DW=1.845754, 给定显著性水平a=0.05，查表n=15, k’=1，得下限临界值dL=1.077, du=1.361, 4-du=2.639, 因为duDW4-du ,根据判定区域知，落在无自相关区域。 （2）对x5进行检验 DW检验: 根据上表的结果，DW=0.466191, 给定显著性水平a=0.05，查表n=15, k’=1，得下限临界值dL=1.077, du=1.361, 因为DWdl ,根据判定区域知，存在一阶正的自相关。 用广义差分法对X5进行自相关修正： 由DW=0.466191，根据p=1-DW/2,计算出p=0.7669， DY=-21.14293+145.6651DX5 T=(-0.453302) (7.056321) R^2=0.805799 F=49.79166 dw=1.023637 dw有所提高，但还是存在自相关。 利用对数线性回归修正自相关同时考虑迭代，得下表： Dw=1.636149du=1.361, 这时随机误差项不存在一阶正自相关。 （3）对x6检验 由DW=0.706663，根据p=1-DW/2,计算出p=0.64667，广义差分法修正自相关 结果：DY=6.356243+0.754153dx6 T=（0.230105）（11.35081） R^2=0.914797 f=128.8409 dw=0.970215 科奥迭代法结果如下： Dw=2.345077,du=1.077， 4-du=2.639,dudw4-du, 随机误差项不存在一阶自相关。 五 政策建议 由以上可知 ;私家车拥有量跟公路长度，人均能源消耗量，海关历年进口机械及运输设备金额； 1990－2002年，中国汽车拥有量年平均增长11.58%，公路里程年平均增长2%，公路对车的增长弹性为接近0.4，远远高于1979－1990年的0.1的水平。其中1995－2002年公路增长6.2%，而汽车拥有量增长10.2%，公路对车的增长弹性为0.6。我国公路建设总体上还跟不上速度跟不上汽车增长的需求，未来公路建设还将被大量投入。预计中国公路运输设施和城市基础设施建设投资的迅速增加，以及政府鼓励汽车消费的政策的逐步实施，将促进汽车保有量每年以3－7%左右的速度增长。 在消费环节，节节上升的油价抑制人们的购车冲动。我国的油价从每升两元多，急剧上涨到现在的每升近４元，几乎上涨了１倍。在油价上升的同时，车辆的排量也在不断放大，现阶段的相同车型的平均油耗比发达国家高了２０％以上，这意味着消费者付出的使用成本要远远高于人们的想象。不仅仅油耗、油价在上涨，在消费者使用成本中的保险费用、服务价格，也都在上涨。这方面明显的表现，就是高得离谱的零配件和服务的价格。其他与汽车消费相关的，如看涨的停车费，日益恶化的交通拥堵，以及对尾气噪音等环境的影响，都直接和间接提高了整个社会的汽车消费成本，上述问题在２００５年没有得到根本解决以前，“持币待购”现象恐怕难以杜绝。我们要仔细分析老百姓的购买心理。随着养车费用的持续增加，零散支出增加了，因此很多老百姓发现买车后自己的生活质量下降了。老百姓经过理性分析作出放弃购买的决定是车市下降的重要因素。 总上所述，私家车拥有量会逐渐增长，但是增长态势有所缓慢。
