影响中国汽车产量的多因素分析.doc

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
y
X1
X2
X3
X4
X5
1989
58.35
6159.00
101.43
5206.00
73.12
16575.71
1990
51.40
6635.00
102.83
5304.00
81.62
16384.70
1991
71.42
7100.00
104.11
5443.00
96.04
17746.89
1992
106.67
8094.00
105.67
5508.00
118.20
19104.75
1993
129.85
8956.00
108.35
5469.00
155.27
21110.73
1994
136.69
9261.00
111.78
5434.00
205.42
21356.24
1995
145.27
9535.99
115.70
5439.00
249.96
22955.80
1996
147.52
10124.06
118.58
5293.00
289.67
25010.64
1997
158.25
10894.17
122.64
5083.00
358.36
28110.79
1998
163.00
11559.00
127.85
3769.00
423.65
28426.01
1999
183.20
12426.00
135.17
3496.00
533.88
30187.61
2000
207.00
12850.00
140.27
3240.00
625.33
32053.06
2001
234.17
15163.44
169.80
3010.00
770.78
32784.10
2002
325.10
18236.61
176.52
2907.00
968.98
35528.81
2003
444.37
22234.00
180.98
2841.00
1219.23
38107.38

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
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
-51.00437
64.61807
-0.789321
0.4502
X1
0.025241
0.005750
4.390066
0.0017

X2
-1.196858
0.457563
-2.615722
0.0280
X3
0.014369
0.007983
1.799986
0.1054
X4
0.120705
0.095886
1.258839
0.2398
X5
-0.000929
0.001127
-0.824374
0.4310
R-squared
0.996025
Mean dependent var
170.8173
Adjusted R-squared
0.993816
S.D. dependent var
103.2583
S.E. of regression
8.119807
Akaike info criterion
7.315664
Sum squared resid
593.3814
Schwarz criterion
7.598884
Log likelihood
-48.86748
F-statistic
451.0106
Durbin-Watson stat
1.708534
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

X1
X2
X3
X4
X5
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
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
-207.9903
32.17540
-6.464265
0.0000
X1
0.026742
0.001135
23.56714
0.0000
X3
0.017149
0.004532
3.784124
0.0026
R-squared
0.992682
Mean dependent var
170.8173
Adjusted R-squared
0.991462
S.D. dependent var
103.2583
S.E. of regression
9.541313
Akaike info criterion
7.525996
Sum squared resid
1092.440
Schwarz criterion
7.667606
Log likelihood
-53.44497
F-statistic
813.8449
Durbin-Watson stat
2.121992
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
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
-0.025314
251.7579
-0.000101
0.9999
X1
0.030511
0.004676
6.524792
0.0073
X3
-0.026425
0.051580
-0.512310
0.6438
R-squared
0.968100
Mean dependent var
92.39667
Adjusted R-squared
0.946833
S.D. dependent var
37.00892
S.E. of regression
8.533533
Akaike info criterion
7.432737
Sum squared resid
218.4636
Schwarz criterion
7.328617
Log likelihood
-19.29821
F-statistic
45.52136
Durbin-Watson stat
2.379145
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
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
-251.6990
143.0800
-1.759149
0.1768
X1
0.027728
0.002852
9.723163
0.0023
X3
0.026114
0.032268
0.809290
0.4776
R-squared
0.990165
Mean dependent var
259.4733
Adjusted R-squared
0.983609
S.D. dependent var
106.7821
S.E. of regression
13.67120
Akaike info criterion
8.375312
Sum squared resid
560.7049
Schwarz criterion
8.271192
Log likelihood
-22.12594
F-statistic
151.0189
Durbin-Watson stat
2.665473
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=2.472.457。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