1、中国粮食产量的影响因素研究计量经济学论文中国粮食产量的影响因素研究09844047 本文系本人所写，不存在抄袭现象，否则后果自负。签名：日期：摘要：文章针对 2003年到 2009年期间各地区的粮食产量，运用多元回归的计量分析方法，系统的探讨了中国在 2003年到 2009年的各地区的粮食产量的影响因素，以及各影响因素对于粮食产量的影响程度。研究结果发现，在所有考虑到的因素中，粮食产量受农业劳动力人数的负面影响最大，即从事农业的劳动力人数越多粮食产量相应越少；其次就是播种面积对粮食产量的正面影响最大。除去这些非自然因素，我们还可以看到日照时间、降雨量、温度等自然因素反而对粮食产量的影响不显著。
2、关键词：地区年份 粮食产量 影响因素 回归分析一、引言近几年来，随着环境恶化结果的逐渐显现，人们越来越关注自己未来的生活及其质量，其中人们最为关心的就要数自己的温饱问题了，当然我国的粮食产量也越发的受到人们的关注了。虽然 2005年左右，朱镕基总理在华商大会上已经说过中国人民已经一劳永逸的解决了吃饭的问题，并且根据中国统计局中 2010年的数据，我们可以知道中国粮食自给率很高，已经超过了 99%，但是中国人民还是显得忧心忡忡，大部分人对于这种乐观的数据持有怀疑的态度。其实在之前已经有国外学者预言过，按照中国人口增长的速度与中国粮食产量的增长速度来看，中国人民在不久的将来就会生活在饥饿之中。在我
3、看来，虽然这种预言以及中国人民的担心可能只是杞人忧天 ，但毕竟粮食的问题是关系到我们民生的大问题，所以这些担忧也不无道理。因而研究一下现今中国的粮食产量及其影响因素是非常必要的，我认为一旦清楚了中国每年各地的粮食产量的变化及影响粮食产量的因素，中国的人民会对自己的国家有更多的信心。鉴于此，本文通过针对 2003年至 2009年全国 31个主要地区的粮食产量的统计数据，运用面板数据的方法，系统详细地讨论了中国粮食产量的影响因素并且比较这些因素对中国粮食产量的贡献大小，最后得出本文结论。本文其余部分的结构安排如下：第二部分是有关于粮食产量分析的文献综述，第三部分是理论模型的简述，第四部分是近几年各
4、粮食产量的影响因素统计分析，第五部分是基于面板数据的回归分析，第六部分是结论。二、文献综述农业作为我国最基础的产业，农产品的每年的产量直接关系着我们的民生，故而粮食的产量一直是我们最关心的。所以有关农产品产量的研究可以说是不胜枚举。一些学者致力于具体某类农产品产量某及其影响因素的研究，如厉益与吴玮于 2011年 10月发表在西安社会科学上的16241662 年台湾蔗糖产量增长的原因就针对台湾 1624年到 1662年的蔗糖产量进行了分析，最后总结出台湾蔗糖产量在这几年里增长的的三点原因：（1）台湾优越的自然条件为蔗糖的生产提供了丰盛的原材料；（2）荷兰统治者的扶植奖励政策也是促进蔗糖产量增长的
5、一大因素；（3）最重要的一点是大陆移民的贡献。另外，有些学者也尝试着研究某一地区的农产品产量及其影响因素，如赵曦就以沈阳市农业资源利用效率的研究为题研究了沈阳市 20012006年的农业资源利用效率。最后，另一类学者则致力于用一些软件预测与分析我国农产品的产量。比如吴琦磊与邓金堂发表在 2010年 5月情报探索上的基于 Eviews的我国农产品产量与相关投入的模型分析与预测检验以及崔兴凯与路秀英刊登在 2011年 8月的微电子学与计算机上的基于 NGM（1,1，k）模型的农产品产量预测方法都是以理论模型为基础，预测了农产品的产量。前者借助 Eviews软件研究了农产品产量的相关投入的影响因素及
6、其影响程度，后者则是基于 NGM（1,1，k）模型预测了农产品的产量。与之前学者们的论文相比，本文是以中国的粮食产量作为被解释变量，把研究的目标缩小且具体化，粮食产量与人们的平常生活更息息相关，本文以之作为被解释变量更有实际的意义。 三、理论模型既然本文致力于中国粮食产量的研究，根据个人的常识以及前人所作的文献，我认为中国的粮食产量主要受到两方面的因素影响。首先，粮食作为农作物，其产量肯定会受到自然条件的影响，比如日照时间、降雨量以及气温的变化。有些农作物是喜日照的，每天的日照时间越长，其产量就会多，但并不是所有的农作物都是这样的，而同理，降雨量以及气温变化等因素对于农作物产量也具有相似的影响
7、。至此，我们至少可以判断日照时间、降雨量以及气温的变化在一定程度上可以解释粮食产量的变化。其次，我认为粮食的播种面积以及每年的受灾面积对于粮食产量也有一些影响。但受灾面积并不能很好地解释粮食产量的增长变化，因为受灾面积可能不仅只包含耕地，它还有可能包括居民住宅区等，所以这样相比较而言，粮食的播种面积显然能比受灾面积更好地解释粮食产量的变化。最后，劳动力的人数也是解释粮食产量的一大重要因素。当然这是指从事粮食种植的劳动力人数，而不是简单的就业人数，众所周知，就业人数不仅包括从事农业的劳动力人数，还包括在第二产业、第三产业就业的人。耕地需要有人耕种管理才能有产出，因而第一产业的就业人员数很明显会影
8、响到粮食的产量。所以，本文可以把粮食产量作为被解释变量，日照时间、降雨量、气温变化、劳动力以及粮食播种面积作为解释变量，做水平或者对数的回归模型，相信能够有效地解释粮食产量的变化。四、近几年各地区粮食产量的影响因素的统计分析各地区粮食产量的特征由于 2003年至 2009年，全国各地区的粮食产量的数据过多，不便于分析各地区的粮食产量的趋势特征，故在此仅以 2009年为例，大致可以得到全国各地区粮食产量的分布特征以及增减趋势，如下图：根据上图的分布特征来看，我们可以知道：（1）在 2009年，哈尔滨、济南和郑州的粮食产量都已经超过了4000 万吨，尤其郑州更是高居榜首，为中国粮食最大产量的地方。
9、 （2）其次是南京、合肥及成都，这三个地区的粮食产量皆位于 3000万吨至4000 万吨，仅次于哈尔滨、济南和郑州。 （3）接着，粮食产量位于 20003000万吨的地区有石家庄、长春、南昌、武汉以及长沙。 （4）除去这 10个地区，其余的地区的粮食产量均低于 2000万吨。由此，很显然，2009 年各地区的粮食产量是显著不同的。（二）各年度粮食产量的统计特征产量2009200820072006200520042003最小值90.5395.0393.8688.393.2670.1858.03最大值53895365.485245.225010458242603569.47均值1712.32517
10、05.5131618.0731604.7711561.3611514.4181389.333中位数1314.51243.441284.71387.6041394.97113901360.73标准差1381.4251374.0931297.4651253.3451187.2071126.9831002.608总和53082.0852870.9250160.2849747.8948402.1946946.9543069.33观察值31313131313131如上表是按照年份统计的各地区的粮食产量。从上表可知，2003 年的粮食平均产量为 1389.333万吨，2004 年为1514.418万吨，2
11、005 年为 1561.361万吨，2006 年为1604.771万吨，2007 年为 1618.073万吨，2008 年为 1705.513万吨而 2009年则为 1712.325万吨。由此我们可知，每年全国的粮食产量都有所增长，经过 7年的过程中国的平均粮食产量已经由 2003年的 1389.333万吨增长至 2009年的 1712.325万吨。从最大值来看，2003 年的地区最大粮食产量为 3569.47万吨，2004年为4260 万吨，2005 年为4582 万吨，2006年为 5010万吨，2007 年则为 5245.22万吨，2008 年为5365.48万吨最后 2009年为 53
12、89万吨。其中前三年差别较大，后四年差别不大。从标准差来看，2009 年与 2008年的标准差都比较大，分别为1381.425和 1374.093，这说明这两年的粮食产量波动幅度较大，而其余几年相对而言则波动程度较小。那不管从哪个值来看，我们都可以知道，近几年，全国粮食的产量都是处于上升势头中的，虽然不同时间段的上升速度有快有慢，但总体上是属于稳步上升类的。（三）粮食产量影响因素以及其表示通过前面的分析，可以发现影响粮食产量的相关因素有：（1）所处地区，很显然，不同地区的粮食产量是明显不同的。所以我认为与这一因素相关的因素均是影响粮食产量的重要因素，如温度、日照时间、降雨量以及播种面积等。（2
13、）根据年份即时间的不同，粮食的产量也有些许差别，基本可以说是产量随年份的增加而增加的。其实这一因素，我们可以忽略掉，因为随着技术的进步、科技的发展，粮食产量逐年递增是很正常的现象。但是为了保证研究结果的准确性，还是把年份考虑在内取数据。 （3）另外，我认为从事农业的劳动力人数也是影响粮食产量的重要因素之一。毫无疑问，第一产业中的就职人数即农民的多少会影响到农产品产量的多少，所以理所当然更会影响到粮食产量的多少。那经过简单的分析，可以得到有如下变量：（其中，粮食产量为被解释变量，其余皆是解释变量。 ）变量表示符号单位意义 粮食产量OUTPUT万吨该变量表示该年该地区总的粮食作物产量总日照时间SU
14、N小时该变量表示该年该地区总的日照时间平均气温TEMP摄氏度该变量表示该年该地区平均的温度总降雨量RAIN毫米该变量表示该年该地区总的降雨量粮食播种面积SEED千公顷该变量表示该年该地区粮食作物的总播种面积劳动力人数LABOR万人该变量表示该年该地区从事粮食作物种植的劳动力人数五、基于面板数据的回归分析（一）粮食产量影响因素的变量综上，可以期待以下几个数据可以解释粮食产量的变化， （1）不同地区不同时间的气温的变化，用 temp来表示，其数值取每个地区的每年的平均温度，单位为摄氏度。 （2）不同地区不同年份的日照时间的长短，用 sun来代表，单位取小时。 （3）各地区不同年份降雨量的变化，用
15、rain表示，单位取毫米。（4）各地区不同年份播种面积的大小，用 seed表示，单位取千公顷。 （5）从事第一产业的就职人员数，用 labor表示，单位为万人。另，所有的数据来源于中国统计局，皆为数字变量。各变量的预处理各变量的统计量信息outputtempsunrainseedlabor最小值58.03 4.70 703.80 74.90 141.34 47.57 最大值5389.00 25.40 3245.20 2628.20 11391.03 3331.86 均值1586.54 14.47 1998.19 841.47 3374.19 967.17 中位数1360.73 15.03 19
16、94.00 756.90 3073.74 779.54 标准差1242.78 5.02477657526.337374461.26162332548.512624735.4823954总和344279.63 3139.75 433606.52 182599.90 732200.15 209875.60 观察值217.00 217217217217217如上表是计量中所涉及到的各影响因素以及因变量的统计量信息表。从中，我们可以获知被解释变量以及各解释变量的各种统计信息。比如从标准差一行，我们可以得知，粮食产量和播种面积的数据波动范围比较大，而温度则表现的比较稳定，波动范围很小。（三）数据平稳性的
17、检验因为本文使用的是面板数据，并且本文每个变量都有 217个数据，因而考虑到各种因素，本文决定检验一下 2009年 31个地区的数据的平稳性，相信2009年的数据能够很好代表其他几年的情况。经过对 2009年数据的检验，可得如下结论：Group unit root test: Summary?Series: OUTPUT, SUN, RAIN, TEMP, LABORDate: 01/02/12 Time: 20:45Sample: 1 31Exogenous variables: Individual effectsAutomatic selection of maximum lagsAut
18、omatic lag length selection based on SIC: 0?and Bartlett kernelBalanced observations for each test?Cross-MethodStatisticProb.*sectionsObsNull: Unit root (assumes common unit root process)?Levin, Lin Chu t*-4.04623?0.0000?5?150Null: Unit root (assumes individual unit root process)?Im, Pesaran and Shi
19、n W-stat?-4.33978?0.0000?5?150ADF - Fisher Chi-square?38.4657?0.0000?5?150PP - Fisher Chi-square?38.1452?0.0000?5?150* Probabilities for Fisher tests are computed using an asymptotic Chi?-square distribution. All other tests assume asymptotic normality.由上，我们可以看到所有的 P值都为 00.05，这样的话，很明显可以得出 2009年全国 31
20、个地区的各变量数据是平稳的。以此类推 2008年以及前几年的数据应该也是平稳的。（四）各变量之间多重共线性检验各解释变量的相关系数矩阵SUNTEMPRAINSEEDLABORSUN1TEMP-0.641-RAIN-0.600.711SEED-0.19-0.070.0011LABOR-0.450.340.230.761如上表是相关解释变量的相关系数矩阵，从中可知选择的各个解释变量之间的相关系数的绝对值都小于 0.8，说明各个因素之间没有多重共线性，即没有很强的相关性。即 temp与 sun，rain 和 sun，labor 和 sun，temp 和rain，temp 和 labor，seed 和
21、 labor之间是弱相关的，而 seed与 sun，seed和 temp，seed 和 rain，labor 和 rain之间则可认为无相关性。这样的话，这些变量都可以在后面的回归中进行解释。（五）计量分析结果1、对于上述的各变量，建立如下针对参数而言的线性回归模型：Output=c(1)+c(2)*sun +c(3)*temp +c(4)*rain +c(5)*seed +c(6)*labor +uhausman 检验当设置 Period的 Effects Specification 为 Random ，Cross-section 为None时 做 Correlated Random Eff
22、ects-Hausam tests 可得 P=0.1230.5 所以就拒绝 Period random 具体检验过程如下所示：Correlated Random Effects - Hausman TestEquation: UntitledTest period random effectsTest SummaryChi-Sq. StatisticChi-Sq. 748650.1230* WARNING: estimated period random effects variance is zero.Period random effects test comparisons:Variab
23、leFixed?Random?Var(Diff.)?Prob.?SUN0.1398810.1510960.0000650.1648TEMP-4.905445-2.1092612.7418350.0913RAIN0.2031180.2048370.0001980.9028SEED0.3920660.4006550.0000100.0062LABOR0.3377250.3071350.0001330.0079Period random effects test equation:Dependent Variable: OUTPUTMethod: Panel Least SquaresDate: 0
24、1/02/12 Time: 18:19Sample: 2003 2009Periods included: 7Cross-sections included: 31Total panel (balanced) observations: 217VariableCoefficientStd. Errort-StatisticProb.?C-442.4519229.4616-1.9282170.0552SUN0.1398810.0689072.0299770.0437TEMP-4.9054458.969469-0.5469050.5850RAIN0.2031180.0822392.4698660.0143SEED0.392066
