基于Eviews对影响粮食产量的因素进行分析

张斌

（太原科技大学 经济与管理学院 太原 030024）

摘要：影响粮食总产量的因素有很多，有的影响因素可能会对粮食产量的预测产生直接的影响，而有些因素的影响可以忽略。对粮食产量影响显著的因素是必须要考虑的，影响不是很显著的可以忽略。本文主要选取了农作物播种面积、农药使用量和有效灌溉面积来分析对粮食产量的影响,最后得出结论：农作物播种面积、农药使用量和有效灌溉面积对粮食产量都有影响，其中有效灌溉面积对粮食产量的影响最为显著。

关键词：粮食产量；线性回归模型；多重共线性；Eviews

一、 引言

无论在何时，粮食是人类生存基本的生活消费品，一个国家的粮食问题是关系到本国的国计民生的头等大事。我们知道，农业是国民经济发展的基础，粮食是基础的基础，因此粮食生产是关系到一个国家生存与发展的一个永恒的主题。分析近十年来的全国粮食产量并从中发现一些规律，有助于我们认识全国粮食产量的现状。粮食产量的高低不仅取决于农业生产要素的投入和农业科技的发展水平,而且受到政策、自然环境等诸多因素的影响。

随着我国工业化、城镇化的进一步推进，耕地总量将会减少，人地矛盾突出，人均耕地面积和人均粮食播种面积将会下降。我国的人均耕地面积每年以0.01亩的速度在减少；人均粮食播种面积从2004年开始虽然有增长，但增长非常缓慢，2006年终于达到了人均1.2亩的安全标准。受人口增长和耕地面积减少的双重影响，2007年以后人均粮食播种面积很难达到1.2亩的安全标准。我国缺粮人口的比率虽然不高，但缺粮人口的绝对数则比较大。2000年以来，虽然农村贫困人口除2004年有所增加外，其余年份都在减少，2000年为3500万人，2006年为 2280万人，但城市贫困人口却每年在增加，2000年城市贫困人口为1382万人，而到2006年增加到2200万人，2010年增加到5000万人。城市贫困人口的增加，更加大了我国粮食的不安全性.

                              

作者简介：张斌（1989-），太原科技大学经济与管理学院，研1405班，产业经济学专业，联系电话：18536662296，通讯邮箱：215467021@qq.com。

    本文主要选取了农作物播种面积、农药使用量和有效灌溉面积来分析对粮食

产量的影响，通过Eviews软件进行回归分析，得出相应相应结论，并且就如何提高我国粮食产量提出相关建议。

 

二、 文献综述

中国的粮食生产问题,不仅是中国经济界的重要研究课题,而且也越来越受到世界经济学家的重视。许多经济学家对这一问题进行了深入的研究,得出了许多重要的结论。目前国内学者研究这一问题时大多采用多元统计方法,或者是简单的计量模型，主要是从某一两个因素进行的分析，从而预测粮食产量的。《1978-2003年我国农业科技投入和粮食产量关系的计量分析》（杨剑波）一文是采用计量模型检验科技投入增长对粮食生产增长的影响、是否存在因果关系。主要用到的计量方法有协整分析、协整关系的检验与分析，向量误差修正模型(VEC模型)和动态调整模型。得到中国科技投入增长对粮食生产增长有显著影响的结论。美国学者布朗的一篇《谁来养活中国》的论文,曾引发了国内的大讨论。从国内粮食生产领域来看,2003年秋冬以来,粮价在多年低位徘徊后出现上涨,引发了新一轮对粮食问题的热烈讨论。而今年年初以来的农产品价格大幅上涨,尤其是猪肉价格的飙升,更引发了人们对我国食品安全问题的关注。

 

三、变量选择与研究方法

3.1变量选择和描述性统计分析

影响粮食产量的因素有很多，本文针对农作物播种面积、农药使用量和有效灌溉面积这三个因素做出研究分析，其中粮食产量为被解释变量，农作物播种面积、农药使用量和有效灌溉面积为解释变量。数据为2000-2012年间数据，共13个样本，如表1所示：

http://s10/mw690/001ZOwx9gy6Xcu1ttCFb9&690基于Eviews对影响粮食产量的因素进行分析" TITLE="44 基于Eviews对影响粮食产量的因素进行分析" />

 http://s7/mw690/001ZOwx9gy6Xcu8JaC236&690基于Eviews对影响粮食产量的因素进行分析" TITLE="44 基于Eviews对影响粮食产量的因素进行分析" />

3.2模型的设定

我们将数据录入到Eviews中后，我们可以作出粮食产量Y，与其影响因素农作物播种面积(X1)、农药使用量(X2)和有效灌溉面积(X3)之间的散点图，结果如图1所示：

    从图中可以看出，Y与X1、X2、X3都呈现较强的线性关系，即回归模型可初步设定为 

  http://s3/mw690/001ZOwx9gy6XcuiL7Kab2&690基于Eviews对影响粮食产量的因素进行分析" TITLE="44 基于Eviews对影响粮食产量的因素进行分析" />

 其中Y为粮食产量，X1为农作物播种面积，X2为农药使用量，X3为有效灌溉面积。然后利用已有数据对模型进行拟合，发现解释变量与被解释变量之间存在线性关系，则样本多元线性回归模型可设为：

http://s7/bmiddle/001ZOwx9gy6XcuwuZ2646&690基于Eviews对影响粮食产量的因素进行分析" TITLE="44 基于Eviews对影响粮食产量的因素进行分析" />                       

四、回归分析

4.1初步回归分析

    首先我们对变量用普通最小二乘法进行回归分析，得到表3的结果：

http://s2/mw690/001ZOwx9gy6XcuGeuLne1&690基于Eviews对影响粮食产量的因素进行分析" TITLE="44 基于Eviews对影响粮食产量的因素进行分析" />

式中，括号内数字表示对应参数的t统计量的值，R2表示判定系数，同时得出了F统计量和D.W.统计量。

4.2线性回归模型的检验

1.拟合优度检验

    拟合优度检验是来验证回归模型对样本观测值（实际值）的拟合程度，可通过R2统计量来检验。拟合优度R2的计算公式为

                                        http://s9/mw690/001ZOwx9gy6XcuRXHni88&690基于Eviews对影响粮食产量的因素进行分析" TITLE="44 基于Eviews对影响粮食产量的因素进行分析" />                             

其中ESS为回归平方和，TSS为总体平方和，RSS为残差平方和，R2值越大，说明模型对被解释变量（因变量）的拟合的越好，因变量的拟合值与实际值（观测值）越接近。

从回归结果可以看出，R2=0.96266，非常接近于1，说明模型的拟合度很好，从而说明农作物播种面积、农药使用量、有效灌溉面积能有效的解释粮食产量问题。

2.显著性检验

线性回归模型的显著性检验包括变量的显著性检验和方程的显著性检验两种。变量的显著性检验是通过分析t统计量完成的，因而也被称为t检验。方程的显著性检验是通过分析F统计量完成的，因为也被称为F检验。

（1）变量显著性检验（t检验）

在线性回归模型中，必须对每个解释变量进行显著性检验，即检验某个解释变量Xi是否对被解释变量Yi有显著性影响。由普通最小二乘法可以得到的统计结果可得表4所示：

http://s8/mw690/001ZOwx9gy6XcuZdoCbc7&690基于Eviews对影响粮食产量的因素进行分析" TITLE="44 基于Eviews对影响粮食产量的因素进行分析" />

（2）方程显著性检验（F检验）

方程的显著性检验可以判断方程的总体线性关系是否显著，推断模型中解释变量x与被解释变量y之间的线性关系在总体上是否成立，即检验方程（1）的参数。

通常情况下，可以通过F(F-statistic)值大小来判断是否通过F检验。如果P值大于给定的显著性水平，则该模型的线性关系不成立；如果P值小于给定的显著性水平，则说明该模型的线性关系成立。

在前面回归模型的输出结果中，F检验的结果如表5所示：

http://s7/mw690/001ZOwx9gy6Xcv4JPg226&690基于Eviews对影响粮食产量的因素进行分析" TITLE="44 基于Eviews对影响粮食产量的因素进行分析" />

 其中F统计量（F-statistic）的数值为77.35，P值为0.000001，在显著性水平为5%水平下，通过了检验，说明该模型的线性关系成立。
3.异方差检验

 异方差产生的原因主要来自于两方面。第一，模型中缺少某些解释变量，从而使得随机干扰项产生某种系统模式，而不是一个常数；第二，样本数据测量误差也是导致异方差的原因之一。

 当模型出现异方差时，用OLS（最小二乘估计法）得到的估计参数将不再有效；变量的显著性检验（t检验）失去意义；模型不再具有良好的统计性质，并且模型失去了预测功能。

 我们选取无交叉项的怀特（white）检验法，利用eviews得到怀特检验结果，如表6所示：

http://s3/mw690/001ZOwx9gy6Xcvcn4qu22&690基于Eviews对影响粮食产量的因素进行分析" TITLE="44 基于Eviews对影响粮食产量的因素进行分析" />

     最上方是怀特检验结果，第一行是F统计量（F-statistic）值及其P值，第二行是white统计量（Obs*R-squared）值及其P值。从上表中可以看出，white检验的P值为0.49，在显著性水平为10%的情况下，未通过检验，所以此模型不存在异方差性。
4.序列相关性检验

 线性回归模型的经典模型假设之一是模型的随机干扰项相互独立，当模型的随机干扰项不满足该假设时，称为存在序列相关性。

 序列相关性产生的原因主要有一下几个方面：

 1.经济现象所固有的惯性。大多数时间序列数据都具有一种显著的特征——具有惯性。诸如国内生产总值、就业、货币供给等时间序列都呈现周期性波动。

 2.模型设定偏误。模型设定偏误包含了两种个情况，一种是漏掉了重要的解释变量，另一种是错误的选择了回归模型的形式。

 3.数据处理的影响。我们在进行实证分析的时候，采用的公开数据大都不是原始数据，它们是通过已知数据采用内插或修匀得到的数据，这样新生成的数据和原始数据之间就可能存在内在的联系，产生序列相关性。

 当模型中出现了序列相关性时，用OLS（最小二乘估计法）得到的估计参数将不再有效；变量的显著性检验（t检验）失去意义；模型不再具有良好的统计性质，并且模型失去了预测功能。

 我们采用LM（拉格朗日乘数）法进行检验，首先我们检验是否存在一阶自相关性，我们得到如表7所示结果：

http://s3/mw690/001ZOwx9gy6Xcvlddrc52&690基于Eviews对影响粮食产量的因素进行分析" TITLE="44 基于Eviews对影响粮食产量的因素进行分析" />

5.多重共线性检验

 如果某两个或者多个解释变量之间出现了较强的近似相关性，并且是线性相关性，则称为多重共线性。一般地，产生多重共线性的原因主要有一下三个方面。

（1）经济变量之间存在内在联系，这是产生多重共线性的根本原因。例如在生产函数中，资本投入与劳动投入往往出现高度相关的情况，大企业的资金规模和劳动力投入量都很大，小企业则资金规模和劳动力规模都很小。事实上，多重共线性多半是由经济变量之间的内在联系引起的。

（2）经济变量在时间上具有相关的共同趋势。例如，以时间序列作为样本的经济模型中，在经济繁荣时期，各基本经济变量（收入、消费、投资、价格）都趋于增长；而在衰退时期，又同时趋于下降。根据一般经验，采用时间序列数据样本的多远线性回归模型往往存在多重共线性。

（3）解释变量中含有滞后变量。在经济计量模型中，往往需要引入滞后经济变量来反映真实的经济关系。由于变量前后期之值存在相互相关性，而滞后变量又作为单独的新解释变量包含在模型中，因此，滞后变量模型几乎都存在多重共线性。

 另外，样本资料的限制也是产生多重共线性的一个原因。由于完全符合理论模型所要求的样本数据较难收集，因此，特定样本可能存在某种程度的多重共线性。

 如果模型存在多重共线性问题，则变量的显著性检验（t检验）失去意义，并且模型失去了预测功能。另外，用OLS（普通最小二乘法）估计的参数不再有效。因为，如果两个变量间具有相关性，则其中一个变量可由另外一个变量线性表示，那么在回归模型中，解释变量前的系数不能正确地反映出各自与解释变量间结构关系，所以各自的系数失去了经济学上应具有的意义。有时会出现违背常理的现象，系数应该是正的，结果估计出来确实负的。

    首先我们使用相关矩阵来判断是否存在共线性，在Eviews软件中输入：COR Y X1 X2 X3，可得矩阵如表8下：

http://s11/mw690/001ZOwx9gy6XcvvdPmy6a&690基于Eviews对影响粮食产量的因素进行分析" TITLE="44 基于Eviews对影响粮食产量的因素进行分析" />

从上表中可以看出各解释变量之间的相关系数最小为0.738，都很接近于 1，可以认为模型存在多重共线性。下面我们将采用逐步回归法消除多重共线性问题。

分别做Y与X1、X2、X3间的回归，得到回归方程如下：

Y=-123964.8+1.112X1                                          （2）

   （0.004）（0.0003）

R2=0.703  F=26.02  D.W.=0.528

Y=9845.6+8.148X2                                               (3)

   (0.016)  (0.0000)

R2=0.9256  F=136.77  D.W.=1.212

Y=-34670.1+1.489X3                                              (4)

   (0.0001)  (0.0000)

R2=0.9518   F=217.29  D.W.=1.43

可见，粮食产量受有效灌溉面积影响最大，因此选择模型（4）作为初始回归模型，将其他解释变量逐个引入，寻找最优回归方程。

第一步：在初始模型中引入变量X1，然后进行OLS估计，模型拟合优度提高，但变量未通过显著性检验，所有模型中不该保留X1，估计结果如表9所示：

 

    第二步：在初始模型中引入变量X2，然后进行OLS估计，模型拟合优度提高，但变量未通过显著性检验，所有模型中不该保留X2，估计结果如表10所示：

 

     综上所述，变量X2和X3是多余的，因此最优粮食产量模型为Y=-34670.1+1.489X3 ，这个结果表明我国粮食产量主要与有效灌溉面积有关。

六、总结

根据以上讨论，农作物播种面积、农药使用量和有效灌溉面积对粮食产量都有影响，影响最直接最显著的是有效灌溉面积，所以想要提高粮食产量，提高有效灌溉面积、增加农作物播种面积、控制农药使用量是十分的重要。

我国作为人口大国，粮食产量是民生之本，增加粮食产量迫在眉睫。一方面，我们要通过增加播种面积来提高粮食产量，另一方面，通过提高粮食的有效灌溉面积，也能提高粮食产量。

 

 

【参考文献】 

1.严瑞珍.中国人眼中的中国粮食问题[J],经济经纬,1997(5)  

2.吴玉鸣.中国粮食生产主要影响因素的多因素动态关联分析[J],农业经济问题,1998(1) 

3.温铁军.“三农问题”的世纪反思[J],经济研究参考,2000(1)  

4.温铁军.21世纪的中国仍然是小农经济[J],国际经济评论,2000(11-12)  

5.1986年、1992年、1997年、2005年、2006年度中国统计年鉴[M],中国统计出版社 

6. 1999年中华人民共和国年鉴[M],中国统计出版社  

7.戚世均等.中国粮食生产潜力及未来粮食生产研究[J].郑州粮食学院学报,2000(3) 8.傅泽强等.中国粮食安全与耕地资源变化的相关分析[J].自然资源学报,2001(7) 

9.向书坚,李选举.时间数列模型在粮食产量预测中的应用.统计与决策,1997(10)  10.马承需.我国粮食单产和总产的预测.粮食经济研究,1990(3)(作者单位:中原工学院经济管理学院 河南郑州 450007)  

11. 1978-2003年我国农业科技投入和粮食产量关系的计量分析》（杨剑波） 

 

 

Based on the Eviews analysis on the influencing factors of grain production

Zhang Bin

(School of Economics and Management，Taiyuan University of Science and Technology，

Taiyuan 030024，China)

Abstract:There are many factors that can affect the total grain output, and some influence factors may directly impact on food production forecast, and the influence of some factors can be ignored.Impact on food production is significant factors must be considered, effect is not very significant can be ignored.This paper selected the crop planting area, pesticides and the effective irrigation area to analyze the influence on grain production, finally draw the conclusion: crop planting area, pesticides and effective irrigation area has influence on grain production, the effective irrigation area of the most significant impact on food production.

Keywords:Food production,Linear regression model,Multicollinearity,Eviews