论文题目:影响经济增长因素的分析
学生姓名:
学 号:
专 业:
班 级:
指导教师:
完成日期: 2010年 7月 1日
我国经济增长因素分析
内容摘要
本文引入资本形成总额、最终消费和净出口三个解释变量, 以支出法GDP核算理论为基础,运用应用回归所学的方法,分析国内生产总值这一被解释变量与之的关系.从中国的实际情况出发,在利用2007年度截面数据分析的基础上,又引入1999年各地的截面数据进行对比分析,进而分析各因素对国内生产总值的不同程度的影响及其原因,最后提出我们的一些观点。
关键词:SNA 国内生产总值 经济增长
一 序言 4
二 模型设定 4
(一)变量的选取 4
(二)数据收集 4
三 估计参数 5
四 模型检验 5
(一)经济意义检验 5
(二)统计推断检验 5
(三)回归检验 5
五 模型应用 6
六 性建议 6
(一)努力扩大消费,增加经济的稳定性 7
(二)稳步增加投资,提高企业的创新能力 8
(三)积极发展对外贸易,强化经济增长的“发动机” 8
参考文献 10
附录 11
一 序言
发展经济学理论认为,一国的经济增长是指一个国家的产品和劳务数量的增加,或按人口平均的实际产出的增加,通常以国内生产总值(GDP)或它的人均数值来衡量。随着中国经济的迅速发展和实力的不断增强,国内外经济学家越来越关心反映中国经济发展的国民经济核算,特别是国内生产总值核算.
国民经济是一个极其复杂的运行系统,各经济变量之间存在着错综复杂的联系.国民经济核算是对国民经济运行过程和结果的核算,是从定量角度描述经济活动和经济循环的有力工具,是整个经济统计的核心。目前,世界通常采用的国民经济核算体系是联合国在1993年新修订的国民经济账户体系(SNA)。
长期以来,投资需求、消费需求、出口需求不同程度地刺激了国民经济的增长,通常被称为拉动经济增长的“三驾马车”,所以研究三者与国民经济增长之间的关系具有十分重要的经济意义。
支出法GDP是指,一个国家或地区所有常住单位在一定时期内用于最终消费、资本形成总额,以及货物和服务的净出口总额,它反映本期生产的国内生产总值的使用及构成。最终消费分为居民消费和消费.其中,居民消费是指常住住户墩货物和服务的全部最终消费支出.消费是指,部门为全社会提供公共服务的消费支出或免费或以较低价格向住户提供的货物和服务的净支出.资本形成总额是指常住单位在一定时期内获得的减去处置的固定资产家存货的变动,包括固定资本形成总额或存货增加.固定资本形成总额是指常住单位购置、转入和资产自用的固定资产,扣除固定资产的销售和转出后的价值,包括有形固定资产形成总额和无形固定资产形成总额.货物和服务净出口是指货物和服务出口间货物和服务进口的差额。
众所周知,GDP核算存在不可避免的缺陷,但是不可否认的是,这是现存最合理的一种核算方式。改革开放30年来,中国的经济增长引起了世界的关注,在人们津津乐道“东方睡狮”崛起的同时,似乎我们更应该着重分析这种现象背后的原因。由于我们分析视角的局限性,不可能面面俱到。在此,我们运用计量经济学的方法,采用1999年和2007年的中国各地区的截面数据,试图从支出法国内生产总值核算出发对我国经济增长的影响因素进行一些实证分析。
二 模型设定
(一)变量选取
Y----------GDP总额
X1----- 最终消费
X2------资本形成总额
X3-------货物和服务净出口
μ------随机扰动项
βi-------待估参数 (i=1,2,3)
建立模型为:
Yi =β0 +β1 X1 +β2 X2+β3 X3 +μ
其中βi > 0 ( i = 1 , 2 , 3)
(二)数据收集
变量采用截面数据,样本期为:1999年和2007年。具体数据(现价计算)如下:
注:表1,表2数据分别来自2008年和2000年《中国统计年鉴》
对数据分别作Y与X1、Y与X2、Y与X3的散点图如下:
从散点图上看出:Y与X1、X2、X3均呈正线性相关关系。
三 估计参数
首先采用2007年数据,进行如下分析:
假设模型中随机误差项Ui满足古典假设,运用OLS方法估计模型的参数,利用计量经济计算机软件Eviews计算可得如下结果(见附表3):
回归方程为:
Y = - 0.056877 + 1.000356X1 + 0.999513X2 + 0.999400X3
(0.4392)(0.000380) (0.000444)(0.000969)
t=(-0.129562)(2635.343) (2251.705)(1031.197)
R2=1.000000 F=79840870
四 模型检验
(一)经济意义检验
由回归估计结果可以看出,最终消费、资本形成总额、净出口与GDP的增长线性正相关,这与现实中GDP随最终消费、资本形成总额、净出口的增加而增长是相符的。
(二)统计推断检验
从估计的结果可以看出,可决系数R2=1.000000, F统计量=79840870,表明模型在整体上拟合地比较理想。系数显著性检验:给定α=0.05,明显地,X1、X2、X3的t的P值小于给定的显著性水平,拒绝原假设,接受备择假设,表明最终消费、资本形成总额、净出口对国内生产总值有显著性影响。
X1、X2、X3的T值明显地显著,所以,X1、X2、X3对Y的影响也是显著的。
(三)回归检验
1.多重共线性检验:
由表3可看出,模型整体上线性回归拟合较好,R^2很大,F值,t值均大于给定显著性水平下临界值,则说明该模型不存在多重共线性.
2.异方差检验:采用WHITE检验(见表4)
由检验结果可得F=0.807696 Obs*R-squared= 7.971458 查分布表得χ20.05(3)=7.81473< Obs*R-squared= 7.971458,则接受H1,表明随机误差μt存在异方差。
用WLS估计法对异方差进行修正,取权数w=1/e^2 由EVIEWS操作得:(见附录表5)
所以,修正后的模型为:
Y =-0.003872 + 1.000014X1+0.999982X2+0.999973X3
(0.004204)(2.07E-05)(2.85E-05)(3.65E-05)
T =(-0.921002)(48206.21) (35032.30)(27405.22)
R2=1.000000 F=4.11E+12
3.自相关检验:
根据附表5估计的结果,DW=2.213957,在给定显著性水平为0.05,n=31, k=3时,查Durbin-Waston表得下限临界值dL=1.229,上限临界值du=1.650,可见DW统计量du=1.650<2.213957<4-du=2.350,由此可判断模型不存在自相关。
通过以上对2002年数据的分析,我们得出如下方程:
Y =-0.003872 + 1.00001X1 + 0.99998X2 + 0.99997X3
(0.004204)(2.07E-05)(2.85E-05) (3.65E-05)
t=(-0.921002) (48206.21) (35032.30) (27405.22)
R2=1.000000 F=4.11E+12
接着我们引入1999年的数据,运用相同的方法进行分析,最终模型为:
Y = 0.010588 + 0.999909X1+1.000092X2+0.999903X3
(0.052450)(7.25E-05) (4.22E-05)(0.000239)
T = (0.201872) (13785.01) ( 23698.92) ( 4185.566)
R^2=1.000000 F=6.88E+08
五 模型应用
从1993年开始中国取消使用MPS体系核算GDP,而代之以单一的SNA体系。
从两个模型的对比分析来看,各变量前的系数相差很小,这表明最终消费、资本形成总额、货物和服务的净出口对GDP的影响是趋于稳定的,从而保证了模型在很大程度上存在稳定性。同时,我们可以很明显地看出“三驾马车”对GDP存在不相上下的影响,其系数都非常接近1。
上世纪90年代末,中国部分地区出现了经济过热现象,特别是在房地产领域的投资大大增加,故1999年的资本形成总额对GDP的贡献相比其他两因素要稍大。
而在2007年的模型中,最终消费对GDP的影响相对较大,原因可能是自2003年以来连续几年国家宏观中一直强调扩大内需,鼓励消费,而且人们的消费习惯、消费观念都发生了变化,引起边际消费倾向的提高。
另外,07年净出口对GDP的影响也相对有所提升.原因主要有三个方面:首先,入世效应得到极大释放:入世后明显放宽民营企业的出口经营权,使得民营企业出口量呈现迅猛增长的良好形式;二是入世使国外特别是发达国家对我国出口的明显减少,刺激了我国具有明显比较优势的产品如家电,纺织品的出口;三是公司加快将制造业基地向我国转移,导致外商投资企业出口增长加快。其次,2007年初国家明显加大了推行出口货物免、抵、退税范围,加上一些地区纷纷采取措施刺激出口增加,极大得调动了企业的出口积极性。另外,美元的阶段性贬值对我国扩大出口也产生了积极影响。人民币与美元挂沟,美元对欧元、日元等主要世界货币的贬值,意味着人民币对其贬值,从而在一定程度上刺激出口。
本文引入1999年的数据做对比,希望能从中发现问题,得出一些有意义的结论,进而提出建议。但遗憾的是,当我们把两年的最终模型确定下来时,却发现二者差距甚小,这充分说明:我国在引进SNA体系初期,就已经实现了核算体系的成功转变。
由于经济理论知识的欠缺,因此不能作出深层次的的经济分析。本论文的着重点并非在结论,而在于利用计量经济学这种定量的分析方法,解决现实中的问题。
六 性建议
经济的周期性波动是经济运行过程中本质的、内在的、固有的规律,它是经济自身运行与相互作用的结果和反应,因此,在经济生活中,我们不仅要善于把握它,而且更重要的是我们要善于利用它。
努力扩大消费,增强经济的稳定性。在经济运行的“三架马车”中,消费需求的增长最稳定,最持久。从稳定经济增长的角度思考,应该逐步扩大消费需求。要净化消费环境,提高城乡居民收入,积极扩大消费。
实证分析的结论是消费、投资和净出口——这“三驾马车”对我国GDP确实产生了显著的影响,其中,最终消费对经济增长的拉动作用最大,投资次之,净出口的作用相对较小。尤其在2008年以来金融危机全球蔓延的情况下,外部需求急剧萎缩,出口企业订单减少,产量下降,经营陷入窘境锐减,投资信心不足,投资和净出口的拉动力度正在减缓,由此所带来的经济增长后劲相对减弱。因此,我国要审时度势协调好“三驾马车”。
(一)努力扩大消费,增强经济的稳定性
在经济运行的“三架马车”中,消费需求的增长最稳定,最持久。从稳定经济增长的角度思考,应该逐步扩大消费需求。要净化消费环境,提高城乡居民收入,积极扩大消费。消费是促进经济增长的最终动力,也是发展生产的最终目的,消费水平的提高是人民生活水平得到改善的重要标志。要加强消费对经济增长的拉动作用,就要抓住消费升级的机会,要加快结构升级与优化资源配置,减轻工业化对资源和生态环境造成的压力,走出一条可持续发展的新型工业化之路。
(二)稳步增加投资,提高企业的创新能力
要坚持有效的投资,不要简单的求规模。对行业进入标准要严加控制,不能让高能耗、高污染的项目卷土重来,导致新的产能过剩。创造良好投资环境,多渠道吸引资金,并注重招商引资的质量;采取各种措施拓展民间资本进入领域,激活民间投资,促进经济快速增长;引导企业加大研究开发力度,提升企业创新能力,增强产品的国际竞争力。在保持高投资效率的同时,既要保证经济增长,又要提高经济增长的质量,转变经济增长的方式。与此同时,还应该把此次的金融危机,作为加快产业结构转型升级的一个机遇,实现可持续发展的必经之路。在当前宏观背景下,驾驭好投资这驾“马车”当务之急是提高效率,使有效的资金投入发挥出最大的经济增长动能。比如改善创业创新环境,培育文化创意、总部经济等新产业门类及新型经济业态;创新金融工具,保障成长型产业企业的资金需求。
(三)积极发展对外贸易,强化经济增长的“发动机”
从出口需求看,要增强外需对经济增长的拉动作用,克服世界金融危机、贸易摩擦加剧及世界经济增长减缓对出口市场的影响,调整和优化出口商品结构,提高出口商品的竞争力。推动外贸增长方式转型升级,由原先的粗放型、低成本扩张为主向品牌型、高效益增长为主转变。继续实施多元化市场战略,努力扩大市场份额。要以长远目光和开阔视野,在全球生产体系中重新确立自身的科学定位。鼓励企业创新,加大扶持力度,提高出口盈利水平。积极培育出口骨干企业和企业集团,继续调整出口结构,不断提高出口商品的技术含量和附加值水平,大力实施名牌战略,走精品之路。
综上所述,“三驾马车”——消费、投资、净出口贸易是我国经济增长的源动力。因此,“三驾马车”每个要素的作用都不可忽视,同时还要注意三者之间的相互作用。
参考文献
[1].朱保华.新经济增长理论.[M]上海:上海财经大学出版社,1999
[2].康赞亮,张必松.FDI国际贸易及我国经济增长的协整分析与VECM模型.[J]国际贸易问题,2006,(2)
[3].刘金全,于惠春.我国固定资产投资和经济增长之间影响关系的实证分析.[J]统计研究,2002,(1)
[4].刘学武.投资、消费、国际贸易与中国经济增长 19- 1999 年经验分析.[J]世界经济2002,(9)
[5].庞皓 《计量经济学》 科学出版社
[6].朱钰,杨殿学《统计学》 西北工业大学出版社
附录
图1
表1 2007年数据(单位:亿元)
地区 | GDP | 最终消费 | 资本形成总额 | 货物和服务净出口 |
北京 | 3212.71 | 1699.81 | 2010.02 | 497.12 |
天津 | 2051.16 | 990.21 | 1055.17 | 5.78 |
河北 | 6122.53 | 2819.62 | 2660.93 | 1.98 |
山西 | 2042.14 | 1184.01 | 919.23 | -61.11 |
内蒙古 | 1763.37 | 1092.48 | 847. | -177 |
辽宁 | 5458.22 | 3031.47 | 1835.54 | 591.21 |
吉林 | 2317.68 | 1444.68 | 8.45 | -25.45 |
黑龙江 | 3828.93 | 2287.75 | 1322.37 | 218.81 |
上海 | 5408.76 | 2455.67 | 2409.39 | 543.7 |
江苏 | 10532.81 | 4801.91 | 4808.67 | 922.23 |
浙江 | 7790 | 3741.66 | 3467.46 | 586.88 |
安徽 | 3569.09 | 2262.95 | 1310.3 | -4.76 |
福建 | 4620.47 | 2434.05 | 2119.58 | 66.84 |
江西 | 2460.49 | 1459.65 | 999.28 | 1.56 |
山东 | 10552.06 | 5021.15 | 4940.67 | 590.24 |
河南 | 6168.73 | 3441.71 | 2546.46 | 180.56 |
湖北 | 4860.92 | 2669.7 | 1994.77 | 196.45 |
湖南 | 4340.94 | 2762.95 | 1572. | 5.1 |
广东 | 11769.72 | 6701.15 | 4156.67 | 911.9 |
广西 | 2455.36 | 1698.54 | 877.93 | -121.11 |
海南 | 603.88 | 331.22 | 275.99 | -3.33 |
重庆 | 2020.38 | 1228. | 990.05 | -198.56 |
四川 | 4875.12 | 24.1 | 1976.68 | 4.34 |
贵州 | 1185.06 | 0.31 | 9.33 | -354.59 |
云南 | 2232.32 | 1526.25 | 887.49 | -181.42 |
174.72 | 99.95 | 72.19 | 2.58 | |
陕西 | 2035.96 | 1109.11 | 1107.7 | -180.85 |
甘肃 | 1165.94 | 679.32 | 538.62 | -52 |
青海 | 337.76 | 221.55 | 245.84 | -129.58 |
宁夏 | 329.28 | 249.26 | 245.22 | -165.2 |
1598.28 | 948.92 | 8.27 | -214.91 |
地区 | GDP | 最终消费 | 资本形成总额 | 货物和服务净出口 |
北京 | 1318.6 | 396.29 | 902.63 | 19.68 |
天津 | 725.14 | 323.76 | 430.9 | -29.52 |
河北 | 2147.49 | 1019.29 | 884.46 | 243.74 |
山西 | 857.63 | 494.91 | 385.71 | -22.99 |
内蒙古 | 681.92 | 406.88 | 331.11 | -56.07 |
辽宁 | 2461.78 | 1239.61 | 1024.66 | 197.57 |
吉林 | 944.44 | 577.59 | 3.93 | -23.08 |
黑龙江 | 1617.83 | 1019.21 | 566.21 | 32.41 |
上海 | 1971.92 | 873. | 1151.61 | -53.58 |
江苏 | 4000.9 | 1721.45 | 2018.95 | 260.5 |
浙江 | 2666.86 | 1173.68 | 1185.74 | 307.44 |
安徽 | 1488.47 | 882. | 598.87 | 6.96 |
福建 | 1685.34 | 936.2 | 756.34 | -7.2 |
江西 | 944.75 | 597.09 | 368.62 | -20.94 |
山东 | 3810.03 | 18.34 | 1784.62 | 136.07 |
河南 | 2224.43 | 1198.86 | 883.44 | 142.13 |
湖北 | 15.71 | 1058.13 | 746.91 | 90.67 |
湖南 | 1694.42 | 1113.62 | 581.52 | -0.72 |
广东 | 4329.65 | 2182.43 | 1981.07 | 76.15 |
广西 | 1241.83 | 817.21 | 477.82 | -53.2 |
海南 | 330.95 | 156.47 | 224.17 | -49.69 |
四川 | 2776.54 | 1699.41 | 10.07 | 13.06 |
贵州 | 517.96 | 388.91 | 154.55 | -25.5 |
云南 | 973.97 | 570.45 | 433.59 | -30.07 |
46.76 | 32.74 | 23.07 | -9.05 |
陕西 | 816.58 | 570.34 | 398.55 | -152.31 |
甘肃 | 451.66 | 319.11 | 177.63 | -45.08 |
青海 | 138.25 | 92.17 | 60.1 | -14.02 |
宁夏 | 134.23 | 95.17 | 69.12 | -30.06 |
673.68 | 375.2 | 487.55 | -1.07 |
Dependent Variable: Y | ||||
Method: Least Squares | ||||
Sample: 1 31 | ||||
Included observations: 31 | ||||
Variable | Coefficient | Std. | t-Statistic | Prob. |
C | -0.056877 | 0.4392 | -0.129562 | 0.79 |
X1 | 1.000356 | 0.000380 | 2635.343 | 0.0000 |
X2 | 0.999513 | 0.000444 | 2251.705 | 0.0000 |
X3 | 0.999400 | 0.000969 | 1031.197 | 0.0000 |
R-squared | 1.000000 | Mean dependent var | 3802.735 | |
Adjusted R-squared | 1.000000 | S.D. dependent var | 3061.555 | |
S.E. of regression | 1.083501 | Akaike info criterion | 3.118187 | |
Sum squared resid | 31.69732 | Schwarz criterion | 3.303217 | |
Log likelihood | -44.331 | F-statistic | 79840870 | |
Durbin-Watson stat | 2.485296 | Prob(F-statistic) | 0.000000 |
White Heteroskedasticity Test: | ||||
F-statistic | 0.807696 | Probability | 0.614457 | |
Obs*R-squared | 7.971458 | Probability | 0.537025 | |
Dependent Variable: RESID^2 | ||||
Method: Least Squares | ||||
Sample: 1 31 | ||||
Included observations: 31 | ||||
Variable | Coefficient | Std. | t-Statistic | Prob. |
C | -2.773926 | 3.787260 | -0.732436 | 0.4720 |
X1 | 0.002419 | 0.006708 | 0.360583 | 0.7220 |
X1^2 | -8.68E-06 | 7.14E-06 | -1.2156 | 0.2373 |
X1*X2 | 1.95E-05 | 1.78E-05 | 1.094762 | 0.2860 |
X1*X3 | 9.92E-06 | 1.45E-05 | 0.682590 | 0.5023 |
X2 | 0.002276 | 0.0052 | 0.254209 | 0.8018 |
X2^2 | -1.19E-05 | 1.03E-05 | -1.159783 | 0.2592 |
X2*X3 | -3.51E-06 | 1.07E-05 | -0.328381 | 0.7459 |
X3 | -0.010874 | 0.017150 | -0.634056 | 0.5329 |
X3^2 | -7.93E-06 | 2.43E-05 | -0.326124 | 0.7476 |
R-squared | 0.257144 | Mean dependent var | 1.022494 |
Adjusted R-squared | -0.061223 | S.D. dependent var | 4.906502 | |
S.E. of regression | 5.054467 | Akaike info criterion | 6.334118 | |
Sum squared resid | 536.5004 | Schwarz criterion | 6.796695 | |
Log likelihood | -88.17884 | F-statistic | 0.807696 | |
Durbin-Watson stat | 2.007909 | Prob(F-statistic) | 0.614457 |
White Heteroskedasticity Test: | ||||
F-statistic | 0.807696 | Probability | 0.614457 | |
Obs*R-squared | 7.971458 | Probability | 0.537025 | |
Test Equation: | ||||
Dependent Variable: RESID^2 | ||||
Method: Least Squares | ||||
Sample: 1 31 | ||||
Included observations: 31 | ||||
Variable | Coefficient | Std. | t-Statistic | Prob. |
C | -2.773926 | 3.787260 | -0.732436 | 0.4720 |
X1 | 0.002419 | 0.006708 | 0.360583 | 0.7220 |
X1^2 | -8.68E-06 | 7.14E-06 | -1.2156 | 0.2373 |
X1*X2 | 1.95E-05 | 1.78E-05 | 1.094762 | 0.2860 |
X1*X3 | 9.92E-06 | 1.45E-05 | 0.682590 | 0.5023 |
X2 | 0.002276 | 0.0052 | 0.254209 | 0.8018 |
X2^2 | -1.19E-05 | 1.03E-05 | -1.159783 | 0.2592 |
X2*X3 | -3.51E-06 | 1.07E-05 | -0.328381 | 0.7459 |
X3 | -0.010874 | 0.017150 | -0.634056 | 0.5329 |
X3^2 | -7.93E-06 | 2.43E-05 | -0.326124 | 0.7476 |
R-squared | 0.257144 | Mean dependent var | 1.022494 | |
Adjusted R-squared | -0.061223 | S.D. dependent var | 4.906502 | |
S.E. of regression | 5.054467 | Akaike info criterion | 6.334118 | |
Sum squared resid | 536.5004 | Schwarz criterion | 6.796695 | |
Log likelihood | -88.17884 | F-statistic | 0.807696 | |
Durbin-Watson stat | 2.007909 | Prob(F-statistic) | 0.614457 |
Dependent Variable: Y | ||||
Method: Least Squares | ||||
Date: 12/18/07 Time: 14:50 | ||||
Sample: 1 31 | ||||
Included observations: 31 | ||||
Weighting series: W | ||||
Variable | Coefficient | Std. | t-Statistic | Prob. |
C | -0.003872 | 0.004204 | -0.921002 | 0.3652 |
X1 | 1.000014 | 2.07E-05 | 48206.21 | 0.0000 |
X2 | 0.999982 | 2.85E-05 | 35032.30 | 0.0000 |
X3 | 0.999973 | 3.65E-05 | 27405.22 | 0.0000 |
Weighted Statistics | ||||
R-squared | 1.000000 | Mean dependent var | 2787.020 | |
Adjusted R-squared | 1.000000 | S.D. dependent var | 9970.881 | |
S.E. of regression | 0.007202 | Akaike info criterion | -6.9045 | |
Sum squared resid | 0.001401 | Schwarz criterion | -6.723914 | |
Log likelihood | 111.0886 | F-statistic | 4.11E+12 | |
Durbin-Watson stat | 2.141010 | Prob(F-statistic) | 0.000000 | |
Unweighted Statistics | ||||
R-squared | 1.000000 | Mean dependent var | 3802.735 |
Adjusted R-squared | 1.000000 | S.D. dependent var | 3061.555 | |
S.E. of regression | 1.154538 | Sum squared resid | 35.987 | |
Durbin-Watson stat | 2.213957 |