私家车拥有量计量分析设计报告

一、课程设计(综合实验)的目的与要求1.要求学生独立完成一个实证分析的完整过程，得到计量分析的实践训练。

2.培养学生获取信息和综合处理信息的能力、建立模型的能力、文字和语言表达的能力。

二、 设计（实验）正文1. 选题背景：随着市场经济的稳定繁荣和改革开放的深入发展，我国的经济经历了一个快速发展的时期。

经济的快速发展为汽车工业提供了巨大的发展空间，也为汽车厂商提供了巨大的市场。

但是私人汽车拥有量的增加也会对土地、能源、环境等产生巨大影响。

因此有必要对影响私人汽车拥有量的主要因素进行分析。

本文通过描述各相关因素对全国私家车拥有量的影响，从而提出相关的政策建议。

2. 文献综述：世界汽车工业发展规律表明．当一个国家的人均GDP 在1000～10000美元时，是汽车工业发展的黄金时期，并带动国民经济高速发展。

2001年我国人均GDP 达到1000美元，这预示着中国正处在汽车工业起飞的前期，市场需求表现出强劲的态势，汽车进入普通家庭已成为众所周知的事实，私家车开始步入普及化道路的里程碑。

1999年全国私人汽车拥有量仅533.88万辆，到2012年全国私人汽车拥有量已攀升至8838.60万辆。

汽车行业作为国民经济的支柱产业，消费者需求量直接影响整个行业的发展。

因此，不少学者从不同角度对我国私人汽车拥有量的影响因素进行了计量分析。

王珺(2009)选择了人均可支配收入1X ；公路里程2X ；原材料、燃料及动力购进价格指数（以1990年为基期）3X 作为自变量，私人汽车拥有量Y 作为自变量构建对数模型0112233l n l n l n l n Y X X X ββββμ=++++，利用eviews 进行计量分析，并得出结论：全国私家车拥有量与其人均可支配收入、公路里程和原材料、燃料及动力购进价格指数存在一定的函数关系。

张廷煦,马超（2013）除了增加了人口数量4X 这一自变量外，还将3X 定义为平均原油价格构造了新的模型011223344Y a a X a X a X a X μ=+++++且验证该模型能够较好地复合统计检验、计量经济学检验，并在序列相关性、多重共线性等方面也有很好的拟合度，总体上是一个较为成功的模型，有着切实的经济学意义，即人口数量也是影响私人汽车拥有量的因素之一。

孙燕红(2013)进一步细化影响因素，增加了全国汽车产量5X 和社会消费品零售额6X 这两个自变量建立模型：0112233445566ln ln ln ln ln ln Y X X X X X X βββββββμ=+++++++，利用eviews 软件进行分析得出：在上述模型下，原材料、燃料及动力购进价格指数（以1990年为基期）3X 这一变量是多余的，我国私人汽车需求量主要受人均可支配收入、公路里程、汽车产量、人口数量、社会消费品零售额的影响，而且均存在正向相关关系,并且人口数量是影响私人汽车需求量的最重要的因素。

此外，还提出以下政策建议：加快城镇道路化的发展，努力增加城镇人口数将有助于汽车需求量的增长；完善公共基础设施建设，加速全国公路建设，通过提高硬环境来增加汽车需求量；继续发展汽车产业，改进技术，降低成本，增加汽车产量，促进需求；居民消费水平有待进一步提高，这就要求国家出台一些偏向居民的收入分配政策，同时积极鼓励消费信贷的发展，增强居民消费能力，努力扩大内需，提高社会消费品零售额，间接带动购车需求。

3. 模型设定：依据收集到得数据，在私家车拥有量的实证分析中采用了影响私人汽车车拥有量的5个变量，分别是城镇居民人均可支配收入、公路里程、原材料、燃油及动力购进价格指数（以1990年为基期）、人口数量、全国汽车产量。

各变量均采用1990年至2012年的年度数据，建立对数回归模型如下：μββββββ++++++=55443322110ln ln ln ln lnX ln X X X X Y其中，Y 表示私人汽车拥有量（万辆）；1X 表示城镇居民人均可支配收入（元）；2X 表示公路里程（万公里）；3X 表示原材料、燃油及动力购进价格指数（以1990年为基期）；4X 表示人口数量（万人）；5X 表示全国汽车产量（万辆）；μ表示随机误差项。

选择以上变量出于如下考虑：截至目前，大部分私人汽车由城镇居民拥有，因此城镇居民人均可支配收入直接影响私人汽车拥有量；其次，公路作为汽车行驶的前提条件，其建设里程也成为居民购买车辆时的考虑因素；而且，汽油等燃油作为汽车使用的必需品，居民在购买私家车时也会考虑其价格，故选择原材料、燃油及动力购进价格指数（以1990年为基期）作为价格指标；人口数量的增加，也会促进私家车的拥有量的增加；当汽车产量增加即供给增加时，会导致汽车价格下降，从而导致汽车需求量增加，即汽车产量的增加也会导致私人汽车拥有量的增加。

4. 数据收集：根据中国统计年鉴的相关数据（具体见附表一）收集了从1990年至2010年的时间序列数据。

并利用eviews 对数据进行初步分析。

在eviews 中，建立group 对象，绘出对数散点图（见附录二），发现自变量和因变量之间基本呈线性关系。

5. 参数估计：利用eviews 对模型进行参数估计。

估计的结果为（详情见附录三）12345ln 79.12 1.144lnX 0.417ln 0.822ln 6.465ln 0.402ln Y X X X X μ=-++-+++Se: 27.14495 0.306718 0.122358 0.285563 2.440431 0.095609 t : -2.914737 3.729125 3.404484 -2.877523 2.649072 4.20476420.997500R = 1356.504F statistic -=6. 模型检验：LM 检验说明模型无序列相关，但是怀特异方差检验结果表明模型存在异方差。

因此我们要对模型进行加权最小二乘法修正。

（见附录三）7. 模型修正: 使用加权最小二乘法，权数为模型残差估计量的绝对值的倒数。

加权以后模型估计输出结果如下：（见附录四）12345ln 92.9860.970lnX 0.440ln 0.673ln 7.702ln 0.383ln Y X X X X μ=-++-+++Se: 13.28516 0.153587 0.059803 0.136645 1.190736 0.038171 t: -6.999221 6.312425 7.355663 -4.927226 6.468571 10.0438720.999434R = 5999.101F statistic =-此时再对模型进行序列相关和异方差检验，LM 检验和怀特检验输出结果如附录四，发现不存在序列相关和异方差。

由参数估计结果知，模型所有参数均显著，故认为不存在多重共线或多重共线影响较小。

因此该模型无序列相关，无异方差，无多重共线，满足经典假设。

我们认为该模型就是最终模型。

8. 经济意义解释：1X 、2X 、3X 、4X 、5X 的符号都与预期一致。

各个估计参数的经济意义如下：1X 的系数0.970表示在其他条件不变的情况下，城镇居民人均可支配收入每增加1%，我国私人汽车拥有量将增加0.97%；2X 的系数0.440表示在其他条件不变的情况下，公路里程每增加1%，我国私人汽车拥有量将增加0.44%；3X 的系数—0.673表示在其他条件不变的情况下，原材料、燃油及动力购进价格指数（以1990年为基期）每增加1%，我国私人汽车拥有量将减少0.673%；4X 的系数7.702表示在其他条件不变的情况下人口数量每增加1%，我国私人汽车拥有量将增加7.702%；5X 的系数0.383表示在其他条件不变的情况下全国汽车产量每增加1%，我国私人汽车拥有量将增加0.383%。

三、课程设计（综合实验）总结或结论1.由上述模型可以看出，目前影响私人汽车拥有量的因素主要是城镇居民人均可支配收入、公路里程、原材料、燃油及动力购进价格指数（以1990年为基期）、人口数量、全国汽车产量。

在其他条件不变的情况下，城镇居民人均可支配收入每增加1%，我国私人汽车拥有量将增加0.97%；在其他条件不变的情况下，公路里程每增加1%，我国私人汽车拥有量将增加0.44%在其他条件不变的情况下，原材料、燃油及动力购进价格指数（以1990年为基期）每增加1%，我国私人汽车拥有量将减少0.673%；在其他条件不变的情况下人口数量每增加1%，我国私人汽车拥有量将增加7.702%；在其他条件不变的情况下全国汽车产量每增加1%，我国私人汽车拥有量将增加0.383%。

2．建议：从模型中可以看出，私人汽车拥有量受城镇居民人均可支配收入和人口数量影响较大，而受其他因素影响较小。

因此，加快城镇化建设，放宽计划生育政策，增加人口数量，大力发展基础设施建设，降低汽油等燃料价格可以有效促进私人汽车拥有量的增加，即增加对汽车的需求量，从而带动汽车行业整个产业链的发展。

此外，政府应出台完善的政策来大力支持清洁能源汽车的研发及应用以改善由于私人汽车增加导致的环境问题，并完善道路设施设备，缓解交通堵塞问题，这样，即可以满足居民对汽车的需求，促进汽车行业的发展，也可以缓解由于汽车增加导致的环境污染、交通堵塞等问题。

四、参考文献[1] 孙燕红,我国私人汽车需求的计量经济模型分析,商情,2012(35)[2]王珺,我国私家车拥有量影响因素的计量分析,现代企业文化,2009(18)[3]张廷煦,马超,从中国统计数据看私人汽车发展状况,北京汽车,2013(5)附录（设计流程图、程序、表格、数据等）附录一：相关数据附录二：模型变量散点图附录三：估计结果Dependent Variable: LNYMethod: Least SquaresDate: 01/15/14 Time: 11:36Sample: 1990 2012Included observations: 23Coefficient Std. Error t-Statistic Prob.C -79.12038 27.14495 -2.914737 0.0097LNX1 1.143789 0.306718 3.729125 0.0017LNX2 0.416565 0.122358 3.404484 0.0034LNX3 -0.821714 0.285563 -2.877523 0.0104LNX4 6.464879 2.440431 2.649072 0.0169LNX5 0.402013 0.095609 4.204764 0.0006R-squared 0.997500 Mean dependent var 6.712539 Adjusted R-squared 0.996764 S.D. dependent var 1.438475 S.E. of regression 0.081823 Akaike info criterion -1.949062 Sum squared resid 0.113815 Schwarz criterion -1.652847 Log likelihood 28.41422 Hannan-Quinn criter. -1.874565 F-statistic 1356.504 Durbin-Watson stat 1.313922 Prob(F-statistic) 0.000000LM序列相关检验结果：Breusch-Godfrey Serial Correlation LM Test:F-statistic 0.835995 Prob. F(2,15) 0.4527 Obs*R-squared 2.306609 Prob. Chi-Square(2) 0.3156Test Equation:Dependent Variable: RESIDMethod: Least SquaresDate: 01/15/14 Time: 11:37Sample: 1990 2012Included observations: 23Presample missing value lagged residuals set to zero.Coefficient Std. Error t-Statistic Prob.C 6.964840 29.46535 0.236374 0.8163LNX1 -0.123725 0.345542 -0.358061 0.7253LNX2 0.001177 0.126057 0.009336 0.9927LNX3 0.251812 0.351327 0.716745 0.4845LNX4 -0.620701 2.653546 -0.233914 0.8182LNX5 -0.006080 0.101985 -0.059614 0.9533RESID(-1) 0.384373 0.317573 1.210343 0.2449RESID(-2) 0.113295 0.307579 0.368345 0.7178R-squared 0.100287 Mean dependent var 3.88E-15 Adjusted R-squared -0.319579 S.D. dependent var 0.071926 S.E. of regression 0.082624 Akaike info criterion -1.880829 Sum squared resid 0.102400 Schwarz criterion -1.485875 Log likelihood 29.62954 Hannan-Quinn criter. -1.781499 F-statistic 0.238856 Durbin-Watson stat 1.656213 Prob(F-statistic) 0.968373怀特异方差检验结果：Heteroskedasticity Test: WhiteF-statistic 3.951526 Prob. F(5,17) 0.0146 Obs*R-squared 12.36275 Prob. Chi-Square(5) 0.0301 Scaled explained SS 3.124667 Prob. Chi-Square(5) 0.6808Test Equation:Dependent Variable: RESID^2Method: Least SquaresDate: 01/15/14 Time: 11:38Sample: 1990 2012Included observations: 23Coefficient Std. Error t-Statistic Prob.C 1.708971 0.587375 2.909507 0.0098LNX1^2 0.002545 0.000815 3.122830 0.0062LNX2^2 0.001366 0.000545 2.506986 0.0226LNX3^2 -0.003019 0.001156 -2.612594 0.0182LNX4^2 -0.013185 0.004520 -2.917249 0.0096LNX5^2 -0.000628 0.000379 -1.655784 0.1161R-squared 0.537511 Mean dependent var 0.004948 Adjusted R-squared 0.401485 S.D. dependent var 0.004867 S.E. of regression 0.003765 Akaike info criterion -8.106525 Sum squared resid 0.000241 Schwarz criterion -7.810309 Log likelihood 99.22504 Hannan-Quinn criter. -8.032028 F-statistic 3.951526 Durbin-Watson stat 2.555148 Prob(F-statistic) 0.014650附录四：加权最小二乘法输出结果Dependent Variable: LNYMethod: Least SquaresDate: 01/15/14 Time: 11:34Sample: 1990 2012Included observations: 23Weighting series: W1Coefficient Std. Error t-Statistic Prob.C -92.98581 13.28516 -6.999221 0.0000LNX1 0.969509 0.153587 6.312425 0.0000LNX2 0.439890 0.059803 7.355663 0.0000LNX3 -0.673280 0.136645 -4.927226 0.0001LNX4 7.702359 1.190736 6.468571 0.0000LNX5 0.383380 0.038171 10.04387 0.0000Weighted StatisticsR-squared 0.999434 Mean dependent var 6.363881 Adjusted R-squared 0.999267 S.D. dependent var 5.922729 S.E. of regression 0.033935 Akaike info criterion -3.709273 Sum squared resid 0.019577 Schwarz criterion -3.413057 Log likelihood 48.65664 Hannan-Quinn criter. -3.634775 F-statistic 5999.101 Durbin-Watson stat 1.362381 Prob(F-statistic) 0.000000Unweighted StatisticsR-squared 0.997406 Mean dependent var 6.712539Adjusted R-squared 0.996643 S.D. dependent var 1.438475 S.E. of regression 0.083344 Sum squared resid 0.118085 Durbin-Watson stat 1.083261LM序列相关检验结果：Breusch-Godfrey Serial Correlation LM Test:F-statistic 0.899221 Prob. F(2,15) 0.4277 Obs*R-squared 2.462381 Prob. Chi-Square(2) 0.2919Test Equation:Dependent Variable: RESIDMethod: Least SquaresDate: 01/15/14 Time: 11:40Sample: 1990 2012Included observations: 23Presample missing value lagged residuals set to zero.Weight series: W1Coefficient Std. Error t-Statistic Prob.C -17.39937 19.74728 -0.881102 0.3922LNX1 -0.271108 0.254475 -1.065363 0.3036LNX2 -0.028121 0.064736 -0.434404 0.6702LNX3 0.225220 0.248683 0.905650 0.3794LNX4 1.571777 1.780631 0.882708 0.3913LNX5 0.030716 0.052537 0.584662 0.5675RESID(-1) 0.203021 0.187798 1.081058 0.2967RESID(-2) -0.188983 0.237691 -0.795079 0.4390Weighted StatisticsR-squared 0.107060 Mean dependent var 0.000405 Adjusted R-squared -0.309645 S.D. dependent var 0.029828 S.E. of regression 0.034138 Akaike info criterion -3.648596 Sum squared resid 0.017481 Schwarz criterion -3.253641 Log likelihood 49.95885 Hannan-Quinn criter. -3.549266 F-statistic 0.256920 Durbin-Watson stat 1.360959 Prob(F-statistic) 0.961658Unweighted StatisticsR-squared -0.041082 Mean dependent var -0.000730 Adjusted R-squared -0.526920 S.D. dependent var 0.073260 S.E. of regression 0.090526 Sum squared resid 0.122924Durbin-Watson stat 0.193544怀特异方差检验结果：Heteroskedasticity Test: WhiteF-statistic 1.445085 Prob. F(6,16) 0.2585 Obs*R-squared 8.083406 Prob. Chi-Square(6) 0.2321 Scaled explained SS 0.830374 Prob. Chi-Square(6) 0.9912Test Equation:Dependent Variable: WGT_RESID^2Method: Least SquaresDate: 01/15/14 Time: 11:41Sample: 1990 2012Included observations: 23Coefficient Std. Error t-Statistic Prob.C 0.001017 0.000150 6.789904 0.0000WGT^2 0.007641 0.054709 0.139673 0.8907 LNX1^2*WGT^2 5.21E-05 8.27E-05 0.629218 0.5381 LNX2^2*WGT^2 -2.14E-05 9.60E-05 -0.222908 0.8264 LNX3^2*WGT^2 -7.10E-05 0.000151 -0.468818 0.6455 LNX4^2*WGT^2 -6.21E-05 0.000418 -0.148674 0.8837 LNX5^2*WGT^2 -8.71E-06 4.50E-05 -0.193507 0.8490R-squared 0.351452 Mean dependent var 0.000851 Adjusted R-squared 0.108247 S.D. dependent var 0.000534 S.E. of regression 0.000504 Akaike info criterion -12.10221 Sum squared resid 4.06E-06 Schwarz criterion -11.75662 Log likelihood 146.1754 Hannan-Quinn criter. -12.01530 F-statistic 1.445085 Durbin-Watson stat 1.057918 Prob(F-statistic) 0.258479。