我国公路客运量的研究报告

计量经济学课程论文

我国公路客运量的研究报告

信息管理与信息系统03级

指导老师：鲁万波

白一佳 40311006 陈华40311028

师群昌 40311020 王一竹40311062

张斯蕊 40311043 庄云40311065

我国公路客运量的研究报告

白一佳 陈华 师群昌 王一竹 张斯蕊 庄云

摘要：本文通过建立模型对影响我国公路客运量的因素进行了研究，通过Evies 对七个变量进行回归拟合，通过建立模型011223344556677t t Y X X X X X X X u ββββββββ=++++++++对样本数据进行回归，分析得到最终模型0122637 + + + t t Y X X X u ββββ=+，并在此基础上细分变量优化模型，引入虚拟变量对城市农村的影响情况进行对比分析，由此提出了最终模型的改进模型01227 + +t t Y X X u βββ=+，通过样本回归分析得出一定的结论，提出进一步探讨的问题。

关键词：公路客运量 OLS 回归 一．背景综述

改革开放后，我国国民经济持续高速发展，公路运输需求强劲增长，国家加大了公路基础设施的建设力度。随着道路环境的改善和城乡交流的日益频繁，公路客运量逐年提高。伴随着中国城市化的进程，城乡之间、城际之间的交流日益频繁，这直接支持了公路客运行业的发展。

公路客运在我国综合运输体系客运市场中发挥着举足轻重的作用，承担着90%以上的份额，因此对我国公路客运的研究就显得很有现实意义，通过研究我国从改革开放至今的公路客运量发展变化，可以从我国国民经济发展的一个侧面了解到我国二十多年来的交通运输、公共事业建设、人民生活水平、社会生产、流通、分配、消费各环节协调发展等诸多现实经济问题，对于提升个人对国家经济发展认识、研究分析的能力大有好处。

因此，本文以1978年为课题研究的时间起点，纵观中国公路、人口、人均收入、客运汽车产量、铁路、民航、水路运输客运量等众多因素对我国公路客运量的推动作用和影响，通过建立多元线性回归方程，进行实证分析，得出对我国公路客运量的显著影响因素。

二．模型变量选择及预测

在模型建立之初，我们选择了七个对公路客运量可能造成影响的因素：客运汽车总量、年底总人口、铁路客运量、水运客运量、民用航空客运量、公路长度及全国总人均收入。从经济常识的角度，初步认为，人口、人均收入作为国民经济衡量的基本要素对公路客运量应该有一定的影响；铁路客运、水运客运、民航客运与公路客运存在替代的经济关系，其三者的客运量要么与公路客运量有负相关的关系，要么与公路客运量的相关关系不大；客运汽车作为公路客运的硬件条件我们也将其引入模型，去考察客运汽车总量与客运量规模间的解释关系；而客运

0500000

10000001500000

100

200

300

400

500

X1Y

0500000

1000000

1500000

90000

100000110000120000130000

X2

Y

0500000

1000000150000080000

90000100000110000120000

X3

Y

0500000

1000000

1500000

15000

20000250003000035000

X4

Y

路线的丰富程度势必也将对公路客运量造成影响，在此我们用公路的长度去衡量客运路线的丰富程度。在以上分析的基础上，进行主观的预测，对公路客运量可能造成影响的因素有：年底总人口、全国总人均收入、铁路客运量、客运汽车总量。

三．模型分析

根据对经济现象的分析，建立如下模型描述：

011223344556677t t Y X X X X X X X u ββββββββ=++++++++ ○1

其中：

4152637t Y X X X X X X X ----------------公路客运量 水运客运量

客运汽车总量 民用航空客运量年底总人口 公路长度铁路客运量 全国总人均收入

（一）、对所选择的样本作散点图得个解释变量与被解释变量的关系如下系列图所示：

0500000

100000015000000

2000

4000

6000

8000

10000

X5Y

0500000

1000000

1500000

80

100

120

140160

180

200

X6

Y

0500000

1000000

1500000

500

10001500

2000

X7

Y

从图形看出所选择的解释变量x3与x4样本数据与所选择的被解释变量的样本数据间没有明显的相关性，其余解释变量与被解释变量间有明显的线性相关性。所以推测所建模型中x3和x4对y 的解释可能不显著。 （二）、样本模型的估计 1、模型估计

对所选择的样本数据运用OLS 法回归得：

Dependent Variable: Y

Method: Least Squares

Date: 12/16/05 Time: 15:08 Sample: 1 18

Included observations: 18

Variable Coefficient Std. Error t-Statistic Prob. C -1810996. 156801.2 -11.54964 0.0000 X1 -18.56917 178.2442 -0.104178 0.9191 X2 16.03173 1.778187 9.015772 0.0000 X3 3.797861 1.142434 3.324360 0.0077 X4 -2.628440 4.549093 -0.577794 0.5762 X5 10.88772 17.87922 0.608959 0.5561 X6 1357.762 726.4007 1.869164 0.0911 X7

349.1508

53.14040

6.570346

0.0001 R-squared

0.998779 Mean dependent var 941880.1 Adjusted R-squared 0.997924 S.D. dependent var 413515.1 S.E. of regression 18842.03 Akaike info criterion 22.82667 Sum squared resid 3.55E+09 Schwarz criterion 23.22239 Log likelihood

-197.4400 F-statistic

1168.282 Durbin-Watson stat

2.666635 Prob(F-statistic)

0.000000