最新对中国经济增长影响因素的实证分析

对中国经济增长影响因素的实证分析

对中国经济增长影响因素的实证分析

摘要：改革开放三十三年以来，中国的社会经济取得了飞速发展，经济增长速度更是举世瞩目。本文根据计量经济学、西方经济学和Eviews软件相关知识，采用时间序列数据模型和多元线性回归分析方法对1980-2009年（中国统计年鉴数据截止到2009年）三十年间中国经济增长因素进行研究，分析了物质资本、劳动力、消费对国内生产总值（GDP）的影响，建立计量经济学模型，寻求这些变量与国内生产总值的数量关系，进行定量分析，对模型进行检验，最终得出结论。

关键词：劳动力、投资、消费、经济增长、最小二乘法。

1.背景

经济增长是指一个国家生产商品和劳务能力的扩大。在实际核算中，常以一国生产的商品和劳务总量的增加来表示，即以国民生产总值（GDP）和国内生产总值的的增长来计算。

古典经济增长理论以社会财富的增长为中心，指出生产劳动是财富增长的源泉。现代经济增长理论认为知识、人力资本、技术进步是经济增长的主要因素。

从古典增长理论到新增长理论，都重视物质资本和劳动的贡献。物质资本是指经济系统运行中实际投入的资本数量.然而，由于资本服务流量难以测度，在这里我们用全社会固定资产投资总额（亿元）来衡量物质资本。中国拥有十

三亿人口，为经济增长提供了丰富的劳动力资源。因此本文用总就业人数（万人）来衡量劳动力。居民消费需求也是经济增长的主要因素。

经济增长问题既受各国政府和居民的关注,也是经济学理论研究的一个重要方面。在1978—2008年的31年中,我国经济年均增长率高达9.6%,综合国力大大增强,居民收入水平与生活水平不断提高,居民的消费需求的数量和质量有了很大的提高。但是,我国目前仍然面临消费需求不足问题。

本文将以中国经济增长作为研究对象，选择时间序列数据的计量经济学模型方法，将中国国内生产总值与和其相关的经济变量联系起来，建立多元线性回归模型，研究我国中国经济增长变动趋势，以及重要的影响因素，并根据所得的结论提出相关的建议与意见。用计量经济学的方法进行数据的分析将得到更加具有说服力和更加具体的指标，可以更好的帮助我们进行预测与决策。因此，对我国经济增长的计量经济学研究是有意义同时也是很必要的。

2.模型的建立

为了具体分析各要素对我国经济增长影响的大小，我们可以用国内生产总值（Y ）这个经济指标作为研究对象；用总就业人员数（1X ）衡量劳动力；用固定资产投资总额(2X )衡量资本投入：用价格指数（3X ）去代表消费需求。运用这些数据进行回归分析。

这里的被解释变量是，Y ：国内生产总值，

与Y-国内生产总值密切相关的经济因素作为模型可能的解释变量，共计3个，它们分别为：

1X 代表社会就业人数， 2X 代表固定资产投资， 3X 代表消费价格指数，

μ代表随机干扰项。

模型的建立大致分为理论模型设置、参数估计、模型检验、模型修正几个步骤。如果模型符合实际经济理论并且通过各级检验，那么模型就可以作为最终模型，可以进行结构分析和经济预测。

2.1理论模型的确定

通过变量的试算筛选，最终确定以以下变量建立回归模型。

被解释变量Y：国内生产总值,

解释变量

X:代表社会就业人数，

1

X:代表固定资产投资，

2

X:代表消费价格指数，

3

另外，从经济意义上来说，社会就业人数、固定资产投资和消费价格指数这三个宏观经济指标基本反映了我国经济发展状况，因此也就很大程度上决定了经济增长水平。单从经济意义上讲，变量的选择是正确的。而且，就直观上来说，解释变量与被解释变量都是相关的，这三个解释变量都是经济增长的“良性”变量，它们的增长都对我国经济增长起着积极的推动作用，这一点可以作为模型经济意义检验的依据。

表1：被解释变量与解释变量1980-20009数据

资料来源：《中国统计年鉴》。

首先，检查被解释变量和解释变量之间的线性关系是否成立。观察被解释变量与解释变量之间的散点图。

X的散点图

图1：被解释变量Y与解释变量

1

X之间基本呈线性关由图中趋势线可以判断，被解释变量Y与解释变量

1

系。

X的散点图

图2：被解释变量Y与解释变量2

X之间基本呈线性关由图中趋势线可以判断，被解释变量Y与解释变量

2

系。

X的散点图

图3：被解释变量Y与解释变量

3

X之间基本呈线性关由图中趋势线可以判断，被解释变量Y与解释变量

3

系。再通过变量之间的相关系数判断。

表2：被解释变量与解释变量相关系数表

Covariance Analysis: Ordinary

Date: 1/7/15 Time: 13:05

Sample: 1980 2009

Included observations: 30

X2 5.05E+09 4.52E+08 2.99E+09 0.981058 0.717394 1.000000

X3 -197583.1 -20469.67 -102814.7 41.73889

-0.325058

-0.274607

-0.291137

1.000000

看到被解释变量Y 与解释变量1X ，2X ，3X 之间具有较高的相关性。 通过散点图和相关系数表的判断，可以判断被解释变量和解释变量之间具有明显的相关线性关系。同时通过被解释变量与解释变量的相关图形分析，设置理论模型为：

μββββ++++=3423121X X X y

2.2 建立初始模型——OLS 2.2.1 使用OLS 法进行参数估计

表3： 普通最小二乘法参数估计输出结果

Dependent Variable: Y

Method: Least Squares Date: 1/7/15 Time: 14:23 Sample: 1980 2009 Included observations: 30

Coefficient Std. Error t-Statistic Prob. X1 1.934840 0.215990 8.957997 0.0000 X2 1.382559 0.045823 30.17169 0.0000 X3 -379.2654 280.8999 -1.350180 0.1886 C -49822.31 33676.59 -1.479434 0.1510 R-squared 0.991233 Mean dependent var 85749.31 Adjusted R-squared 0.990221 S.D. dependent var 95692.85 S.E. of regression 9462.951 Akaike info criterion 21.27172 Sum squared resid 2.33E+09 Schwarz criterion 21.45855 Log likelihood -315.0758 Hannan-Quinn criter. 21.33149 F-statistic 979.8468 Durbin-Watson stat 1.178143 Prob(F-statistic) 0.000000

得到初始模型为：

3212654.379382559.1934840.131.49822X X X y -++-=