影响我国汽车销量因素计量分析

影响我国汽车销量因素的计量分析
摘要
我国当今已然成为汽车产业大国，汽车销量无论对于研究产业发展还是消费变化都有着重大的意义，因此，本文在依据数据及以往理论分析的基础上，利用我国1994 到2004 年间的数据，探讨了影响汽车销量的五个因素，分别为：汽车产量、汽车进口量、原油价格、工业品出厂价格指数和人均国内生产总值，通过数据筛选，建立模型和模型修正，最终得到以下结论：汽车销量受汽车产量和原油价影响，且与汽车产量呈正相关，与原油价格呈负相关。

关键词：汽车产业，计量模型，政策建议
、引言
近一百二十年前，第一辆进口汽车驶入上海，自此，汽车逐渐成为中国百姓生活中的一部分。

十九世纪六十年我国自主研发了第一辆汽车——解放CA1 ，它的诞生有着里程碑式的意义，我国的
汽车工业也正是在这一时期起步，直到上世纪九十年代汽车才开始步入寻常百姓家中，直到今天，汽车已经成为居民生活不可或缺的一部分，汽车工业也成为我国的支付型产业之一。

2001 年我国汽车千人保有量仅为14 台, 2008 年汽车千人保有量为49 台。

2001 年轿车千人保有量仅为7. 8 台。

至2008 年上升到34 台。

2002 年成为汽车工业发展的私车普及年, 其标志是轿车产销量占汽车市场的比例跃升到34%的高位, 结束了轿车发展连续5 年徘徊在30%左右的局面。

从2002 年轿车占汽车比例突破30% 的平台到2006 年突破50% 的平台仅用了四年。

中国作为一个汽车大国，其市场在全世界范围内都有着举足轻重的地位，而对国内经济来说，汽车产业又是我国工业行业范围内的支柱性产业之一。

因此，对于汽车销量的分析成为进一步认识我国汽车产业的必然，本文通过建立多元回归的模型，运用计量的方法来分析影响我国汽车销量的各个因素。

、理论背景与研究假说
（一）汽车销量与产量
在诸多影响汽车销量的因素中，本文首先选择的是汽车产量这个变量。

随着我国经济的发展和人民生活水平的提高，我国人均汽车量有了飞速的提高，但拥有量还远远落后于世界平均水平，市场空间依然很大，我国汽车市场目前400 多万的销量仅仅相当于上世纪美国六七十年代的水平，并且我国的人口基数要比美国大得多，从收入最高的20%人口的收入水平来看，中国的汽车消费还远远未达到应有的水平，市场潜力依然存在；在经历了高速增长、价格大战等几次沉浮之后，中国汽车市场无论是厂商还是消费者都逐渐成熟，这种成熟会推动市场的稳定和平衡发展。

综合考虑这些因素，中国汽车市场会保持一个较大的增长势头稳步上升，因此，无论是国产车产量还是进
口量都会保持增长态势。

由此，本文提出如下假说：
假说1：汽车销量与产量显著相关。

随着汽车产量的增长，汽车销量必然随之上升。

（二）汽车销量与原油价格
汽车原油是典型的互补商品关系，原油价格必定会影响消费者心理进一步影响汽车销量，所以本文将原油价格作为变量引入。

随着国际油价的日益高涨，成品油价格对汽车销售的影响程度越来越大，同时国家及部分地区相继出台了有关限制汽车，尤其是家用车购买的政策，这对汽车销售市场造成了很大的冲击，考虑到上诉几个因素，预计在外来的一段时期内，小排量经济型轿车仍然会是汽车销售的主力车型，同时节能型与新能源汽车将日益抢占汽车销售市场。

由此，本文提出如下假说：
假说2：汽车销量与原油价格显著相关。

汽车销量随原油价格上升而下降。

（三）汽车销量与进口量和人均国内上产总值
当前我国工业基础相比发达国家还有一定差距，因此，进口车在性能、油耗和价格方面都有着国产车无法比拟的优势，与此同时，随着我国经济水平的发展，人民收入的提高，过去昂贵的奢侈型进口车已然受到国内中资产阶层地青睐，所以，选择汽车进口量和国内人均生产总值作为变量。

近年来，我国购车数量有了大步的提高，但是纵观所有汽车市场，近几年车市的热销车型还是集中在经济型轿车, 中高档轿车的受关注程度有所增加, 但不会马上成为车市的主导车型。

由此，本文提出如下假说：
假说3：汽车销量与进口量和人均国内生产总值相关。

汽车销量随进口量和人均国内生产总值的上升而上升。

（四）汽车销量和工业品出厂价格指数
如今汽车已成为家庭和企业重要的生活生产必需品，再加之金融体制的健全和金融创新，各种汽车信贷的发展，汽车的价格对消费者的影响减小，但价格因素仍是不可或缺的重要变量之一。

由此，本文提出如下假说: 假说4：汽车销量与工业平出厂价格指数相关。

工业品出厂价格指数越高则汽车销量越低。

三、研究方法与数据说明
一）研究方法
对于研究方法，本文采用多元回归的方法，先根据经验选择可能影响汽车销量的五个解释变
X1 表示汽车产量，X2 表示汽车进口量，X3 表示原油价格，X4 表示工业量，Y 表示被解释变量汽车销量，
品出厂价格指数，X5表示人均国内生产总值，B0表示常数项，U表示随机干扰项；之后利用上述五个变量建立多元线性回归模型，如下：
Y=BO+B1*X1+B2*LOG(X2)+B3*LOG(X3)+B4*LOG(X4)+B5*LOG(X5)+U
之后带入数据，进行模型检验分别进行经济意义检验、判定系数检验，T检验和F检验，然后
通过计算各个变量之间两两相关系数来看是否存在多重共线性，最后利用逐步回归的方法来修正多重共线性。

(二)数据说明
依据上述分析，本文采用1990-2004年间的数据，汽车销量作为因变量。

选择汽车产量和汽车进口量作为自
变量之一，体现汽车生产对销售的影响，选用工业品出厂价格指数，体现汽车价格对汽车销量的影响，选用原油价格，表现燃料价格对其的影响，选用人均GDP表示宏观经济状况对其
影响。

基于上述分析，汽车销售中各方面的因素已经考虑较周全。

(三)样本描述
obs Y X1X2X3X4X5| 1990 14.50000 3.500000 3.406300 11070Q0 102.8000 1634.000 199******** 6 870000 5 440900 112.9000 102 SOOO 1879. DM 1992 1625000 15.17000 2755800 116.4000 106.6000 2287.000 199322.60000 22.29000 7113200 136.7000 119.7000 2939.000 199424 48000 26.07000 3.464300 118.0000 1095000 3923.000 1995 32 11000 33.70000 2.330200100.7000 10630004354,000 1996 37.72000 38 29000 5.794200 110.2000 101.6000 5576.000 1997 47.72000 48 60000 3.194400 109.3000 98.10000 6054.000 199S 50.83000 50.71000 1 004600 99 10000 97.00000 6308.000 1999 57.04000 57.10000 1 995200 100.9000 97 00000 6551.DOO 200051.27000 60.70000 2161400 115.4000 97 40000 7006.000 200172 15000 70,35000 4.662900 100.200096.000007651000
2002112.6000 109.0800 7.032900 100.1000 96.20000 8214.000 2003197.0000 202.0000 10.30160 107.4000 97.00000 9111.00Q 2004232.6500 2316300 11.60850 109.7000 99.40000 10561.00
（二）确定模型类型
在建立参数模型之前，我们需要利用上表的数据，先对被解释变量sale和各个解释变量之间做趋势图和相关图，观察期总体趋势以确定我们需要的参数模型。

汽车销量
2 机------------- 7]
和汽车产量的
2Q0
9
趋势图和相关
160
图
> 120
so
I b
40- 『
*
0 4<i 80 120 1&D 200 240
240 -
200
160-
a 120
240
200
160-
A 120
80
40
汽车销量
和汽车进口量的趋势图和相关图
90 100 110 120 130 140
汽车销量
和原油价格的趋势图和相关图
四、模型估计结果分析
（一）模型估计
根据样本数据，输入eviews
汽车销量和工业平出厂价格指数的趋势图和相关图
(三)建立模型
根据上述趋势图与相关图我们建立如下初步方程：
Y=BO+B1*X1+B2*LOG(X2)+B3*LOG(X3)+B4*LOG(X4)+B5*LOG(X5)+U 根据数据用Eviews对模型进行OLS估计，得到回归方程。

结果如下：
24Q-
200
160-
120-
30-
a
cP
CO
2000 4,000 6.0&0 3,000 10.000 12,000
汽车销量
和人均国内生产
总值的趋势图和
相关图
X4200 -
160 -
120 -
30 -
40 -
120
0 -
96100 104 108 112 116
X5
Dependent Variable. Y Method: Least Squares Date: 12/21/15 Time: 22:05 Sample: 1990 2004 Included observations: 15
Variable Coefficient Std. Error
t-
Statistic
Prob.
C 276 1547 S7.93141 3 J 40570 0.0119
X10.987229 0.026733 36 92210 00000
L0G(X2) 2.023362 2.125462 1.328352 02163
LOG(X3) -5 457658 1976808 -0.276084 07387
LOG(X4) ■422617628899S1 -1.452354 0 1777
LOG(X5) -3732135 2.426U2 -2.774352 0 0216
R-squared 0.998757 Mean dependentvar 6620200
Adjusted R-squared Q 99S066 S.D. de pendent var 66.02511
SE. of regression 2 903534 AKaike info criterion 5.258909
Sum squared resid 75.87458 Schwarz criterion 5 542129
Log likelihood -3344131 自n -Quin n criter 5255092
F-statistic 1446.047 Durtiin-Watson stat 2510635
Pro b(F-stali Stic) 0.000000
Y=276.1547+0.987229*X1+2.823362*LOG(X2)+ -5.457658*LOG(X3)+ -42.26176*LOG(X4)+ - 6.732185*LOG(X5)
T (3.140570) (36.92210) (1.328352) (-0.276084) (-1.462354) (-2.774852)
R-squared=0.998757Adjusted R-squared=0.998066
DW=2.510635 F=1446.047
①经济意义检验：从模型中可得知，LOG(X3)、LOG(X4)和LOG(X5)系数符号没有通过经济意义的检验。

②R A2检验：无论是模型中判定系数R-squared=0.998757,或者是校正判定系数Adjusted R- squared=0.998066其值都比较高，表明该模型拟合度较高。

③t检验：从六个参数的t检验值看，六个t检验值分别为t1=3.140570, t2=36.92210, t3=1.328352, t4= -0.276084, t5 =-1.462354, t6=-2.774852 而在5%显著性水平下自由度为n-k=15-6=9 的t分布双边检验临界值为2.262,贝U得知某些解释变量的系数t检验值不显著，不能通过检验。

④F检验：该初步回归的模型的F值为F=1446.047,在5%显著水平下自由度为
k-1=5,n-k=9的F临界值F (5,9) =3.48,模型中的F值远大于F的临界值，说明模型在整体上是高度显著的。

(四)模型的修正与检验
1、多重共线性的检验
回归模型中解释变量的两两相关系数
注：从此处开始令：x2=log(x2), x3=log(x3), x4=log(x4), x5=log(x5),
从上图中，我们可以看出某些解释变量之间存在高度线性相关，例如X1和X5, x3和x4之间。

2、多重共线性的修正
逐步回归处理:
运用OLS方法分别求y对各个解释变量的回归。

结合经济意义和统计检验选出拟合效果最好的
线性回归方程。

用Eviews进行处理:
①丫对X1进行回归
Dependent Variable： Y Method: Least Squares Date: Time： 23 01
Sample: 1990 2004 included observations: 15
Variable Coefficient
Std. Error t-
Statistic
Prob.
C X1
2534747
0978165
1432597 1 769337
0015549 62.90683
0 1003 00000
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood
F-statistic
Pro S(F-stall Stic) 0.996726 0
996474
3.920696
1990342 -
40.704B6
3957.269
ooooooo
Mean dependent var S.D
dependentvar Akaike info
criterion
Schwarz criterion H 自n
nan-Quin n enter. Durbin-
Watson stat
66.30200
66.02511
5593931
57B8388
5 692976
0 910222
y=2.534747+0.978165x1
t (1.769337)
(62.90683
)
R-squared=0.99672
②丫对X2进行回归
F=3957.269 DW=0.910222
Dependent Variable: Y
Method: Least Squares
Date: 12/21/15 Time: 23:06
Sample: 1990 2004
Included observations: 15
Variable Coeffiicient
Std. Error t-
Statistic
Prob.
C X2 -35.36250
71,76556
36.07698 *0.980196
23.60938 3.039705
0 3449
0.0095
R-squared Adjusted R-squared S E. of regress Io n Sun squared resid Log likelihood F-statistic Prob(F-statistic) 0.415463
0370493
52.38508
35674.56 -
79.59015
&239809
0.009430
Mean dependent var S D.
dependent var Akaike info
criterion Schwarz criterion
Hannan-Quinn enter.
DurbirkWatson dtat
66.30200
66.02511
10.S7S69
10.97309
10.87763
0716387
Y=-35.36250+71.76556X2
(-
0.980196)
R-squared=0.415463 ③丫对X3回归F=9.239809
(3.039705)
DW=0.716387
Y=1191.453-239.3595X3
T (1.195056) (-1.128716)
R-squared=0.089253 F=1.273999 DW=0.349101
④Y对X4回归
Dependent Variable: Y
Method： Least Squares
Date: 12121/15 Time: 23:13
Sample: 1990 2004
Included observations: 15
Variable Coefficient
Std. Error t-
Statistic
Prob
C 2357.121 1229 696 1.916832 0.0775
X4 -495.6333 266.0309 -1.863067 0.0852
R-squared 0210735 Mean dependentvar 66.30200
Adjusted R-squared0150022 S.D dependentvar66 02511
S E. of regression 60.87135 Aka ike info criterion 11 17897
Sum squared resid 48169,18 Schwarz criterion 1127337
Log likelihood *81.04226 Hannan*Quinn criter. 11.17796
F-statistic 3.471018 Durbin-Watson stat 0,373803
Prob(F-statistic) 0.0S5198
Y=2357.121-495.6333X4 T (1.916832) (-1.863067)
R-squared=0.210735 F=3.471018 DW=0.378803
⑤丫对X5进行回归
Dependent Variable: Y Method: Least Squares
Date: 12/21/15 Time: 21:16
Sample: 1990 2004 included observations: 15
Variable Coefficient
Std. Error t-
Statistic
Prob.
C X5 -632.6304
8222983
102.2232 -3.471734
2139133 3.B44073
D0041
0.0Q20
R*squared Adjusted R-squared S.E. of regression Sum squared resid Log livelihood F-statistic
Prc&(F-statisti c) 0.531985 0
495984
46.87392
285&3.14 -77 92274
1477690
0.002030 Mean dependentvar
S.D. dependentvar Akaike
info criterion
Schwarz criterion H日nnan-
Quinn criter. Durbin^Watson
stat
66.30200
66.02511
10.65637
1075077
10 65536
0.305128
Y=-632.6304+82.22983X5
T (-
3.471734)
(3.844073)
R-squared=0.531985 F=14.77690 DW=0.305128
由上面数表中可得，Y对X1的线性相关最强：
R-squared=0.99672>0.531985>0.415463>0.210735>0.089253也即X1> X5> X2> X4> X3 所以用X1时拟合的程度最高，得回归方程：
y=2.534747+0.978165x1
Adjusted R -squared=0.996474
逐步回归，将其余解释变量逐一代入
①引入X2
Dependent Vanat)le: Y
Method: Least Squares Date: 12/21/15 Time: 23:30 Sample: 1990 2004 Included observations: 15
Variable Coefficient
Std. Error t-
Statistic
Prob
C -0 138352 2764212 -0.068320 0.9467
Xi0963306 0019813 48.63296 0.0000
X2 2583420 2252Q83 1 147125 02737
R-squared 0.997049 Mean dependent var 66.30200
Adjusted R-squared 0.996557 S.D dependentvar 66.02511
S E of regression 3873912Aka ike info criterion 5.723263
Sum squared resid 1300363 Schwarz criterion 5.364873
Log likelihood -39.92447 Hannan-Quinn criter. 5.721755
F'Statistic 2027.372 Durbin-Watson stat 0.395B59
Prob(F-statistic) 0,000000
②引入X3
Dependent Variable: Y Method: Least Squares Date: 12/21/15 Time: 23:31 Sample:
1990 2004 Included observations: 15
Variable Coefficient
Std. Error t-
Statistic
Prob.
C 92 11421 68 11332 1352367 0.2034
X1 0.947160 0.022753 41 62713 0.0000
X2 4.302940 2.519515 1.707845 01157
X3-19 92349 1469035 -1.356184 0.2022
R-squared 0 997472 Mean dependent var 66.30200
Adjusted R-squared 0.996782 S.D. dependentvar 66.02511
S.E. of regression 3.745163 Akaike info criterion 5.701986
Sum squared resid 154.2837 Schwarz criterion 5.890799
Log likelihood -3876489 Hannan-Quinn crite匚 5.699975
F-statistic1446.719 Durbin-Watson stat 1.040896
Prob(F*statistic) 0.000000 ③引入X4
Dep endent Variable： Y
Method: Least Squares Date:
12/21/15 Time: 23:32
Sample: 1990 2Q04 Included
observations: 15
Variable Coefficient Std Error
t-
Statistic
Prob.
165.3447 101.2377 1,633233 0.1335
0.936554 0.025238 37 10870 0 0000
4.834838 2582006 1 872512 0.0906
0.350835 2540222 0.013811 0.9693
-3647674 37.24926 -0.9792610.3505
R-squared0.997693 Mean depe ndwritv合r 66.30200 Adjusted R-squared 0.996770 S.D. dependent var66.02511 S.E. of regression 3.752171 Akaike info criterion 5743748 Sum squared resid1407879 Schwarz criterion 5 979764 Log likelihood -38.07811 Hannan-Quinn crite匚 5.741234 F-statistic 1031.230 Durbin-Watson stat 1.209547 Prob(F-statistic) a.oooo
④引入X5
Dependentvariable: Y Method: Least Squares Date: 12/21/15 Time： 23:34 Sample:
1990 2004 Included observations: 15
Variable Coefficient Std, Error ^Statistic Prob.
C 276.1547 &7.93141 3.140570 0.0119
X10.987229 0 026738 36.92210 0.0000
X2 2.B23362 2.125462 1 32835202163
X3-5 457658 1976800 -0.2760B4 07867
X4■42.2617628899S1 -1462354 0 1777
X5-6732185 2.426142 -2.774852 0 0216
R*squared 0.998757 Mean depende nt 66.30200
Adjusted R-squared 0.99SO66 S.D. dependent var 66.02511
S E. of regression 2.903534 Aka ike info criterion 5.258909
Sum squared resid 7537458 Schwarz criterion 5.542129
Log likelihood -33 44181 Hanna n-Quin n criter 5255892
F-statistlc 1446 047 Durbin-Watson stat 2510635
Pro b(F-stati stic)0.000000
从图中数据可以看出，在初步模型：
y=2.534747+0.978165x1
中，在加入X3和X5时能够显著提高Adjusted R —quared的值（Adjusted R -
squared123=0.996782>Adjusted R -squared12=0.996557, Adjusted R —quared12345=0.998006> Adjusted R —quared1234=0.996770。

同时，在加入变量X2和X4时只会降低Adjusted R -squared的值（Adjusted R -
squared12=0.996557< Adjusted R —quared1=0.996474, Adjusted R —quared1234=0.996770< Adjusted R —quared123=0.996782 。

另外，变量x5为人均国内生产总值，其系数符号为负，未能通过经济意义检验，从模型中剔除
X5。

所以，在模型中应加入变量X1和X3，而应当舍弃你变量X2、X4和X5。

最终经过逐步回归修正多重共线性后所的模型为：
C X1 X3
37.00691
0.975569 -
7297448
64.59873 0.572374
0.016719 5835247
13.67141 -0533774
0.5773
0.0000
06032
R-Squared Adjusted R-squared S.E. of regression Sum squared resid
Log likelihood
F-statistic
Pro b[F-stati stic)
0996S02 0996269 4.033191 195.1996 -
40.52887
1869.939
0000000 Mean dependent var S.D.
dependent var Aka ike info
criterion Schwarz criterion
Hannan-Quinn 匚niter.
Durbin-Watson stat
66.30200
66.02511
5.803049
5.945459
5802341 0
919413
Y=37.00691+0.975569X1-7.297448X3
T (0.572874) (58.35247) (-0.533774)
Adjusted R-squared=0.996269 F=1869.939 DW=0.919413
五、研究结论及启示
在设立的初始模型中，
Y=B0+B1*X1+B2*LOG(X2)+B3*LOG(X3)+B4*LOG(X4)+B5*X5+U
B0表示了截距项，它表示了人们的自发汽车销售数量，不受外界因素影响的自发汽车销售数量，B1度量了当汽车产量每变动一个单位时，汽车销售数量的变动；B2度量了汽车进口量每变动
一个单位，汽车销售数量的变动；B3度量了原油价格每变动一个单位，汽车销售数量的变动；B4
度量了工业平出厂价格指数每变动一个单位，汽车销售数量的变动；B5度量了当人均国内生产总值
每变动一个单位时，汽车销售数量的变动。

U表示随机误差项。

从最终模型，
Y=37.00691+0.975569X1-7.297448X3
T (0.572874) (58.35247) (-0.533774)
Adjusted R-squared=0.996269 F=1869.939 DW=0.919413
可得知：影响汽车销售数量的主要因素是汽车产量和原油价格，其中，汽车产量与汽车销量成正相关，原油价格与汽车销量呈负相关，符合一般经验，因此，在此次分析中，假说1和假说2得到了验证，假说3和假说4没有得到验证。

本文研究结论的政策启示有：
①我国经济飞速发展，人均消费水平不断提高的同时，各级政府部门和相关厂商需要密切关注汽车产量的往年数据，要根据以前和现在的宏观经济数据，制定修改汽车生产计划，避免资源浪费和厂商亏损。

②从模型中我们看到，原油价格与汽车销量存在很强的负相关性，在我国多次上调成品油价格
的情况下，汽车的使用成本越来越成为购车人考虑的一个重要因素之一。

面对石油资源日益短缺的问题，研发高效节能型汽车成为各厂商的重点，低油耗将日益成为新型汽车的一大重要卖点，同时，随着我国节能减排政策的深入，对大排量汽车的购买限制政策将对此类型汽车的销售产生重大影响，在减少用油量的同时，减少为其排除，增加自身绿色优势也是个厂商关心的主要因素。

对于燃油价格上升，新能源汽车的研发至关重要，尤其是电力驱动型汽车的研发。

新型能源最为汽车销售的卖
点，势必成为未来汽车市场的关键，同时国家对新能源汽车的扶植政策，也有利于其发展，由于新能源汽车尚处在起步阶段，我国汽车厂商，应利用其在近几年金融危机背景下，全球汽车市场疲软，而中国市场为不发展的优势，开发和吸收新技术，争取在现阶段树立新能源汽车的技术优势与品牌影响力，而各级地方政府也应当开展相关工作，除了促进产业优化升级外还可以带动新能源产业的发展，创造地方经济新的增长点。

参考文献
1 、（美）古扎拉蒂：《经济计量学精要》（第 4 版）；
2、张艳冬吴杰：《基于计量理论的我国汽车销量分析》，经营之道，2009 年第 3 期；
3、王悦琪：《影响我国汽车销售量因素的实证分析》；
4、钱文荣、卢海阳：《农民工人力资本与工资关系的性别差异及户籍地差异》，中国农村经济，2012 年第
8 期。