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
影响中国经济增长因素的实证分析
学院：经济学院
专业：金融
教学号：21140731
姓名：王月
影响中国经济增长因素的实证分析
摘要：改革开放以来，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，已成为世界第二大经济体，仅次于美国。

本文根据计量经济学、中级宏观经济学、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1985年-2015年三十多年间中国经济增长因素进行研究，分析了居民消费价格指数、固定资产投资、公共预算支出、进出口总额对国内生产总值（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：CPI、GDP、投资、预算支出、进出口、经济增长
一、研究的目的要求
（一）经济增长理论
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，即以国民生产总值和国内生产总值（GDP）的增长来计算。

经济增长是经济学研究的永恒主题。

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。

（二）影响因素的分析
在曼昆中级宏观经济学第七版中指出，国民收入核算把GDP分为四大类支出：消费（C）、投资（I）、政府购买（G）、净出口（NX）。

用Y代表GDP有，Y=C+I+G+NX。

从公式可知，GDP主要受这四方面影响，因此本文用公共预算支出衡量一部分政府购买，用全社会固定资产投资总额衡量投资。

居民消费需求也是经济增长的主导因素。

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。

在过去的几十年里,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。

因此,研究消费需求对经济增长的影响,并对我国消费需求对济增长的影响程度进行实证分析，可以更好的理解消费对我国经济增长的作用。

所以，选取了CPI物价指数来进行进一步分析。

同时随着对外经济加强，进出口贸易已成为中国经济重要组成部分，所以进出口额也是值得分析的因素。

二、模型设定与参数设计
（一）数据的收集
中国经济增长影响因素模型时间序列表
资料来源：中国统计年鉴、中国政府网
（二）模型设计
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）作为对经济发展的衡量，代表经济发展；用CPI（X1）消费需求；用固定资产投资总额(X2)衡量资本投入：用预算支出（X3）去代表政府购买X4代表进出口总额。

运用这些数据进行回归分析。

采用的模型如下：
Y= β0+β1X1+β2X2+β3X3+β4X4+μ
其中，Y代表国内生产总值，X3代表
i
预算支出，X2代表固定资产投资，X1代表消费价格指数，X4代表进出口总额，μi代表随机扰动项。

通过对该模型的回归分析，得出各个变量与我国经济增长的变动关系。

三、模型检验及修正
1.可以得到如下回归分析结果：
Dependent Variable: Y Method: Least Squares Date: 06/20/16 Time: 08:55 Sample: 1985 2015 Included observations: 31
Variable
Coefficient Std. Error t-Statistic Prob. C 83300.80 48323.23 1.723825 0.0966 X1 -606.6547 443.4283 -1.368101 0.1830 X2 -0.318973 0.225021 -1.417523 0.1682 X3 4.176602 0.802216 5.206331 0.0000 X4
3.191439
0.584819
5.457142
0.0000
R-squared 0.996436 Mean dependent var 189284.4 Adjusted R-squared 0.995888 S.D. dependent var 204842.6 S.E. of regression 13135.92 Akaike info criterion 21.95078 Sum squared resid 4.49E+09 Schwarz criterion 22.18207 Log likelihood -335.2371 Hannan-Quinn criter. 22.02617 F-statistic 1817.315 Durbin-Watson stat 0.322178 Prob(F-statistic)
0.000000
Y=833300.8-606.6547β1X1-0.318973β2X2+4.18β3X3+3.19β4X4 R²=0.996436 Ṝ=0.995888 F=1817.315 从数据可以看出模型拟合优度很好。

2.多重共线性检验
X1 X2 X3 X4
X1 1.000000 -0.288341 -0.314340 -0.324767 X2 -0.288341 1.000000 0.997062 0.932732 X3 -0.314340 0.997062 1.000000 0.945955 X4
-0.324767
0.932732
0.945955
1.000000
从上面结果来看，X2，X3，X4之间存在高度相关性，分别做出Y 与1245
,,,X X X X 间的回归，结果如下：
Dependent Variable: Y
Method: Least Squares
Date: 06/20/16 Time: 09:32
Sample: 1985 2015
Included observations: 31
Variable Coefficient Std. Error t-Statistic Prob.
C 1400826. 620793.2 2.256509 0.0317
X1 -11490.48 5878.258 -1.954742 0.0603
R-squared 0.116420 Mean dependent var 189284.4 Adjusted R-squared 0.085952 S.D. dependent var 204842.6 S.E. of regression 195841.6 Akaike info criterion 27.27034 Sum squared resid 1.11E+12 Schwarz criterion 27.36286 Log likelihood -420.6903 Hannan-Quinn criter. 27.30050 F-statistic 3.821017 Durbin-Watson stat 0.119399 Prob(F-statistic) 0.060314
Dependent Variable: Y
Method: Least Squares
Date: 06/20/16 Time: 09:34
Sample: 1985 2015
Included observations: 31
Variable Coefficient Std. Error t-Statistic Prob.
C 43248.59 7332.916 5.897871 0.0000
X2 1.240429 0.036853 33.65913 0.0000
R-squared 0.975042 Mean dependent var 189284.4 Adjusted R-squared 0.974181 S.D. dependent var 204842.6 S.E. of regression 32914.68 Akaike info criterion 23.70357 Sum squared resid 3.14E+10 Schwarz criterion 23.79608 Log likelihood -365.4053 Hannan-Quinn criter. 23.73372 F-statistic 1132.937 Durbin-Watson stat 0.209259 Prob(F-statistic) 0.000000
Dependent Variable: Y
Method: Least Squares
Date: 06/20/16 Time: 20:01
Sample: 1985 2015
Included observations: 31
Variable Coefficient Std. Error t-Statistic Prob.
C 28127.89 4993.077 5.633379 0.0000
X3 4.008672 0.077829 51.50643 0.0000
R-squared 0.989187 Mean dependent var 189284.4
Adjusted R-squared 0.988814 S.D. dependent var 204842.6
S.E. of regression 21665.00 Akaike info criterion 22.86712
Sum squared resid 1.36E+10 Schwarz criterion 22.95964
Log likelihood -352.4404 Hannan-Quinn criter. 22.89728
F-statistic 2652.912 Durbin-Watson stat 0.339632
Prob(F-statistic) 0.000000
Dependent Variable: Y
Method: Least Squares
Date: 06/20/16 Time: 20:02
Sample: 1985 2015
Included observations: 31
Variable Coefficient Std. Error t-Statistic Prob.
C 13363.32 12872.16 1.038156 0.3078
X4 14.18012 0.695338 20.39312 0.0000
R-squared 0.934814 Mean dependent var 189284.4
Adjusted R-squared 0.932566 S.D. dependent var 204842.6
Sum squared resid 8.21E+10 Schwarz criterion 24.75612
Log likelihood -380.2859 Hannan-Quinn criter. 24.69376
F-statistic 415.8795 Durbin-Watson stat 0.847523
Prob(F-statistic) 0.000000
从数据可以看出Y与X3回归具有最大的可决系数，因此选Y=28127.89+4.009X3
作为初始的回归模型，逐步回归。

Dependent Variable: Y
Method: Least Squares
Date: 06/20/16 Time: 20:26
Sample: 1985 2015
Included observations: 31
Variable Coefficient Std. Error t-Statistic Prob.
C 142300.9 71534.19 1.989271 0.0565
X1 -1067.525 667.3011 -1.599765 0.1209
X3 3.968510 0.079865 49.68999 0.0000
R-squared 0.990092 Mean dependent var 189284.4
Adjusted R-squared 0.989385 S.D. dependent var 204842.6
S.E. of regression 21105.05 Akaike info criterion 22.84418
Sum squared resid 1.25E+10 Schwarz criterion 22.98295
Log likelihood -351.0848 Hannan-Quinn criter. 22.88941
F-statistic 1399.055 Durbin-Watson stat 0.471700
Prob(F-statistic) 0.000000
引X1模型Ṝ²提高且变量通过了显著水平为10%的t检验但参数符号与经济意义不符
Dependent Variable: Y
Method: Least Squares
Date: 06/20/16 Time: 20:39
Sample: 1985 2015
Included observations: 31
Variable Coefficient Std. Error t-Statistic Prob.
C 18313.31 5238.709 3.495767 0.0016
X2 -0.902190 0.273468 -3.299065 0.0026
X3 6.894835 0.877421 7.858069 0.0000
R-squared 0.992213 Mean dependent var 189284.4 Adjusted R-squared 0.991657 S.D. dependent var 204842.6 S.E. of regression 18709.98 Akaike info criterion 22.60327 Sum squared resid 9.80E+09 Schwarz criterion 22.74204 Log likelihood -347.3506 Hannan-Quinn criter. 22.64850 F-statistic 1783.983 Durbin-Watson stat 1.004618 Prob(F-statistic) 0.000000
X2同X1被舍弃
Dependent Variable: Y
Method: Least Squares
Date: 06/20/16 Time: 20:41
Sample: 1985 2015
Included observations: 31
Variable Coefficient Std. Error t-Statistic Prob.
C 21030.71 3414.022 6.160097 0.0000
X3 3.064969 0.155268 19.73990 0.0000
X4 3.630120 0.564985 6.425158 0.0000
R-squared 0.995630 Mean dependent var 189284.4 Adjusted R-squared 0.995318 S.D. dependent var 204842.6 S.E. of regression 14016.69 Akaike info criterion 22.02565 Sum squared resid 5.50E+09 Schwarz criterion 22.16442 Log likelihood -338.3976 Hannan-Quinn criter. 22.07089 F-statistic 3189.620 Durbin-Watson stat 0.189253 Prob(F-statistic) 0.000000
引入X4模型Ṝ²变大且通过了显著性检验水平为10%的t检验所以最终拟合结果为Y=21030.71+3.065X3+3.630X4
3.异方差性检验
X3与残差散点图
从散点图可以看出二者没有异方差性 做残差X4散点图
40,000
80,000120,000
160,000
RESID
X 3
X3
Y
Heteroskedasticity Test: White
F-statistic 2.189999 Prob. F(5,25)
0.0875 Obs*R-squared 9.442279 Prob. Chi-Square(5) 0.0927 Scaled explained SS
1.688973 Prob. Chi-Square(5) 0.8903
Test Equation:
Dependent Variable: RESID^2 Method: Least Squares Date: 06/20/16 Time: 21:15 Sample: 1985 2015 Included observations: 31
0100,000
200,000300,000400,000
500,000600,000
X4
Y
-25,000
-20,000-15,000-10,000-5,00005,000
10,00015,00020,000
X4R E S I D
Variable Coefficient Std. Error t-Statistic Prob.
C 2.75E+08 35820042 7.680943 0.0000
X3 3095.252 8924.407 0.346830 0.7316
X3^2 0.090303 0.054142 1.667894 0.1078
X3*X4 -0.905337 0.571022 -1.585467 0.1254
X4 -34791.90 28733.42 -1.210851 0.2373
X4^2 2.561131 1.509623 1.696537 0.1022
2
R-squared 0.304590 Mean dependent var 1.77E+08
Adjusted R-squared 0.165508 S.D. dependent var 1.19E+08
S.E. of regression 1.09E+08 Akaike info criterion 40.02581
Sum squared resid 2.98E+17 Schwarz criterion 40.30335
Log likelihood -614.4000 Hannan-Quinn criter. 40.11628
F-statistic 2.189999 Durbin-Watson stat 0.932391
Prob(F-statistic) 0.087469
由数据可知X3,X4在显著水平为5%水平下都不显著接受原假设所以不存在异方差
4.D.W.检验
已知：DW=0.189，查表得dL=1.35，dU=1.49。

由此可知，存在相关性。

Breusch-Godfrey Serial Correlation LM Test:
F-statistic 110.7312 Prob. F(1,27) 0.0000
Obs*R-squared 24.92295 Prob. Chi-Square(1) 0.0000
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 06/20/16 Time: 21:33
Sample: 1985 2015
Included observations: 31
Presample missing value lagged residuals set to zero.
Variable Coefficient Std. Error t-Statistic Prob.
C 1057.718 1542.599 0.685673 0.4988
X3 0.199046 0.072518 2.744783 0.0106
X4 -0.702057 0.263333 -2.666037 0.0128
RESID(-1) 0.940767 0.089402 10.52289 0.0000
R-squared 0.803966 Mean dependent var 0.000000
Adjusted R-squared 0.782184 S.D. dependent var 13541.41
S.E. of regression 6319.872 Akaike info criterion 20.46070
Sum squared resid 1.08E+09 Schwarz criterion 20.64573
Log likelihood -313.1408 Hannan-Quinn criter. 20.52101
F-statistic 36.91041 Durbin-Watson stat 0.833123
Prob(F-statistic) 0.000000
LM=30*0.78=23.4 大于显著性水平为5%、自由度为1的 ²分布的临界值为3.84,所以存在一阶序列相关性
Breusch-Godfrey Serial Correlation LM Test:
F-statistic 67.96992 Prob. F(2,26) 0.0000
Obs*R-squared 26.02284 Prob. Chi-Square(2) 0.0000
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 06/20/16 Time: 21:46
Sample: 1985 2015
Included observations: 31
Presample missing value lagged residuals set to zero.
Variable Coefficient Std. Error t-Statistic Prob.
X3 0.139635 0.071323 1.957789 0.0611
X4 -0.441153 0.266130 -1.657660 0.1094
C 315.1374 1455.971 0.216445 0.8303
RESID(-1) 1.357478 0.192406 7.055277 0.0000
RESID(-2) -0.488549 0.203815 -2.397021 0.0240
R-squared 0.839447 Mean dependent var -9.74E-12
Adjusted R-squared 0.814746 S.D. dependent var 13541.41
S.E. of regression 5828.377 Akaike info criterion 20.32555
Sum squared resid 8.83E+08 Schwarz criterion 20.55684
Log likelihood -310.0461 Hannan-Quinn criter. 20.40095
F-statistic 33.98496 Durbin-Watson stat 1.621557
Prob(F-statistic) 0.000000
LM显著但e
不显著不存在二阶序列相关性
t-2
Dependent Variable: Y
Method: Least Squares
Date: 06/20/16 Time: 21:55
Sample (adjusted): 1986 2015
Included observations: 30 after adjustments
Convergence achieved after 16 iterations
Variable Coefficient Std. Error t-Statistic Prob.
X3 3.020318 0.197753 15.27321 0.0000
X4 2.509586 0.242211 10.36115 0.0000
C 158613.0 503632.2 0.314938 0.7553
AR(1) 0.980648 0.069396 14.13127 0.0000 R-squared 0.999575 Mean dependent var 195291.7 Adjusted R-squared 0.999526 S.D. dependent var 205548.3 S.E. of regression 4475.723 Akaike info criterion 19.77429 Sum squared resid 5.21E+08 Schwarz criterion 19.96112 Log likelihood -292.6143 Hannan-Quinn criter. 19.83406 F-statistic 20379.50 Durbin-Watson stat 1.427912 Prob(F-statistic) 0.000000
Inverted AR Roots .98
表明模型已不存在序列相关
5.格兰杰检验
Pairwise Granger Causality Tests
Date: 06/20/16 Time: 22:01
Sample: 1985 2015
Lags: 2
Null Hypothesis: Obs F-Statistic Prob.
X3 does not Granger Cause Y 29 1.74496 0.1961
Y does not Granger Cause X3 6.01457 0.0076
Pairwise Granger Causality Tests
Date: 06/20/16 Time: 22:06
Sample: 1985 2015
Lags: 2
Null Hypothesis: Obs F-Statistic Prob.
X4 does not Granger Cause Y 29 0.59343 0.5603
Y does not Granger Cause X4 1.28625 0.2947
四、模型应用分析
结论：政府预算支出和进出口额对GDP有较大影响。

用进出口指标分析对经济增长作用的评价。

通过进出口额与GDP的相关与回归分析，我们都可以从数据中得出结论，即从1985年至今，我国的进出口总额和GDP持续高速增长，同时伴随着经济的高速增长，经济增长对国际市场的依赖性也逐渐加强，进出口的增长推动了经济的增长，经济的增长也很大程度上依赖于进出口额的增长。

对外贸易促进经济增长可以创造更多的就业机会。

以我国为例，每出口1亿元人民币的工业品，就可直接为1.2万劳动者创造就业机会，如果再加上间接创造的就业机会，这一数字还会大大增加；可以促进优化资源配置；有利于实现规模经济效益。

现代化生产越来越强调规模效益，通过各种途径达到规模经济的最佳点。

通过对外贸易可以扩大商品销售市场，使生产摆脱国内市场的局限，刺激本国产业规模的扩大，使生产能够获得规模效益，进一步降低生产成本，提高劳动生产效率，推动经济的增长与发展。

参考文献：
1.李子奈《计量经济学》（第四版）
2.曼昆《中级宏观经济学》（第七版）。