我国汽车销售量的影响因素及其计量分析摘要：汽车改变了人们的生活，延展了人类的脚步。
本文以分析我国汽车销量数量为主要目的，并提出个人可支配收入、GDP、恩格尔系数、居民消费指数、石油消耗量、汽车产量等指标，建立线性回归模型，分析汽车销售数量变化背后的原因。
汽车销售数量的上升，进一步说汽车在国民生活中普及，也说明国民生活质量和国家宏观经济发展之良好势头。
关键词：汽车销售量、影响因素、计量分析、政策提议1. 引言1901年，第一辆进口汽车登陆上海。
从此，中国有了汽车的概念。
但也有人说，慈禧乘坐过的一辆汽车是我国进口的第一辆汽车，现还有实物陈列在颐和园内。
[1] 1953年，解放CA1在长春第一汽车制造厂崭新的总装线下线，这里程碑式的时刻意味着中国自主制造的第一款汽车诞生，它的诞生不仅给我国不能制造汽车的历史划上句号，也将中国的名字浓墨重彩地写入世界汽车工业史。
改革开放以来，我国的汽车工业的发展取得了长足的进步。
我国的汽车工业是在50年代起步，但是到了90年代汽车这一“新鲜”的事物才逐渐走入老百姓的生活中，也是从那个时候汽车工业得到快速的发展。
汽车工业也逐渐成为国民经济中的主流力量，是国家工业的顶梁柱。
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。
[2]中国的汽车保有量增长令人刮目相看，在世界的汽车销售份额占据越来越重要的地位，中国市场向来就是各大汽车厂商的必争之地。
本文通过建立计量分析模型，分析各个提出的解释变量对汽车销售数量的影响。
2. 指标选择2.1 影响因素概述GDP：汽车的销售量反映了我国整体的经济走向，与经济走向具有一致性，可反映出我国宏观国民经济的情况。
大多数的情况下，我们一般使用GDP来衡量某一时间段内国家的宏观经济情况。
而且GDP是计算一国一年内生产的最终产品的价值，所以GDP的增长应该是与汽车销售量的增长是一致的。
恩格尔系数：恩格尔系数是食品支出总额占个人消费支出总额的比重。
一个家庭收入越少，家庭收入中（或总支出中）用来购买食物的支出所占的比例就越大，随着家庭收入的增加，家庭收入中（或总支出中）用来购买食物的支出比例则会下降。
推而广之，一个国家越穷，每个国民的平均收入中（或平均支出中）用于购买食物的支出所占比例就越大，随着国家的富裕，这个比例呈下降趋势。
所以我们可以推断恩格尔系数越低，家庭可支配收入越高，那么汽车的购买能力越强，若有意愿，则我们可以说当恩格尔系数越低，汽车的销售数量越高，与汽车销售数量增长呈反向变动。
消费价格指数：消费物价指数英文缩写为CPI，是根据与居民生活有关的产品及劳务价格统计出来的物价变动指标，通常作为观察通货膨胀水平的重要指标。
我们可以推断消费价格指数与汽车销售数量的增长呈正向变动。
石油消耗量：石油是工业的血液，汽车也是，汽车赖以驱动的汽油和柴油是石油的工业制成品，而石油的消耗量也会反映出汽车的销售量，当汽车销售量越大时，石油的消耗量也越大。
我们可以推断出石油的消耗量与汽车销售数量的增长呈正向变动。
汽车产量：汽车产量是汽车销售数量的重要反映指标，所有的消费品都必须先生产出来才可以拿去销售。
生产是销售的前提和反映。
汽车厂商也不会过量生产，以免造成库存，会根据当前的销售状况来调整当前的生产规模。
所以汽车的产量与汽车的销售数量的增长呈正向变动。
2.2 相关数据及其数据来源数据来源：中国国家统计局，2012年《中国统计年鉴》和《中国汽车产销量明细》数据缺陷：由于中国汽车的产销量只有记录到1994年的，所以我们本篇文章收集的是1994年到2011年间的18年的数据。
3. 模型估计及检验修正3.1 模型估计我们在建立参数模型之前。
先利用上表的数据, 先对汽车销售数量和解释变量之间做散点图，观察分布大致趋势, 以便于选择建立合适的模型。
根据上述散点图初步建立回归模型：Date: 01/17/13 Time: 14:13Sample: 1994 2011Included observations: 18Variable Coefficient Std. Error t-Statistic Prob.C 353.3294 367.7166 0.960874 0.3556X1 0.000259 7.93E-05 3.261235 0.0068LOG(X2) -31.87323 38.45873 -0.828765 0.4234LOG(X3) 11.32506 31.22668 0.362673 0.7232LOG(X4) -29.12749 22.81531 -1.276665 0.2259X5 0.949696 0.013632 69.66790 0.0000R-squared 0.999934 Mean dependent var 598.6611Adjusted R-squared 0.999907 S.D. dependent var 563.6701S.E. of regression 5.443817 Akaike info criterion 6.488039Sum squared resid 355.6217 Schwarz criterion 6.784830Log likelihood -52.39236 F-statistic 36449.65Durbin-Watson stat 1.182306 Prob(F-statistic) 0.000000初步回归的模型为：Y=353.3294+0.000259X1-31.87323LOG(X2)+11.32506LOG(X3)-29.12749LOG(X4)+ 0.949696X5t (0.960874) (3.261235) (-0.828765) (0.362673) (-1.276665) (69.66790)R^2=0.999934 R^2=0.999907DW=1.182306 F=36449.653.2 模型检验①经济意义检验：从模型中可得知，LOG(X3)和LOG(X4)和系数符号没有通过经济意义的检验。
②R^2检验：无论是模型中判定系数R^2=0.999934，或者是校正判定系数R^2=0.999907，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=0.960874，t2=3.261235，t3=-0.828765，t4=0.362673，t5=-1.276665，t6=69.66790，而在5%显著性水平下自由度为n-k=18-6=12的t分布双边检验临界值为2.179，则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=36449.65，在5%显著水平下自由度为k-1=5,n-k=12的F临界值F（5,12）=3.11，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。
3.3 模型的检验与修正3.3.1 多重共线性的检验X1和X5，LOG(X2)和LOG(X4)，LOG(X4)和LOG(X2)，LOG(X4)和X5之间。
3.3.2 多重共线性的修正3.3.2.1 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：①Y对X1进行回归Dependent Variable: YMethod: Least SquaresDate: 01/17/13 Time: 16:54Sample: 1994 2011Included observations: 18Variable Coefficient Std. Error t-Statistic Prob.C -184.5491 42.37789 -4.354844 0.0005X1 0.004349 0.000194 22.43907 0.0000R-squared 0.969202 Mean dependent var 598.6611Adjusted R-squared 0.967277 S.D. dependent var 563.6701S.E. of regression 101.9652 Akaike info criterion 12.19158Sum squared resid 166350.3 Schwarz criterion 12.29051Log likelihood -107.7242 F-statistic 503.5117Durbin-Watson stat 1.499149 Prob(F-statistic) 0.000000Y=-184.5491+0.004349X1t (-4.354844) (22.43907)R^2=0.969202 F=503.5117 DW=1.499149②Y对LOG(X2)进行回归Dependent Variable: YMethod: Least SquaresDate: 01/17/13 Time: 17:00Sample: 1994 2011Included observations: 18Variable Coefficient Std. Error t-Statistic Prob.C 11614.54 3228.981 3.596969 0.0024LOG(X2) -2983.745 874.1415 -3.413343 0.0036R-squared 0.421357 Mean dependent var 598.6611 Adjusted R-squared 0.385192 S.D. dependent var 563.6701 S.E. of regression 441.9720 Akaike info criterion 15.12481 Sum squared resid 3125428. Schwarz criterion 15.22374 Log likelihood -134.1233 F-statistic 11.65091 Durbin-Watson stat 0.141613 Prob(F-statistic) 0.003559Y=11614.54-2983.745LOG(X2)t (3.596969) (-3.413343)R^2=0.421357 F=11.65091 DW=0.141613③Y对LOG(X3)回归Dependent Variable: YMethod: Least SquaresDate: 01/17/13 Time: 18:28Sample: 1994 2011Included observations: 18Variable Coefficient Std. Error t-Statistic Prob.C 7026.824 10794.17 0.650983 0.5243LOG(X3) -1383.721 2323.361 -0.595568 0.5598R-squared 0.021688 Mean dependent var 598.6611 Adjusted R-squared -0.039456 S.D. dependent var 563.6701 S.E. of regression 574.6827 Akaike info criterion 15.64995Sum squared resid 5284164. Schwarz criterion 15.74888 Log likelihood -138.8496 F-statistic 0.354702 Durbin-Watson stat 0.093602 Prob(F-statistic) 0.559794Y=7026.824-1383.721LOG(X3)t (0.650983) (-0.595568)R^2=0.021688 F=0.354702 DW=0.093602④Y对LOG(X4)回归Dependent Variable: YMethod: Least SquaresDate: 01/17/13 Time: 18:32Sample: 1994 2011Included observations: 18Variable Coefficient Std. Error t-Statistic Prob.C -14331.43 2053.912 -6.977626 0.0000LOG(X4) 1415.544 194.6339 7.272855 0.0000R-squared 0.767761 Mean dependent var 598.6611 Adjusted R-squared 0.753246 S.D. dependent var 563.6701 S.E. of regression 279.9996 Akaike info criterion 14.21189 Sum squared resid 1254397. Schwarz criterion 14.31082 Log likelihood -125.9070 F-statistic 52.89442 Durbin-Watson stat 0.248673 Prob(F-statistic) 0.000002Y=-14331.43+1415.544LOG(X4)t (-6.977626) (7.272855)R^2=0.767761 F=52.89442 DW=0.248673⑤Y对X5进行回归Dependent Variable: YMethod: Least SquaresDate: 01/17/13 Time: 18:35Sample: 1994 2011Included observations: 18Variable Coefficient Std. Error t-Statistic Prob.C 0.030248 2.325389 0.013008 0.9898X5 0.995603 0.002853 348.9367 0.0000R-squared 0.999869 Mean dependent var 598.6611Adjusted R-squared 0.999860 S.D. dependent var 563.6701S.E. of regression 6.660000 Akaike info criterion 6.734555Sum squared resid 709.6896 Schwarz criterion 6.833485Log likelihood -58.61100 F-statistic 121756.8Durbin-Watson stat 2.170360 Prob(F-statistic) 0.000000Y=0.030248+0.995603X5t (0.013008) (348.9367)R^2=0.999869 F=121756.8 DW=2.170360由上面数表中可得，Y对X5的线性相关最强：R^2=0.999869>0.969202>0.767761>0.421357>0.021688，即X5>X1>X4>X2>X3 用X5时拟合程度最高，有回归方程：Y=0.030248+0.995603X5R^2=0.9998603.3.2.2 逐步回归，将其余解释变量逐一代入1）逐步回归①引入X1Dependent Variable: YMethod: Least SquaresDate: 01/17/13 Time: 18:56Sample: 1994 2011Included observations: 18Variable Coefficient Std. Error t-Statistic Prob.C -8.098629 3.223894 -2.512064 0.0239X5 0.957144 0.012619 75.84882 0.0000X1 0.000174 5.60E-05 3.099650 0.0073R-squared 0.999920 Mean dependent var 598.6611Adjusted R-squared 0.999909 S.D. dependent var 563.6701S.E. of regression 5.370288 Akaike info criterion 6.350652Sum squared resid 432.5998 Schwarz criterion 6.499047Log likelihood -54.15587 F-statistic 93635.18Durbin-Watson stat 1.283169 Prob(F-statistic) 0.000000②引入LOG(X2)Dependent Variable: YMethod: Least SquaresDate: 01/17/13 Time: 19:01Sample: 1994 2011Included observations: 18Variable Coefficient Std. Error t-Statistic Prob.C 21.11095 67.31113 0.313632 0.7581X5 0.994819 0.003858 257.8304 0.0000 LOG(X2) -5.582190 17.81277 -0.313381 0.7583R-squared 0.999869 Mean dependent var 598.6611 Adjusted R-squared 0.999852 S.D. dependent var 563.6701 S.E. of regression 6.856011 Akaike info criterion 6.839141 Sum squared resid 705.0734 Schwarz criterion 6.987536 Log likelihood -58.55226 F-statistic 57447.24 Durbin-Watson stat 2.190355 Prob(F-statistic) 0.000000③引入LOG(X3)Dependent Variable: YMethod: Least SquaresDate: 01/17/13 Time: 19:02Sample: 1994 2011Included observations: 18Variable Coefficient Std. Error t-Statistic Prob.C -7.100962 130.8867 -0.054253 0.9574X5 0.995627 0.002979 334.2053 0.0000 LOG(X3) 1.531960 28.11296 0.054493 0.9573R-squared 0.999869 Mean dependent var 598.6611 Adjusted R-squared 0.999851 S.D. dependent var 563.6701 S.E. of regression 6.877738 Akaike info criterion 6.845468 Sum squared resid 709.5492 Schwarz criterion 6.993864 Log likelihood -58.60922 F-statistic 57084.82 Durbin-Watson stat 2.165364 Prob(F-statistic) 0.000000④引入LOG(X4)Dependent Variable: YMethod: Least SquaresDate: 01/17/13 Time: 19:03Sample: 1994 2011Included observations: 18Variable Coefficient Std. Error t-Statistic Prob.C -62.61317 99.83750 -0.627151 0.5400X5 0.992297 0.006017 164.9066 0.0000LOG(X4) 6.127785 9.763359 0.627631 0.5397R-squared 0.999872 Mean dependent var 598.6611Adjusted R-squared 0.999855 S.D. dependent var 563.6701S.E. of regression 6.789841 Akaike info criterion 6.819744Sum squared resid 691.5291 Schwarz criterion 6.968139Log likelihood -58.37770 F-statistic 58572.55Durbin-Watson stat 2.134693 Prob(F-statistic) 0.000000从上数图中可看出，只有在加入解释变量X1是能提高R^2 （R^2=0.999909>0.999860），其余的加入解释变量LOG(X2)，LOG(X3)，LOG(X4)的R^2（0.999860（原）>0.999855(LOG(X4))>0.999852(LOG(X2))>0.999851(LOG(X3))都比原来的下降了。