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050000010000001500000100200300400500X1Y05000001000000150000090000100000110000120000130000X2Y0500000100000015000008000090000100000110000120000X3Y0500000100000015000001500020000250003000035000X4Y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：0500000100000015000000200040006000800010000X5Y05000001000000150000080100120140160180200X6Y050000010000001500000500100015002000X7Y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: YMethod: Least SquaresDate: 12/16/05 Time: 15:08 Sample: 1 18Included observations: 18Variable 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 X7349.150853.140406.5703460.0001 R-squared0.998779 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-statistic1168.282 Durbin-Watson stat2.666635 Prob(F-statistic)0.000000即：22ˆ-1810996-18.57116.032 3.803-2.62410.8851357.766349.157(156801.2)(178.24)(1.78)(1.42)(4.55)(17.88)(726.40)(53.14)(11.55)(0.10)(9.02)(3.32)(0.58)(0.61)(1.87)(6.57)0.99870.9979tY X X X X X X X t R R F =+++++=---==1168.282.667DW ==从回归的样本模型的统计量R=0.998779可以看出，模型的拟合优度非常好，从F=1168.282可知解释变量对模型的整体解释显著，然而通过样本数据所得的解释变量x1、x4、x5参数估计值的t 值明显不显著，据此推测模型解释变量间可能存在多重共线性。

2、多重共线性的检验运用相关系数矩阵检验，相关系数矩阵为：X1X2X3X4X5X6X7X1 1.000000 0.882892 0.407131 -0.702549 0.973972 0.960579 0.907679 X2 0.882892 1.000000 0.504735 -0.504676 0.920224 0.819337 0.924883 X3 0.407131 0.504735 1.000000 0.276174 0.330393 0.359901 0.295472 X4 -0.702549 -0.504676 0.276174 1.000000 -0.751790 -0.739402 -0.722706 X5 0.973972 0.920224 0.330393 -0.751790 1.000000 0.933892 0.974145 X6 0.960579 0.819337 0.359901 -0.739402 0.933892 1.000000 0.863272 X70.9076790.9248830.295472-0.7227060.9741450.8632721.000000从相关系数矩阵中可以看出，解释变量x1与x2、x5、x6、x7，x2与x5、x6、x7，x5与x6、x7，x6与x7高度相关，说明模型存在多重共线性。

3、多重共线性的消除运用逐步回归法消除多重共线性： 第一步：Dependent Variable: Y Method: Least SquaresDate: 12/16/05 Time: 15:25 Sample: 1 18Included observations: 18Variable Coefficient Std. Error t-Statistic Prob. C 224417.0 43625.73 5.144143 0.0001 X7759.698140.5134618.751750.0000 R-squared0.956478 Mean dependent var 941880.1 Adjusted R-squared 0.953758 S.D. dependent var 413515.1 S.E. of regression 88922.47 Akaike info criterion 25.73336 Sum squared resid 1.27E+11 Schwarz criterion 25.83229 Log likelihood-229.6002 F-statistic351.6280 Durbin-Watson stat0.528434 Prob(F-statistic)0.000000第二步： X2 x7Dependent Variable: Y Method: Least SquaresDate: 12/16/05 Time: 15:27 Sample: 1 18Variable Coefficient Std. Error t-Statistic Prob. C-1905953.296654.0-6.4248360.0000X7 406.1466 52.95420 7.669771 0.0000X2 20.83510 2.893767 7.199991 0.0000R-squared 0.990233 Mean dependent var 941880.1Adjusted R-squared 0.988931 S.D. dependent var 413515.1S.E. of regression 43506.46 Akaike info criterion 24.35022Sum squared resid 2.84E+10 Schwarz criterion 24.49861Log likelihood -216.1520 F-statistic 760.3815第三步：x2 x6 x7Dependent Variable: YMethod: Least SquaresDate: 12/16/05 Time: 15:29Sample: 1 18Included observations: 18Variable Coefficient Std. Error t-Statistic Prob.C -1956629. 196460.9 -9.959380 0.0000X7 328.3169 39.03874 8.410030 0.0000X6 2111.153 468.4122 4.507042 0.0005X2 19.71007 1.929488 10.21518 0.0000R-squared 0.996015 Mean dependent var 941880.1Adjusted R-squared 0.995161 S.D. dependent var 413515.1S.E. of regression 28765.19 Akaike info criterion 23.56485Sum squared resid 1.16E+10 Schwarz criterion 23.76271Log likelihood -208.0836 F-statistic 1166.384Durbin-Watson stat 1.807779 Prob(F-statistic) 0.000000第四步：通过加入剩余变量后剔除不显著的变量后得：x2 x3 x6 x7Dependent Variable: YMethod: Least SquaresDate: 12/16/05 Time: 15:31Sample: 1 18Included observations: 18Variable Coefficient Std. Error t-Statistic Prob.C -1877325. 121383.9 -15.46601 0.0000X7 393.1564 27.28334 14.41013 0.0000X2 15.96881 1.404132 11.37272 0.0000X6 1957.836 288.5388 6.785346 0.0000X3 3.200203 0.648808 4.932436 0.0003R-squared 0.998612 Mean dependent var 941880.1Adjusted R-squared 0.998185 S.D. dependent var 413515.1S.E. of regression 17616.05 Akaike info criterion 22.62114Sum squared resid 4.03E+09 Schwarz criterion 22.86847Log likelihood -198.5903 F-statistic 2338.575Durbin-Watson stat 2.590139 Prob(F-statistic) 0.000000 但从回归后所得的统计量看，加入x3后模型的整体拟合优度改善并不明显，说明x3对y 的解释能力不大；同时从经济意义上看，从我们先前的预测得铁路的客运量与公路客运量间应该存在负相关性，然而所估计的系数为正，与经济意义相违背。