我国旅游收入的实证分析一、经济理论陈述在研读了大量统计和计量资料的基础上，选择了三个大方面进行研究，既包括旅游人数，人均旅游花费和基本交通建设。
其中，在旅游人数这个解释变量的划分上，我们考虑到随着全球经济一体化的发展，越来越多的外国游客来中国旅游消费。
中国旅游的国际市场是个有发展潜力的新兴市场，尽管外国游客前来旅游的方式包罗万象而且消费能力也不尽相同，但从国际服务贸易的角度出发，我们在做变量选择时，运用国际营销的知识进行市场细分，划分了国际和国内两个市场。
这样，在旅游人数这个解释变量的最终确定上，我们选择了2X入境旅游X国内旅游人数，3人数。
这点选择除了理论支持外，在现实旅游业发展中我们也看到很多景区包括成都的近郊也有不少外国游客的身影。
所以，我们选取这两个解释变量等待下一步进行模型设计和检验。
另外，对于人均旅游花费，我们在进行市场细分时，没有延续前两个变量的选择模式，有几个原因。
首先，外国游客前来旅游的形式和消费方式各异且很难统计。
我们在花大力气收集数据后，仍然没有比较权威的统计数据资料。
其次，随着国家对农业的不断重视和扶持，我国农业有了长足发展。
农村居民纯收入增加，用于旅游的花费也有所上升。
而且鉴于农村人口较多，前面的市场细分也不够细化，在这个解释变量的确定上，我们选择农村人均旅游花费，既是从我国基本国情出发，也是对第一步研究分析的补充。
所以我们确定了4X农村X城镇居民人均旅游花费和5居民人均旅游花费。
旅游发展除了对消费者市场的划分研究，还应考虑到该产业的基础硬件设施。
在众多可选择对象中我们经分析研究结合大量文献资料决定从交通建设着手。
在我国，交通一般分布为公路，铁路，航班，航船等。
由于考虑到我国一般大众的旅游交通方式集中在公路和铁路上，为了避免解释变量的过多过繁以及可能带来的多重共线形等问题，我们只选取了前二者。
即确定了6X铁路长度这两个X公路长度和7解释变量。
其中，考虑到我国旅游业不断发展过程中，高速公路的修建也不断增多，在6X的确定过程中，我们已经将其拟合，尽量保证解释变量的完整和真实。
二、相关数据三、计量经济模型的建立Ｙ＝ｃ（１）＋ｃ（２）＊Ｘ２＋ｃ（３）＊Ｘ３＋ｃ（４）＊Ｘ４＋ｃ（５）＊Ｘ５＋ｃ（６）＊Ｘ６＋Ｕ我们建立了下述的一般模型：其中Ｙ——1994-2003年各年全国旅游收入Ｃ（１）——待定参数X——国内旅游人数（万人）2X——入境旅游人数（万人）3X——城镇居民人均旅游花费（元）4X——农村居民人均旅游花费（元）5X——公路长度（含高速）（万公里）6X——铁路长度（万公里）7Ｕ——随即扰动项四、模型的参数估计和检验利用Eviews软件，采用以上数据对该模型进行OLS回归，结果如下：Dependent Variable: YMethod: Least SquaresDate: 12/23/10 Time: 01:56Sample: 1994 2003Included observations: 10Variable Coefficie Std. Error t-Statistic Prob.ntC -340.5047 1357.835 -0.250770 0.0882 X2 -0.001616 0.013520 -0.119529 0.1524 X3 0.232358 0.128017 1.815050 0.1671 X4 6.391052 1.716888 3.722463 0.0337 X5 -1.046757 1.224011 -0.855187 0.0453 X6 5.673429 6.667266 0.850938 0.4573 X7 -474.3909355.7167-1.3336200.2745R-squared0.996391 Mean dependent var 2494.200 Adjusted R-squared 0.989174 S.D. dependentvar980.4435 S.E. of regression 102.0112 Akaike infocriterion12.28407 Sum squared resid 31218.86 Schwarz criterion 12.49588Log likelihood -54.42035 F-statistic138.0609 Durbin-Watson stat3.244251 Prob(F-statistic)0.000944由此可见，该模型可决系数很高，F 检验显著，但是2X 、6X 、7X 的系数t 检验不显著，且7X 的系数符号不符合经济意义，说明存在严重的多重共线性。
所以进行以下修正：〈一〉．统计方法检验及修正 多重共线性的检验：首先对Y 进行各个解释变量的逐步回归, 由最小二乘法，结合经济意义和统计检验得出拟合效果最好的两个解释变量如下：Dependent Variable: Y Method: Least Squares Date: 12/23/10 Time: 02:00 Sample: 1994 2003Included observations: 10VariableCoefficientStd. Error t-Statistic Prob.C -3193.041 606.2101 -5.267217 0.0012 X4 9.729003 1.435442 6.777703 0.0003 X5-1.1970362.059371-0.5812630.1293R-squared0.957285 Mean dependent2494.200varAdjusted R-squared0.945081S.D. dependentvar980.4435S.E. of regression229.7654Akaike infocriterion13.95532Sum squared resid369544.9Schwarz criterion14.04609 Log likelihood-66.77660F-statistic78.43859Durbin-Watson stat0.791632Prob(F-statistic)0.000016继续采用逐步回归法将其余解释变量代入，得出拟合效果最好的三个解释变量，结果如下：Dependent Variable: YMethod: Least SquaresDate: 12/23/10 Time: 02:01Sample: 1994 2003Included observations: 10Variable Coefficient Std. Error t-Statistic Prob.C-3391.810514.1119-6.5974160.0006 X20.0294140.014525 2.0250420.0393 X4 6.355459 2.050175 3.0999590.0211 X5-0.284542 1.772604-0.1605220.1077R-squared0.974627Mean dependentvar2494.200Adjusted R-squared0.961940S.D. dependentvar980.4435S.E. of regression191.2739Akaike infocriterion13.63446Sum squared resid219514.3Schwarz criterion13.75550 Log likelihood-64.17232F-statistic76.82334Durbin-Watson stat 1.328513Prob(F-statistic)0.000035以上模型估计效果最好，继续逐步回归得到以下结果：Dependent Variable: YMethod: Least SquaresDate: 12/23/10 Time: 02:40Sample: 1994 2003Included observations: 10Variable Coefficient Std. Error t-Statistic Prob.C-1973.943441.5947-4.4700340.0066 X2-0.0050950.011431-0.4457290.6744 X30.3282790.080682 4.0688020.0096X4 4.665485 1.158665 4.0266020.0101 X5-1.7140200.999029-1.7156860.1469R-squared0.994114Mean dependentvar2494.200Adjusted R-squared0.989406S.D. dependentvar980.4435S.E. of regression100.9150Akaike infocriterion12.37329Sum squared resid50919.23Schwarz criterion12.52458 Log likelihood-56.86644F-statistic211.1311Durbin-Watson stat 3.034041Prob(F-statistic)0.000009各项拟合效果都较好。
虽然2X的t检验不是很显著，但考虑到其经济意义在模型中的重要地位，暂时保留。
继续引入6X。
Dependent Variable: YMethod: Least SquaresDate: 12/23/10 Time: 02:41Sample: 1994 2003Included observations: 10Variable Coefficient Std. Error t-Statistic Prob.C-2034.155525.2137-3.8730040.0179 X2-0.0070330.014095-0.4989770.6440 X30.2995620.128626 2.3289460.0803 X4 4.787986 1.339888 3.5734230.0233 X5-1.511851 1.282385-1.1789370.1638 X6 2.062334 6.6592470.3096950.7723R-squared0.994252Mean dependentvar2494.200Adjusted R-squared0.987067S.D. dependentvar980.4435S.E. of regression111.4976Akaike infocriterion12.54959Sum squared resid49726.89Schwarz criterion12.73114 Log likelihood-56.74797F-statistic138.3830Durbin-Watson stat 3.130122Prob(F-statistic)0.000144根据以上回归结果可得，6X的引入使得模型中2X的t检验均不X、6显著，再考察二者的相关系数为0.949132，说明2X高度相关，模型X、6产生了多重共线性，因此将6X去掉。