我国农民收入影响因素的计量经济学模型构建 一、 问题的提出 改革开放以来，中国经济迅速发展，GDP逐年攀升，人民生活水平总体上有很大的改善。但农村经济发展和农民生活水平的提高却面临着严重的困难，成了制约中国经济发展的重大因素。伴随着人民总体生活水平的提高，中国的城乡基尼系数却在不断的扩大，这不仅影响了中国经济的健康正常发展，还有可能引发一系列的社会问题。因此，“三农”问题成为中国经济研究的热点问题，提高农村居民收入迫在眉睫。为此，本文将就农村居民的收入影响因素进行分析，对改革开放以来影响农村居民的一些要素进行统计研究，希望从中发现一些对农民收入起关键作用的因素，给农村改革与发展提供一些线索与建议。 我们采用计量分析的方法，把影响农民收入的内外因素结合起来，希望能从我们的分析中真正的找到改革开放以来影响农民收入的主要原因是什么。 二、 研究方案与数据的搜集统计 通过我们对影响农业的主要因素的分析，和我们对改革开放以来的农业统计数据的分析。我们把影响农民收入的因素分为农村内因素和农村外因素，农村内的因素即是农业本身的资本，劳动，科技等的投入，从而我们把农业内的影响农民收入的因素主要分为三个方面进行分析，如下： 国家财政用于农业的支出（X1）：包括国家用于农业的科研支出，农村基本建设支出，支援农村生产支出和农林水利气象等部门的事业费，农村救济。 农业各税（X2）：包括农业税、牧业税、耕地占用税、农业特产税和契税。 农产品收购价格指数（X3）：价格指数以上年为基准，即上一年的价格指数=100 农业外的影响农业的因素主要是指城市化引起的农村产业结构，从而使农村人数的变化，从而对农民人均收入引起的变化，所以我们把农村产业结构的变化引起的农村居民人数的变化作为农村外影响因素的主要指标。在这里，农村居民人数是指的靠农业劳动获得收入的人，就是说不包括依靠农村第三产业，外出务工等作为主要收入的农民。 从这两方面的因素来看，结合改革开放农村的实际统计数据，我们认为农村外的因素才是影响农民收入的根本。即城市化和农村产业结构的变化对农民收入的影响有较根本性的作用。因为从中国的农村具体情况来看，农村劳动力过剩是一个基本的特征，因而使得农村劳动生产率低下，所以单纯依靠传统的农村本身发展，对中国这样的一个特殊的农业大国来说，想根本性的提高农民收入是不可能的。因而，我们研究这个问题时，先用农村内的影响因素对农民收入进行回归分析。然后我们把农村外的影响因素加入回归模型中，比较两次回归的优劣，如果加如农业外因素后的模型显然优于没加入时的模型，并且符合经济和统计的检验，那么我们可能有理由相信影响农民收入的真正原因，主要原因在农村之外。而如果加入农村外因素的引入对模型没多大的影响，我们则可以分析到底是我们模型的设定有误，还是劳动力转移对农村居民的收入影响的确是微弱的。 通过我们查阅资料，大多数研究影响农民收入因素的分析中，是把这些单个因素和农民的收入作简单线性回归。因而，我们将农村内影响农村居民收入的模型设定为以下简单的线性的三元方程： Y=C+C1*X1+C2*X2+C3*X3+U

查找获得的数据如下: 年份 农村居民人均收入(Y) 国家财政用于农业的支出(X1) 农业各税(X2) 农产品收购价格指数(X3) 1980 191.3 149.95 27.67 107.1 1981 201.6 110.21 28.35 105.9 1982 240.4 120.49 29.38 102.2 1983 296.4 132.87 32.96 104.4 1984 356.3 141.29 34.84 104 1985 397.6 153.62 42.05 108.6 1986 423.8 184.2 44.52 106.4 1987 462.6 195.72 50.81 112 1988 544.9 214.07 73.69 123 1989 601.5 265.94 84.94 115 1990 686.3 307.84 87.86 97.4 1991 708.6 347.57 90.65 98 1992 784 376.02 119.17 103.4 资料来源：中国统计年鉴 Y：农村居民人均收入（单位：元） X1：国家财政用于农业的支出(单位：亿元) X2：农业各税（单位：亿元） X3：农产品收购价格指数（单位：%） (注：价格指数以上年为基准，即上一年的价格指数=100)

三、模型的参数估计 得到如上的统计数据后，我们用EWIEWS软件对模型进行回归并得到模型的参数估计值。如下： Dependent Variable: Y Method: Least Squares Date: 09/21/12 Time: 11:06 Sample: 1980 2001 Included observations: 22 Variable Coefficient Std. Error t-Statistic Prob. C 233.8541 201.9679 1.157878 0.2620 X1 0.005803 0.197401 0.029397 0.9769

1993 921.6 440.45 125.74 113.4 1994 1221.0 532.98 231.49 139.9 1995 1577.7 574.93 278.09 119.9 1996 1926.1 700.43 369.46 104.2 1997 2090.1 766.39 397.48 95.5 1998 2162 1154.76 398.8 92 1999 2210.3 1085.75 423.5 87.8 2000 2253.4 1231.54 465.31 96.4 2001 2366.4 1335.46 481.7 98.3 X2 4.675530 0.457780 10.21350 0.0000 X3 -0.382730 1.773267 -0.215833 0.8315 R-squared 0.990493 Mean dependent var 1028.768 Adjusted R-squared 0.988908 S.D. dependent var 787.2660 S.E. of regression 82.91315 Akaike info criterion 11.83643 Sum squared resid 123742.6 Schwarz criterion 12.03480 Log likelihood -126.2007 F-statistic 625.0942 Durbin-Watson stat 0.958254 Prob(F-statistic) 0.000000

所以模型的形式为：Y=233.8541+0.005803X1+4.67553X2-0.38273X3+U 四、检验分析 1、经济意义检验 从上表可以看出，X1的符号与经济意义是相符合的，从X2与X3的符号来看，似乎与经济意义相悖，但可能事实上并非如此，从物价指数X3来说，70年代以来，在各种价格的变动中，农民实际上是受损者，而不是受益者。因为农产品的价格上涨可能远比不上其他商品的上涨幅度，而这些商品又是农民生产生活所必须的，所以物价很可能是影响农民收入的一个重要因素。而我们在看第二个解释变量X2，农业的各种税收，其系数的符号与经济意义明显相悖，所以我们把X2排除在模型之外 2、计量经济学推断检验 (1)自相关检验 DW检验：由表4的DW=0.765503，在显著性水平=0.05下，查DW表，n=21,k=1, 得到dl=1.221,dv=1.420,由于DW=0.765503正的一阶自相关。 .自相关的修正：由于DW=0.765503，所以估计一阶自相关系数ρ=0.61725。 所以：GENR DY=Y-0.765503*(-1)Y DX1=X1-0.765503*(-1)X1 用OLS法估计其参数得： Dependent Variable: DY Method: Least Squares Date: 09/21/12 Time: 14:54 Sample(adjusted): 1981 2001 Included observations: 21 after adjusting endpoints Variable Coefficient Std. Error t-Statistic Prob. C 125.6701 52.64465 2.387139 0.0275 DX1 1.551101 0.180809 8.578655 0.0000 R-squared 0.794802 Mean dependent var 472.9573 Adjusted R-squared 0.784002 S.D. dependent var 331.8368 S.E. of regression 154.2232 Akaike info criterion 13.00507 Sum squared resid 451911.3 Schwarz criterion 13.10455 Log likelihood -134.5533 F-statistic 73.59332 Durbin-Watson stat 1.577062 Prob(F-statistic) 0.000000

从输出的结果看，DW=1.57706,所以dv落在了中间区域，已不存在自相关。经济模型得到改善。 （2）异方差检验 ARCH检验： ARCH Test: F-statistic 6.951963 Probability 0.006716 Obs*R-squared 8.834111 Probability 0.012070

Test Equation: Dependent Variable: RESID^2 Method: Least Squares