河南省粮食产量影响因素的实证研究
时间：2021-01-31 16:03:23 来源：雅意学习网 本文已影响 人 
本文1978-2014年37年的数据为基础，选取了与河南粮食产量相关的指标，以探析和检验不同因素对河南粮食产量产生的影响程度。实证表明：化肥施用折纯量与粮食播种面积两因素对粮食产量具有显著影响。
河南 粮食产量
影响因素 实证分析
引言
目前，我国粮食需求处于刚性增长的状态，供求缺口逐步加大，如何解决粮食供应问题成了人们所关注的重要课题。河南地处中原地带，适宜种植农作物。因此，研究历年来河南粮食产量的变化情况相关影响因素，对保证河南粮食产量可持续增长和满足中国粮食需求问题具有深远的影响。
探究粮食产量的综合作用因素及各因素之间的关联程度是学者们关注的问题。李瑞华，李明秋（2009）从自然、经济和社会等角度展开研究，结果发现：对河南粮食产量产生作用的因素之中，自然因素的作用较小，社会和经济因素作用较大，其中作用程度最大的指标是播种面积。顾乐民（2013）从播种面积、施肥量与成灾面积等角度，构建了关于粮食产量的生产函数。周忐刚，郑明亮（2015）运用了对数均值迪氏指数的方法，从耕地面积、复种指数、种植结构与播面单产等方面，建立关于作用因素的分解模型，以研究粮食产量波动情况。李青松，邓素君，徐国劲，文倩和朱嘉伟（2015），利用小波诊断技术研究1978-2012年河南粮食产量变化的特征和影响因素，结果显示这些因素与粮食产量之间存在正相关关系，其中播种面积的作用程度最大，农村用电量的作用程度最小。周昊天（2016）通過冗余变量检验法以及最小二乘法建立回归模型，选取了8个指标分析粮食产量的作用因素，包括播种面积、化肥施用量、灌溉面积、成灾面积、农村用电量、农村劳动力、国家财政用于农业的支出、农业机械动力等。
由上可知，存在不同的作用因素影响着粮食产量，本文通过选取6个指标建立关于粮食产量的多元线性模型，以探究各种因素对河南粮食产量产生的作用。
研究设计
（1）指标选取
粮食产量的作用因素会因所在地区存在差异和所处时间段不同而会产生各种不同的结果。鉴于存在以上差异，在考虑河南省的地理位置、气候情况、政策方针、劳动力群体特征等方面的因素后，从以下6个方面选择构建了解释变量，分别是播种面积X1、农村的从业人员X2、农用机械总动力X3、农田的有效灌溉面积X4、化肥施用折纯量Xs以及农村用电量X6，同时选取粮食产量Y作为被解释变量。
（2）资料来源
本文的数据资料来源于2015年的《河南统计年鉴》，共37年的年度数据，分别是从1978到2014年的有关数据，选取了与河南粮食产量相关的部分指标利用Eviews8软件进行数据处理。
（3）模型设定
本文选择了多元线性回归模型，假定模型中被解释变量为Y，解释变量为X1、X2…Xn，回归系数为βo、β1、β2、β3…βn，随机误差项为μ。则模型形式为：
Y=β0+β1X1+β2X2+β3X3+…+β
nXn+μ
（l）
研究结果与分析
（1）建立多元线性回归模型
假设时间年份为t，t=l代表1978年，t=2代表1979年……t=37代表2014年，那么粮食产量与各因素之间存在以下关系：
Yt=β0+β1Xit+β2X2t+β3X3t+…+β
6X6t+μ（t=l，2，3，…，T） （2）
式中：T为样本数；βo表示了不受任何因素影响下的河南粮食产量；β1代表了播种面积的作用水平；B2代表了农村从业人员的作用水平；B3代表了农用机械总动力的作用水平；B4代表了农田有效灌溉面积的作用水平；B5代表了化肥施用折纯量的作用水平；B6代表了农村用电量的作用水平；μ代表了随机扰动项。
运用最小二乘法进行回归分析.得到的回归方程为：
Y=-5705.869+0.741020X1+0.22119
X2-0.187414X3+0.135722X4+5.73343
7X5+1.2865X6
t= （-1.954253）
（2.85631 ）
（0.768917）
（-1.820417）
（0.614858） （2.338673）
（0.251711）
R2=0.97524
F=196.9419
结果显示：R2=0.975240，说明此样本回归线的解释力为97.524%，即河南省粮食产量Y的总变化量中，由这6项解释变量共同解释的程度为97.524%，模型对样本的拟合度较高；F=196.9419，临界值F0.05（6，34） =2.42，因为F=196.9419>F0.05（6，34） =2.42，总体上回归模型显著，即这6项指标对河南粮食产量的共同影响是显著的；对于X2、X4与X6三个指标进行的T检验，结果发现并不显著，而X3的系数与所预期得符号完全相反，由此可知各个解释变量之间很可能存在着多重共线性的关系。基于此，获取6个解释变量之间的相关系数，结果如表l所示：
由上可知，X1与其它变量之间存在的相关程度很弱，而X2、X3、X4、X5和X6之间的相关程度比较高，这证实了解释变量之间的确存在着多重共线的关联。因此可采用前向有进有出逐步回归法来解决多重共线性问题，根据检验结果确立的回归方程为：
Y=-3224.447+7.155249X5+0.56614
Xl-0.145276X3
t=（-2.510374）
（6.954512）
（3.998528）
