加工工业产品出厂价格多因素分析

摘要：
本文主要通过对加工工业产品出厂价格的变动进行多因素分析，建立以加工工业产品出厂价格指数为因变量，以固定资产投入和流动资产投入等因素为自变量的多元线性回归模型。对得到的模型进行一系列的计量经济检验后得出了最优结果。并利用模型对加工工业产品出厂价格变动因素进行分析，研究各个变量对它的影响情况。

关键词：
加工工业产品出厂价格向后剔除法逐步回归法
多重共线性异方差

问题的提出：
自2003年以来我国经济出现了过热的情况。遏制经济过热，调控经济增长速度，要以调控产业增长格局为基础。宏观调控的基本目标，是控制工业过快增长，稳定农业增长，加快服务业增长，使经济增长速度适度回落。
但是，目前工业增长是GDP增长的主要支撑，是我国经济增长最重要的力量，是经济增长的引擎。既要防止经济增长速度出现大落，又要保持工业必要的增长速度，这个两难问题一直备受业界的关注。
近来工业品出厂价格连续十二个月出现上涨，从2003年十月以来,工业品的出厂价格已累计增长了7.9%主要是受原材料和中间产品价格上涨的影响。同时必须看到，旺盛的市场需求也是重要原因。特别是加工工业对原材料市场需求仍然较大，拉动了原材料价格上涨。
2003年以来基础工业（尤其是能源和原材料工业）增长加快，基本上是加工工业拉动的结果。近年来，我国工业生产出现了严重性的结构失衡，尤其是加工工业与基础工业、基础设施的结构失衡。2003年以来投资过度扩张和加工工业的高速增长，导致了与基础工业和基础设施的结构矛盾，电、煤、铁矿石、柴油、运输等方面出现了紧张状态，形成了一定的瓶颈制约。这种结构失衡，瓶颈制约加深，将影响经济增长的质量，导致产能过剩、产品过剩、以及经济增长过程的波动。
所以研究加工工业以及影响加工工业产品出厂价格的因素对于研究整个国民经济的发展具有重要的意义。

问题的分析：
价格是国民经济的“晴雨表”,所以我们从价格方面入手对加工工业进行研究。根据我国国民经济行业分类标准，加工工业主要是对采掘业和农业所生产的原料进行加工或再加工的工业部门的总称。工业品的出厂价格指数是反映一定时期内工业产品出厂水平的变动趋势和程度的相对数。该指数可以观察出价格变动对工业总产值及增加值的影响。由此可以看出我们选取加工工业产品出厂价格指数作为研究对象是具有经济意义的。
由西方经济学理论可知产品价格与要素市场价格有很大相关性。

当除产品价格以外的因素发生变化时，供给曲线会发生移动改变均衡价格。例如上图所示，当生产成本提高时，供给曲线向左平移。假设需求曲线没有发生变化，则供求均衡点也会随之改变。
根据成本定价原理可知产品的出厂价格在一定程度上是受产品生产成本影响的，而从西方经济学角度来讲，成本主要是指要素成本，其中最重要的生产要素是劳动，土地，资本。对劳动要素的价格主要考虑劳动者报酬，我们选取加工工业劳动者平均工资。对于土地要素，由于它较稳定，长时间不会发生变化，我们将其作为常数考虑，不用引入变量对它进行分析。对于资本要素来说主要分为不变资本和可变资本，不变资本我们考虑引入生产资料类工业固定资产投入，可变资本我们考虑引入燃料动力类产品购进价格、黑色金属材料类产品购进价格、有色金属材料类产品购进价格、木材及纸浆类产品购入价格。

数据的收集及整理：
根据既定方案，我们收集了相应的数据资料，主要参考1996年和2003年的《统计年鉴》，我们找到了1989-2002年间相关数据。（具体数据资料见附件一）

模型建立及求解：
通锅对各个变量进行折线图（附件二）分析，我们认为各因素对加工工业产品出厂价格的影响呈线性关系。在此基础上，我们建立了如下模型：

通过用Eviews分析软件对方程进行初步拟合，发现T统计量和F统计量均不显著，有可能是因为变量过多，受多重共线性和异方差的影响。为了消除这种影响，我们采用向后剔除法对模型进行改进，剔除了T统计量较不显著的变量：，，，，修改后得到的模型如下：

　
（-0.998766）（1.868494）（1.809778） (6.769082)

Eviews输出结果见附件三
该模型的拟合图形如下：

从图形上可以看出拟合效果是较好的。
我们对模型进行了多重共线性的检验， T统计量和检验整体拟合程度的F统计量值综合效果都不错，从两个统计量的值可以看出模型整体的多重共线性不显著。
对异方差的检验，我们采用了ARCH检验（输出结果见附件四）
从输出的辅助回归函数中得，计算，
所以我们接受原假设，表明模型中随机误差项不存在异方差。
    对自相关进行了检验，我们采用LM test检验（输出结果见附件五）
从输出的检验结果来看，=0.036827，
所以我们接受原假设，模型的随机误差项不存在自相关。
从多重共线性，异方差检验和自相关检验的结果来看，此模型拟合的较好。
在通过了计量经济学的一系列检验后，再将模型进行经济意义的检验。
与Y呈正向相关关系，每增加一个单位的,Y增加0.193830个单位。表示化工原料类产品购进价格指数每增加一个单位，加工工业产品出厂价格指数增加0.193830个单位。
与Y呈正相关关系，每增加一个单位的，Y增加0.239521个单位。表示全工业劳动者平均报酬指数每增加一个单位，加工工业产品出厂价格指数增加0.239521个单位。
与Y呈正相关关系，每增加一个单位的，Y增加0.633510个单位。表示工业固定资产投入指数每增加一个单位，加工工业产品出厂价格指数增加0.633510个单位。
为了分析、、对Y的影响程度，对模型进行了中心化处理，得到了如下方程：

（1.969565）        （1.907673）         （7.135239）

    由此可以看出工业固定资产投入指数的购进价格指数对加工工业产品出厂价格指数的影响最大，这也符合实际。化工原料作为加工工业的基础原材料，对的变化有显著的直接作用。
全工业劳动者平均报酬指数的变化对加工工业产品出厂价格指数影响也较大，因为加工工业的劳动者报酬占了生产成本相当大的比重，所以劳动者平均报酬的变化会直接反映在产品出厂价格的浮动上。

模型评价：
此模型还存在一些不足，由于只能找到1989年——2002年有关方面的准确数据，导致截取的样本数太少，而自变量太多，拟合效果受到一定的影响，在有条件的情况下可以使用以后年份的数据对模型进行检验和修改。
在最后得到的模型中，各个变量参数的T统计量的数值较小，这说明各个解释变量对被解释变量不是非常显著，一方面是受到样本个数的影响，另一方面也反映了模型设置上的缺陷。由于时间和知识上的限制，我们目前还无法将其进一步改善，希望随着学习的深入能解决上述问题。
虽然存在缺陷，但本模型也有其优势。模型的多重共线性，异方差和自相关都不显著。
经过对Y值与各个变量的拟合最后得出的结果显示，我国加工工业产品的出厂价格指数与工业固定资产投入价格指数关系最密切，化工原材料类产品购进价格指数与全工业劳动者平均报酬指数对工业产品的出厂价格也有一定的影响。这是比较符合现实生活中的经济情况的。
总的来说，这次的拟合过程是比较成功的，取得了较为理想的拟合结果，最后得到的方程在经济意义方面还是比较符合我国国情以及实际情况的。

参考文献：《计量经济学》   庞皓李南成       西南财经大学出版社
《微观经济学》平狄克鲁宾费尔德   中国人民大学出版社
《中国统计年鉴（1996年）》              中国统计出版社
《中国统计年鉴（2003年）》              中国统计出版社

附件：
附件一
年份 Y
1990 102.5 110.7 103.9 97.2 95.6 99.4 114.2 100.0 115.2
1991 103.8 112.9 112.5 101.2 99.8 105.6 109.5 109.5 101.2
1992 107.4 116.4 114.5 112.4 102.6 102．0 113.3 115.3 118.8
1993 122.7 136.7 174.1 115.8 114.3 128.6 123.2 126.6 140.9
1994 111.1 118.0 103.8 110.7 111.7 115.1 132.9 110.4 114.3
1995 112.0 108.7 98.2 128.3 127.2 115.8 124.2 105.9 102.6
1996 104.1 110.2 99.3 92.4 98.0 101.9 111.6 104.0 102.5
1997 98.1 109.3 97.4 96.2 97.1 100.9 107.0 101.7 99.7
1998 96.8 99.1 95.1 88.3 93.6 96.7 110.6 99.8 98.6
1999 97.1 100.9 94.7 98.9 97.6 100.4 108.3 99.6 98.8
2000 98.6 115.4 100.9 110.3 105.6 99.8 111.5 101.1 101.5
2001 98.1 100.2 100.5 95.6 98.4 100.4 113.5 100.4 98.6
2002 97.7 100.1 98.2 96.5 97.5 98.7 113.3 100.2 98.2
附件二：

附件三
Dependent Variable: Y
Method: Least Squares
Date: 11/09/04   Time: 17:26
Sample: 1990 2002
Included observations: 13
Variable Coefficient Std. Error t-Statistic Prob.
C 625.4751 173.9711 3.595281 0.0088
X4 -0.380803 0.072899 -5.223704 0.0012
X5 0.746782 0.082983 8.999267 0.0000
X8 0.345893 0.074069 4.669858 0.0023
X9 0.211751 0.045763 4.627072 0.0024
X10 -0.309825 0.086279 -3.590981 0.0088
R-squared 0.991777     Mean dependent var 103.8462
Adjusted R-squared 0.985903     S.D. dependent var 7.722113
S.E. of regression 0.916861     Akaike info criterion 2.968316
Sum squared resid 5.884436     Schwarz criterion 3.229061
Log likelihood -13.29405     F-statistic 168.8459
Durbin-Watson stat 2.054676     Prob(F-statistic) 0.000000
附件四
Dependent Variable: Y
Method: Least Squares
Date: 11/09/04   Time: 17:35
Sample: 1990 2002
Included observations: 13
Variable Coefficient Std. Error t-Statistic Prob.
C 989.3941 331.1459 2.987789 0.0136
X10 -0.480960 0.164385 -2.925806 0.0151
X6 0.708872 0.069415 10.21208 0.0000
R-squared 0.942640     Mean dependent var 103.8462
Adjusted R-squared 0.931168     S.D. dependent var 7.722113
S.E. of regression 2.025964     Akaike info criterion 4.449143
Sum squared resid 41.04530     Schwarz criterion 4.579515
Log likelihood -25.91943     F-statistic 82.16860
Durbin-Watson stat 2.636670     Prob(F-statistic) 0.000001

附件五：
Breusch-Godfrey Serial Correlation LM Test:
F-statistic 0.133824     Probability 0.876929
Obs*R-squared 0.478756     Probability 0.787117
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 11/11/04   Time: 22:08
Presample missing value lagged residuals set to zero.
Variable Coefficient Std. Error t-Statistic Prob.
C 1.752198 12.50239 0.140149 0.8925
X5 0.011860 0.120709 0.098250 0.9245
X8 0.012264 0.106974 0.114642 0.9119
X7 -0.036789 0.163571 -0.224910 0.8285
RESID(-1) -0.053744 0.405316 -0.132597 0.8982
RESID(-2) -0.221171 0.431271 -0.512835 0.6238
R-squared 0.036827     Mean dependent var -6.49E-16
Adjusted R-squared -0.651153     S.D. dependent var 1.882583
S.E. of regression 2.419066     Akaike info criterion 4.908678
Sum squared resid 40.96318     Schwarz criterion 5.169424
Log likelihood -25.90641     F-statistic 0.053530
Durbin-Watson stat 1.412275     Prob(F-statistic) 0.997354