影响成都市机动车总数因素的定量分析
【摘 要】:汽车产业当前是我国经济发展的支柱，另一方面，我国各大城市的机动车数量趋近饱和。我们经过分析认为人均可支配收入和车辆主要替代品——住房价格是购买者的角度影响机动车数量的重要方面,我们以成都为一个样本利用计量经济学的基本知识对其作实证分析,分别检验当年以及滞后几年的人均可支配收入和住房价格对成都机动车数量的影响,分析汽车产业的腾飞和城市市政和人居环境可持续发展的协调促进关系。
【关键词】 人均可支配收入 住宅投资情况 滞后
本文结构概要：
一 概述：
二 问题提出：
（一）问题提出的背景：
⒈ 环境问题：
⒉ 能源问题：
⒊ 汽车行业增长迅速
（二）研究的意义：
三 理论分析与模型建立
（一）影响因素的选择：
（二）数据取得：
（三）模型建立与分析：
1．初步模型分析
2．滞后模型的建立
3．异方差检验：
四 结论
五 不足之处
一 概述：
作为中国西部重镇，成都历史悠久，早在2300多年前，蜀王开明九世就在此建都，取“一年成邑，二年成都”之意而名成都。自公元前310年建城以来，成都一直是四川地区政治、经济、文化中心，历史上曾6次成为封建割据王朝都城，自古就是商贾通衢之地，车水马龙，民生富足。新中国成立后，成都是四川省省会，1993年国务院进一步要求"充分发挥成都市作为西南地区科技中心、商贸中心、金融中心和交通通信枢纽的作用"。在国家西部大开发政策的支持，成都近经济发展迅速，全市现有总人口1029万，是西南地区特大中心城市之一。近年来，成都的国内生产总值每年均以13%以上的速度发展，2002年，全市国内生产总值达1663亿元人民币，在全国15个副省级城市中居第四位，居西部各大城市之首。在这样的条件下，成都的机动车辆数量也连年处于高速增长状态，总量位居全国各大城市前列，这也为成都的市政的建设和生态环境的治理带来了沉重的压力。在此，我们希望能简单实践计量经济学的知识对影响成都市机动车总数的因素进行定量的分析，找到有效控制机动车增长过热的手段，促进经济、市政和环境三者的协调发展。
二 问题提出
（一）问题提出的背景：
⒈ 环境问题：
清华大学交通研究所近期关于汽车消费与城市环境的关系的研究表明：
机动车排气污染已成为城市大气污染的主要因素，目前我国城市固定源排放逐渐趋于稳定，而随着城市交通的发展，汽车保有量的增加，我国汽车污染物排放总量也日趋上升，成为一个突出的问题。据国家环保总局预测，2005年我国机动车尾气排放在城市大气污染中的分担率将达到79%左右。，如果不能有效控制汽车污染，城市污染将从煤烟型污染向汽车尾气型污染转化。
⒉ 能源问题：
自 1990 年以来，中国的石油消费量一直在以年均 7% 的速度攀升，现已经盖过了日本，成为世界第二大石油消费国。然而中国的能源完全自给时代已经结束，经过多年的开采，中国的主要油田已几近枯竭，每桶原油的产出成本在稳步攀升。据估计2004年我国的原油进口量将突破1亿吨。
同时，中国市场已经离不开国际市场的原油，如果中断国际原油供应，制造业的成本会上升，交通运输业，旅游业，很多行业成本会提高，这是对中国经济影响比较大的。种种迹象表明中国已经与美国、日本和欧洲争夺中东地区的石油了。由此可见，中国已经出现了较为严重的能源危机，对石油需求的有效控制将成为其发展方向。
我国机动车消耗石油约占全国石油消费三分之一以上。国务院发展研究中心产业部预测，2010年和2020年全国机动车燃油需求分别为1.38亿吨和2.56亿吨，为当年全国石油总需求的43%和57%。国土资源部预测同期中国国产石油产量顶多为2亿吨。新增石油需求越来越多依赖进口。
⒊ 汽车行业增长迅速
中国市场对汽车总需求连续几年成高速增长，自2000年以来分别以14.3% 37.4% 32.0%的速度进行增长。随着中国加入WTO，汽车价格开始逐渐有所下降，刺激人们对汽车的需求，国内市场迅速增长，目前处于高速增长时期。
（二）研究的意义：
汽车产业的发展与国民经济的增长呈显著正相关，汽车工业在经济方面的波及效应能达到本身产值的3—5倍。由此可以看出汽车产业的高速增长将成为我国经济腾飞的先导。2000 年我国经济的强劲复苏，带动了汽车产业的更快发展。随着汽车价格、居民收入和消费结构、消费信贷、消费环境的改善，特别是新产品的推出，今后10 － 15 年中国将成长成为全球最大的汽车市场，年销量将达到1700 万辆，汽车保有量超过1 亿辆。
另一方面，由于汽车销量的直线飙升，城市道路的设施的不完备，造成我国大中城市汽车容量趋向饱和，由此产生的交通拥堵，能源短缺，环境污染等一系列问题日益严重。因此，我们希望通过对影响汽车销量的因素进行计量经济分析，找到有效控制机动车增长过热的手段，促进经济、市政和环境三者的协调发展。
三 理论分析与模型建立
（一）影响因素的选择：
经过调查，我们发现影响汽车销量的因素有汽车价格，燃油价格，道路基建投资，人均可支配收入，消费结构，国家产业政策等。但是由于我们无法获得某些因素的统计数据，进而不能进行定量分析。故此我们只选择其中较主要与能够得到较准确数据的影响因素。
由于成都汽车总量位距全国第三，并且其汽车总量连年保持高速增长，因此我们最终选定成都市作为研究范围，希望由此可窥一斑。
人均可支配收入——根据收入决定支出理论，我们决定选择其中容易得到数据的人均可支配收入来进行定量分析。
家庭住房投资额——另外，由于个人购车通常是在满足了住房需求之后才成为家庭需求的，所以我们也把家庭住房投资做为定量分析汽车销量的因素之一。
（二）数据取得：
由于我们在找近十年住房平均价格方面具有一定困难，所以我们在这里就用近十年成都市住宅投资情况X2近似表示——就需假定所有投资都有对应的回报即所建住宅的空置率接近0。
在表一中：
Y表示成都市机动车总量——由成都市车辆管理部门获得（由于私家车的数量难以得到，故此的数据包括了公家车）。
X1表示全市人均可支配收入情况（X1、X2均由《成都统计年鉴》查得）。
表一：
obs Y（单位：辆） X1（单位：元） X2（单位：万元）
1993 138061.0 2624.200 172211.0
1994 165182.0 3940.470 226016.0
1995 207210.0 4708.990 319019.0
1996 280495.0 5265.640 372952.0
1997 382659.0 6018.740 349139.0
1998 478784.0 6446.440 455224.0
1999 561944.0 7098.010 554029.0
2000 613236.0 7649.090 867561.0
2001 715241.0 8128.390 1228045.
2002 1037603. 8971.910 1488834.
（三）模型建立与分析：
1．初步模型分析
由于我们不知道如何将两个滞后变量放在一个模型里面，所以我们将利用EViews软件，分别建立人均可支配收入X1和住宅投资情况X2的模型，采用最小二乘法对所得数据进行回归分析，最后再比较两个模型得出结论。
需要注意的是，经过我们的调查，X1和X2对Y的影响均有一定的滞后性，我们需要建立分布滞后模型进行检验。
利用EViews输入X1的数据，我们先得到人均可支配收入影响机动车总量的模型。
Dependent Variable: Y
Method: Least Squares
Sample: 1993 2002
Included observations: 10
Variable Coefficient Std. Error t-Statistic Prob.
C -367840.2 104655.6 -3.514769 0.0079
X1 135.7200 16.43382 8.258581 0.0000
R-squared 0.895019 Mean dependent var 458041.5
Adjusted R-squared 0.881896 S.D. dependent var 283946.5
S.E. of regression 97581.71 Akaike info criterion 25.99162
Sum squared resid 7.62E+10 Schwarz criterion 26.05214
Log likelihood -127.9581 F-statistic 68.20415
Durbin-Watson stat 0.964223 Prob(F-statistic) 0.000035
Ŷ= -367840.2 + 135.72X1
（-3.514769） （8.258581）
0.895019 DW=0.964223 F=68.20415
从输出结果看，T检验值、F检验值、值都很高，但在0.05显著水平下，DW值偏低，说明模型中存在自相关。
2．滞后模型的建立
实际上，从定性方面来分析，影响购买机动车数量除了本期的可支配收入外，还受以前各期可支配收入的影响，因此必须对该模型进行分布滞后的修正。
① 假设滞后影响期数为无限，我们采用库伊克变换法估计模型：
Dependent Variable: Y
Method: Least Squares
Sample(adjusted): 1994 2002
Included observations: 9 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C -243046.3 331098.9 -0.734059 0.4906
X1 68.30270 96.01536 0.711373 0.5036
Y(-1) 0.748745 0.757735 0.988135 0.3612
R-squared 0.949181 Mean dependent var 493594.9
Adjusted R-squared 0.932242 S.D. dependent var 276556.2
S.E. of regression 71988.84 Akaike info criterion 25.46761
Sum squared resid 3.11E+10 Schwarz criterion 25.53335
Log likelihood -111.6043 F-statistic 56.03319
Durbin-Watson stat 1.317923 Prob(F-statistic) 0.000131
从结果看，我们发现T检验值偏低，且由于该模型为自回归模型，我们求其H统计量计算结果小于在显著水平上的临界值。
② 阿尔蒙法：上面的数据说明将此模型设定为无限分布滞后模型不是很理想，我们觉得经济学上滞后期为3到5年，我们用阿尔蒙法分别计算得到三个不同滞后期数所对应的模型，经过比较可见当滞后期数为4的时候，有一个相对理想的模型。
滞后期数为4的结果如下：
Dependent Variable: Y
Method: Least Squares
Sample(adjusted): 1997 2002
Included observations: 6 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C -1416501. 295767.4 -4.789241 0.0409
PDL01 -672.4102 247.4055 -2.717847 0.1129
PDL02 -197.9734 42.44699 -4.664015 0.0430
PDL03 350.9851 120.2321 2.919229 0.1000
R-squared 0.989534 Mean dependent var 631577.8
Adjusted R-squared 0.973836 S.D. dependent var 229062.3
S.E. of regression 37051.63 Akaike info criterion 24.11273
Sum squared resid 2.75E+09 Schwarz criterion 23.97391
Log likelihood -68.33820 F-statistic 63.03365
Durbin-Watson stat 2.412506 Prob(F-statistic) 0.015657
Lag Distribution of X1 i Coefficient Std. Error T-Statistic
. *| 0 1127.48 303.918 3.70981
*. | 1 -123.452 99.7530 -1.23757
* . | 2 -672.410 247.405 -2.71785
* . | 3 -519.399 161.302 -3.22004
. * | 4 335.583 176.610 1.90014
Sum of Lags 147.800 41.0787 3.59797
Ŷ= -1416501+1127.48X1-123.452X1(-1)-672.410X1(-2) -519.399X1(-3)+ 335.583X1(-4)
(-4.789241) (3.70981) (-1.23757) (-2.71785) (-3.22004) (1.90014)
0.989534 DW=2.412506 F=63.03365
另一方面，我们通过定性分析认为房产和住宅是一般居民最大的两笔固定资产购买，两者存在较为明显的相互替代关系。而且，一般的居民都是先购房再购车，所以，除了本期住宅投资的影响外，机动车数量在很大程度上受过去投资额的影响。同上法，我们通过比较，得到滞后期数为3时有相对理想的模型：
Variable Coefficient Std. Error t-Statistic Prob.
C -22051.74 47806.38 -0.461272 0.6760
PDL01 0.123378 0.111841 1.103160 0.3505
PDL02 0.263961 0.116611 2.263607 0.1086
PDL03 0.090258 0.108343 0.833075 0.4659
R-squared 0.990962 Mean dependent var 581423.1
Adjusted R-squared 0.981925 S.D. dependent var 247655.2
S.E. of regression 33296.02 Akaike info criterion 23.95982
Sum squared resid 3.33E+09 Schwarz criterion 23.92891
Log likelihood -79.85938 F-statistic 109.6471
Durbin-Watson stat 2.743157 Prob(F-statistic) 0.001455
Lag Distribution of X2 i Coefficient Std. Error T-Statistic
*. | 0 -0.05032 0.11596 -0.43400
. * | 1 0.12338 0.11184 1.10316
. * | 2 0.47760 0.11861 4.02678
. *| 3 1.01233 0.25552 3.96177
Sum of Lags 1.56298 0.19752 7.91294
Ŷ= -22051.74- 0.05032X2 +0.12338X2(-1)+ 0.47760X2(-2) +1.01233X2(-3)
(-0.461272) (-0.43400) (1.10316) (4.02678) (3.96177)
0.990962 DW=2.743157 F=109.6471
3．异方差检验：
最后，我们对模型进行异方差的检验，由于我们取得的是小样本，而且样本资料为时间序列数据，所以我们采用ARCH检验分别对两个模型进行异方差检验，结果如下：
在Y对X1回归时：
ARCH Test:
F-statistic 2.526026 Probability 0.406489
Obs*R-squared 3.339067 Probability 0.188335
在α=0.05时，自由度P=2，查表得=5.99147，从上表可以得：
Obs*R-squared=3.339067<=5.99147，这表明模型随机误差项不存在异方差。
在Y对X2回归时：
ARCH Test:
Obs*R-squared 4.000000 Probability 0.261464
在α=0.05时，自由度P=3，查表得=7.81473，从上表可以得：
Obs*R-squared=4<=7.81473，这表明模型随机误差项不存在异方差。
四 结论
通过对影响成都市机动车总量的因素建立计量经济模型，并进行了上述分析之后，我们可以得出这样的结论：
成都市人均可支配收入和住宅投入确实对机动车总量有一定的影响，这点我们可以从模型的分析结果可以看出，但是需要说明的是这两种因素的影响存在一定的问题。因为通过对模型的检验，我们发现得出的结果与我们当初设想的情况存在一定的出入。
比如，我们当初设想的是成都市人均可支配收入和住宅投资应该对成都市机动车总量有较为显著的影响，可是结果我们发现这一影响并不是很显著，而且模型经过修正之后还存在比较严重的自相关，之所以出现这种情况，是因为我们得到的数据十分的有限，数据量明显不足应该是最主要的问题，但是限于客观情况，在这一点，我们没有很好的方法进行数据的收集与整理。
尽管如此，我们还是可以看出，我们所选择的因素确实也能够说明其对机动车总量的作用，从经济意义上讲，人均可支配收入对于个人够买汽车是起着决定性因素的，因为从目前的情况来看，我国居民的消费意识还是以量入为出为基本的消费观念的，尽管近几年出现了消费信贷，但是由于我们目前这方面的发展和管理都不是很完善，因此大众消费仍以个人的可支配收入量为依据进行消费，而且在汽车消费上的投入存在着一定的滞后。
另外，在居民消费问题上还存在着消费顺序的问题，一般都是先解决了吃住问题，然后才是其他的消费，所以，这一点对于个人购买汽车也是很重要的。因此，通过分析我们可以得出这样的结论：由于近几年来我国居民生活水平的不断提高，人均可支配收入的不断增高，个人购买汽车的需求也在不断增高，就成都市而言，私家车总量呈现逐年上升的趋势。另一点结合成都市的房价以及成都人的个性，对于私家车总量的上升趋势也起到很大的作用。
经过上述分析，我们认为虽然这两种因素在对机动车总量的影响中占有很大作用，但是想要依此两点来限制机动车的高速增长是不现实的，只能通过国家出台相应的政策及环保方面相应的法律法规，以及地方政府通过改善道路基建设施，逐步限制机动车总量并缓减交通压力，以此解决这个问题。
五 不足之处
前面我们分析了对汽车销量影响的因素，因现在所学尚浅不能取得有效的数据，且不能对某些数据进行正确的整理，故采用的进行分析的自变量较少。若能加入再多点自变量可能能够得到不同的结论，可能与我们得到的结论有差入。
对于自变量采用的数据也有不足之处：
成都市机动车总量数据取得时由于私家车的数量难以得到，采用的数据包括了公家车的数量，公家车的数量较大对我们得到的数据有一定的影响从而对建立的模型有一定的影响。