试探交通运输发展与国民经济的关系
摘要：本文主要通过对我国1991年到2002年交通运输业的发展状况与国民经济的发展之间的关系进行多因素实证分析。建立以国民经济指标为应变量，交通运输业的经济指标为自变量的多元线性回归模型，试图探索交通运输发展与国民经济的关系。首先，我们收集了相关的数据，利用EVIEWS软件对计量模型进行了参数估计，并建立了理论模型。然后，进行检验并对模型加以修正。最后，我们结合相关的理论对所得的分析结果作了经济意义的分析。
一.问题的提出与猜测：
“要想富，先修路”是我们大家都耳熟能详的一句话，改革开放以来，我国的交通运输业有了很大的发展，表现在运输线路长度上和客货运送量上都大幅度增长，与此同时，我国的经济发展也快速发展。二者的同步发展是否存在着某种联系？在此，我们猜测两者之间存在着一定的联系，根据“要想富，先修路”这一经验，我们猜测交通运输业对国民经济的发展具有先行作用，也即交通运输业对国民经济的发展具有促进作用。以下，我们将根据这一设想，收集相关数据，并估计和检验，希望能够找出二者之间是否存在关系，如若有，它们是什么样的关系？以及它们在多大程度上相关？
二.数据的搜集：
在进行实证分析的过程中，所需要的数据，应是能够很好代表两者水平的指标。就国民经济而言，GDP应该是最合适的指标，因为我们探究的是经济总量的问题，我们选取了各年我国的GDP总量（虽然人均GDP也同样有用，但明显不及总量GDP）；对于我国交通运输发展状况的水平指标，可选择的余地较大，但我们发现它们之间存在着明显的相关性，为了尽量避免多重共线形和使模型更加简洁精确，我们选取了四个最具有代表性的指标，它们分别是全国全年客运总量（用X1表示），全国全年货运总量（X2），截止当年全国铁路总里程数（X3），截止当年全国公路总里程数（X4）。
本文中数据的起止时间是1991年到2002年，一共12年的数据。数据来源于中经专网和国家统计局网站。
三.对模型的猜测：
我们假设以上四个变量和GDP之间存在以下的关系，待估计方程为：
Y=m+aX1+bX2+cX3+dX4+u
Y—GDP X1——全国全年客运总量 X2 ——全国全年货运总量
X3 ——全国铁路总里程数 X4 ——全国公路总里程
接下来我将利用样本数据对参数进行估计。
四.数据:
（单位：1万人，2万吨，3公里，4公里）
年份\指标 X1 X2 X3 X4 Y
1991 870907 936288 57800 1041100 21662.5
1992 891960 1004860 58100 1056700 26651.9
1993 979430 1069955 58600 1083500 34560.5
1994 1100924 1133046 59000 1117800 46670
1995 1241770 1185871 59700 1157000 57494.9
1996 1271387 1246369 64900 1185800 66850.5
1997 1329770 1224572 66000 1226400 73142.7
1998 1370410 1212454 66400 1278500 76967.2
1999 1388321 1268746 67400 1351700 80579.4
2000 1471849 1335554 68700 1402700 88254.9
2001 1526602 1377650 70100 1698000 95727.9
2002 1599555 1458555 72000 1732000 103553.6
五.模型的参数估计：
利用EVIEWS软件，用OLS方法估计得：
Dependent Variable: Y
Method: Least Squares
Date: 05/07/04 Time: 14:30
Sample: 1991 2002
Included observations: 12
Variable Coefficient Std. Error t-Statistic Prob.
X1 0.079947 0.007035 11.36468 0.0000
X2 0.014897 0.010253 1.453024 0.1895
X4 -0.001045 0.003393 -0.308122 0.7670
X3 1.129028 0.216642 5.211497 0.0012
C -124807.7 9976.147 -12.51062 0.0000
R-squared 0.999179 Mean dependent var 64343.00
Adjusted R-squared 0.998710 S.D. dependent var 27118.34
S.E. of regression 973.9812 Akaike info criterion 16.89500
Sum squared resid 6640476. Schwarz criterion 17.09704
Log likelihood -96.36999 F-statistic 2130.105
Durbin-Watson stat 2.285535 Prob(F-statistic) 0.000000
可得模型：
Y=0.07994666486*X1+0.01489726364*X2+1.129028112*X3-0.001045403313*X4- 124807.7471
在上面的ols的结果中我们可以看出，变量x2与x4的p值未获得通过，我们在接下来的过程中进行检验和修正。
六.计量经济学检验及其修正
1.多重共线性检验
用EVIEWS软件，得相关系数矩阵表：
X1 X2 X4 X3
X1 1 0.977648931099 0.883683547245 0.952768261281
X2 0.977648931099 1 0.903927928061 0.934040427024
X4 0.883683547245 0.903927928061 1 0.908697841494
X3 0.952768261281 0.934040427024 0.908697841494 1
由上可以看出，整体上线形回归拟合较好，但x2，x4变量的参数的t检验的p值大于0.05，所以t值并不显著，而且x4的系数符号与经济意义不符。两种方法结合一起来看，解释变量确实存在多重共线性。
下面我们利用逐步回归法（变量剔除法）进行修正：
(1)运用ols方法逐一求y对各个解释变量的回归.结合经济意义和统计检验选出拟合效果最好的一元线形回归方程.
(a)对x1与y回归:
Dependent Variable: Y
Method: Least Squares
Date: 05/07/04 Time: 14:35
Sample: 1991 2002
Included observations: 12
Variable Coefficient Std. Error t-Statistic Prob.
X1 0.110793 0.002522 43.93412 0.0000
C -74544.21 3215.745 -23.18101 0.0000
R-squared 0.994846 Mean dependent var 64343.00
Adjusted R-squared 0.994331 S.D. dependent var 27118.34
S.E. of regression 2041.904 Akaike info criterion 18.23217
Sum squared resid 41693735 Schwarz criterion 18.31298
Log likelihood -107.3930 F-statistic 1930.207
Durbin-Watson stat 1.906367 Prob(F-statistic) 0.000000
(b)对x2与y回归:
Dependent Variable: Y
Method: Least Squares
Date: 05/07/04 Time: 14:35
Sample: 1991 2002
Included observations: 12
Variable Coefficient Std. Error t-Statistic Prob.
X2 0.174922 0.011518 15.18711 0.0000
C -146349.0 13973.68 -10.47319 0.0000
R-squared 0.958446 Mean dependent var 64343.00
Adjusted R-squared 0.954290 S.D. dependent var 27118.34
S.E. of regression 5797.865 Akaike info criterion 20.31938
Sum squared resid 3.36E+08 Schwarz criterion 20.40020
Log likelihood -119.9163 F-statistic 230.6482
Durbin-Watson stat 0.888799 Prob(F-statistic) 0.000000
(c)对x3与y回归:
Dependent Variable: Y
Method: Least Squares
Date: 05/07/04 Time: 14:36
Sample: 1991 2002
Included observations: 12
Variable Coefficient Std. Error t-Statistic Prob.
X3 5.110079 0.407221 12.54865 0.0000
C -263000.1 26162.96 -10.05238 0.0000
R-squared 0.940287 Mean dependent var 64343.00
Adjusted R-squared 0.934316 S.D. dependent var 27118.34
S.E. of regression 6950.126 Akaike info criterion 20.68192
Sum squared resid 4.83E+08 Schwarz criterion 20.76274
Log likelihood -122.0915 F-statistic 157.4687
Durbin-Watson stat 1.038107 Prob(F-statistic) 0.000000
(d)对x4与y回归:
Dependent Variable: Y
Method: Least Squares
Date: 05/07/04 Time: 14:36
Sample: 1991 2002
Included observations: 12
Variable Coefficient Std. Error t-Statistic Prob.
X4 0.104346 0.016254 6.419687 0.0001
C -68969.25 21080.72 -3.271675 0.0084
R-squared 0.804735 Mean dependent var 64343.00
Adjusted R-squared 0.785208 S.D. dependent var 27118.34
S.E. of regression 12568.17 Akaike info criterion 21.86673
Sum squared resid 1.58E+09 Schwarz criterion 21.94755
Log likelihood -129.2004 F-statistic 41.21238
Durbin-Watson stat 0.498566 Prob(F-statistic) 0.000076
由以上可以得知拟合程度最好的方程是:
Y = 0.110793012*X1 - 74544.21148
(43.93412) (-23.18101)
R-squared=0.994846 S.E=2041.909 F=1930.207
(2)逐步回归,将其余的解释变量逐一代入上式中,得如下几个模型:
将x2代入:
Dependent Variable: Y
Method: Least Squares
Date: 05/07/04 Time: 14:42
Sample: 1991 2002
Included observations: 12
Variable Coefficient Std. Error t-Statistic Prob.
X1 0.101270 0.012219 8.287630 0.0000
X2 0.015668 0.019655 0.797134 0.4459
C -81478.41 9295.350 -8.765502 0.0000
R-squared 0.995186 Mean dependent var 64343.00
Adjusted R-squared 0.994116 S.D. dependent var 27118.34
S.E. of regression 2080.176 Akaike info criterion 18.33061
Sum squared resid 38944181 Schwarz criterion 18.45184
Log likelihood -106.9837 F-statistic 930.2357
Durbin-Watson stat 1.615796 Prob(F-statistic) 0.000000
(b)将x3代入:
Dependent Variable: Y
Method: Least Squares
Date: 05/07/04 Time: 14:43
Sample: 1991 2002
Included observations: 12
Variable Coefficient Std. Error t-Statistic Prob.
X1 0.088562 0.004015 22.05966 0.0000
X3 1.106982 0.190463 5.812064 0.0003
C -117587.0 7567.214 -15.53901 0.0000
R-squared 0.998916 Mean dependent var 64343.00
Adjusted R-squared 0.998675 S.D. dependent var 27118.34
S.E. of regression 987.2214 Akaike info criterion 16.83998
Sum squared resid 8771456. Schwarz criterion 16.96121
Log likelihood -98.03990 F-statistic 4145.611
Durbin-Watson stat 2.228882 Prob(F-statistic) 0.000000
(c)将x4代入:
Dependent Variable: Y
Method: Least Squares
Date: 05/07/04 Time: 14:45
Sample: 1991 2002
Included observations: 12
Variable Coefficient Std. Error t-Statistic Prob.
X1 0.103774 0.005024 20.65574 0.0000
X4 0.008317 0.005261 1.580942 0.1483
C -76371.76 3213.872 -23.76316 0.0000
R-squared 0.995966 Mean dependent var 64343.00
Adjusted R-squared 0.995070 S.D. dependent var 27118.34
S.E. of regression 1904.137 Akaike info criterion 18.15376
Sum squared resid 32631643 Schwarz criterion 18.27499
Log likelihood -105.9226 F-statistic 1111.059
Durbin-Watson stat 2.072357 Prob(F-statistic) 0.000000
由以上可以得知拟合程度最好的方程是:
Y = 0.08856170882*X1 + 1.106981758*X3 - 117587.0399
(22.05966) (5.812064) (-15.53901)
R-squared=0.998916 S.E=987.2214 F=4145.611
(3)再将x2,x4代入上式:
(a)将x2代入:
Dependent Variable: Y
Method: Least Squares
Date: 05/07/04 Time: 14:53
Sample: 1991 2002
Included observations: 12
Variable Coefficient Std. Error t-Statistic Prob.
X1 0.080573 0.006342 12.70515 0.0000
X3 1.095890 0.177103 6.187853 0.0003
X2 0.013510 0.008674 1.557516 0.1580
C -123134.8 7881.530 -15.62320 0.0000
R-squared 0.999168 Mean dependent var 64343.00
Adjusted R-squared 0.998856 S.D. dependent var 27118.34
S.E. of regression 917.2336 Akaike info criterion 16.74180
Sum squared resid 6730539. Schwarz criterion 16.90344
Log likelihood -96.45082 F-statistic 3202.405
Durbin-Watson stat 2.187638 Prob(F-statistic) 0.000000
(b)将x4代入:
Dependent Variable: Y
Method: Least Squares
Date: 05/07/04 Time: 14:54
Sample: 1991 2002
Included observations: 12
Variable Coefficient Std. Error t-Statistic Prob.
X1 0.088354 0.004270 20.69300 0.0000
X3 1.070252 0.227133 4.711994 0.0015
X4 0.001120 0.003253 0.344385 0.7394
C -116405.0 8675.275 -13.41802 0.0000
R-squared 0.998932 Mean dependent var 64343.00
Adjusted R-squared 0.998531 S.D. dependent var 27118.34
S.E. of regression 1039.430 Akaike info criterion 16.99193
Sum squared resid 8643317. Schwarz criterion 17.15357
Log likelihood -97.95160 F-statistic 2493.118
Durbin-Watson stat 2.219465 Prob(F-statistic) 0.000000
由以上可知x2,x4对y的影响并不显著,故将其删去,得如下模型:
Y = 0.08856170882*X1 + 1.106981758*X3 - 117587.0399
(22.05966) (5.812064) (-15.53901)
R-squared=0.998916 S.E=987.2214 F=4145.611
2.异方差检验
ARCH检验
我们首先对模型进行ARCH检验,得结果如下:
首先对模型滞后三期:
ARCH Test:
F-statistic 0.376599 Probability 0.774398
Obs*R-squared 1.658810 Probability 0.646130
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 06/09/04 Time: 08:57
Sample(adjusted): 1994 2002
Included observations: 9 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C 2.23E+08 1.53E+08 1.462681 0.2034
RESID^2(-1) 0.233499 0.363761 0.641902 0.5492
RESID^2(-2) -0.233537 0.297622 -0.784675 0.4682
RESID^2(-3) -0.003115 0.259411 -0.012007 0.9909
R-squared 0.184312 Mean dependent var 2.04E+08
Adjusted R-squared -0.305100 S.D. dependent var 2.72E+08
S.E. of regression 3.11E+08 Akaike info criterion 42.24730
Sum squared resid 4.82E+17 Schwarz criterion 42.33495
Log likelihood -186.1128 F-statistic 0.376599
Durbin-Watson stat 0.623651 Prob(F-statistic) 0.774398
再对模型滞后一期:
ARCH Test:
F-statistic 1.133281 Probability 0.314803
Obs*R-squared 1.230212 Probability 0.267366
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 06/09/04 Time: 09:01
Sample(adjusted): 1992 2002
Included observations: 11 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C 2.93E+08 1.88E+08 1.558978 0.1534
RESID^2(-1) 0.335598 0.315247 1.064557 0.3148
R-squared 0.111837 Mean dependent var 4.08E+08
Adjusted R-squared 0.013153 S.D. dependent var 5.16E+08
S.E. of regression 5.12E+08 Akaike info criterion 43.10906
Sum squared resid 2.36E+18 Schwarz criterion 43.18140
Log likelihood -235.0998 F-statistic 1.133281
Durbin-Watson stat 1.004647 Prob(F-statistic) 0.314803
由以上可知,由于F和obs*R-squared的p值都大于0.05,所以其不显著,不能拒绝原假设,所以模型不存在异方差.
(2)white检验：
我们运用white检验对模型进行异方差的检验,得到如下结果:
White Heteroskedasticity Test:
F-statistic 1.419397 Probability 0.337822
Obs*R-squared 6.502552 Probability 0.260340
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 05/07/04 Time: 15:01
Sample: 1991 2002
Included observations: 12
Variable Coefficient Std. Error t-Statistic Prob.
C -67783511 4.18E+08 -0.162061 0.8766
X1 -67.63222 320.5373 -0.210996 0.8399
X1^2 1.03E-05 5.57E-05 0.184159 0.8600
X1*X3 0.000755 0.007095 0.106472 0.9187
X3 3719.799 19588.76 0.189895 0.8557
X3^2 -0.039529 0.225308 -0.175444 0.8665
R-squared 0.541879 Mean dependent var 730954.6
Adjusted R-squared 0.160112 S.D. dependent var 1047067.
S.E. of regression 959589.0 Akaike info criterion 30.69325
Sum squared resid 5.52E+12 Schwarz criterion 30.93570
Log likelihood -178.1595 F-statistic 1.419397
Durbin-Watson stat 2.243252 Prob(F-statistic) 0.337822
由以上可知,由于F和obs*R-squared的p值都大于0.05,所以其不显著,不能拒绝原假设,所以模型不存在异方差.
3.自相关检验
我们运用d-w检验对模型进行自相关的检验,得到如下结果:
d-w值为2.228882,查表得dl=0.812,du=1.579
du<d<4-dl时,表明不存在一阶自相关,所以模型不存在一阶自相关.
综上所述:交通运输发展与国民经济的关系模型为
Y = 0.08856170882*X1 + 1.106981758*X3 - 117587.0399
其中: X1——全国全年客运总量 X3 ——全国铁路总里程数
七.理论探讨及总结:
人们进行的交通运输活动是人类经济活动中一个极为重要的劳动分工,这种分工实际上包括两个方面,一是要进行交通基础设施建设和交通运输工具的制造活动,一是要进行运输活动即人和物的位移.这两方面恰好对应了本模型的X3和X1.由此可见,对交通运输与经济增长关系问题的研究,实际上只是经济学最基本的关于分工问题研究的一个组成部分,是一个最基本的经济学问题.但实际上如何解释交通运输与经济增长之间的相互作用的内在经济机制是一个尚未给出令人满意回答的理论难题.
发展经济学家赫希曼将交通运输看作社会间接资本,分析了社会间接资本与直接生产活动之间的关系.并得出出结论:交通的发展有降低直接生产活动成本的作用,从而促进经济的发展.从历史上来看,从1843年到1860年期间美国工业化的大飞跃在很大程度上要归功于当时的铁路建设.
综观近几年我国积极发展基础产业,扩大内需的实践,之所以能够保证较高的国民经济增长速度,也许与发展交通运输业有很大的关系,这对于未来国民经济的健康发展,突破交通运输业的瓶颈限制具有重大的战略意义.
综上我们得出这样的结论:首先是发展交通基础设施,由此导致的后向联系,进一步拓展了专业化分工,扩大了市场规模,增加了国民收入;这反过来使整个经济有更大的能力进行交通基础设施建设,由此产生的前向联系又进一步促进了直接生产,并形成一种正反馈的经济增长过程.