社会学农村研究毕业论文 中国农村居民消费地区差异的实证分析

《社会学农村研究毕业论文 中国农村居民消费地区差异的实证分析》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、湖南师范大学本科毕业论文考籍号：XXXXXXXXX姓名：XXX专业：社会学农村研究论文题目：中国农村居民消费地区差异的实证分析指导老师：XXX二〇一一年十二月十日摘要：本文按经济与地域差异将中国农村居民分为东部、中部、和西部三个部分。通过运用传统的计量经济模型以及PanelDate模型，对其在边际消费倾向、消费敏感度以及消费支出的地区差异等方面进行了实证研究与比较分析，并得出一些相关的结论与启示，以更好的促进农村经济的发展，同时使得我国经济全面协调的发展。关键词：农村居民消费地区差异当前我们国家仍然有70%左右的人口是农村

2、人口，是我国最大的消费群体，因此启动农村消费，开拓农村市场成了全社会关注的焦点。在我国由于经济发展水平的差异，使得东、中、西部地区农村居民消费存在着明显的差异。因此，深入分析我国目前农村消费状况，揭示其地区特性，并探讨根据不同地区消费状况采取不同的对策对扩大内需，促进经济发展具有重要的意义。目前已有较多的文献涉及农村居民消费水平问题，但较多使用描述性的确定统计方法，针对农村居民消费的地区性差异的论著较少，尤其是采用计量经济模型进行实证分析的论著则更为罕见。本文基于上述现象，按经济技术、发展水平和地理位置相结合的原则，将我国

3、分为东部、中部和西部三个经济区域，其中东部包括江苏、浙江、福建、广东四省（北京、上海等直辖市由于物价指数的缺失而未被选入模型中）；中部地区有江西、湖北、四川以及云南四省，西部地区包括西藏、甘肃、青海、新疆四个省分，利用1998-2002年《中国统计年鉴》提供的年度数据，采用SPSS统计软件，对各地区消费差异采用计量经济模型进行了实证分析。一.各地区农村居民消费倾向的地区差异分析根据消费理论，居民当期消费支出（Ct）受到即期收入（Yt）和上期消费（Ct-1）的影响。按照易丹辉[3]等人提出的加入价格指数序列（Pt）作为解释变

4、量的效应模型：Ct=β0+β1Yt+β2Ct-1+β3Pt+u利用SPSS统计软件中的逐步回归（Stepwise）法，对样本数据进行分析，结果见表1。表1.各地区边际消费倾向差异模型回归系数及相关检验地区β1t统计量F统计量调整R2东部地区0.8317.32053.5820.946中部地区0.5473.63513.2120.815西部地区0.8833.0659.3950.758由于Stepwise法自动将相关性不强的变量从模型中剔除，于是得到表1的结果。由表中结果显示，各地区农村居民的消费之处只与当期收入有较强的相关性，且

5、只有东部R2值较为接近1，即模型的拟合优度由东到西依次降级。就边际消费倾向而言，中部地区农村居民的边际消费倾向明显低于东部和西部地区。二.各地区农村居民消费敏感度差异分析消费敏感度理论表明：若消费者关于持久收入的预期是理性的，则当前消费就是本期持久收入的最价预期。为了对消费敏感程度进行检验，根据Campbell和Mankiw1990年提出的模型：ΔCt=λΔYt+ut式中：ΔCt和ΔYt分别为消费和可支配收入的一阶差分。这个模型也是目前国际上广泛用于研究消费敏感程度的经济计量模型。式中的λ为“超敏感系数”，λ越大消费对同期

6、收入越敏感。同时它表明，消费的变化是同期收入和持久收入变动（ut）共同决定的。有不少学者指出，不确定性也是引起消费过度敏感的重要原因。模型：ΔCt=α+λΔYt+βUCt+u即将不确定因素引入模型中，国外通常用失业率代表不确定性，杭斌[1]以收入变动量的方差作为UCt的替代变量。本文作者认为物价指数不确定性与收入变动不确定性具有较强的相关性，因此，将物价指数Pt引入模型代替不确定因素。代入各地区数据，得到结果见表2。表2.各地区消费敏感差异模型回归系数及相关检验地区λtλβtβFR2DW东部2.5888.00968.412

7、8.2504327.2401.0002.447中部1.21.08621.1070.919141.2510.7392.668西部0.5740.3399.9140.308164.6200.7202.367由表可知，该模型拟合优度同样存在东、中、西依次降级问题。同时，对收入变化、物价变化的敏感度也呈现出由东到西依次降低的现象。东部地区农村居民消费支出对物价变化尤其敏感，这也充分体现了该地区市场经济的发育程度大大高与中、西部地区。三.各地区农村居民消费支出差异为了克服仅仅利用时间序列数据或截面数据不能满足经济分析的需要，本章才用合

8、成数据（PanelDate）模型。该模型相对于单纯的截面数据模型和单纯的时间序列模型它的优点在于①提高了模型参数估计精度，同时多重共线性的影响被降低；②降低了估计误差，增加样本容量，同时比通常研究使用的描述统计等简单分析方法更能揭示数据的本质特征。最一般化的单方程PanelDate模型的形式为：Yit=