基于面板数据分析边疆民族地区农户收入影响因素

《基于面板数据分析边疆民族地区农户收入影响因素》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、基于面板数据分析边疆民族地区农户收入影响因素摘要：由于文化背景、居住环境、社会发育程度等的特殊性，西南边疆民族地区的农户行为有别于其他地区的农户，因此影响其收入的因素可能存在差异。文章基于云南省红河哈尼族彝族自治州13个县（市）、223个村、3000户农户2006年至2009年4年收入的微观数据，利用面板数据的分析方法，建立农户收入的变截距固定效应模型对影响农户收入的因素进行分析，发现在农户资本要素禀赋中，农户生产性资本、劳动力平均受教育年限、劳动力是否受过培训以及就业劳动力人数对收入有显著的正向影响。在农户

2、生产经营结构中，种植结构和是否兼业都对农户收入有显著正向影响，而非农就业却对收入有反向的影响。村庄的外部环境亦对农户收入有较大的影响。关键词：农户收入；变截距固定效应模型；影响因素；西南边疆民族自治地区一、引言目前，我国的农村贫困人口主要集中在西部地区，其中云南省农村贫困人口居全国前列。2007年云南农村绝对贫困和低收入人口597万人，占全国农村绝对贫困和低收入人口的13.8%。云南民族贫困问题十分突出，扶贫开发的重点在民族地区。2007年78个民族自治地方（县）农村绝对贫困人口127.3万人、低收入人口21

3、3.4万人，分别占全省的64.8%和53.3%。因此，增加西南边疆民族地区农户收入已成为各级政府工作的重中之重。实证研究农户收入的影响因素，对于宏观层面的边疆稳定、民族团结和社会安定，对于微观层面的有效实现农民增收均具有重要的现实意义。面板数据（paneldata）是指对不同时刻的截面个体进行连续观测所得到的多维时间序列数据。由于这类数据有着独特的优点，可以整合更多的信息，所以面板数据模型已在计量经济学、社会学等领域有较为广泛的应用。基于上述考虑本文应用面板数据模型对影响边疆民族地区农户收入的因素进行分析，整

4、合数据在截面和时序上的特征，以便更全面准确地反映出农户收入的影响因素，得出合理的分析和推断。二、数据来源和变量定义（一）数据来源本文研究所用的数据来自云南省红河哈尼族彝族自治州统计局2006至2009年调查的农户家庭层面的数据。红河哈尼族彝族自治州统计局的农户调查覆盖全州13个县市、295个行政村，每个行政村抽样调查10户或15户，总样本数量3000户。（二）农户收入的统计描述1、边疆民族地区农户收入水平低，来源单一。2009年农户人均纯收入为3047元，与云南省农民人均纯收入3370元之间依然有不少差距。而

5、2009年全国农民人均纯收入为5153元。可见边疆民族地区农户收入不仅低于云南省平均水平，更大大低于全国平均水平（见图1）。从收入来源看，农户收入的82%来自于家庭经营收入，收入来源单一的问题十分突出。在家庭经营收入中，90%来源于农业收入。农业收入是农户收入的主要来源。2、农户收入受地理环境影响大。据2008年的调查数据显示，居住在平原的民族村农户收入最高（4168.20元/人），丘陵次之（3199.83元/人），山区最低（2656.85元/人）；民族村农户收入随距县城距离的远近呈递减趋势。3、近年来收入增

6、长速度快。图1显示，4年来农户人纯收入的平均增长率在10%以上，农户收入的快速增长归因于生产技术的进步以及政府政策的大力支持。（三）变量定义研究中涉及变量的描述见表1。三、模型构建基于我们研究所使用的数据截面单元多（12000个）而时期短（4年）的特点，我们选用变截距固定效应模型对数据进行分析。模型表达式为：yit=αi+β′x′it+μit（i=1，…N，t=1，…T）①其中个体衡量αi代表截面单元的个体特征，反映模型中体现的个体差异；N为截面单元总数；T是时期总数。随机扰动项μit相互独立，且满足零均值，

7、同方差。个体时期变量μit代表模型中体现随截面与时期同时变化的因素的影响。Mincer（明瑟，1974）收入函数是研究农户收入影响因素的重要依据，我们再结合李兴绪（2010）以及万广华（2004）对农户收入影响因素的研究成果，建立收入函数：LYit=αi+β1LW1it+β2W2it+β3R1it+β4R2it+β5R3it+β6J1it+β7J2it+θ1D1it+θ2D2it+θ3D3it+θ4D41it+θ5D42it+θ6D43it+θ7D44it+θ8D5+εit②模型②即一个变截距模型，我们在估计

8、时将其设定为固定效应模型进行研究。对模型进行固定效应的似然比检验，该检验假设固定效应是多余的，从表2结果中看到在5%的显著性水平下拒绝原假设，即引入固定效应是合适的（见表2）。四、模型分析及实证结果表3给出了模型②的估计结果，我们应用截面加权的广义最小二乘估计（Cross-sectionWeights（GLS））对各个回归系数进行估计。从结果中可以看到，调整后的决定系数达到了0.88，模型的拟合优度