[经济学]案例三：中国各城市居民消费分析.doc

案例三：中国各城市居民消费分析（一）案例目标生产，收入、分配与使用，体现了社会经济运动的循环过程。收入分配是这个过程的中间环节，承前启后。收入分配核算构成了国民经济核算的最重要组成部分中之一，涉及多个账户，核算内容包括国民收入的初次分配、再分配、可支配收入和使用核算。本案例以收入使用中的居民消费结构为目标，分析不同时期我国城镇居民消费构成的差异及其发展变化过程。（二）案例背景我国从确立市场经济体制以后，社会经济迅速发展，居民的收入水平和消费水平有了显著的提高。然而消费需求不足仍是我国制约经济进一步发展的重要原因之一。地区差距及时间的变迁，使得居民在消费行为上存在很大的差异。因此研究地区差异和时间变化对居民消费行为的影响，对有效制定地区消费政策、促进地区乃至全国经济增长有着经济的意义。（三）分析方法 Panel-Data就是“平行数据”或“面板数据”。它是指在时间序列上取多个截面，在这些截面上同时选取样本观测值所构成的样本数据。因此，平行数据模型相较于只利用截面数据或只利用时间序列数据的模型而言，有着不可替代的作用。它可以从多层面分析经济问题，具有很高的应用价值。本文需要对收入差距较大的各城市居民消费行为进行分析，同时又要考虑到不同年份收入对消费的不同影响，因此，该模型适合分析的需要。1Panel Data模型截面数据是选择同一时间上不同区域的数据作为样本观测值，而时间序列数据是选择同一区域在不同时间上的数据作为样本观测值，二者在实际应用中都有一定的局限性。相对只利用截面数据或只利用时间序列数据进行经济分析而言，Panel Data模型具有许多优点。首先，Panel Data模型通过对不同截面单元不同时间观察值的结合，成为“更多信息、更可变、变量之间更少共线性、更多自由度、更有效”的数据。它通常提供给研究者大量的数据点，这样就增加了自由度并减少了解释变量之间的共线性，改进了计量经济估计的有效性；第二，Panel Data是对同一截面单元集进行重复观察，能更好地研究经济行为变化的动态性。例如，利用Panel Data能够更好地进行动态研究，诸如工作的调换、劳动力的流动等；第三，Panel Data模型能对更复杂的行为模型进行研究。例如，研究我国各省（区）居民收入结构问题，各省（区）居民的收入结构是不相同的，除了价格水平影响因素之外，地区差异如地理位置、气候条件、传统文化等方面的差异也是一个重要原因。然而仅用时间序列数据或者仅用某一截面数据都无法估计出地区差异的影响，因为形成地区差异的诸多因素是难以度量或不可观测的。如果用Panel Data建立模型，则由于资料中既有个体特征之间的差异，又包含个体特征随时间变化而发生的变化，上述提到的因素的作用是可以估计的。第四，截面变量和时间变量的结合信息能显著地减少缺省变量所带来的问题。如某研究者认为享受技术进步的企业有能力在生产中增加实际资金的使用。若使用截面数据分析，由于数据本身没有包含技术进步的信息，则不能准确地估计增加的资金量对企业盈利能力的影响。然而，若用Panel Data分析，其时间序列部分就包含技术进步对盈利能力的作用，因此可能的缺省变量问题就会不再出现。2.Panel Data模型的基本类型：(1)静态Panel Data模型静态Panel Data模型（通常简称为Panel Data模型）的一般形式为： 其中，k为解释变量的个数，误差项的均值为0，方差为。 按模型中的参数变化情况将Panel Data模型分为三类： 模型1：,；。在截面上无个体影响、无结构变化，相当于将多个时期的截面数据放在一起作为样本数据。模型2：,；。由于在横截面上个体影响的不同，称为变截距模型。个体影响表现为模型中被忽略的反映个体差异的变量的影响，又分为固定和随机影响两种情况。模型3：,；。此模型称为变系数模型，对应数据除了存在个体影响外，在横截面上还表现为经济结构的变化。(2)动态Panel Data模型这里的动态模型，是指包含滞后被解释变量作为解释变量的模型。当采用Panel Data作为观测值时，变截距模型写为：也就是说，滞后因变量出现在模型的右边。比如由于消费的惯性，前一期的消费对当期消费有显著的影响。动态模型也分为固定影响模型和随机影响模型两种。近年来动态模型在Panel Data模型中比较流行，这些动态模型的估计通常利用工具变量，建立在矩条件的基础上，如广义矩估计和有限信息极大似然法等。由于居民的消费，既取决于可支配收入水平，也和居民的前期消费习惯有着密切的联系，因此，本文将利用19952004年我国29个地区城镇居民的人均可支配性收入和人均消费性支出数据，采用动态Panel Data模型，对中国各个城市居民的消费状况进行分析，研究地区差异和时间变化对居民消费行为的影响，可支配收入对消费的影响和前期消费习惯对当期消费的影响。（四）案例数据 数据来自1996年到2005年国家统计局公布在统计年鉴上的数据。样本数据从1995年到2004年，包括29个地区的城镇居民人均可支配收入和城镇居民人均消费性支出。由于各个年份的价格水平不一样，数据可比性较差，因此利用相应地区的居民消费价格指数进行平均，使其都以1995年的价格为基础。再将经过居民消费价格指数平减的数据以pool的格式输入到eviews中，为后面的数据分析做好准备。（五）案例分析1.我国城镇居民消费的描述性分析（1） 人均可支配收入A.我国城镇居民的年人均可支配收入时间序列数据描述性分析（结果如表1所示）表1. 19952004年我国城镇居民的年人均可支配收入表1中的“Mean INC”表示各年我国各地区城镇居民人均可支配收入水平的平均值。随着时间的迁移，该指标呈增长趋势（见图1）。图1. 我国各地区城镇居民人均可支配收入水平的平均值的趋势 由该趋势图可以很清楚看出，从1995年到2004年我国城市居民的平均可支配性收入一直处于快速上升的趋势。B. 我国城镇居民的年人均可支配收入的截面单元数据描述性分析由于我国地区较多，表格过大，截取部分表格数据，如表2所示：由表2可知，北京、上海、浙江和广东这几个城市的收入水平较高，均值都在八千元以上，而山西、内蒙古、辽宁、吉林、黑龙江、安徽、江西、河南、贵州、陕西、甘肃、青海、宁夏这些城市的人均可支配收入的均值都在四千多，五千不到，其中上海的人均可支配收入最高达9851.771元，广东次之达9303.007元； 青海的人均可支配收入水平最低仅4324.828元，上海的人均可支配收入水平是青海的两倍多，由此说明我国各地区之间的人均可支配收入差距较大。表2.我国不同地区人均可支配收入（2）人均消费性支出分析A. 我国城镇居民的年人均消费性支出时间序列数据描述性分析（结果见表3）。表3.我国从19952004年城镇居民人均消费性支出各描述性指标根据表3可知，我国城镇居民的人均消费性支出呈增长趋势（见图2）。图2. 19952004年我国城市居民的平均消费水平趋势由图2.可以很清楚看出，从1995年到2004年我国城市居民的平均消费水平一直处于快速上升的趋势。B.我国人均消费性支出的截面单元数据进行描述性分析由于地区较多，表格过大，截取部分表格数据，如表4所示：由表4可知，北京、上海、浙江和广东这几个城市的人均消费水平较高，均值都在六千元以上，其中上海的人均消费性支出最高达7591.678元，广东次之达7472.357元； 江西的人均消费性支出水平最低仅3372.908元，上海的人均可支配收入水平是江西的两倍多，说明我国各地区之间的人均消费性支出水平差距较大。表4. 我国人均消费性支出的截面单元数据（3）我国1994004年的人均可支配收入的各地区均值和人均消费性支出的各地区均值比较分析表5我国各地区人均可支配收入的均值和各地区人均消费性支出的均值为了更清楚地反映出人均可支配收入和人均消费性支出的趋势及关系，将两个的均值画在一张趋势图上（见图3）。图3. 我国人均可支配收入和人均消费性支出的趋势由图3可知，我国人均可支配收入和人均消费性支出呈相同的趋势增长，属于正向相关关系，下面计算两者的相关系数，如表6所示。表6. 我国人均可支配收入和人均消费性支出相关系数根据相关系数表，可见人均消费性支出和人均可支配收入的相关系数达0.999259，相关性非常强，属于正向高度相关关系。既然人均可支配收入和人均消费性支出有这么强的相关关系，那么两者之间是否有Granger因果关系？下面对这两个序列进行Granger因果关系检验，结果见表7：表7. 我国人均可支配收入和人均消费性支出Granger因果关系检验Pairwise Granger Causality TestsSample: 1995 2004Lags: 1 Null Hypothesis:ObsF-StatisticProbability MEAN_CONS does not Granger Cause MEAN_INC9 0.26043 0.62805 MEAN_INC does not Granger Cause MEAN_CONS 7.14537 0.03687根据表7，对于消费性支出不是人均可支配收入的Granger Cause的原假设，拒绝其犯第一类错误的概率是0.62805，表明人均消费性支出不是人均可支配收入的Granger Cause的概率较大，不能拒绝原假设。第二个检验的相伴概率只有0.03687，表明至少在95的置信水平下，可以认为人均可支配收入是人均消费性支出的Granger Cause。既然人均可支配收入和人均消费性支出之间存在Granger因果关系，那么两者之间可以建立回归模型。2.我国人均消费的Panel Data分析 在eviews中以pool格式建立平行数据对象人均可支配收入（INC）和人均消费性支出（CONS），并将经过消费价格指数平减的数据输入eviews中。根据消费经济理论，居民消费支出不仅受到即期收入的影响，还应考虑前期消费支出的大小，这种消费习惯的继承性，被称为“棘轮效应”。新建一个平行数据对象CONS1表示滞后一期的消费支出。由此可以建立回归模型如下：下面按模型中的参数变化情况分三类进行研究；1固定效应变截距模型即可变，而和均为不可变分别为和。在eview中，对INC序列采用如下分析：可得出分析结果如下表8所示（由于表格过大，截取部分表格）：表8Dependent Variable: CONS?Method: GLS (Cross Section Weights)VariableCoefficientStd. Errort-StatisticProb. CONS1?0.2931270.0429386.8267650.0000INC?0.5207230.02644619.690430.0000Fixed Effects_BEIJ-C559.9575_HEIBEI-C143.2549_SHAI-C369.3697_ZHEJIANG-C303.1007_JIANGXI-C37.97241_HENAN-C137.3819_GDONG-C540.3604Weighted StatisticsR-squared0.996691 Mean dependent var5363.382Adjusted R-squared0.996259 S.D. dependent var2112.982S.E. of regression129.2318 Sum squared resid3841197.F-statistic69276.64 Durbin-Watson stat1.812906Prob(F-statistic)0.000000由表8可得，0.293127，0.520723，的估计标准误为0.042938，t检验统计量为6.826765，相伴概率为0，的估计标准误为0.026446，t检验统计量为19.69043，相伴概率为0，可以看出回归系数显著不为0。表的中间部分是各地区截距估计值。则北京市城镇居民消费模型可以表示为：CONS_BEIJ = 559.9574716 + 0.2931274346*CONS1_BEIJ + 0.5207233652*INC_BEIJ 天津地区城镇居民消费模型可以表示为：CONS_TIANJ = 294.7187087 + 0.2931274346*CONS1_TIANJ + 0.5207233652*INC_TIANJ其它地区模型以此类推。 由这个模型还可以看到，在斜率不变的条件下，北京和广东的截距较大分别为559.9575和540.3604，而江西只有37.97241，河南和河北分别为137.3819和143.2549。说明我国城镇居民消费水平的差异较大，北京和广东这两个地区城镇居民的绝对消费水平要比其它地区高很多。从表8的后面部分可以得出，模型调整后的决定系数达0.996259，说明模型的拟合优度很高。从整体上讲，该模型效果不错。2固定效应变INC斜率模型，即和可变，而不可变分别为。 在eview中，对INC序列采用如下分析：由于分析表格较大，截取部分表格，如表9所示： 表9Dependent Variable: CONS?Method: GLS (Cross Section Weights)VariableCoefficientStd. Errort-StatisticProb. CONS1?0.0043500.0384210.1132220.9100_BEIJ-INC_BEIJ0.7555860.04318717.495760.0000_TIANJ-INC_TIANJ0.7450300.03087724.128970.0000_LIAON-INC_LIAON0.8164570.03416923.894730.0000_JILIN-INC_JILIN0.7332770.03190322.984410.0000_SXI-INC_SXI0.8156610.03076726.511110.0000_XINJIANG-INC_XINJIANG0.8144040.06054713.450800.0000Fixed Effects_BEIJ-C393.5328_TIANJ-C164.3424_JIANGSU-C990.6038_ZHEJIANG-C1119.137_FUJ-C934.8772_HENAN-C944.8575_GUANGXI-C1477.629Weighted StatisticsR-squared0.997832 Mean dependent var5541.505Adjusted R-squared0.997209 S.D. dependent var1984.003S.E. of regression104.8123 Sum squared resid2219095.F-statistic3205.478 Durbin-Watson stat2.182098Prob(F-statistic)0.000000由表9可得固定不变为：0.004350，的估计标准误为0.038421，t检验统计量为0.113222，相伴概率为0.9100，由这些数据可以看出在这个模型里为0的概率非常大，说明前期人均消费虽然对这期消费有影响，但是影响非常小。再由表9中，看出人均可支配收入的系数的相伴概率几乎都为0，可见显著不为0，并且各个地区的基本上都在0.7，0.8左右，说明人均可支配收入对人均消费性支出有显著的影响。由表9可得，北京地区人均消费性支出的函数为：CONS_BEIJ = 393.5327743 + 0.004350105752*CONS1_BEIJ + 0.7555855349*INC_BEIJ天津地区的消费性支出的函数为：CONS_TIANJ = 164.3424025 + 0.004350105752*CONS1_TIANJ + 0.7450295218*INC_TIANJ由于地区太多，不再一一列出。但是从这些地区的消费函数可以看出：由于是相同的，而各个地区的值差不多，相差不大，截距相差较大，所以，各地区的消费性支出的差异主要反映在截距上，即前面固定效应变截距模型是合理的。 由表9的下面部分可以得出，模型调整后的决定系数达0.997209，说明模型的拟合优度很高。从整体上讲，该模型效果不错。3. 固定效应变斜率模型，即，均可变在eview中，对INC序列采用如下分析： 由于表格过大，下面截取部分分析结果见表10所示：表10Dependent Variable: CONS?Method: GLS (Cross Section Weights)VariableCoefficientStd. Errort-StatisticProb. _NMGU-CONS1_NMGU0.6514280.3500161.8611380.0644_LIAON-CONS1_LIAON0.0832820.1777130.4686320.6399_ANHUI-CONS1_ANHUI0.5735430.3489361.6436900.1020_FUJ-CONS1_FUJ0.3154890.1865291.6913700.0926_BEIJ-INC_BEIJ1.0429050.3090433.3746230.0009_TIANJ-INC_TIANJ0.7649470.1511645.0603660.0000_NINGXIA-INC_NINGXIA0.8726040.1818334.7989160.0000_XINJIANG-INC_XINJIANG1.1301820.1622856.9641610.0000Fixed Effects_BEIJ-C761.2779_TIANJ-C175.2642_JIANGSU-C1072.765_SDONG-C1010.920Weighted StatisticsR-squared0.998312 Mean dependent var5562.123Adjusted R-squared0.997478 S.D. dependent var2076.000S.E. of regression104.2600 Sum squared resid1891404.F-statistic1805.445 Durbin-Watson stat2.311893Prob(F-statistic)0.000000由于此模型的截距和两个系数都是可变的，下面逐个进行分析：由表10的最前面部分是前期人均消费性支出的系数，从那些数据可以看出除了内蒙古、浙江、安徽、福建这几个地区的回归系数明显不为0以外，其它地区的系数都较小，说明前期消费对有些城市的当期消费有较大影响，对有些城市的当期消费影响较小。由表10可以看出，人均可支配收入系数普遍较大，如北京是1.042905，陕西0.907208，新疆1.130182。再由29个地区回归系数的t检验值和相伴概率可得显著不为0，人均可支配收入对人均消费性支出有显著的影响。截距上，截距越大，人均消费性支出水平也较高。下面再来看看各个地区的人均消费性支出的函数表达式，由表10可得，北京地区人均消费性支出的函数为：CONS_BEIJ = 761.277869 - 0.4372150239*CONS1_BEIJ + 1.042904854*INC_BEIJ天津地区人均消费性支出的函数为：CONS_TIANJ = 175.2641931 - 0.02546764288*CONS1_TIANJ + 0.7649467653*INC_TIANJ由表10的下面部分可以得出，模型调整后的决定系数达0.997478，说明模型的拟合优度很高。从整体上讲，该模型效果不错。四、分析结论从上面Panel-Data模型的三种情况的分析，可知，三种回归的结果都比较好，各有所长。固定效应变截距模型分析比较简单，由于其回归系数是相同的，故由截距的大小就可以看出各个城市的消费水平高低。第二个模型，截距可变，人均可支配收入的回归系数也是可变的，这个可以在固定前期消费的条件下分析收入对消费的影响，若收入的回归系数越大，说明收入对消费的影响也较大。第三个模型，截距和两个的回归系数都可变，由回归系数的大小来分析收入和前期消费对当期消费的影响。由于地区差异以及因此而产生的各种社会因素产生了不同社会群体，随着经济的发展，不同地区的消费群体其消费水平在不同程度的加速，给未来市场带来新的发展机遇。通过以上描述性分析和Panel-Data模型的分析，可以看出我国各地区的收入和消费水平差距比较大。从固定效应变斜率的模型中，可以看出各地区的边际消费倾向也很不一样，那些收入水平和消费水平较高的城市边际消费倾向较小，反之，那些收入和消费水平较低的城市边际消费倾向就较高。这是因为，发达地区居民由于收入较高，他们的消费已经在现期基本得到满足，如果暂时收入增加，那么也不会把它用于消费，而是会将绝大部分转化为储蓄。同时，由于消费存在着生理极限，因此他们的收入增长只能带来微弱的消费增长，而欠发达地区由于收入相对较低，消费的绝大部分都是以食物支出为特征的生活必需品消费因此，一旦他们的收入得到提高，将导致他们被压抑的消费释放出来。根据以上分析，可以得出一个结论，那就是要拉动内需、刺激消费，就要提高居民的收入水平，特别是欠发达地区居民的收入水平，增强居民的消费能力。从目前看，我国仍然处于经济增长减缓，有效需求不足的时期。中低收入层的消费不足已成为制约我国经济发展的瓶颈。合理调整消费结构将会给消费需求的加速增长提供较大的空间。但是，消费结构的合理化必须建立在缩小收入差距上，即中低收入群体的收入跟上高收入者，这是启动消费需求的主要动力。案例参考文献1.1996年到2005年统计年鉴2.数据分析与eviews应用 易丹辉 中国统计出版社 20023.高等计量经济学 李子奈 清华大学出版社 19924.计量经济模型与经济预测 罗伯特 丹尼尔 机械工业出版社 20005.计量经济学软件Eview使用指南 张晓峒南开大学出版社 20046.计量经济学 张定胜 武汉大学出版社 2005