私家车拥有量计量分析设计报告
我国私家车拥有量的计量分析
我国私家车拥有量的计量分析作者：张凯来源：《管理观察》2010年第31期摘要：本文通过对1990-2005年四川省其他交通运营数辆，公路里程以及人均地区生产总值等一系列因素对四川省私家车拥有量的影响进行实证分析。
通过收集数据、建立回归模型、利用EVIEWS软件对模型进行参数估计、检验和修正，得出最终模型，并对分析结果进行经济意义分析，提出政策建议。
关键词：私家车拥有量计量分析一、引言改革开放以来，随着中国经济的迅速发展，GDP稳定增长，人均可支配收入也不断提高，然而个人汽车消费支出占GDP比重不仅低，而且增长缓慢。
中国自1995年以来汽车登记量中的乘用车比例有所提高。
1996年，汽车登记总数的40.2%为乘用车（其中62%为社会集团拥有），近60%的登记车辆用于投资和生产。
近几年来，中国的个人消费支出的比重基本保持在60%左右，但私家车消费占个人消费支出的比重很低。
1998年，中国私人汽车消费支出为2.1元／人，排在食品、衣着、娱乐教育文化服务、住房、家庭设备用品及服务、医疗保险项目之后。
私家车支出，占个人消费总支出的0.05%。
中国尚未进入汽车普及期。
[1]然而，随着经济的发展，我国的私人汽车拥有量也迅速地增长。
自从1996年以来，民用汽车拥有量迅速增加，我国汽车市场结构也随之发生了根本性的变化，居民成为了我国汽车市场的消费主体。
“十一五”规划提出“把扩大内需的重点由投资转向消费，将经济增长方式由投资拉动转为消费与投资双轮驱动、内需与外需共同拉动的新模式”。
在私家车拥有量稳步升高的情况下，油价、公路里程、公共交通运营数量、人均地区生产总值和人均GDP都对其有影响。
在众多因素中，根据重要性提取了公路里程，其他交通运营数量和人均地区生产总值这三个有较大影响的因素的时间序列数据来进行分析，以通过建立一个合适的经济模型来从理论上找出影响私人汽车需求的主要原因。
二、确定变量和建立模型考虑各种数据对私家车拥有量的影响，将其他交通工具运营数量、公路里程、人均地区生产总值纳入考虑因素。
我国私人汽车拥有量影响因素的计量分析
参考内容二
文章标题：我国私人汽车拥有量的计量经济学模型及其检验和预测 引言： 随着经济的发展和人民生活水平的提高，我国私人汽车拥有量逐年攀升。私 人汽车的普及程度不仅代
表着我国汽车工业的发展水平，也反映了人民的生活质量。因此，研究私人 汽车拥有量的影响因素及其发展趋势具有重要意义。本次演示旨在通过建立计量 经济学模型，分析私人汽车拥有量的影响因素，并对其进行检验和预测。
五、结论
本次演示通过问卷调查和统计分析，深入探讨了我国私人汽车拥有量的影响 因素。研究发现，人均GDP、居民可支配收入、城市化水平和汽车产业政策等因 素对私人汽车拥有量的影响最为显著。政策制定者可以通过调整相关政策，
鼓励或限制私人汽车的拥有和使用，以实现汽车产业的可持续发展。例如， 可以加大对新能源汽车的补贴力度，推动绿色出行方式的发展；同时，也可以通 过拥堵收费等措施，限制私人汽车的过度使用研究也存在一定局限性。首先，由于数据可得性限制，本 次演示所选取的解释变量并不全面，可能存在其他影响私人汽车拥有量的重要因 素未被纳入模型。其次，本次演示主要了私人汽车拥有量的影响因素，对其发展 趋势进行了预测
，但未对私人汽车拥有量进行细分研究，如不同收入水平、不同地区等细分 市场的拥有量变化情况尚需进一步探讨。未来研究可针对以上不足之处进行深入 分析，为相关政策制定提供更为精确的理论依据。
三、研究方法
本次演示采用问卷调查和统计分析相结合的方法，对中国私人汽车拥有量的 影响因素进行研究。首先，设计问卷调查，收集各地区私人汽车拥有量及相关影 响因素的数据。其次，运用描述性统计方法，对各地区私人汽车拥有量及影响因 素进行统计分析
。最后，通过因果关系分析，探讨各因素之间的相互作用。
四、结果与讨论
然而，要解决私人汽车带来的环境问题，不能仅依靠限制私人汽车的发展， 还需要大力发展新能源汽车技术，提高充电设施的建设，引导消费者转变出行观 念，提倡绿色低碳的生活方式。
私家车调查报告
中青年人群（30-50岁）
中青年人群是私家车市场的消费主力，他们通常已经具备一定的经济基础和购车能力，对 私家车的品质和实用性有较高要求。
中老年人群（50岁以上）
综上所述，私家车在给人们带来出行便利的同时 ，也对环境造成了诸多负面影响。在未来的城市 规划和发展中，需要采取更加环保、可持续的出 行方式，减少私家车对环境造成的压力。
05
私家车使用习惯与安全意识调查
驾驶员遵守交通规则情况统计
遵守交通信号灯
大多数驾驶员能够严格遵守交通信号灯，但仍有少数驾驶员存在闯 红灯行为，增加了交通事故风险。
交通拥堵与私家车数量的关系分析
私家车数量增加
随着私家车数量的不断增加，道路承载能力达到饱和，从而导致 交通拥堵现象愈发严重。
拥堵导致的环境问题
交通拥堵不仅加剧车辆尾气排放，还会增加油耗和噪音污染，进一 步恶化城市环境。
拥堵与出行方式选择
交通拥堵严重影响人们的出行效率，从而促使部分人选择公共交通 、骑行或步行等更环保的出行方式。
部分私家车主驾驶习惯不良， 导致交通事故频发，给人们的
生命财产安全带来威胁。
对政府部门的建议（如城市规划、交通管理等）
加强城市规划
在城市规划中，充分考虑交通需求和 停车设施布局，合理规划道路和停车 场地，以减轻交通拥堵问题。
发展公共交通
加大公共交通投入，提高公共交通服 务质量，鼓励市民使用公共交通出行 ，减少私家车使用频率。
合理规划出行
配合政府政策
在出行前合理规划行程，避开拥堵时段和 路段，减少不必要的行车时间和油耗。
计量论文我国私家车拥有量影响因素的计量分析
计量经济学课程论文我国私家车拥有量影响因素的计量分析我国私家车拥有量影响因素的计量分析一.问题的提出私家车，私人自己买的，拥有使用支配权的，在不违法的情况下可以自由的使用支配。
2013年，私家车取消了以前15年必须报废的规定，改为60万公里引导报废。
随着我国经济实力的增强，人民生活水平的提高，私人汽车的需求量也是逐年增加。
尤其是2002年以来，私人购车占整个市场的份额迅速提升，汽车市场进入私人购车阶段。
根据国际通用车价和国内生产总值增长比较系数计算，未来5~10年中国有购车能力的人口可达5亿，约1.5亿个家庭。
未来20年中国有望成为全球第一大汽车市场。
而且全世界范围内千人汽车保有量128辆，按照6月末中国的汽车保有量测算，中国千人汽车保有量大约为63辆，相当于世界平均水平一半。
由于中国人多地少的基本国情，如此低的汽车保有量，已经给城市交通和环境带来巨大压力。
交通拥堵、空气污染已经成为国内许多城市挥之不去的梦魇,汽车对能源消耗和环境的影响也越来越大。
继北京对汽车实行限购限行措施后，国内还有一些城市也准备采取相关措施，缓解交通拥堵。
在一些大城市，汽车过快增长和道路不足的矛盾越来越突出。
正因为私人汽车逐渐占据了汽车消费市场的主导地位又引发诸多矛盾，并直接反映了整个汽车行业的现状，所以私人汽车消费市场越来越吸引人们的关注。
二.理论综述多重共线性：所谓多重共线性（Multicollinearity）是指线性回归模型中的解释变量之间由于存在精确相关关系或高度相关关系而使模型估计失真或难以估计准确。
一般来说，由于经济数据的限制使得模型设计不当，导致设计矩阵中解释变量间存在普遍的相关关系。
一般多重共线性的修正都是采用逐步回归法来解决，具体步骤如下：先用被解释变量对每一个所考虑的解释变量做简单回归，然后以对被解释变量贡献最大的解释变量所对应的回归方程基础，再逐个引入其余的解释变量。
这个过程中会出现3种情形：①若新变量的引入改进了adjustR^2和F检验，且其他回归参数的t检验在统计上仍是显著的，则可考虑在模型中保留该变量。
关于私家车拥有量的调查总结报告
私家车拥有量调研总结报告一、调研目的1.为了了解消费者对私家车的各方面的要求。
2.确定消费者对私家车需求量3.知道私家车对生活的影响4.私家车在生产和促销方面的方向二、调研方法街头拦截式调查法三、调研过程描述我们这次市场调查工作可分为四个阶段：市场调查方案、二手资料的收集、设计调查问卷、市场调查总结报告。
我们在做市场调查之前必需要做课前准备，那就是：了解我们所要调查的需求，明确需要调查出现的问题，确定调查目标等三个主要步骤。
而我们之所以选择把私家车的拥有量作为研究对象就是因为消费者对车的需要越来越大，人们在根据自己的承受能力，选择合适自己的私家车，从而实现拥有私家车的梦想。
而且消费者也比较的多。
明确解决问题是市场调查非常重要的一个步骤，因为明确、严谨的问题界定是市场调查工作成功的一半。
这个阶段需要我们细致地了解私家车市场的调查需求，充分利用现有的资源，发挥最大的效用。
在设计市场调查方案的过程中，我们按照老师所要求的格式，在经过小组讨论、研究再结合书本知识设计出了一份市场调查方案。
在设计方案的时候让我清楚的知道，这不单单是我们一个人的事，这是我们集体的事，我们要结合集体的力量，才能设计出完美的方案。
当二手资料收集完成，数据处理和分析完成时，我们发现私家车的消费群体特征来看，性格差异不明显，男女所占比例各约为50%，男性稍高于女性。
调查显示，男性比较喜欢开私家车的比例高于女性，这与男性比较的喜欢车也是一个原因吧。
另外有些女性有些晕车也是一个原因把，所以对车不是特别的喜欢。
从私家车在各个年龄阶段的渗透以及重要消费群的分布情况来看：中年车主仍然是私家车主的主流群体，占了调查人数的63.3%。
值得注意的是，一部分年轻车主正在崛起，占总人数的26.5%。
这部分车主的年龄大致在20～30岁左右，大多拥有大学本科学历以及较好的职业，年收入在5万～10万元左右，而且50%以上由自己独立出资购车。
个体私营者仍是私家车主的主流，令人惊喜的是，私家车主的职业构成呈现了前所未有的多元化趋势：公务员、教师、普通职员成为壮大最快的购车队伍。
私家车拥有量的计量分析-
私家车拥有量的计量分析【摘要】本文旨在对1989-2003年我国人均收入变动，基础设施建设等一系列因素对私人汽车拥有量的影响进行实证分析。
首先，我们收集了相关的数据。
其次，建立了理论模型。
然后，利用EVIEWS 软件对计量模型进行了参数估计和检验，并加以修正。
最后，我们对所得的分析结果作了经济意义的分析，并相应提出一些政策建议。
【背景资料】众所周知，汽车产业发展将带动巨大的经济链条的运转，特别是对钢铁、有色金属等原材料影响深刻，而就目前来说，中国的平均汽车保有量非常低，与中国的经济发展水平不相称，２００３年，我国每千人的轿车拥有量只不过５．１６辆。
世界上有２９个国家遍及亚、非、拉美的人均ＧＤＰ低于我国，可是它们的每千人轿车拥有量却高于我国。
例如位于高加索地区的格鲁吉亚，虽然人均ＧＤＰ只有７０１美元，但每千人轿车拥有量竟高出我国１６．６倍；居民数仅次于我国的印度，其人均ＧＤＰ只及我国的３９％，可是每千人轿车拥有量却只与我国相差１０％。
中国汽车市场目前400多万的销量仅仅相当于美国六七十年代的水平,而中国的人口基数要比美国大得多,从收入最高的20%人口的收入水平来看,如果达到世界平均水平，中国应该有１．６亿辆汽车，是目前的８倍。
可见中国的汽车市场还没有完全形成应有的规模，所以中国汽车市场潜力巨大。
数据源Y: 私家车拥有量，（万辆）；X2：国内生产总值（亿元）；X3：居民消费水平（元）X4:公路长度（万公里）；x5：人均生活能源消费量（液化石油气kg）；x6：海关历年进口机械及运输设备金额（亿美元）；x7:年底总人口数（万人）。
（数据来源于《中国统计年鉴》）一运用OLS法对参数估计.(一) 参数的估计分析：F=338.4232> F0.05(6,8)=3.58,表明模型从整体上看私人汽车拥有量与解释变量之间线性关系显著。
Y=-1337.667+0.002107X2-0.189167X3+7.617672X4+74.71374X5+0.040517X6+0.005484X7（1308.979）（0.010792）（0.271554）（1.440055）（24.50343）（0.147795）（0.011616）t=（-1.021916）(0.195260) (-0.696610 ) (5.289848) (3.049114) (0.274143) (0.472049) r^2=0.996076 df=8X3是居民消费水平,系数为负号与经济变量不符，剔除x3。
私人汽车拥有量计量分析
私人汽车拥有量计量分析近年来，随着我国经济不断稳步发展，私人汽车逐步普及化，尤其是进驻了中国通老百姓的家庭，据此，对私人汽车普及化的影响因素进行了计量经济分析。
采取《国家统计局》公布的相关数据及《中国知网—中国统计年鉴数据库》的相关数据，选取国民总收入、公路里程等因素对私人汽车拥有量进行了分析，文章运用EVIEWS工具对模型参数进行估计、检验、修正且作出了经济意义分析。
标签：私人汽车拥有量；计量经济模型；检验1 模型因素及设定（1）一般而言国民总收入越高人们的消费水平就越高，因而国民收入这一因素必定影响高档消费品私人汽车拥有量，故引入国民收入这一解释变量并预测国民总收入与私人汽车为正相关关系。
（2）近年来我国交通压力不断加大，因而公路数量不断增多，故引入公路里程作为解释变量并预测公路里程与国民收入呈正相关关系。
（3）全国营运汽车拥有量与私家车拥有量应该有一定的相关关系，本文引入全国营运汽车拥有量作为解释变量并预测两者为正相关关系。
由于引入的解释变量数值比较大，因而采取对数模型，且能减少异方差对模型的影响。
本文假定模型公式为：LNY=β0+β1LNX1+β2LNX2+β3LNX3其中Y为私人汽车拥有量（万辆）、X1为国民总收入（亿元）、X2为公路里程（万公里）、X3全国营运汽车拥有量（万辆）。
2 数据本文采取《国家统计局》公布的相关数据及《中国知网—中国统计年鉴数据库》的相关数据，如表1所示。
5 模型的经济意义检验LNX1的系数为1.423643，表明在1993-2012期間，保持其他变量不变，国民总收入每增加1%，平均而言私人汽车拥有量增加 1.42%，LNX2的系数为0129025，表明在1993-2012期间，保持其他变量不变，公路里程每增加1%，平均而言私人汽车拥有量增加1.42%，LNX3的系数为0.070887，表明在1993-2012期间，保持其他变量不变，全国营运汽车拥有量每增加1%，平均而言私人汽车拥有量增加1.42%，可决系数R2=0.998380，模型解释变量解释了全国私人汽车拥有量变异的99.83%。
我国私家车拥有量相关要素的计量分析
我国私人汽车拥有量影响因素的计量分析【摘要】本文选择了《2011年中国统计年鉴》中1991年——2010年共20年的相关数据，选择城镇居民人均可支配收入，全国公路里程，原材料、燃料及动力购进价格指数，居民消费价格指数，我国GDP作为解释变量构建模型，对我国私人汽车拥有量得影响因素进行实证分析。
并利用EVIEWS 软件对模型进行参数估计和检验，并加以校正。
对最后的结果进行经济意义分析，然后提出自己的看法。
【关键词】私人汽车拥有量影响因素实证分析计量经济学模型检验一、模型的选取和变量选择由于非线性模型的假设检验都涉及到非常复杂的数学计算，所以本文考虑做一个线性模型（对参数线性），这样各种检验的方法较多，对模型准确程度的分析也更可靠。
1、变量选择（1）人均可支配收入私家车这种高档消费品的拥有量显然与收入水平有关，因此引进解释变量人均可支配收入，并先预期此二因素与私家车拥有量呈正相关。
（2）公路里程本文预计私家车的拥有量与全国公路里程有关，因此引入解释变量公路里程，并预期其与私人汽车拥有量成正相关。
（3）原材料、燃料及动力购进价的指数燃料及动力价格也是影响私家拥有量的原因之一，直接构成居民购买私家车的成本。
为此本文引用以上一年为基期的原材料、燃料及动力购进价格指数作为解释变量，并且预期其与私家车拥有量成负相关。
（4）居民消费价格指数本文预计私家车的拥有量与居民消费价格指数有关，居民消费促进汽车销售，因此引入解释变量居民消费价格指数，并预期其与私人汽车拥有量成正相关。
2、模型选取对于人均可支配收入、公路里程和其他交通运营数这些指标，我们更关心其相对数变化对私人汽车拥有量得影响，而且对数变换后能够减少异方差对模型的影响，所以采用对数模型。
二、数据的来源及模型设定1、数据的来源及处理本文选择了《2011年中国统计年鉴》中1991年至2010年共20年的相关数据，并对其进行了处理：Y 表示私人汽车拥有量（万辆）；1X 表示人均可支配收入（元）；2X 表示公路里程（万公里）；3X 表示原材料、燃料及动力购进价格指数（%）；4X 表示居民消费价格指数（%）； 为随机扰动项。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
一、课程设计(综合实验)的目的与要求1.要求学生独立完成一个实证分析的完整过程，得到计量分析的实践训练。
2.培养学生获取信息和综合处理信息的能力、建立模型的能力、文字和语言表达的能力。
二、 设计（实验）正文1. 选题背景：随着市场经济的稳定繁荣和改革开放的深入发展，我国的经济经历了一个快速发展的时期。
经济的快速发展为汽车工业提供了巨大的发展空间，也为汽车厂商提供了巨大的市场。
但是私人汽车拥有量的增加也会对土地、能源、环境等产生巨大影响。
因此有必要对影响私人汽车拥有量的主要因素进行分析。
本文通过描述各相关因素对全国私家车拥有量的影响，从而提出相关的政策建议。
2. 文献综述：世界汽车工业发展规律表明．当一个国家的人均GDP 在1000～10000美元时，是汽车工业发展的黄金时期，并带动国民经济高速发展。
2001年我国人均GDP 达到1000美元，这预示着中国正处在汽车工业起飞的前期，市场需求表现出强劲的态势，汽车进入普通家庭已成为众所周知的事实，私家车开始步入普及化道路的里程碑。
1999年全国私人汽车拥有量仅533.88万辆，到2012年全国私人汽车拥有量已攀升至8838.60万辆。
汽车行业作为国民经济的支柱产业，消费者需求量直接影响整个行业的发展。
因此，不少学者从不同角度对我国私人汽车拥有量的影响因素进行了计量分析。
王珺(2009)选择了人均可支配收入1X ；公路里程2X ；原材料、燃料及动力购进价格指数（以1990年为基期）3X 作为自变量，私人汽车拥有量Y 作为自变量构建对数模型0112233l n l n l n l n Y X X X ββββμ=++++，利用eviews 进行计量分析，并得出结论：全国私家车拥有量与其人均可支配收入、公路里程和原材料、燃料及动力购进价格指数存在一定的函数关系。
张廷煦,马超（2013）除了增加了人口数量4X 这一自变量外，还将3X 定义为平均原油价格构造了新的模型011223344Y a a X a X a X a X μ=+++++且验证该模型能够较好地复合统计检验、计量经济学检验，并在序列相关性、多重共线性等方面也有很好的拟合度，总体上是一个较为成功的模型，有着切实的经济学意义，即人口数量也是影响私人汽车拥有量的因素之一。
孙燕红(2013)进一步细化影响因素，增加了全国汽车产量5X 和社会消费品零售额6X 这两个自变量建立模型：0112233445566ln ln ln ln ln ln Y X X X X X X βββββββμ=+++++++，利用eviews 软件进行分析得出：在上述模型下，原材料、燃料及动力购进价格指数（以1990年为基期）3X 这一变量是多余的，我国私人汽车需求量主要受人均可支配收入、公路里程、汽车产量、人口数量、社会消费品零售额的影响，而且均存在正向相关关系,并且人口数量是影响私人汽车需求量的最重要的因素。
此外，还提出以下政策建议：加快城镇道路化的发展，努力增加城镇人口数将有助于汽车需求量的增长；完善公共基础设施建设，加速全国公路建设，通过提高硬环境来增加汽车需求量；继续发展汽车产业，改进技术，降低成本，增加汽车产量，促进需求；居民消费水平有待进一步提高，这就要求国家出台一些偏向居民的收入分配政策，同时积极鼓励消费信贷的发展，增强居民消费能力，努力扩大内需，提高社会消费品零售额，间接带动购车需求。
3. 模型设定：依据收集到得数据，在私家车拥有量的实证分析中采用了影响私人汽车车拥有量的5个变量，分别是城镇居民人均可支配收入、公路里程、原材料、燃油及动力购进价格指数（以1990年为基期）、人口数量、全国汽车产量。
各变量均采用1990年至2012年的年度数据，建立对数回归模型如下：μββββββ++++++=55443322110ln ln ln ln lnX ln X X X X Y其中，Y 表示私人汽车拥有量（万辆）；1X 表示城镇居民人均可支配收入（元）；2X 表示公路里程（万公里）；3X 表示原材料、燃油及动力购进价格指数（以1990年为基期）；4X 表示人口数量（万人）；5X 表示全国汽车产量（万辆）；μ表示随机误差项。
选择以上变量出于如下考虑：截至目前，大部分私人汽车由城镇居民拥有，因此城镇居民人均可支配收入直接影响私人汽车拥有量；其次，公路作为汽车行驶的前提条件，其建设里程也成为居民购买车辆时的考虑因素；而且，汽油等燃油作为汽车使用的必需品，居民在购买私家车时也会考虑其价格，故选择原材料、燃油及动力购进价格指数（以1990年为基期）作为价格指标；人口数量的增加，也会促进私家车的拥有量的增加；当汽车产量增加即供给增加时，会导致汽车价格下降，从而导致汽车需求量增加，即汽车产量的增加也会导致私人汽车拥有量的增加。
4. 数据收集：根据中国统计年鉴的相关数据（具体见附表一）收集了从1990年至2010年的时间序列数据。
并利用eviews 对数据进行初步分析。
在eviews 中，建立group 对象，绘出对数散点图（见附录二），发现自变量和因变量之间基本呈线性关系。
5. 参数估计：利用eviews 对模型进行参数估计。
估计的结果为（详情见附录三）12345ln 79.12 1.144lnX 0.417ln 0.822ln 6.465ln 0.402ln Y X X X X μ=-++-+++Se: 27.14495 0.306718 0.122358 0.285563 2.440431 0.095609 t : -2.914737 3.729125 3.404484 -2.877523 2.649072 4.20476420.997500R = 1356.504F statistic -=6. 模型检验：LM 检验说明模型无序列相关，但是怀特异方差检验结果表明模型存在异方差。
因此我们要对模型进行加权最小二乘法修正。
（见附录三）7. 模型修正: 使用加权最小二乘法，权数为模型残差估计量的绝对值的倒数。
加权以后模型估计输出结果如下：（见附录四）12345ln 92.9860.970lnX 0.440ln 0.673ln 7.702ln 0.383ln Y X X X X μ=-++-+++Se: 13.28516 0.153587 0.059803 0.136645 1.190736 0.038171 t: -6.999221 6.312425 7.355663 -4.927226 6.468571 10.0438720.999434R = 5999.101F statistic =-此时再对模型进行序列相关和异方差检验，LM 检验和怀特检验输出结果如附录四，发现不存在序列相关和异方差。
由参数估计结果知，模型所有参数均显著，故认为不存在多重共线或多重共线影响较小。
因此该模型无序列相关，无异方差，无多重共线，满足经典假设。
我们认为该模型就是最终模型。
8. 经济意义解释：1X 、2X 、3X 、4X 、5X 的符号都与预期一致。
各个估计参数的经济意义如下：1X 的系数0.970表示在其他条件不变的情况下，城镇居民人均可支配收入每增加1%，我国私人汽车拥有量将增加0.97%；2X 的系数0.440表示在其他条件不变的情况下，公路里程每增加1%，我国私人汽车拥有量将增加0.44%；3X 的系数—0.673表示在其他条件不变的情况下，原材料、燃油及动力购进价格指数（以1990年为基期）每增加1%，我国私人汽车拥有量将减少0.673%；4X 的系数7.702表示在其他条件不变的情况下人口数量每增加1%，我国私人汽车拥有量将增加7.702%；5X 的系数0.383表示在其他条件不变的情况下全国汽车产量每增加1%，我国私人汽车拥有量将增加0.383%。
三、课程设计（综合实验）总结或结论1.由上述模型可以看出，目前影响私人汽车拥有量的因素主要是城镇居民人均可支配收入、公路里程、原材料、燃油及动力购进价格指数（以1990年为基期）、人口数量、全国汽车产量。
在其他条件不变的情况下，城镇居民人均可支配收入每增加1%，我国私人汽车拥有量将增加0.97%；在其他条件不变的情况下，公路里程每增加1%，我国私人汽车拥有量将增加0.44%在其他条件不变的情况下，原材料、燃油及动力购进价格指数（以1990年为基期）每增加1%，我国私人汽车拥有量将减少0.673%；在其他条件不变的情况下人口数量每增加1%，我国私人汽车拥有量将增加7.702%；在其他条件不变的情况下全国汽车产量每增加1%，我国私人汽车拥有量将增加0.383%。
2．建议：从模型中可以看出，私人汽车拥有量受城镇居民人均可支配收入和人口数量影响较大，而受其他因素影响较小。
因此，加快城镇化建设，放宽计划生育政策，增加人口数量，大力发展基础设施建设，降低汽油等燃料价格可以有效促进私人汽车拥有量的增加，即增加对汽车的需求量，从而带动汽车行业整个产业链的发展。
此外，政府应出台完善的政策来大力支持清洁能源汽车的研发及应用以改善由于私人汽车增加导致的环境问题，并完善道路设施设备，缓解交通堵塞问题，这样，即可以满足居民对汽车的需求，促进汽车行业的发展，也可以缓解由于汽车增加导致的环境污染、交通堵塞等问题。
四、参考文献[1] 孙燕红,我国私人汽车需求的计量经济模型分析,商情,2012(35)[2]王珺,我国私家车拥有量影响因素的计量分析,现代企业文化,2009(18)[3]张廷煦,马超,从中国统计数据看私人汽车发展状况,北京汽车,2013(5)附录（设计流程图、程序、表格、数据等）附录一：相关数据附录二：模型变量散点图附录三：估计结果Dependent Variable: LNYMethod: Least SquaresDate: 01/15/14 Time: 11:36Sample: 1990 2012Included observations: 23Coefficient Std. Error t-Statistic Prob.C -79.12038 27.14495 -2.914737 0.0097LNX1 1.143789 0.306718 3.729125 0.0017LNX2 0.416565 0.122358 3.404484 0.0034LNX3 -0.821714 0.285563 -2.877523 0.0104LNX4 6.464879 2.440431 2.649072 0.0169LNX5 0.402013 0.095609 4.204764 0.0006R-squared 0.997500 Mean dependent var 6.712539 Adjusted R-squared 0.996764 S.D. dependent var 1.438475 S.E. of regression 0.081823 Akaike info criterion -1.949062 Sum squared resid 0.113815 Schwarz criterion -1.652847 Log likelihood 28.41422 Hannan-Quinn criter. -1.874565 F-statistic 1356.504 Durbin-Watson stat 1.313922 Prob(F-statistic) 0.000000LM序列相关检验结果：Breusch-Godfrey Serial Correlation LM Test:F-statistic 0.835995 Prob. F(2,15) 0.4527 Obs*R-squared 2.306609 Prob. Chi-Square(2) 0.3156Test Equation:Dependent Variable: RESIDMethod: Least SquaresDate: 01/15/14 Time: 11:37Sample: 1990 2012Included observations: 23Presample missing value lagged residuals set to zero.Coefficient Std. Error t-Statistic Prob.C 6.964840 29.46535 0.236374 0.8163LNX1 -0.123725 0.345542 -0.358061 0.7253LNX2 0.001177 0.126057 0.009336 0.9927LNX3 0.251812 0.351327 0.716745 0.4845LNX4 -0.620701 2.653546 -0.233914 0.8182LNX5 -0.006080 0.101985 -0.059614 0.9533RESID(-1) 0.384373 0.317573 1.210343 0.2449RESID(-2) 0.113295 0.307579 0.368345 0.7178R-squared 0.100287 Mean dependent var 3.88E-15 Adjusted R-squared -0.319579 S.D. dependent var 0.071926 S.E. of regression 0.082624 Akaike info criterion -1.880829 Sum squared resid 0.102400 Schwarz criterion -1.485875 Log likelihood 29.62954 Hannan-Quinn criter. -1.781499 F-statistic 0.238856 Durbin-Watson stat 1.656213 Prob(F-statistic) 0.968373怀特异方差检验结果：Heteroskedasticity Test: WhiteF-statistic 3.951526 Prob. F(5,17) 0.0146 Obs*R-squared 12.36275 Prob. Chi-Square(5) 0.0301 Scaled explained SS 3.124667 Prob. Chi-Square(5) 0.6808Test Equation:Dependent Variable: RESID^2Method: Least SquaresDate: 01/15/14 Time: 11:38Sample: 1990 2012Included observations: 23Coefficient Std. Error t-Statistic Prob.C 1.708971 0.587375 2.909507 0.0098LNX1^2 0.002545 0.000815 3.122830 0.0062LNX2^2 0.001366 0.000545 2.506986 0.0226LNX3^2 -0.003019 0.001156 -2.612594 0.0182LNX4^2 -0.013185 0.004520 -2.917249 0.0096LNX5^2 -0.000628 0.000379 -1.655784 0.1161R-squared 0.537511 Mean dependent var 0.004948 Adjusted R-squared 0.401485 S.D. dependent var 0.004867 S.E. of regression 0.003765 Akaike info criterion -8.106525 Sum squared resid 0.000241 Schwarz criterion -7.810309 Log likelihood 99.22504 Hannan-Quinn criter. -8.032028 F-statistic 3.951526 Durbin-Watson stat 2.555148 Prob(F-statistic) 0.014650附录四：加权最小二乘法输出结果Dependent Variable: LNYMethod: Least SquaresDate: 01/15/14 Time: 11:34Sample: 1990 2012Included observations: 23Weighting series: W1Coefficient Std. Error t-Statistic Prob.C -92.98581 13.28516 -6.999221 0.0000LNX1 0.969509 0.153587 6.312425 0.0000LNX2 0.439890 0.059803 7.355663 0.0000LNX3 -0.673280 0.136645 -4.927226 0.0001LNX4 7.702359 1.190736 6.468571 0.0000LNX5 0.383380 0.038171 10.04387 0.0000Weighted StatisticsR-squared 0.999434 Mean dependent var 6.363881 Adjusted R-squared 0.999267 S.D. dependent var 5.922729 S.E. of regression 0.033935 Akaike info criterion -3.709273 Sum squared resid 0.019577 Schwarz criterion -3.413057 Log likelihood 48.65664 Hannan-Quinn criter. -3.634775 F-statistic 5999.101 Durbin-Watson stat 1.362381 Prob(F-statistic) 0.000000Unweighted StatisticsR-squared 0.997406 Mean dependent var 6.712539Adjusted R-squared 0.996643 S.D. dependent var 1.438475 S.E. of regression 0.083344 Sum squared resid 0.118085 Durbin-Watson stat 1.083261LM序列相关检验结果：Breusch-Godfrey Serial Correlation LM Test:F-statistic 0.899221 Prob. F(2,15) 0.4277 Obs*R-squared 2.462381 Prob. Chi-Square(2) 0.2919Test Equation:Dependent Variable: RESIDMethod: Least SquaresDate: 01/15/14 Time: 11:40Sample: 1990 2012Included observations: 23Presample missing value lagged residuals set to zero.Weight series: W1Coefficient Std. Error t-Statistic Prob.C -17.39937 19.74728 -0.881102 0.3922LNX1 -0.271108 0.254475 -1.065363 0.3036LNX2 -0.028121 0.064736 -0.434404 0.6702LNX3 0.225220 0.248683 0.905650 0.3794LNX4 1.571777 1.780631 0.882708 0.3913LNX5 0.030716 0.052537 0.584662 0.5675RESID(-1) 0.203021 0.187798 1.081058 0.2967RESID(-2) -0.188983 0.237691 -0.795079 0.4390Weighted StatisticsR-squared 0.107060 Mean dependent var 0.000405 Adjusted R-squared -0.309645 S.D. dependent var 0.029828 S.E. of regression 0.034138 Akaike info criterion -3.648596 Sum squared resid 0.017481 Schwarz criterion -3.253641 Log likelihood 49.95885 Hannan-Quinn criter. -3.549266 F-statistic 0.256920 Durbin-Watson stat 1.360959 Prob(F-statistic) 0.961658Unweighted StatisticsR-squared -0.041082 Mean dependent var -0.000730 Adjusted R-squared -0.526920 S.D. dependent var 0.073260 S.E. of regression 0.090526 Sum squared resid 0.122924Durbin-Watson stat 0.193544怀特异方差检验结果：Heteroskedasticity Test: WhiteF-statistic 1.445085 Prob. F(6,16) 0.2585 Obs*R-squared 8.083406 Prob. Chi-Square(6) 0.2321 Scaled explained SS 0.830374 Prob. Chi-Square(6) 0.9912Test Equation:Dependent Variable: WGT_RESID^2Method: Least SquaresDate: 01/15/14 Time: 11:41Sample: 1990 2012Included observations: 23Coefficient Std. Error t-Statistic Prob.C 0.001017 0.000150 6.789904 0.0000WGT^2 0.007641 0.054709 0.139673 0.8907 LNX1^2*WGT^2 5.21E-05 8.27E-05 0.629218 0.5381 LNX2^2*WGT^2 -2.14E-05 9.60E-05 -0.222908 0.8264 LNX3^2*WGT^2 -7.10E-05 0.000151 -0.468818 0.6455 LNX4^2*WGT^2 -6.21E-05 0.000418 -0.148674 0.8837 LNX5^2*WGT^2 -8.71E-06 4.50E-05 -0.193507 0.8490R-squared 0.351452 Mean dependent var 0.000851 Adjusted R-squared 0.108247 S.D. dependent var 0.000534 S.E. of regression 0.000504 Akaike info criterion -12.10221 Sum squared resid 4.06E-06 Schwarz criterion -11.75662 Log likelihood 146.1754 Hannan-Quinn criter. -12.01530 F-statistic 1.445085 Durbin-Watson stat 1.057918 Prob(F-statistic) 0.258479。