影响粮食产量的多因素分析
中国粮食产量影响因素分析
中国粮食产量影响因素分析摘要：粮食是人类最基本的生活消费品，粮食问题是关系到国家的国计民生的头等问题。
众所周知，农业是国民经济发展的基础，粮食是基础的基础，因此粮食生产是关系到一个国家发展与生产的一个关键的主题。
建国以来我国的粮食产量出现了多次的变动，给消费者和生产者带来了很大的影响，所以了解影响粮食生产因素很重要。
通过计量经济学方法创建我国粮食生产函数，我们会发现粮食播种、化肥施用量、受灾面积是影响粮食生产的三大因素，其中粮食播种面积的影响最大。
【关键词】粮食产量；影响因素；回归分析一、引言众所周知，粮食是我们人类生命得以延续的最基础的物质条件，没有粮食这个重要基础，人类将无法继续生存。
回顾我国粮食的生产情况，我们会发现，随着技术水平的提高，社会的发展，从整体来讲我国粮食产量呈上升的趋势。
二、中国粮食生产现状分析在改革开放（1978年）之前我国粮食产量非常缓慢增长，一直都在30000万吨以下。
改革开放后，我国粮食产量从30000万吨一路疯狂走高，粮食生产得到飞速发展，但波动也更频繁复杂。
在1997年总产量首次跨上50000万吨的大难关，达到了50453万吨，增长率为8.13%。
但在2004年开始出现了几年的连续减产的现象，曾一路降到43069万吨的局面，一下子退回到十几年前的水平，让人更加担忧。
从2004年以来的5年里，我国粮食产量连续10年增产。
在2013年粮食产量达到60193.8万吨。
改革开放以来粮食产量一直是我国最关心的问题，我国逐步改革统购统销的体制，减少定购数量，提高粮食收购价格，使粮食生产实现高速增长。
我国粮食产量从30000万吨开始一路走高。
1980—2010年这30年，我国粮食生产得到快速发展。
1978年我国农村实行改革和粮食价格提高，极大地调动了农民的积极性。
1978年中国粮食产量首次突破30000万吨，增长了7．8％。
1979年粮食产量继续增长8.9％，主要是由于国家大幅度提高粮食收购价格，粮食统购价提高20％，超购部分加价50％，从而促进粮食产量飞速增长。
我国粮食产量的影响因素分析计量经济学模型
我国粮食产量的影响因素分析一.研究背景：改革开放以来，中国经济迅速发展，人口增长迅猛，对粮食的需求日益增加。
粮食产量无疑成了影响中国经济发展的重大因素。
同时，粮食的产量直接关系到农业劳动力的生活水平，因此，“三农”问题成为中国经济研究的热点问题，提高粮食产量，关注农村居民收入迫在眉睫。
为此，本文将就粮食产量影响因素进行分析，希望从中发现一些对粮食产量关键作用的因素。
二.研究方案与数据的搜集统计：影响粮食总产量的因素有很多，包括粮食作物耕种面积、粮食面积单产、有效灌溉面积、化肥用量、农药用量、农业机械总动力、农用塑料薄膜用量、受灾面积、成灾面积等，根据实际情况及模型建立需要选取其中五个作为研究对象，分别农业化肥施用量（x1），粮食播种面积(x2)，成灾面积(x3)，农业机械总动力(x4)，农业劳动力(x5)。
表中列出了中国粮食生产的相关数据，拟建立中国粮食生产函数：表1 中国粮食生产与相关投入资料2000 46218 4146 108463 34374 52574 36043 2001 45264 4254 106080 31793 55172 36513 2002 45706 4339 103891 27319 57930 36870 2003 43070 4412 99410 32516 60387 36546 2004 46947 4637 101606 16297 64028 35269 2005 48402 4766 104278 19966 68398 33970 2006 49804 4928 104958 24632 72522 32561 2007 50160 5108 105638 25064 76590 31444资料来源：《中国统计年鉴》（1995，2008）。
研究假设：农业化肥施用量（x1）与粮食产量正相关粮食播种面积(x2) 与粮食产量正相关成灾面积(x3) 与粮食产量负相关农业机械总动力(x4) 与粮食产量正相关农业劳动力(x5) 与粮食产量正相关三、模型的估计、检验、确认1.画散点图由于点较分散，将他们取对数，使其更集中。
中国粮食生产的综合影响因素分析
中国粮食生产的综合影响因素分析一、本文概述《中国粮食生产的综合影响因素分析》这篇文章旨在全面深入地探讨影响中国粮食生产的主要因素，以期为相关政策制定和农业可持续发展提供科学依据。
粮食生产作为国家安全和社会稳定的重要基石，其影响因素众多且复杂，包括自然资源、政策导向、科技进步、市场需求、农业生产组织方式等。
本文将从多个维度出发，系统地分析这些因素对中国粮食生产的影响机制和效果，以期揭示其内在规律和潜在问题。
在文章的结构上，本文将首先对中国粮食生产的现状进行概述，包括粮食产量、种植结构、区域布局等方面的情况。
然后，将逐一分析各影响因素对粮食生产的具体作用，包括自然资源条件、农业政策调整、科技进步与创新、市场需求变化、农业生产组织方式变革等。
在此基础上，本文将运用定性和定量相结合的研究方法，对影响因素进行综合评价，以明确各因素的作用大小和方向。
文章将提出相应的政策建议和研究展望，以期为提升中国粮食生产能力和保障国家粮食安全提供有益参考。
通过本文的研究，我们期望能够更全面地了解中国粮食生产的发展现状和面临的挑战，为制定更加科学、合理的农业政策和技术推广策略提供支撑。
本文也希望能够引起社会各界对粮食生产问题的关注和重视，共同推动中国农业的可持续发展。
二、中国粮食生产的总体状况中国，作为世界上人口最多的国家，粮食生产一直是国家安全和社会稳定的重要基石。
多年来，中国粮食生产在政策的引导、科技的推动以及农民的努力下，取得了显著的成绩。
总体上，中国粮食生产的状况呈现出稳定增长的态势，为保障国家粮食安全奠定了坚实的基础。
从产量上看，中国粮食总产量连续多年保持在较高水平，稳居世界前列。
粮食作物的播种面积和单位面积产量均有所增长，特别是科技含量较高的粮食作物，如杂交水稻、优质小麦等，其产量和品质都得到了显著提升。
同时，粮食生产的结构也在不断优化，逐步由传统的以口粮为主向多元化、优质化转变。
在粮食生产的布局上，中国形成了多个粮食主产区和优势产区，如东北平原、黄淮海平原、长江中下游平原等，这些地区的粮食生产能力强，对全国粮食总产的贡献率逐年提高。
粮食产量影响因素回归分析
粮食产量影响因素回归分析粮食产量是一个复杂的系统工程，受到多个因素的影响，包括自然因素和人为因素。
为了深入了解这些影响因素，可以运用回归分析方法对其进行量化分析。
下面将详细介绍粮食产量影响因素回归分析的步骤和应用。
回归分析是一种统计学方法，用于确定自变量与因变量之间的关系。
在粮食产量影响因素回归分析中，因变量是粮食产量，自变量则包括多个可能的因素，如天气、土壤条件、农业技术等。
首先，需要收集相关的数据，包括粮食产量的历史数据和可能的影响因素的数据。
对于年度产量数据，可以从农业统计年鉴等公开渠道获取，而对于自变量数据，可以通过相关研究或者实地调查获得。
接下来，对数据进行预处理，包括缺失值填充、异常值处理、数据标准化等。
这些步骤可以提高回归模型的准确性和可靠性。
然后，选择适当的回归模型进行分析。
根据问题的具体情况，可以选择线性回归模型、多项式回归模型、逻辑回归模型等。
线性回归模型是一种常用的回归模型，假设因变量与自变量之间存在线性关系。
而多项式回归模型可以描述因变量和自变量之间的非线性关系。
逻辑回归模型则用于因变量为分类变量的情况。
在建立回归模型后，需要对模型进行拟合和评估。
拟合是指找到最佳的回归系数，使得模型对数据的误差最小化。
评估包括解释模型的统计显著性、对模型的拟合优度进行检验等。
常用的评估指标包括R平方、调整R平方、F统计量等。
最后，根据回归模型得到的结果，可以分析各个自变量对粮食产量的影响程度和方向。
通过回归系数的正负来判断自变量对因变量的增益或减益作用。
此外，还可以进行模型的预测和验证，对未来的粮食产量进行预测，并与实际数据进行比较以验证模型的准确性。
总之，粮食产量影响因素回归分析是一种有效的量化分析方法，可以深入了解粮食产量背后的驱动因素，为农业生产提供科学指导。
这一方法在农业经济学、农业科学等领域具有广泛应用前景。
中国粮食产量影响因素分析
中国粮食产量影响因素分析影响粮食总产量的因素有很多，有的影响因素可能会对粮食产量的预测产生直接的影响，而有些因素的影响可以忽略。
对粮食产量影响显著的因素是必须要考虑的，影响不是很显著的可以忽略。
下面主要选取农业机械总动力、有效灌溉面积、化肥施用量、农村用电量、粮食作物播种面积、受灾面积这六个因素来探讨他们对粮食总产量的影响。
这些变量分别用下面的字母表示。
y：粮食总产量（万吨）x1：农业机械总动力（万千瓦）x2:有效灌溉面积（千公顷）x3：化肥施用量（万吨）x4:农村用电量（亿千瓦小时）x5：粮食作物播种面积（千公顷）x6：成灾面积（千公顷）通过查阅各年的中国统计年鉴，搜集整理了从1991年到2010年的粮食总产量、农业机械总动力、有效灌溉面积、化肥施用量、农村用电量、农作物播种面积、成灾面积的数据。
见下表（表一）要想知道哪些因素对粮食总产量的影响显著，下面用一些模型方法和Eviews软件对数据进行分析。
1. 多元线性回归:1.1最小二乘法对数据进行回归用最小二乘法对数据进行回归，编写程序及相关结果如下编写程序：LS y c x1 x2 x3 x4 x5 x6Eviews运行结果：Dependent Variable: YMethod: Least SquaresDate: 04/18/12 Time: 13:29Sample: 1991 2010Included observations: 20Variable Coefficient Std. Error t-Statistic Prob.C -59476.77 17101.57 -3.477854 0.0041X1 -0.474401 0.194104 -2.444054 0.0295X2 0.999522 0.549567 1.818744 0.0921X3 5.260176 0.777593 6.764690 0.0000X4 2.566848 1.123099 2.285504 0.0397X5 0.495208 0.053717 9.218897 0.0000X6 -0.134343 0.031293 -4.293066 0.0009R-squared 0.984131 Mean dependent var 48136.30Adjusted R-squared 0.976806 S.D. dependent var 3424.003S.E. of regression 521.4577 Akaike info criterion 15.62035Sum squared resid 3534935. Schwarz criterion 15.96886Log likelihood -149.2035 Hannan-Quinn criter. 15.68838F-statistic 134.3647 Durbin-Watson stat 2.566516Prob(F-statistic) 0.000000结果分析：从上面的运行结果可以看出方程的拟合优度R2=0.984，调整后的拟合优度为0.9768，说明模型拟合效果很好。
基于计量经济学分析我国粮食产量的影响因素
基于计量经济学分析我国粮食产量的影响因素粮食是人类的基本生活物资之一，粮食产量的增加直接影响着国家的粮食供应和粮食安全。
了解和研究影响我国粮食产量的因素对于保障国家粮食供应具有重要意义。
种植面积是影响粮食产量的关键因素之一。
种植面积的增加可以提高粮食产量，而减少则会导致粮食产量下降。
影响种植面积的因素包括耕地面积、农业政策和制度等。
耕地面积的扩大有助于增加种植面积，而耕地面积的减少则会限制种植面积的增长。
农业政策和制度也对种植面积有着重要的影响，例如对农民耕地保护政策的支持与限制等。
农业投入是影响粮食产量的重要因素。
农业投入包括劳动力、资本、农药、化肥等。
劳动力的增加可以提高农业生产效率，从而增加粮食产量。
资本的投入可以提高农民的种植技术和设备水平，从而提高粮食产量。
农药和化肥的使用可以防治病虫害，提高农作物的产量和质量。
气候条件是影响粮食产量的重要因素。
充足的阳光、适宜的温度和降水量都对粮食产量的增长起着至关重要的作用。
不同的粮食作物对气候条件的要求不同，不同的气候条件对各地粮食产量的影响也存在差异。
第四，技术进步是提高粮食产量的关键因素。
种植技术、农业机械和农业科技的进步可以提高粮食生产效率，从而增加粮食产量。
新品种的引进和适宜的耕作措施可以提高作物的产量和抗病虫能力。
市场需求也是影响我国粮食产量的重要因素。
市场需求对粮食价格的影响可以影响农民的粮食种植决策。
当市场需求较高时，农民倾向于增加粮食种植面积以满足市场需求，从而增加粮食产量。
我国粮食产量的影响因素与农业政策、经济发展、气候条件、农业投入、技术进步和市场需求等因素紧密相关。
深入研究和分析这些因素的作用，有助于制定合理的粮食生产政策，提高粮食产量，保障国家粮食供应和粮食安全。
基于计量经济学分析我国粮食产量的影响因素
基于计量经济学分析我国粮食产量的影响因素一、概述粮食产量作为国家经济安全和社会稳定的重要基础，历来受到广泛关注。
中国作为世界上人口最多的国家，粮食产量的稳定与增长对于保障国家粮食安全、促进经济社会持续健康发展具有重大意义。
随着全球气候变化、土地资源紧张、农业生产技术革新等多重因素的影响，我国粮食产量面临着诸多不确定性。
深入分析影响我国粮食产量的因素，对于制定科学合理的农业政策、提高粮食生产效率和保障国家粮食安全具有重要的理论价值和现实意义。
本文旨在运用计量经济学的方法，系统分析我国粮食产量的影响因素。
通过对国内外相关文献的梳理和评价，明确粮食产量影响因素的研究现状和不足。
结合我国粮食生产的实际情况，选取适当的计量经济学模型，如多元线性回归模型、面板数据模型等，对影响粮食产量的因素进行定量分析和检验。
在此基础上，深入探讨各因素对粮食产量的具体影响程度和方向，揭示各因素之间的内在联系和作用机制。
根据分析结果，提出针对性的政策建议，为我国粮食生产的可持续发展和国家粮食安全的保障提供科学依据。
通过本文的研究，期望能够为我国粮食生产领域的决策提供有益参考，同时也为计量经济学在农业经济领域的应用拓展新的思路和方法。
简述粮食产量对国家经济和社会发展的重要性粮食产量对一个国家经济和社会发展的重要性不言而喻。
粮食是人类生存的基础，是满足人民基本生活需求的必需品。
粮食产量的稳定增长是保障国家粮食安全、维护社会稳定的重要前提。
只有粮食供应充足，人民才能安居乐业，社会才能和谐稳定。
粮食产业是国民经济的重要组成部分。
粮食的种植、加工、储运、销售等环节涉及众多行业和领域，对经济增长和就业有着直接的拉动作用。
粮食产量的增加不仅意味着农业生产水平的提升，也为工业和服务业的发展提供了有力支撑。
粮食产量还是国家宏观调控的重要工具。
政府通过调整粮食生产政策、价格等手段，可以影响市场供求关系，进而调控经济运行。
在面临经济危机或通货膨胀等复杂经济环境时，粮食产量的稳定对于稳定物价、保障民生、维护国家经济安全具有重要意义。
河北省粮食产量影响因素多元回归分析
河北省粮食产量影响因素多元回归分析
河北省是中国粮食生产大省之一，其产量受多种因素的影响。
本文将利用多元回归分析方法，探究影响河北省粮食产量的多个因素。
在多元回归分析中，我们需要确定一个依赖变量和多个自变量。
在本文中，依赖变量为河北省粮食产量，而自变量可能包括气候因素（如降雨量、气温等）、土地利用情况、农业技术水平等。
为了进行分析，我们需要收集相关数据。
我们可以收集河北省的粮食产量数据、气象数据、土地利用数据、农业技术数据等。
这些数据可以从相关机构、研究报告、统计年鉴等渠道获取。
获取数据后，我们可以进行多元回归分析。
根据多元回归模型，我们可以得到每个自变量对粮食产量的影响程度和方向。
通过分析回归系数，我们可以确定哪些因素对粮食产量的影响比较大，哪些因素对粮食产量的影响比较小。
在分析中，需要注意的是，多元回归分析只能确定相关关系，并不能确定因果关系。
我们需要谨慎解释结果，不能过于绝对地认为某个因素对粮食产量有直接的因果影响。
除了多元回归分析，我们还可以通过分组分析、趋势分析等方法来进一步研究影响粮食产量的因素。
这些方法可以更全面地了解不同因素对粮食产量的影响。
通过多元回归分析等方法，我们可以揭示影响河北省粮食产量的多个因素。
这对于指导粮食生产、优化农业结构和提高粮食产量具有重要意义。
需要注意的是，多元回归分析只是其中的一种方法，我们还需要综合运用其他分析方法来更全面地研究这一问题。
- 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)。
影响粮食产量的多因素分析05经济40501031 冉峥嵘40501039 李仪40501061 谭金仪【摘要】本文采用计量经济分析方法,以1978—2005年中国粮食产量及其重要因素的时间序列数据为样本,对影响中国粮食生产的多种因素进行了分析。
分析结果表明,近年来我国粮食生产主要受到单产提高缓慢、播种面积波动大、农业基础设施投入不足、自然灾害频繁等重要因素的影响。
为提高粮食产量、促进粮食生产,首先应该提供一套促进粮食生产的政策措施,提高粮食种植效益,增加粮农收入是根本。
在这个前提下,才有可能提高单产、稳定面积、加强基础设施建设、提高抗灾能力,增强我国粮食生产能力和生产稳定性。
【关键词】粮食产量多因素分析一问题提出：我国土地资源稀缺，人口多而粮食需求量大，因此粮食产量的稳定增长，直接影响着人民生活和社会的稳定与发展。
粮食生产的不稳定性对国民经济的影响是不可忽略的，主要体现在:粮食生产不稳定会引发粮食供求关系的变动,尤其当国家粮食储备不足的时候,很容易导致粮价上涨,从而影响整个宏观经济。
因此,对关系国计民生的这个特殊农产品,我们不得不慎重对待。
因此，分析粮食产量波动的原因，并据此提出相应的对策，对保障粮食生产持续稳定发展，具有重要意义。
二文献综述中国的粮食生产问题,不仅是中国经济界的重要研究课题,而且也越来越受到世界经济学家的重视。
许多经济学家对这一问题进行了深入的研究,得出了许多重要的结论。
目前国内学者研究这一问题时大多采用多元统计方法,或者是简单的计量模型，主要是从某一两个因素进行的分析，从而预测粮食产量的。
《1978-2003年我国农业科技投入和粮食产量关系的计量分析》（杨剑波）一文是采用计量模型检验科技投入增长对粮食生产增长的影响、是否存在因果关系。
主要用到的计量方法有协整分析、协整关系的检验与分析，向量误差修正模型(VEC模型)和动态调整模型。
得到中国科技投入增长对粮食生产增长有显著影响的结论。
美国学者布朗的一篇《谁来养活中国》的论文,曾引发了国内的大讨论。
从国内粮食生产领域来看,2003年秋冬以来,粮价在多年低位徘徊后出现上涨,引发了新一轮对粮食问题的热烈讨论。
而今年年初以来的农产品价格大幅上涨,尤其是猪肉价格的飙升,更引发了人们对我国食品安全问题的关注。
本文严格按照计量经济分析方法,以1978—2005年中国粮食产量及其重要因素的时间序列数据为样本,对影响中国粮食生产的多种因素进行了分析。
三模型设定，数据处理及检验1 本模型数据来源相应年度的《中国统计年鉴》、《中国农村统计年鉴》、《中国农业发展报告》、《中华人民共和国年鉴》、《中国统计摘要》,选用了粮食产量、粮食零售价格指数、受灾面积，化肥施用量，乡村农林牧渔业从业人员数，粮食作物播种面积，农用机械总动力，农村用电量这7个指标,把这7个指标的1978—2005年28年间的时间序列数据进行回归分析,来分析这些因素与粮食产量的关系。
以粮食产量作为因变量,其它7个指标作为解释变量进行回归分析。
数据：粮食产量粮食零售价格指数（上年=100）受灾面积化肥施用量乡村农林牧渔业从业人员数粮食作物播种面积农用机械总动力农村用电量(万吨)y (-)x1 (万公顷)x2(万吨)x3(万人)x4(千公顷)x5(万千瓦)x6(亿千瓦时)x71978 30476.5 101.3 5079 884 28455.6 120587 11749.9 253.1 1979 33211.5 103.7 3937 1086.3 29071.6 119263 13379.2 282.7 1980 32055.5 103.5 4452.6 1269.4 29808.4 117234 14745.7 320.8 1981 32502 103.9 3978.6 1406.9 30677.6 114958 15679.8 369.8 1982 35450 100.2 3313.3 1513.4 31152.7 113462 16614.2 396.9 1983 38727.5 99.9 3471.3 1659.8 31645.1 114047 18022.1 435.2 1984 40730.5 99.8 3188.7 1739.8 31685 112884 19497.2 464 1985 37910.8 110.9 4436.5 1775.8 30351.5 108845 20912.5 508.9 1986 39151.2 109.3 4713.5 1930.6 30467.9 110933 22950 586.7 1987 40473.3 106.2 4208.6 1999.3 30870 111268 24836 658.8 1988 39408 114.1 5087.4 2141.5 31455.7 110123 26575 712 1989 40754.9 121.3 4699.1 2357.1 32440.5 112205 28067 790.5 1990 44624.3 95.2 3847.4 2590.3 33336.4 113466 28707.7 844.5 1991 43529.3 108.6 5547.2 2805.1 34186.3 112314 29388.6 963.2 1992 44265.8 124.3 5133.3 2930.2 34037 110560 30308.4 1106.9 1993 45648.8 127.7 4882.9 3151.9 33258.2 110509 31816.6 1244.9 1994 44510.1 148.7 5504.3 3317.9 32690.3 109544 33802.5 1473.9 1995 46661.8 134.4 4582.1 3593.7 32334.5 110060 36118.1 1655.7 1996 50453.5 107.5 4698.9 3827.9 32260.4 112548 38546.9 1812.7 1997 49417.1 92.1 5342.9 3980.7 32677.9 112912 42015.6 1980.1 1998 51229.5 96.9 5014.5 4083.7 32626.4 113787 45207.7 2042.2 1999 50838.6 96.4 4998.1 4124.3 32911.8 113161 48996.1 2173.4 2000 46217.5 90.1 5468.8 4146.4 32797.5 108463 52573.6 2421.3 2001 45263.7 101.5 5221.5 4253.8 32451 106080 55172.1 2610.8 2002 45705.8 98.6 4711.9 4339.4 31990.6 103891 57929.9 2993.4 2003 43069.5 102.2 5450.6 4411.6 31259.6 99410 60386.5 3432.9 2004 46946.9 126.5 3710.6 4636.6 30596 101606 64027.9 3933 2005 48402.2 101.4 3881.8 4766.2 29975.5 104278 68397.8 4375.72 模型设定通过对中国粮食生产及影响因素的初步定性分析后假设,粮食产量与其它7个指标之间存在多元线性关系,即粮食零售价格指数、受灾面积，化肥施用量，乡村农林牧渔业从业人员数，粮食作物播种面积，农用机械总动力，农村用电量之间存在着线性关系,也即可以把粮食产量的线性回归模型初步设定为y=b0+b1x1+b2x2+b3x3+b4x4+b5x5+b6x6+b7x7,其中,y:粮食产量, x1粮食零售价格指数、x2受灾面积，x3化肥施用量，x4乡村农林牧渔业从业人员数，x5粮食作物播种面积，x6农用机械总动力，x7农村用电量,然后利用已有的数据进行模型拟合,以便发现这些因素之间存在的数量关系。
可能有人会提出质疑,是否遗漏了其它重要的解释变量,的确像农业科技费用等这些因素对粮食产量有重要的影响,但考虑农业科技费用会导致严重的多重共线性(因为它们与粮食单产有极高的正相关性),又考虑到它代表对农业的投入和科技进步,在选用指标中已有灌溉面积、农机总动力等性质相似的指标,再加上分析工具的局限性,因此就舍弃了这几个指标。
这也是线性相关分析的局限性之一。
3 模型结果,检验和调整将收集到的数据运用计量分析软件进行运算,可得到以上设立模型的参数值,则模型结果为:Y=15833.13+8.813674x1-1.954853x2+9.762547x3-0.105747x4+0.154043x5+0.022186x6-5.516333x7Se=(25422.05) (30.81030) (0.565561) (1.802161) (0.482949) (0.143545) (0.203779) (2.316930)T=0.622811 0.286063 -3.456484 5.417134 -0.218960 1.073134 0.108874 -2.380880R^2=0.946831 dw=0.750906 df=26检验和调整（1）经济意义检验从回归结果可以看出，x1粮食零售价格指数，x3化肥施用量，x5粮食作物播种面积，x6农用机械总动力系数为正，x2受灾面积系数为负，符合经济意义。
（2）统计推断检验从回归结果可以看出，可决系数=0.946831，认为模型的拟合程度可以接受；系数显著性检验：大多数比较显著。
(3)计量经济学检验第一步，怀疑具有多重共线性，用逐步回归方法改善Dependent Variable: YMethod: Least SquaresDate: 12/23/07 Time: 11:28Sample: 1978 2005Included observations: 28Variable Coefficient Std. Error t-Statistic Prob.C 30097.87 1328.764 22.65102 0.0000X3 4.272552 0.425042 10.05206 0.0000R-squared 0.795346 Mean dependent var 42415.58 Adjusted R-squared 0.787475 S.D. dependent var 5897.959 S.E. of regression 2718.984 Akaike info criterion 18.72265 Sum squared resid 1.92E+08 Schwarz criterion 18.81781 Log likelihood -260.1171 F-statistic 101.0440 Durbin-Watson stat 0.564307 Prob(F-statistic) 0.000000Dependent Variable: YMethod: Least SquaresDate: 12/23/07 Time: 11:29Sample: 1978 2005Included observations: 28Variable Coefficient Std. Error t-Statistic Prob.C -9459.738 9982.682 -0.947615 0.3524X3 3.575994 0.381378 9.376509 0.0000X4 1.311414 0.329076 3.985139 0.0005R-squared 0.874849 Mean dependent var 42415.58 Adjusted R-squared 0.864837 S.D. dependent var 5897.959 S.E. of regression 2168.357 Akaike info criterion 18.30228 Sum squared resid 1.18E+08 Schwarz criterion 18.44502 Log likelihood -253.2320 F-statistic 87.37936 Durbin-Watson stat 0.935247 Prob(F-statistic) 0.000000Dependent Variable: YMethod: Least SquaresDate: 12/23/07 Time: 11:29Sample: 1978 2005Included observations: 28Variable Coefficient Std. Error t-Statistic Prob.C -38705.66 15308.13 -2.528439 0.0184X3 4.489125 0.518768 8.653426 0.0000X4 1.141247 0.310303 3.677843 0.0012X5 0.288313 0.120906 2.384612 0.0253R-squared 0.898821 Mean dependent var 42415.58 Adjusted R-squared 0.886174 S.D. dependent var 5897.959 S.E. of regression 1989.859 Akaike info criterion 18.16108Sum squared resid 95028898 Schwarz criterion 18.35139 Log likelihood -250.2551 F-statistic 71.06816 Durbin-Watson stat 0.785980 Prob(F-statistic) 0.000000Dependent Variable: YMethod: Least SquaresDate: 12/23/07 Time: 11:22Sample: 1978 2005Included observations: 28Variable Coefficient Std. Error t-Statistic Prob.C -42532.54 14425.73 -2.948381 0.0072X3 4.786369 0.505006 9.477839 0.0000X4 1.292310 0.298790 4.325142 0.0003X5 0.323185 0.114234 2.829153 0.0095X2 -1.239087 0.586775 -2.111690 0.0458R-squared 0.915252 Mean dependent var 42415.58 Adjusted R-squared 0.900514 S.D. dependent var 5897.959 S.E. of regression 1860.303 Akaike info criterion 18.05530 Sum squared resid 79596708 Schwarz criterion 18.29319 Log likelihood -247.7742 F-statistic 62.09847 Durbin-Watson stat 0.496727 Prob(F-statistic) 0.000000Dependent Variable: YMethod: Least SquaresDate: 12/23/07 Time: 11:30Sample: 1978 2005Included observations: 28Variable Coefficient Std. Error t-Statistic Prob.C -46560.69 15518.86 -3.000264 0.0066X3 4.900048 0.531811 9.213888 0.0000X4 1.247300 0.307543 4.055692 0.0005X5 0.351730 0.121422 2.896761 0.0084X2 -1.314537 0.600849 -2.187798 0.0396X1 21.32232 28.36814 0.751629 0.4602R-squared 0.917374 Mean dependent var 42415.58 Adjusted R-squared 0.898595 S.D. dependent var 5897.959 S.E. of regression 1878.151 Akaike info criterion 18.10137 Sum squared resid 77603888 Schwarz criterion 18.38684Log likelihood -247.4192 F-statistic 48.85207Durbin-Watson stat 0.527875 Prob(F-statistic) 0.000000第二步，自相关检验Dependent Variable: E1Method: Least SquaresDate: 12/23/07 Time: 11:32Sample (adjusted): 1979 2005Included observations: 27 after adjustmentsVariable Coefficient Std. Error t-Statistic Prob.E2 0.749544 0.129425 5.791341 0.0000R-squared 0.563223 Mean dependent var 24.96728Adjusted R-squared 0.563223 S.D. dependent var 1744.502S.E. of regression 1152.925 Akaike info criterion 16.97433Sum squared resid 34560159 Schwarz criterion 17.02232Log likelihood -228.1534 Durbin-Watson stat 1.340050科克伦-奥克特迭代法Ls y-0.749544*y(-1) c x3-0.749544*x3(-1) x4-0.749544*x4(-1) x5-0.749544*x5(-1) x2-0.749544*x2(-1)Dependent Variable: Y-0.749544*Y(-1)Method: Least SquaresDate: 12/23/07 Time: 11:35Sample (adjusted): 1979 2005Included observations: 27 after adjustmentsVariable Coefficient Std. Error t-Statistic Prob.C -7759.367 3505.592 -2.213425 0.0375X3-0.749544*X3(-1) 4.683751 0.669611 6.994732 0.0000X4-0.749544*X4(-1) 0.001626 0.385384 0.004218 0.0967X5-0.749544*X5(-1) 0.597471 0.117091 5.102617 0.0000X2-0.749544*X2(-1) -1.154681 0.315405 -3.660941 0.0014R-squared 0.822811 Mean dependent var 11231.62Adjusted R-squared 0.790595 S.D. dependent var 2169.503S.E. of regression 992.7818 Akaike info criterion 16.80447Sum squared resid 21683546 Schwarz criterion 17.04444Log likelihood -221.8604 F-statistic 25.54033Durbin-Watson stat 1.768527 Prob(F-statistic) 0.000000第三步，异方差检验White Heteroskedasticity Test:F-statistic 1.010209 Probability 0.498607Obs*R-squared 14.60659 Probability 0.405565Test Equation:Dependent Variable: RESID^2Method: Least SquaresDate: 12/23/07 Time: 12:12Sample: 1979 2005Included observations: 27Variable Coefficient Std. Error t-Statistic Prob.C 8402725. 95143383 0.088316 0.9311DX3 -30381.54 20861.84 -1.456321 0.1710DX3^2 13.09756 6.114468 2.142060 0.0534DX3*DX4 0.161214 1.844124 0.087420 0.9318DX3*DX5 0.284033 0.715429 0.397010 0.6983DX3*DX2 -1.920415 1.346102 -1.426649 0.1792DX4 8032.127 13377.73 0.600410 0.5594DX4^2 -0.271613 0.776790 -0.349660 0.7327DX4*DX5 -0.096943 0.422218 -0.229605 0.8223DX4*DX2 0.181785 1.224959 0.148401 0.8845DX5 -2680.012 4759.428 -0.563095 0.5837DX5^2 0.062026 0.090684 0.683985 0.5070DX5*DX2 -0.128724 0.410774 -0.313368 0.7594DX2 5810.031 11223.37 0.517672 0.6141DX2^2 -0.772841 0.896444 -0.862119 0.4055R-squared 0.540985 Mean dependent var 803094.3Adjusted R-squared 0.005467 S.D. dependent var 989254.3S.E. of regression 986546.5 Akaike info criterion 30.74199Sum squared resid 1.17E+13 Schwarz criterion 31.46190Log likelihood -400.0169 F-statistic 1.010209Durbin-Watson stat 1.662201 Prob(F-statistic) 0.498607第四步，时间序列数据平稳性检验Genr dy= y-0.749544*y(-1)Null Hypothesis: DY has a unit rootExogenous: ConstantLag Length: 5 (Automatic based on SIC, MAXLAG=6)t-Statistic Prob.*Augmented Dickey-Fuller test statistic -1.153133 0.6742Test critical values: 1% level -3.7880305% level -3.01236310% level -2.646119全都没有单位根最后回归结果y-0.749544*y(-1)=-7759.367+4.683751x3-0.749544*x3(-1)+0.001626x4-0.749544*x4(-1)+0.597471x5-0.749544*x5(-1) -1.154681x2-0.749544*x2(-1)四、结果分析及政策建议根据以上的分析结果,可以认为,中国粮食生产的重要影响因素包括以下几个: x1粮食零售价格指数、x2受灾面积，x3化肥施用量，x4乡村农林牧渔业从业人员数，x5粮食作物播种面积，从一般常识来看,这些因素当然直接影响粮食总产量,但不能精确地估算这种影响之间的数量关系,而通过计量经济分析,我们可以更精确地知道影响的程度和大小。