农村居民消费水平指数

农村居民消费水平指数（共9篇）

农村居民消费水平指数 篇1

改革开放以来,我国经济结构发生了很大变化,特别是1997年以后,我国经济整体由卖方市场演变成买方市场,在大市场大流通的背景下,市场商品价格逐步趋同。但由于我国各地区在自然资源禀赋、历史沿革、地理位置、经济发展水平、市场发育程度以及政策制度等方面存在差异,因此如何准确分析和把握各地区市场价格变化规律、特点和趋势,对于提高价格总水平调控灵活性、针对性具有十分重要的意义。

一、我国居民消费价格走势回顾及区域差异分析

(一)我国居民消费价格走势回顾

1997年以后,我国经济告别物资短缺时代,商品的极大丰富彻底改变了供求关系,消费品市场由卖方市场转入买方市场。从居民消费价格的总体走势看,呈平稳上升趋势,全国CPI累计上涨21.2%,年均上涨1.5%。从总体来看,1998-2008年期间我国居民消费价格走势大致可分为三个阶段:第一阶段通货紧缩期,时间为1998-2002年,其间价格涨幅明显回落,价格持续走低,经济增长速度放缓,居民消费需求不旺,出现通货紧缩趋势。2000年后由于国家积极的财政政策、稳健的货币政策和启动消费市场、扩大内需等政策的效果逐步显现,通货紧缩的趋势得到有效抑制。第二阶段温和通涨期,时间为2003-2008年,这一时期处在新一轮经济增长周期的上升期,国际国内的农产品市场和矿产资源类产品市场的格局发生改变,局部的卖方市场特征日益明显,同时由于房地产投资过热和贸易顺差造成的流动性过剩,居民消费价格指数保持了稳中有升的态势,从2003年的1.2%增长到2008年的5.9%。这一时期呈现出需求导向型的温和通胀状态,消费、投资、净出口三驾马车拉动经济持续快速的增长。第三阶段价格波动调整期,时间为2009-2010年,从2008年下半年开始,经济增速下降,2009年居民消费价格下跌0.7%;2010年,伴随着国民经济的企稳回升,居民消费价格再拾升势,上涨3.3%。

(二)我国居民消费价格区域差异分析

从居民消费价格年平均涨幅看,1998-2009年全国居民消费价格温和上涨,各地区平均涨幅基本在1%～2%之间。超过全国平均水平的有上海、西藏、新疆、贵州、云南、内蒙古、甘肃、山西、四川、宁夏、湖南、青海12个地区,低于全国平均水平的有河北、陕西、福建、吉林、黑龙江、浙江、海南、天津、辽宁、广西、广东、重庆12个地区。在所有省市中,青海的物价上涨最快,年均上涨2.8%,而广东和重庆的物价上涨最少,年均上涨只有1.0%。

从全国及31个省(区、直辖市)内部CPI的波动幅度看,各省(区、直辖市)内部CPI波动的离散程度大小不一,其中福建、浙江、江西、江苏、辽宁、北京、天津、内蒙古、山东、西藏、上海11个地区的标准差小于全国水平,其他各省区的标准差值均大于全国水平。广西最大,为3.16;上海最小,为1.71。这说明居民消费价格波动幅度省际间还是有差异的。同样,从极值的变化也可以得到此结论(见表1)。

从各年31个省(区、直辖市)居民消费价格指数的波动幅度看,在居民消费价格指数连续低迷的几年后,一些地区为了解决长期积累的价格矛盾,采取积极稳妥措施果断调整相关服务和商品价格,导致地区价格差距有所扩大;但当全国价格普遍上涨时,为抑制通货膨胀,国家会采取积极的财政和货币政策,并严格各地调价项目的出台,这时地区价格差距就会缩小。各年幅度均在0～2之间波动,地区价格波动差距无明显减小趋势。

二、我国居民消费价格指数区域差异的实证分析

(一)变量及模型选取

改革开放以来,我国价格上涨和经济发展之间存在着很高的相关度,价格几乎成了宏观经济变化的指向标。本世纪初,价格上涨对经济增长的影响力在宏观经济政策的作用下才有所收敛,但商品价格在一定程度仍然是市场供需力量对比的晴雨表。面板数据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,面板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。面板数据一般有3种:混合模型、固体效应模型、随机效应模型。其中,固定效应模型适合于横截面单位为总体中所有单位的情况。固定效应模型分为变系数模型、变截距模型和混合模型3种形式,基于前文所作初步分析及变量的可量化性、代表性和差异性等因素,本文以31个省(区、直辖市)1998-2009年数据建立个体固定效应变系数模型。其中,因变量为居民消费价格指数的对数(LNCPI),自变量分别为国内生产总值指数的对数(LNGDP)。

(二)全国及31个省(区、直辖市)居民消费价格上涨的实证分析

1. 单位根检验。

单位根检验就是检验面板数据的平稳性,LLC检验是对小样本面板数据进行单位根检验经常用的和实验效果比较高的方法,通过此种方法对面板数据进行单位根检验,得到调整后t值对应的概率P小于0.05,拒绝原假设。由于GDP和CPI(都存在单位根,所以这里分别对两者取对数(见表2)。

2. 模型建立与结果。

估计模型的选择和建立面板数据模型的基本形式为:

其中:Yit为被解释变量,xit为解释向量,βit为参数变量。

利用Eviews5.0软件可以得出模型估计结果,我们采用广义最小二乘协方差估计,为了消除截面数据存在的异方差,使用截面残差的方差作为权重。

该变系数模型估计的R2=0.999592,说明模型的拟合程度较好,表明经济增长在较大程度上能够解释居民消费价格指数变化情况。D.W.统计量等于2.113203,非常接近于2,表明模型估计结果的残差序列不存在一阶序列自相关。从解释变量的系数看,从解释变量系数的显著性看,有11个地区没有通过显著性检验,这主要是由于本文所研究的数据是小样本数据,时间跨度只有12年,与解释变量个数相差不大,因此允许不全部通过检验。

从模型的回归系数和系数的显著性看,全国经济增长与居民消费价格的上涨呈正相关,黑龙江、宁夏、青海、陕西、云南、新疆、河南、贵州、湖北、河北、安徽、江苏、广西、辽宁、重庆、湖南、吉林、江西、天津、四川、内蒙古21个地区的经济增长也与居民消费价格的上涨呈现明显的正相关关系,说明这些地区经济较快增长会带来社会总需求明显增加和商品价格相应上涨。但各地区回归系数大小不一样,黑龙江最大,为1.36,内蒙古最小,为0.28。换句话说,各地区的经济增长对居民消费价格上涨的贡献各有所异。弹性系数最大的10个地区基本集中在中西部和粮食主产区。近年来我国相继出台的实施西部大开发、振兴东北地区等老工业基地、中部崛起战略等政策对这些省市的经济发展形成了影响,经济发展带来社会总需求的明显增加,加上近年来粮食价格上涨的助推,使这些地区居民消费价格的上涨明显高于全国平均水平。而没通过显著性检验的基本上都是经济相对发达的东部地区如北京、上海、浙江、福建、山东、广东等地区,表明这些地区经济增长对居民消费价格上涨的解释力不足,究其原因,主要是由于这些地区经济发展较高、结构相对优化,居民消费价格指数除了受经济增长影响外,还与收入水平、货币供应、国际市场、市场预期、自身惯性等因素密切联系。如2007年以来我国出现明显通货膨胀压力,既有需求拉动、成本推动方面的原因,也有结构性供应短缺和价格上涨引发的原因,还表现出某种程度的外部输入型特征,是经济增长、货币供应、居民收入和消费水平、上下游产品价格传导效应、国际市场等多种因素综合作用的结果。

个体固定效应因子表示一个地区居民消费价格自发涨价能力的高低,由于大多数商品已经放开,地区居民消费价格自发涨价能力主要体现在各地为解决长期以来存在的价格矛盾而采取的措施。北京、西藏、上海、山西、内蒙古、四川、山东、天津、浙江、江西、广东、福建、吉林和湖南14个地区个体固定效应因子为正数,这些地区除西藏外大都处于中东部地区,或开放程度较高,或矿产丰富,经济相对比较发达,居民收入相对较高,各地政府对价格的调控能力较强,即居民消费价格自发涨价的能力较强。相反,其他17个地区个体固定效应因子为负数,这些地区多集中在西部地区,由于居民收入水平仍然偏低和社会保障体系不健全等原因,居民收入预期不稳定,社会需求相对较弱,居民消费价格自发涨价能力也相对较弱。

三、政策建议

(一)把握好经济增长与控制物价的关系

当前,我国将控制物价过快上涨作为宏观调控首要任务之一,这是基于民生考虑做出的决策,根本目的是为了维护经济社会发展的稳定。从模型中得到,目前大部分地区经济的增长,消费的升温,必定带动价格的上涨。而价格上涨会带来一系列的社会问题,进而阻碍经济发展。因此,首先要根据实际情况,把握好经济增长和抑制通货膨胀之间的平衡点,保持价格上涨和经济增长的和谐共存,同时建立有效的价格形成机制,让物价真实体现市场参与各方的成本、收益,反映市场要素的价格。让市场各方积极投身经济建设,确保经济增长,增强经济实力,为改善民生提供物质条件。

(二)价格总水平调控要体现区域差异

从模型中看到,由于我国各地区在自然资源禀赋、历史沿革、地理位置、经济发展水平、市场发育程度以及政策制度等方面存在差异,各地区控制价格自发上涨的能力有强有弱,在价格上涨的时间、成因和上涨幅度等方面不尽一致。因此,在价格调控上,要体现出区域差异性,只要不偏离国家宏观调控目标,就不宜过多行政干预,切实把握好调控的方向、节奏和力度,以提高价格总水平调控的灵活性、针对性和有效性。

四、加快结构调整,调整收入分配格局,为价格改革提供空间

由于我国还处在市场经济的改革期,多年积累下的深层价格矛盾还没有全部解决,在一定程度上引发和加大了市场价格上涨的压力。因此,今后应继续加快经济结构的升级和转型,消除各种不利于结构调整的体制和政策障碍,大力发展第三产业,扩大就业,提高居民收入,促进消费;同时,要发挥社会保障机制作用,扶持救济弱势群体,有效调节收入分配差距,提高中低收入群体的消费能力,为价格改革提供空间。

农村居民消费水平指数 篇2

一年来，我县居民消费品价格调查工作在县委、政府的领导下和省市调查新阶段的指导下，在本局领导的关心和支持下，顺利的开展。

2011年11月份我们接受局领导的安排开展这项工作以来，报着求真务实的精神，对全县居民消费物价进行了价格调查。在全县共设采价点79处，调查各类商品共561种，包括蔬菜，衣着、家电、食品等与市民生活息息相关的各种商品。本次调查真实的反映出了礼县居民的消费水平为政府的宏观决策提供了一个可靠的依据。

在调查过程中我们在三位调查员分头行动，每个商品逐一调查，有的商贩警惕性高拒绝提供商品价格。面对这些困难，我们耐心的给他们讲解，说明来意，尽管这样还是引起了不少人对调查的反感，因采价每五天一比较频繁，难免引影响他们的生意。面对这些困难我们都逐一克服，最终完成了2010和2011年两年的物品价格调查。

通过调查我县2011年的居民消费价格平均指数104.3，2到10月份物价较为稳定，从11份份开始，食品，和蔬菜价逐渐上涨，其中12份的CPI指数最高这主要是近关将近，全县物品需求量增大价格大幅上涨所至。

2011我县居民消费价格同比指数第一季度为101.1、第二季度为104.1、第三季度为103.9、第四季度为105。以上数据显示我县物价是逐步上涨的虽然第三季度有所下降但第四季度出现了更大幅度的上涨，经计算2011年我县的通货膨胀率为3.85%物价呈温和型上涨，因此物价上涨对市民生活水平的影响并不太大。

农村居民消费水平指数 篇3

【关键词】居民消费价格指数 ARMA 估测

一、居民消费价格指数

居民消费价格指数，即CPI（Consumer Price Index），是一个反映居民家庭一般所购买的消费商品和服务价格水平变动情况的宏观经济指标。其衡量的是一定数量具代表性的商品或服务项目的价格随时间变动而变动的程度，通常这一指数也被用于反映居民家庭购买消费商品及服务的价格水平的变动情况。

因此，在考察一国或某一地区宏观经济运行发展状况时，其居民消费价格指数是必不可少的重要数据从指标。这一指标不仅反映一定时期内居民购买的商品和服务价格变动，还体现了在不同时期居民生活费用的变动状况。同时，居民消费价格指数还被广泛应用于判定经济体是否存在通货膨胀，故此，CPI也是市场经济状态的晴雨表。所以，从宏观管理层面讲，居民消费价格指数是各级政府部门了解居民消费价格状况，研究制定价格政策、工资政策、货币政策，以及为国民经济核算的重要依据和关键指标。从投资层面讲，居民消費价格指数是企业增加或减少投资的重要决策依据。从就业层面看，CPI是政府和企业调整雇员工资和津贴的重要指标。本文用过Eviews软件建立ARIMA模型，对我国近年来居民消费价格指数的统计数据进行分析和估计。

二、时间序列模型对居民消费价格指数的分析

（一）应用模型概述

1.时间序列模型。ARMA模型是目前应用较为广泛的平稳时间序列分析模型，模型具体可分为：AR模型、MA模型、ARMA模型。

ARMA模型表达式如下：

Xt=φ0+φ1Xt-1+φ2Xt-2+...+φpXt-p+εt-θ1εt-1-...-θqεt-q

φp≠0，θq≠0

E（εt）=0，Var（εt）=σ2ε，E（εtεs）=0，s=t

Exsεt=0，？坌s

引进延迟算子，ARMA（p，q）模型简记为：φ（B）xt=θ（B）εt，

其中：φ（B）=1-？渍1B-…-？渍pBp。为p阶自回归系数多项式；θ（B）=1-θ1B-…-θqBq为q阶移动平均系数多项式。令q=0，我们就从ARMA（p，q）模型得到了AR（p）模型。

在实际的分析应用中，大多数时间序列均为不平稳的时间序列，只有通过对非平稳的时间序列进行差分，才能获得平稳序列。对差分后平稳时间序列就能够用ARIMA模型进行拟合。

ARIMA（p，d，q）模型方程式如下：

φ（B）？塄dxt=θ（B）εt

E（εt）=0，Var（εt）=σ2，E（εtεs）=0，s≠t

Extεs=0，？坌s

其中：φ（B）=1-？渍1B-…-？渍pBp为平稳可逆ARMA（p，q）模型的回归系数多项式；θ（B）=1-θ1B-…-θqBq为平稳可逆ARMA（p，q）模型的移动平滑系数多项式；{εt}为零均值白噪声序列。

令d=1，p=q=0，ARIMA（0，1，0）模型可写为：xt=xt-1+εt，此模型被称为随机游走模型或醉汉模型。

2.时间序列模型分析步骤。一般，自回归移动平均模型（ARIMA）的建模分析过程包括以下几个步骤：

（1）检验原时间序列是否平稳，若非平稳序列则对其进行差分直至平稳；

（2）判断序列是否具有季节性，若序列具有季节波动，则通过季节差分消除；

（3）对序列进行自相关与偏相关分析，进行白噪声检验，确定阶数p，q拟合ARMA（p，q）模型；

（4）估计模型中的未知参数的值并对模型进行适当的检验；

（5）模型优化；

（6）.利用拟合模型，预测时间序列的将来趋势。

（二）数据的平稳性检验

选取2000年11月至2014年11月我国居民消费价格指数作为样本数据。通过应用Eviews得到居民消费价格指数的时间序列图可知，在不同时段，CPI指数的波动幅度也不尽相同。所以，原居民消费价格指数时间序列是非平稳序列。为进一步证明数据的平稳性，并将数据处理成平稳序列，我们分别对原时间序列和一阶差分后的时间序列进行单位根检验，检验结果如下表所示：

由上表所示，一阶差分序列DX的t统计量绝对值均大于在1%、5%、10%三个临界值下的绝对值，因此，差分后获得了平稳的时间序列。

（三）时间序列模型的建立

获得平稳的居民消费价格指数序列后，用ARIMA（p，d，q）模型对数据进行拟合、预测。DX序列的自相关、偏自相关函数图显示一阶差分自相关和偏自相关函数图特征不明显，因此，设二阶差分序列为W，由W序列的自相关函数图和偏自相关函数图可知，他们均是拖尾的，因此设定为ARMA过程。二阶序列的自相关函数第1阶最为显著，故先设q值等于1。而其偏自相关函数的1至7阶都很显著，从第8阶开始下降很大，因此设定p的值为7。由此，初步建立了关于W序列的ARMA（7，1）模型。

（四）模型的估计

对W序列的ARMA（7，1）进行估计后发现，模型与数据拟合度并不理想。在增加模型滞后长度后，经多次实验，我们确定拟合度等各方面数据最好的模型为ARMA（3，2），其中，模型的DW值约等于2，表明该模型拟合后的残差序列不存在自相关关系；模型的解释变量系数估计值均显著；拟合优度约为0.5，略低，但在可接受范围内；综上，这一模型具有直观意义和经济理论基础。

（五）模型的预测

时间序列预测是通过时间序列的历史数据揭示所研究现象随时间变化而变化的规律，并据此作出未来趋势的预测。在此，我们应用“Static”方法进行估计，预测结果中的Theil不相等系数约为0.42，协方差比例约为0.53，这表明模型预测结果比较理想。因静态预测仅能向后预测一期，故此，我们通过图5中的预测结果不难看出，模型预测的2014年12月居民消费价格指数具有上升趋势。究其原因：一是2014年12月为年底，且接近春节，各种食品价格会有所上升，而食品价、资源价格上涨的成本推动和冬季气候等其他不可预测的自然因素的影响，也都是引起物价上涨的关键因素。

三、总结

通过对时间序列分析方法的使用，本研究在短期内对居民消费价格指数变动趋势进行了基本的分析预测。具体通过对数据进行平稳化处理，进行模型识别和建立，运用最优模型对居民消费价格指数进行估测。最终估测结果显示估测误差较小，该模型能够对居民消费价格指数变动规律进行准确的模拟估测，对居民消费价格指数的短期预测有一定的参考价值。

居民消费价格指数的时间序列分析 篇4

(一) ARMA模型

设{Xt} (t=…, 1, 2, 3, …) 是一随机时间序列, 如果满足下列条件

①E{Xt}=μ, μ为常数t=…, 1, 2, 3, …

②E (Xt+k-μ) (Xt-μ) =γk, t=…, 1, 2, 3, …

则称{Xt}为平稳时间序列。

平稳时间序列{Xt}如果满足如下随机差分方程

则称差分方程 (1) 为p阶自回归-q阶滑动平均模型。记为ARMA (p, q) 。用滞后算子表示为

其中

{εt}是白噪声过程, 即{εt}满足如下条件

如果p=0, 模型 (1) 为q阶滑动平均过程, 记为MA (q) ;如果q=0, 模型 (1) 为p阶自回归过程, 记为AR (p) 。

在实际应用中, 我们要求ARMA模型满足平稳和可逆条件, 即Φ (Z) =0和Θ (Z) =0的根在单位圆外。此时模型 (2) 变为

模型 (3) 的无条件均值、无条件方差和条件方差都是常数。条件均值随着时间的变化而变化。所以, 可以利用该模型对未来进行预测, 应该可以得到比平均数更好的预测, 因为该预测会随着新数据的增加而不断调整。

假设我们得到的时间序列是平稳的, 就可以对它建立ARMA模型。

(二) ARIMA模型

上述的ARMA模型是平稳时间序列模型。现实中很多时间序列都存在一定的趋势, 因此是非平稳的。对于非平稳时间序列不能直接建立ARMA模型, 我们可以通过对非平稳序列进行差分以得到平稳序列。

若某时间序列是非平稳的, 通过差分运算, 得到平稳性的序列称为单整序列。如果序列Xt通过d次差分成为一个平稳序列, 而这个序列差分d-1时却不平稳, 那么则称序列Xt为d阶单整序列, 记为Xt~I (d) ;特别地, 如果序列Xt本身是平稳的, 则称为零阶单整序列, 记为Xt~I (0) 。对于非平稳时间序列Xt, 经过d阶差分变换得到平稳序列, 可对其建立ARMA (p, q) 模型, 即

称上述模型为求和自回归滑动平均模型, 记为ARIMA (p, d, q) , 其中, p, d, q分别表示自回归阶数、差分阶数、移动平均阶数, 当d=0时, ARIMA (p, d, q) 模型就是ARMA模型。

(三) ARMA模型的建模步骤

ARMA (p, q) 模型的建模步骤如下:

首先, 对原时间序列进行平稳性检验, 如果序列不满足平稳性条件, 可以通过差分变换或者对数差分等其他变换, 使原时间序列满足平稳性条件。将非平稳时间序列转换为平稳时间序列, 是对非平稳时间序列进行ARMA分析的必要前提。

其次, 对ARMA模型定阶, 即确定p, q。定阶的方法一般有两种:一是通过计算自相关函数和偏自相关函数按如下特征确定:

二是根据AIC和BIC信息准则确定:

T为样本长度, 是对噪声项方差的估计, 。判断滞后长度的准则是p和q的函数, 给定它们的值, 可以得到一个AIC值, 开始时, AIC随着p和q的增加而减小, 但由于样本长度有限, p和q越大, 估计精度越低, 增加, 因此AIC值又增加, 所以选择使AIC最小的p和q。

再次, 对模型的未知参数进行估计, 并检验参数的显著性, 以及模型本身的合理性。

最后, 进行诊断分析, 以证实所得模型与所观察到的数据特征相符。

在建模过程中, 需要一些统计量和检验来判断模型形式的选择是否适宜。所需要的统计量和检验包括:①检验模型参数显著性水平的t统计量;②检验序列平稳性的单位根检验;③模型的残差序列是否为白噪声序列, 可采用检验序列相关的方法进行检验。

二、居民消费价格指数ARMA模型的建立

居民消费价格指数 (Consumer Price Index) 是反映与居民生活有关的产品及劳务价格统计出来的物价变动指标, 通常作为观察通货膨胀水平的重要指标。本文选取了1995—2006年全国居民消费价格指数共49个数据, 建立其时间序列模型。数据的分析与处理均采用Eviews3.1软件。表1为1995—2006年全国居民消费价格指数。

(一) 数据的平稳性检验与处理

利用Eviews软件对表1中的数据做相应的折线图, 如图1所示。

资料来源:中经网统计数据库。

从图2中可以看出, 消费价格指数具有一定的趋势性, 初步判断原序列{CPIt}是非平稳序列, 对其进行ADF检验 (含常数项和趋势项) , 结果显示{CPIt}是非平稳的。对做一阶差分, 得到序列{▽CPIt}, 对{ΔCPIt}做ADF检验 (含常数项) , 结果显示{▽CPIt}没有通过检验, 需要对序列{CPIt}做二阶差分, 二阶差分后得到序列{▽2CPIt}, 对其进行ADF检验 (不含常数项和趋势项) , 结果表明{▽2CPIt}通过ADF检验。{CPIt}、{▽CPIt}、{▽2CPIt}的检验结果如表2。

注:检验形式 (C, T, K) 中的C, T, K分别表示单位根检验方程包括常数项、趋势项和滞后阶数, 0表示不包括。其中滞后阶数的选择根据AIC准则确定。

表2显示, 序列{CPIt}的ADF检验统计值-2.8696大于1%、5%、10%显著性水平的临界值, 说明{CPIt}是非平稳的。序列{▽CPIt}ADF检验统计值-1.8993也均大于1%、5%、10%显著性水平的临界值, 说明{▽2CPIt}是非平稳序列。序列{▽2CPIt}的ADF检验统计值-5.4408均小于1%、5%、10%显著性水平的临界值, 为平稳时间序列。因此, 可以对序列{▽2CPIt}建立ARMA模型。

(二) ARMA模型的建立

ARMA () 模型的识别与定阶可以通过样本的自相关系数和偏自相关系数确定。将记为, 利用Eviews软件得到的自相关系数和偏自相关系数图, 如图2所示。

从图2可以看出, 序列{Xt}的自相关系数 (ACF) 拖尾, 偏自相关系数 (PACF) 在滞后2阶之后截尾, 因此考虑建立模型ARMA (2, 0) 。利用Eviews软件对模型进行估计, 估计结果如表3所示。

由表3估计结果得到回归方程为:

此模型为二阶差分后时间序列的拟合模型。

再看模型实际值和拟合值的情况, 如图3。

(图中上面两条线是Xt的实际值与拟合值, 下面的一条线是残差序列值)

从图3可以观察到, 该ARMA (2, 0) 模型拟合较好, 残差序列基本上也是一个零均值的平稳序列。

(三) 模型的检验

为考核模型的优劣, 需进一步对残差序列进行白噪声检验。若残差序列是白噪声序列, 可认为模型合理, 适用于预测;否则, 意味着残差序列还存在有用的信息没被提取, 需要进一步改进模型。检验可通过残差自相关分析图进行直观判断, 图4为模型残差序列自相关图。

从图4看出, 残差序列的自相关与0无显著不同, 或说基本落入随机区间, 认为残差序列为白噪声序列。模型通过检验。

结语

以上就是用我国居民消费价格指数序列来做的关于时间序列的一系列分析。

时间序列包含很多有用的信息, 如何从中提取这些信息有着重要的意义。时间序列分析为我们提供了挖掘信息的有效方法, 其可以用于很多类似的问题, 可以做市场调查、预测等, 它对我们的开展经济活动是很有帮助的。

参考文献

[1]潘红宇.时间序列分析[M].北京:对外经济贸易大学出版社, 2006.

[2]池启水, 刘小雪.ARIMA模型在煤炭消费预测中的应用分析[J].能源研究与信息, 2007, (2) .

农村居民消费水平指数 篇5

关键词：消费分层,CPI指数,协同研究

1 问题的提出

居民消费价格指数 (CPI) 是度量居民生活消费品和服务价格水平随着时间变动的相对数, 是政府部门制定经济政策的重要参考指标, 一直受到社会各方密切关注。目前城镇居民的消费结构已经呈现出明显的多样性与差异性特征:开放的宏观经济环境使得国外的消费模式影响着我国居民偏好、消费选择及居民日常生活的“菜篮子”;同时, 由于收入、民族、地理、气候及分布不均匀特征的影响, 居民消费呈现出求新求异的变化与偏好, 居民消费选择日趋分化;居民的消费理念已由原来的温饱型消费理念转向了发展型消费理念, 突出表现在人们对食品类的消费水平不断提高, 而消费的支出比重不断下降, 对居住、教育、医疗及文化娱乐等项目消费需求大幅上升与支出所占比重的显著提高, 消费结构不断升级与优化;城乡二元经济结构和区域经济发展的不平衡, 使得居民消费品出现了多样化差异性特征。

然而, 反映居民消费商品与服务价格水平变化的CPI指标却呈现出单一性特征。目前我国发布的CPI指数有全国城镇居民CPI、全国农村CPI、全国性的CPI指数与各省份的CPI。但是, 这种形式的分类主要参考经验与专业知识做定性分类处理, 这种分类不可避免地带有主观性与任意性, 是一种主观的定性分类, 不能很好地揭示居民消费品价格变化的内在本质差别, 难以实现准确分类。在这样的分类情况下, 不同消费层次居民对CPI的感受是异质的, 有偏差的, 这对政府制定相应的宏观经济政策也不利。因此, 本文拟根据城镇居民消费结构差异性与CPI指数内在的对应关系, 编制相应的CPI指数, 尽量准确反映不同消费层次居民消费品与服务价格变化情况。

2 文献综述

CPI的出现源自人们对日常生活用品价格变化情况的了解, 最早提出这一计量公式的是德国经济学家拉氏贝尔 (Laspeyres) , 他于1864年创设了一个著名的价格综合指数公式 (拉氏公式) 以来, CPI指数的精确性就一直受到人们的关注。近年来, 国际学术界的研究主要集中在三个方面:

(1) 影响CPI“固定篮子”因素的研究。主要的影响因素有商品替代偏差、基本指数偏差、销售点替代偏差、新产品和质量偏差, 这些因素导致了CPI“篮子商品”质量或者数量的变化, 从而引起消费者支出份额的变化, 一般表现为高估了CPI指数。

(2) CPI编制方法的研究。西方经济学家在拉氏公式基础上相继提出了派氏指数 (以报告期的数量指数作同度量因素) 、Marshall-Edgeworth指数 (以基期与报告期数量指标的平均值作同度量因素) 、Fisher指数 (计算拉氏指数与派氏指数的几何平均数) 、Walsh指数 (以基期与报告期数量指标的几何平均数作同度量因素) 、Tornqvist指数 (以每种规格品基期与报告期支出份额和为权重, 求所有规格品的几何平均数) 等, 从数理性质方面分析, 这些指数本质上是对Laspeyres指数与Paasche指数公式中价格个体指数的权重因素进行了改进, 从而使得价格综合指数显得更加稳健与“不偏不倚”性质, 被西方经济学家公认为比较高级的指数公式。

(3) 对特定群体汇编CPI指数, 作为全国性CPI指数的有益补充。如欧盟根据各个国家经济发展的不平衡特点, 在分别发布本国CPI指数外, 还编制了消费者价格协调指数 (HICP) , 包括货币同盟消费者价格指数 (MUICP) 、欧洲消费者价格指数 (EICP) 。美国劳工部劳工统计局 (BLS) 根据两组不同的人群情况来编制CPI数据, 一个指数是CPI-W (“W”代表工薪阶层与神职人员) , 它占到了就业人口的32%;另一个指数是CPI-U (“U”代表所有的城市工作者) , 它是一个很广泛的人群, 覆盖了消费者的87%。我国香港地区将居民消费层次分为甲类、乙类、恒生和综合四种, 分别汇编CPI指数的同时对各种CPI又计算和发布三个指标:消费物价指数变动率、各类商品/服务在消费物价指数升幅中所占的比率、经季节性调整的消费物价指数每月变动百分类。

西方国家和香港地区人口相对少、居民统计素质高、基尼系数低, 我国人口众多, 居民统计素质低、基尼系数高, 同时, 我国居民CPI“篮子”规格品目录5年才更新一次, 主要发布全国性的CPI指数, 显然与西方发达国家相比具有较大差距。本文对城镇居民消费品的CPI指数编制, 参照国家统计局对城镇居民按照收入划分为最低收入、困难群体、低收入群体、中等收入群体、高收入群体、富裕群体的分类法, 汇编各分层后的CPI指数, 探索多层次CPI指数对我国CPI指数编制的意义。

3 分层后的CPI编制及分析

派氏指数本质需要两个因素, 规格品的价格个体指数与权重, 本文利用国家统计局2002~2012年《中国统计年鉴》中各阶层居民生活品的价格个体指数与权重数据进行编制分析, 相应的实证结果如表1所示。

时间:2002~2011年

从表1可知, 城镇居民CPI指标的均值、中位数、最大值、最小值及标准差等指标均小于城镇居民最低收入、困难群体、低收入群体的CPI指标;在正态性检验方面, 虽然都通过了正态性检验, 但是概率值也同样偏小, 均在0.7左右。现将城镇居民各收入阶的CPI指标, 运用SPSS软件的样本配对检验进行对比分析, 软件运行的主要结果如表2所示:

时间:2002~2011年

注:*表示配对比较的样本具有显著性差异 (显著性水平为0.05) 。

从表2可知, 现行的城镇CPI指标 () 与汇编的城镇富裕群体 () 存在显著性差异, 与其余群体无显著性差异。根据2012年《中国统计年鉴》数据, 截至2010底, 全国拥有城镇人口6.6557亿人, 乡村人口6.7415亿人, 现行城镇CPI指标对近4/5的人口约5.32456亿人具有代表性。可见, 城镇CPI指标的代表性要远远高于农村CPI指标的代表性。这其中的原因可能是因为城镇居民相对集中, 调查方便, 获取的数据详细、具体、真实的缘故。总体来看, 全国城镇的CPI指标代表了除富裕群体外的居民生活用品价格变化情况。可见, 根据实际情况构建多层次CPI指标, 更能准确反映各阶层居民消费的真实状况。同时, 由表2可知, 现行的城镇CPI指标对城镇各收入群体的低估值分别为最低收入群体 (0.29%) 、较低收入群体 (0.34%) 及低收入群体 (0.16%) 。显然, 即使对城镇各收入群体具有一定代表性的城镇CPI指标也存在着显著的低估现象。

4 相关结论

从以上的实证分析, 可得如下结论: (1) 公众对现行CPI指标的感受是异质的、有偏差的。现行CPI指标反映了大多数城镇居民生活消费品价格情况变化情况, 对广大的农村人口来说, 未能给予恰当反映。这使得不同消费阶层对CPI指标的感受是不一样的, 有显著性的偏差; (2) 城镇各群体间的CPI指标差异是显著的, 突出表现在城镇CPI指标仅与城镇富裕阶层的CPI指标具有偏差; (3) 现行CPI指标存在显著性的低估特征。这充分说明我国现行CPI指标代表性不够, 构建与居民消费支出相适应的多层次CPI指标是现实客观需求。

参考文献

[1]黄秀海.多层次CPI编制研究的文献综述[J].中国经贸导刊, 2013 (26) .

[2]王世群, 李文明.经济转型期我国城乡居民消费结构的分析与比较[J].经济研究, 2010 (10) .

[3]徐强.CPI编制中的几个基本问题探析[J].统计研究, 2007 (8) .

[4]高艳云.中美CPI数据质量的比较分析——基于国际货币基金组织的DQAF框架[J].统计研究, 2008 (1) .

[5]熊剑, 赵永照直.香港CPI的计算[J].统计教育, 1996 (3) .

农村居民消费水平指数 篇6

一、CPI编制方法制度存在的缺陷

1. 房屋价格未列入统计范围。

中国是将住房作为投资品划在了CPI核算范围之外, 以房租、物业费等价格的涨跌反映房价的走势。但现阶段, 房租和物业的涨幅远远小于房价的涨幅, 因此这种处理不具有任何代表性。根据国家统计局的规定, 个人的住房消费是指当住房用于居民居住时, 租住的, 其租金计入承租人的消费支出;自住的, 比照相应市场 (租金) 价格, 以虚拟房租形式计入房屋所有人的最终消费。就是说, 目前国内居民购买房子是投资而不是最终消费, 居民的住房最终消费仅是指居民所支付的房租, 而且这种房租国家统计局是无法计算出来的, 它只能是虚拟计算。

在现行国家统计局对住房的属性界定中, 住房属于固定资本形成。即房地产开发投资形成的房地产, 在支出法GDP核算中归入固定资本形成。也就是说, 不仅经营单位购置的厂房是固定资本, 居民个人购买的住宅, 尽管是由个人居住和享用, 但其本身并没有划为消费品。如果按照国家统计局的统计, 房地产都是投资品, 民众住房购买也是投资品, 那么在目前国内投资过高过热的情况下, 扩展房地产投资或拼命鼓励民众进入房地产市场自然是把目前高位运行的投资再一次拉得更高了。

也正是因为国家统计局把房地产归纳为固定资本形成或投资中, 因此无论房价如何上涨, 都与居民消费价格指数无关。可以说, 目前房地产调整的困难就在于对房地产属性理解的歧义上。如果政府能够解开这个结, 住房消费问题就容易解决了。

2. 新产品很难及时纳入指数计算。

科技的进步和生产力的提高使得产品更新换代的速度加快, 对一些迅速占领市场且消费量大的商品, 由于时间和制度的问题而很难及时纳入指数计算中。比如, 假如MP5是在2009年1月份迅速占领市场且消费量大, 但由于代表规格品在2008年12月份已确定完毕, 且其他代表规格品尚未失去代表性, 因此MP5这个商品就不能及时纳入到指数计算中来。

3. 鲜菜、鲜果计算结果与实际价格相矛盾。

由于鲜菜、鲜果采用活权数的计算方法, 活权数对鲜菜、鲜果的指数有着重要的影响, 而活权数是根据城镇居民对鲜菜、鲜果消费支出而得来的, 因此其消费量的大小对指数有很大的影响作用, 所计算出来的价格指数与实际价格涨跌趋势不相一致。

4. 代表规格品规定数量少, 难以反映商品价格变动趋势。

如今, 市场商品种类繁多, 而参加CPI计算的仅仅有700个左右的商品, 占整个市场商品的比例小的可怜。从中可以看出, 目前仅仅用700个左右的商品的价格变动趋势来反映整体商品价格变动趋势是不合适的, 显然是很难反映出整个商品市场价格的变动趋势的。

5. 用城市价格变动来反映农村价格变动趋势存在误差。

一般认为, 城市的价格变化可以代表农村的价格变化, 使用全国的消费支出权数数据和城市的价格数据, 就能得到全国的CPI。在各国CPI的编制实践中, 绝大部分国家的CPI使用包括城市与农村的消费支出权数数据, 而价格数据只在城市中采集。

二、改进CPI编制方法制度的对策

1. 住房价格加入CPI核算。

居民购买住房应该定性为消费行为, 因为居民购买住房之后, 由于资金支出过大, 在一定时期内手中资金很有可能存量不足, 会在一定程度上影响对其他商品的消费, 影响购买力, 进而引起消费需求下降, 有可能导致商品价格下降。从这些情况来看, 居民购买住房是一种消费行为, 这种消费行为会对其他消费品产生不利影响, 进行引起CPI产生变动, 因此, 住房价格一定要加入CPI核算中, 以提高CPI代表性。

2. 大宗新产品及时纳入指数计算。

有些新产品一投放市场就马上得到了市场的追捧, 消费量也很大, 但是由于原有的代表规格品仍然未失去代表性, 所以这些新产品还不能够纳入到指数计算中。同时, 新上市产品的价格往往较高, 长期内无法维持, 所以随着时间的推移, 其价格通常会在走低, 这也为新产品及时纳入到指数计算中造成了障碍。但不可否认的是, 新产品的消费量已超过了现存的代表规格品并会很快取缔其市场地位, 原有的代表规格品已失去生存空间而导致消费量大减并迅速消亡, 此时, 就应该迅速地把这些新产品纳入计算中, 增强CPI的准确性。此外, 新产品 (包括服务) 对CPI偏差的影响的关键, 是新产品在引入产品篮子时经常存在滞后, 而新产品经常在其生命周期的早期阶段发生价格急剧下降的现象, 这样CPI就未必能够捕捉到消费者剩余, 因而会产生偏差。

3. 改变鲜菜、鲜果计算方法。

鲜菜、鲜果现在使用的活权数的计算方法与人们对价格变动趋势的感觉存在很大感性差别, 在进行价格变动分析时由于价格下降趋势与指数上涨趋势不相一致而造成矛盾, 比如西瓜价格, 在上市旺季, 由于价格较低, 居民消费量很大, 但反映出来鲜果类价格指数却由于消费量大增而上涨, 这就为分析鲜菜、鲜果的价格变动态势造成了困扰。因此, 改变现行的鲜菜、鲜果计算方法是非常有必要的, 只要用同其他商品类别一样的计算方法就可以了, 也就是使用链式拉氏计算公式。计算公式为:

其中:Gt1、Gt2、……、Gtn分别为第一个至第n个规格品报告期 (t) 价格与上期 (t-1) 价格对比的相对数。

4. 增加代表规格品规定数量。

代表规格品作为CPI计算中的基本元素, 其代表性如何直接影响CPI的准确性。目前, 中国参加CPI计算的代表规格品数量明显偏低。代表规格品数量少就难以代表整个商品市场的价格变动趋势。因此, 扩大统计抽样的样本比例, 适当地增加代表规格品的数量是非常必要的。代表规格品数量在原有基础上可再增加1倍, 这主要基于以下方面考虑:一是食品类现有品种偏少;二是衣着类和家庭设备用品规定的品种较少;三是医疗保健、娱乐教育文化用品、检查费规格品种偏少。

5. 适当采集农村市场商品价格。

用城市价格变动趋势来反映农村价格变动趋势在目前中国城乡差距依然很大的情况下显然是不合适的, 我们应该在农村设置一些调查网点, 采集农村市场部分商品价格, 再加上一部分城市商品价格, 所计算出来的CPI才能更好地反映出农村市场价格变动趋势, 进而增强省级和国家CPI的准确性。

摘要：中国现行的CPI编制方法制度虽然已与国际接轨, 但却没有很好地与中国国情相结合。我们应该建立符合自己国情特点的CPI编制体系, 要根据不同经济和社会发展阶段的特点来不断调整CPI编制体系, 改进方法制度, 让方法制度来适应社会发展的需要。

农村居民消费水平指数 篇7

消费者价格指数 (CPI) 是反映与居民生活有关的产品及劳务价格统计出来的物价变动指标, 通常作为观察通货膨胀水平的重要指标。对居民消费价格指数的预测, 不仅能反映一个国家在未来段时期内是否会发生通货膨胀或通货紧缩, 而且影响着对政府制定货币、财政、消费、价格、工资、社会保障等政策方针的制定有一定的指导作用, 可以及早地抑制住经济中的不良因素, 使经济循着良性的轨道发展。目前关于居民消费价格指数的研究, 多集中在居民消费价格指数如何度量通货膨胀率以及适用的条件方面。对于价格指数的预测, 学者们主要采用ARIMA模型、半相依自回归 (S U A R) 模型、函数系数自回归 (FAR) 模型或者是混合回归和时间序列模型来进行预测。尽管这类方法能够对价格指数进行预测, 但它难以反映其变化的复杂特性, 而混沌理论具有非常丰富的内涵, 能允许人们利用简单的确定性系统去解释自然界中高度不规则的波动现象。近年来, 用混沌应用进行预测的研究文献越来越多, 但其相关的研究主要是应用于水文学、用电量的预测中, 在价格指数方面的研究鲜为见到。本文引入混沌理论的分析方法, 从非线性时间序列预测的角度对消费者价格指数进行了研究, 根据相空间理论重构居民消费价格指数时间序列, 沿着系统演化的相轨道建立当前和未来的居民消费价格指数的映射关系, 以神经网络为工具逼近该映射关系, 建立起了基于混沌理论的居民消费价格指数神经网络模型。将此结果与ARIMA、SUAR模型、FAR模型等模型的预测结果相比较, 该方法的相对误差较小, 预测效果更好。

二、混沌识别

用混沌理论研究居民消费价格指数问题的前提是确定居民消费价格指数是混沌的。在实际应用中, 判断一个系统的动态行为是否混沌, 即是否有混沌吸引子, 一般从混沌吸引子的两个基本特征来判断: (1) 系统相空间中的吸引子是否具有自相似结构的分形维特征; (2) 系统对于初始条件是否具有敏感性。如果所研究的吸引子具备这两个特征, 那么, 我们就可以认为该吸引子是混沌吸引子, 系统的行为是混沌的。一般从定性、定量两个途径来进行时间序列性质的鉴别, 定性分析方法主要是根据观测序列在时域或频域内表现出的特殊性质对序列的主要特性进行粗略分析, 常用的有相图法、功率谱法、庞加莱截面法和代替数据法等。定量分析的方法主要是对描述混沌系统的重要特性指标包括关联维数、最大Lyapunov指数和Kolmogorov熵等特性指标定量分析, 从而进行混沌识别。

三、相空间重构

对于时间序列 , 根据Takens提出的嵌入定理, 重构相空间为:

其中, 为相空间的点, m为嵌入维数, 为延迟时间, 为相点总数, 相空间矩阵为:

由Takens嵌入定理知, 存在光滑映射 满足:

如果我们能够得到影射的解析或动力学方程, 则根据混沌时间序列中内在规律性对混沌时间序列进行预测就成为可能。然而实际中时间序列中的混沌动力学模型都是非常复杂的非线性关系, 直接获得该函数方程的解析存在一定的困难。而神经网络的非线性影射能力正是处理这种信息的很好方法。神经网络用于时间序列预测, 就是构造一个神经网络模型, 首先用该神经网络模型来拟合理论上满足公式 (3) 的这种函数关系。然后利用训练好的神经网络来推导未来的值, 即用时间序列的前m个值去预测下个值。 。

在重构相空间中, 延迟时间和嵌入维数的选取具有十分重要的意义, 直接关系到相空间重构的质量, 当选择的太小时, 延迟矢量各坐标值之间有很强的相关性, 这时重构矢量被压缩在相空间的主对角线的周围, 信息不易显露, 产生冗余误差;而当选择的太大时, 重构矢量各坐标值之间的关系几乎变成随机的, 破坏了原系统各变量之间的内在关系, 这时吸引子沿着与主对角线垂直的方向发散, 将使得重构矢量包含的原动力系统信号失真。嵌入维数m太小, 重构吸引子不能完全打开;m太大, 实际建模就需要更多的观测值, 对计算Lyapunov指数等不变量带来大量不必要的计算。延迟时间选取的方法主要有自相关法、复自相关法、去偏自相关法、互信息法和平均位移法, 在确定嵌入维数的方法中, 伪邻点法、奇异值分解法、Cao法、饱和关联维数法是比较好的方法。

四、应用实例

本文数据源于中国国家统计局网站 (http://www.stats.gov.cn) , 整理得到的样本是1990年1月至2007年6月共210个月份的居民消费价格指数序列, 前面的200个数据组成训练样本集, 用于结构优化和调整参数, 其余的10个数据组成检验样本集, 用于模拟预测。采用互信息法计算延迟时间为12, 用cao法计算嵌入维数, 其图形见图1, 故可取嵌入维数为6, 用小数据量法求得最大Lyapunov指数为0.059, 而当Lyapunov指数为正时候, 则表示相邻轨道随着时间演化分离, 长时间行为对初始条件敏感, 结合该时间序列相空间轨迹表现为在有限空间内不断伸长和折叠形成的回复性永不相交的非周期运动, 不同于毫无规律的随机运动, 但也不是周期函数的重复性运动 (图2) 这些特征, 可以判断系统存在奇怪吸引子, 该系统是混沌的。本文采用RBF神经网络进行拟合和预测, 在实际训练过程中, 由于用cao法求得嵌入维为6, 故神经网络输入层数取为6, 用隐层数为11训练3328次之后, 得到一个训练成熟的神经网络模型。下面将该模型跟ARIMA模型、SUAR模型、FAR模型的预测的结果用表列出。

从表可以看出, 用结合混沌理论和神经网络的方法对对数据的预测较为准确, 与传统的预测方法比, 本文的预测结果平均预测误差少, 整体误差的指标较好, 呈现较好的综合预测性能, 并且不需要建立以实际系统数学模型为基础的预测模型, 省去了在预测前对系统建模这一步骤。结果表明在我国居民消费价格指数的预测中, 本文提出的方法优于传统的方法, 可以很好地模拟和预测价格指数的变化规律, 对数据的预报有一定的参考价值。

五、结论

消费者价格指数受许多非线性因素的影响, 研究者们主要采用ARIMA模型、SUAR模型、FAR模型等来进行预测, 用混沌理论来处理的研究文献不多。本文利用混沌理论对消费者价格指数进行分析, 发现其具备混沌特性, 结合神经网络, 通过相空间重构的参数确定神经网络的输入层数, 建立了基于混沌理论的消费者价格指数神经网络模型。跟传统的预测方法的比较表明, 该方法算法设计相对简单, 不依赖于特定应用背景, 避免了传统的时间序列分析的模型结构辨识和模型检验的繁琐过程, 有很好的预测精度, 具有较强的应用推广价值。

参考文献

[1]陈娟余灼萍:我国居民消费价格的短期预测[J].统计与决策, 2005, (2) :40～41

[2]黄克明胡端平:我国通货膨胀与对外经济的半相依自回归模型的研究系统工程理论与实践2003, 23 (4) :56～58

[3]张小静张德生武新乾等:我国居民消费价格指数的FAR模型.海南师范大学学报 (自然科学版) 2007, 20 (1) :19～22

[4]叶阿忠李子奈:我国通货膨胀的混合回归和时间序列模型系统工程理论与实践, 2000, 20 (9) :138～140

[5]吕金虎陆君安陈士华:混沌时间序列分析及其应用.武汉:武汉大学出版社, 2002

[6]陈铿韩伯棠:混沌时间序列分析中的相空间重构技术综述[J].计算机科学, 2005, 32 (4) :67～70

[7]吕小青曹彪曾敏等:确定延迟时间互信息法的一种算法[J].计算物理, 2006, 23 (2) :184～188

农村居民消费水平指数 篇8

能源是驱动社会经济发展的源动力, 是保证经济发展和居民生活水平不断提升的重要物质元素, 因此, 能源消费在很大程度上反映着经济社会发展水平。在社会能源消费结构中, 居民能源消费始终占有十分重要的地位。近年来, 我国经济保持着较长时期的持续快速增长态势, 经济总量扩张和质量提升都很明显, 相应地居民收入水平和生活消费水平也随之迅速提高, 这在居民生活能源消费量的快速增加上能够清楚地反映出来。然而, 能源消费量的快速增加不仅会威胁着能源市场的供需均衡, 更为突出的是作为碳排放的重要来源还威胁着人类社会赖以生存的气候环境。因此, 无论是从现实的市场均衡角度, 还是从长远的经济与环境协调发展角度, 准确把握居民能源消费状况及其地域特征, 是一项具有十分重要意义的工作。

从对现有文献资料的分析可以看出, 西方发达国家对居民能源消费的研究始于20世纪石油危机之后的80年代, 发展到现在已经成为多个学科和领域广泛涉足的热点问题, 取得了不少综合性、交叉性的研究成果。在国内, 对居民能源消费问题的研究要滞后很多, 许多基本概念或问题都还不够清晰, 基础数据还很欠缺。

本文基于消费经济学的视角, 将居民能源消费定义为:居民为日常生活消费所需而直接或间接使用的各种能源资源, 包括生活照明、餐饮、取暖、制冷、交通等在内的所有居民生活环节对能源消费提出的“直接”需求, 以及为生产满足居民日常消费的商品和服务而派生的“间接”能源需求。

二、研究方法与数据来源

Theil指数经常被用来衡量个人之间或者地区间收入差距的指标, 最大的优点是可以衡量组内差距和组间差距对总差距的贡献。本文运用Theil指数法考察区域内及区域间差异对总差异的影响, 并在此基础上进一步分析经济水平和地域条件对居民能源消费的影响。具体计算公式如下所示:

式中, C表示居民消费总额, E表示居民能源消费, 包括居民直接能源消费和间接能源消费, T表示以居民消费总额为权重的我国区域能源消费的总泰尔指数, Ci表示第省份居民消费总额占全国居民消费总额的比例;Ei表示第省份能源消费量占全国能源消费总量的比例;T1、T2对应表示区域间、区域内省域能源消费以居民消费总额为权重的泰尔指数;Cu表示某一区域居民消费额与全国居民消费额的比例大小;Eu表示某一区域能源消费占全国总能源消费的大小。i和u是变量代号。

居民能源消费量由各省 (自治区) 一次能源消费总量换算成标准煤求和而得。由于现行统计资料缺乏居民能源消费数据, 所以把各省市能源消费总量减去消耗在出口商品上的能源量的余额作为各省居民能源消费量, 即居民能源消费量=能源消费总量× (1-出口额/GDP) 。出口额单位千美元, 换算成人民币以当年人民币对美元汇率中间价计算。数据来源于国家统计局官方网站。

由于我国幅员辽阔地区差异大, 现行政策一般都以区域为依据区别对待, 所以本文以国家统计局常用的三种区域划分方法为依据进行分析:一是划分东、中、西部三大区域 (三分法) , 具体是东部地区包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东、海南, 中部地区山西、吉林、黑龙江、安徽, 江西、河南、湖北、湖南, 西部地区包括内蒙古、广西、四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏、新疆。二是划分六大地理分区 (六分法) , 具体是华北地区包括北京、天津、河北、山西、内蒙古, 东北地区包括辽宁、吉林、黑龙江, 华东地区包括上海、江苏、浙江、安徽、福建、江西、山东、台湾, 中南地区包括河南、湖北、湖南、广东、广西、海南, 西南地区包括四川 (含重庆) 、贵州、云南, 不含西藏, 西北地区包括陕西、甘肃、青海、宁夏、新疆。三是划分八大经济区域 (八分法) , 具体包括东北地区含辽宁、吉林、黑龙江, 北部沿海地区含北京、天津、河北、山东, 东部沿海地区含上海、江苏、浙江, 南部沿海地区含福建、广东、海南, 黄河中游地区含陕西、山西、河南、内蒙古, 长江中游地区含湖北、湖南、江西、安徽, 西南地区含云南、贵州、四川 (重庆) 、广西, 西北地区含甘肃、青海、宁夏、新疆。

考虑到数据的连贯一致和可比性的要求, 本文仅选取全国29个省市、自治区 (不含西藏自治区) , 并且将重庆市并入四川省进行计算分析。选取的数据来源于2000~2012年全国及各省 (直辖市、自治区) 的能源统计年鉴, 少数不连续数据采用插值法进行了估算。

三、实证结果及分析

根据对所有省级数据的测算, 我们得到2000~2012年的三种区域划分的泰尔指数分解结果和贡献率。三分法的计算结果如表1和图2所示。

从表1可以发现, 泰尔指数总体呈先升高再降低 (下降) 的趋势, 其中区域间贡献率逐年下降说明区域间差异持续缩小, 区域内贡献率不断扩大表明区域内差异持续增大, 且三大区域间差异远小于区域内差异。

图1显示, 区域内变化最明显且变动幅度最大的是东部地区。自2000年到2006年泰尔指数以较快幅度增加, 2007年到2009年又急剧降低, 之后变化平缓。而中西部地区变化幅度较小, 其中西部地区泰尔指数以缓慢幅度增加, 西部地区以缓慢幅度降低。

对照表1和图1, 泰尔指数总变化趋势与东部地区保持一致。进一步深究原因, 我们发现东部地区工业较发达但产业分布不平均, 各省北京、天津、河北、上海、江苏、浙江、福建、山东、广东、海南省工业发展所占比重差异较大, 而中部地区包括山西、安徽、江西、河南、湖北、湖南, 工业发展较均衡。西部地区内蒙古、广西、四川 (重庆) 、贵州、云南、陕西、甘肃、青海、宁夏、新疆由于地理环境和经济等因素, 工业水平较落后, 近年来, 部分省市如贵州等工业有较大发展, 所以泰尔指数呈上升趋势。

六分法的泰尔指数二阶分解结果和各级贡献率如表2和图2所示。从表2可以发现, 泰尔指数总体呈现先增加后减小的趋势, 并且区域间差异贡献率明显小于区域内差异贡献率。

观察图2可以发现, 中南、华东这两个变化幅度比较大的区域存在类似的变化趋势:从2001年开始泰尔指数一直增加, 到2006年、2007年达到最高点, 此后开始降低并在2009年降至最低点, 之后华东地区泰尔指数在微弱反弹后逐年降低, 而中南地区自2009年后泰尔指数开始缓慢下降。东北、西北地区泰尔指数数值最低且波动最小, 华北地区泰尔指数缓慢增长, 而西南地区的泰尔指数继缓慢增长之后在2008年有一个向下的趋势之后继续缓慢增长。

联系2008年全球性的经济危机, 总结西北地区 (陕西甘肃宁夏新疆) 东北地区 (辽宁吉林黑龙江) , 华北 (北京天津河北山西内蒙) 西南 (四川贵州云南) 的异同点, 可以得出结论:经济衰退会导致泰尔指数下降, 而在经济状况运行良好的情况下, 在经济与工业都较不发达以及产业结构分布相当完善合理且工业相当发达活跃的两种地区, 泰尔指数会长期保持一个相当低的平稳的水平;在经济相当发达但不以工业为发展支柱的地区或经济较发达且把第二产业作为支柱产业的地区, 泰尔指数数值较大且变化明显;在以工业为支柱产业但经济不发达的地区和经济发达且把工业作为重要行业的地区, 泰尔指数数值偏低且变化幅度较小。

表3和图3为八分法的泰尔指数二阶分解结果和各级贡献率。从表3可以发现, 八大经济区的泰尔指数总体呈现先上升后下降趋势, 且区域间差异远大于区域内差异。

从图3可以看出, 波动最大、变化最明显的区域是南部沿海地区, 泰尔指数在2001年到2007年快速上升, 此后急剧下降。大西南地区、东部沿海地区和北部沿海地区在2003到2007年期间都呈上升趋势, 但幅度明显小于南部沿海地区。同期大西北地区、长江中游地区和东北地区泰尔指数保持在一个相当低的水平, 西北、东北地区泰尔指数变化幅度相当小, 长江中游地区有一个漫长的降低过程。

对比分析图1图2图3可以看出, 波动最大的区域居民能源消费泰尔指数最高值均出现在2006年和2007年, 表1表2表3中总泰尔指数的最大值也出现在这两年, 其原因可能是2006~2007年正是我国经济发展最快两年。所以我们可以得出结论:经济快速发展在一定程度上会增加居民能源消费的泰尔指数。同时, 在三幅图中, 波动较大的区域分别是东部地区 (三分法) 、中南地区和华东地区 (六分法) 、南部沿海和东部沿海地区 (八分法) 。

因此, 可以得出总结论:面对该研究样本用不同的划分方式在同一研究方法下得出的结论一致, 所以总结论在该研究领域具有普适性通用性。区域经济较发达程度、区域产业结构分布均衡程度、工业发达程度都会导致居民能源消费泰尔指数的变化。其中, 居民能源消费泰尔指数会随着经济发展而整体扩大, 随着经济衰退总体减小。区域产业结构分布越均衡其他条件不变的情况下, 泰尔指数越低。区域工业水平越发达, 其他条件不变的情况下, 居民能源消费泰尔指数越低越稳定。联系表1表2表3中数据可以分析得出, 我国居民能源消费差异与区域划分方法有关, 不能简单地断定是区域间差异还是区域内差异决定的。无论是从经济角度进行分析还是从地域角度出发, 都可以得出结论:区域划分越多, 居民能源消费区域间差异对总体差异的影响越大, 居民能源消费区域内差异对总体差异的影响越小。同时, 区域划分越多, 经济发达地区和工业发达地区泰尔指数越小越平均。即经济水平越接近但的地区, 居民能源消费差异越小, 泰尔指数起伏越少。

四、结论与政策建议

联系图标和数据发现, 面对该研究样本用不同的划分方式在同一研究方法下得出的结论一致, 所以总结论在该研究领域具有普适性通用性。区域经济较发达程度、区域产业结构分布均衡程度、工业发达程度都会导致居民能源消费泰尔指数的变化。其中, 居民能源消费泰尔指数会随着经济发展而整体扩大, 随着经济衰退总体减小。区域产业结构分布越均衡其他条件不变的情况下, 泰尔指数越低。区域工业水平越发达, 其他条件不变的情况下, 居民能源消费泰尔指数越低越稳定。联系表1表2表3中数据可以分析得出, 我国居民能源消费差异与区域划分方法有关, 不能简单地断定是区域间差异还是区域内差异决定的。无论是从经济角度进行分析还是从地域角度出发, 都可以得出结论:区域划分越多, 居民能源消费区域间差异对总体差异的影响越大, 居民能源消费区域内差异对总体差异的影响越小。同时, 区域划分越多, 经济发达地区和工业发达地区泰尔指数越小越平均。即经济水平越接近但的地区, 居民能源消费差异越小, 泰尔指数起伏越少。

因此可以得出这样的结论:第一, 中国居民能源消费无论是从总体层面上还是从各区域内部角度都呈现这样的趋势:经济和工业越发展, 地区内省域居民能源消费差异逐渐减少, 并且变化趋势从时间上看略滞后于经济政策的实施。第二, 居民能源消费泰尔指数明显受当年经济走势的影响, 经济发展良好泰尔指数在一定程度上增加, 经济全面衰退, 泰尔指数也在相应的时间点呈降低趋势。第三, 工业不发达地区随着经济水平的提高, 拉近了与经济发达地区的地区生产值差异, 地区间居民能源消费差异逐渐缩小, 区域内居民能源消费差异增大。第四, 由数据研究可以得出结论, 经济增长、工业水平提高有利于缩小区域能源消费差异。

参考文献

[1]康小娟, 杨东民.基于泰尔指数法的中国能源消费区域差异分析[J].资源科学, 2010 (03) .

[2]彭明芳.中部地区居民能源消费的时空差异分析——基于省际面板的实证研究[D].江西财经大学工商管理学院, 2012.

[3]李艳梅, 张雷.中国居民间接生活能源消费的结构分解分析[J].资源科学, 2008 (06) .

农村居民消费水平指数 篇9

关键词：居民消费价格指数,食品类生产价格指数,房屋销售价格指数

一、经济理论

由于物价的稳定、就业充分及经济增长等是我国最重要的社会经济目标, 因此, 研究影响CPI的变动因素对于我国宏观经济调控具有深远意义。资料显示, 2010年第一季度GDP较上年同期增长11.9%, 大大高于2009年第一季度修正后的6.2%。而与此同时, 2010年第一季度CPI较上年同期增长2.2%, 全国房地产价格较上年同期上涨11.7%, 食品类价格与去年同期比平均上涨1.9%。本文认为关系百姓日常生活的食品价格指数、房屋销售价格指数对居民消费价格指数会产生较大影响, 并通过建立计量模型研究这些因素对其的影响程度。

二、数据与模型的建立

根据经济意义, 建立初步的回归模型:

LnCPIt=β0+β1LnX1t+β2LnX2t+ut

t=2002Q1, 2002Q2, ……, 2009Q4 (Q表示季度) ;CPI系居民消费价格指数 (上年=100) ;X1系食品类生产价格总指数 (上年=100) ;X2系房屋销售价格指数 (上年=100) 。

回归模型的估计方程为:

1、数据来源及处理

本文采用时间序列数据, 收集了2002—2009年8年共32个季度的样本数据。数据来源为中经网统计数据库。其中选取了我国居民消费价格指数、食品生产价格指数、房屋销售价格指数三个指标数据 (均为以上年=100为基期的环比季度数据) 。为了消除时间序列中存在的异方差现象, 对变量进行对数变换, 变换后不影响原序列的相关性。分别用Lncpit、Lnx1t、Lnx2t表示取自然对数后的居民消费价格指数、食品生产价格指数、房屋销售价格指数。

2、单位根检验

首先进行时间序列的单位根检验, 对原序列检验, 我们发现, 居民消费价格指数、食品生产价格指数、房屋销售价格指数 (取对数后的值) 的ADF检验值均小于在5%显著性水平下的临界值, 所以原序列为平稳序列。因此, Lncpit、Lnx1t和Lnx2t三个序列满足协整关系的前提, 如表1。

(注: (c, t, n) 分别表示在ADF检验中是否有漂移项、时间趋势和滞后期。)

3、协整检验

通过对Lncpit、Lnx1t、Lnx2t进行最小二乘法回归, 可知可决系数达到了87.45%, 说明拟合优度较高。若变量序列Lncpit、Lnx1t、Lnx2t存在协整关系, 则模型估计式的残差序列E应该是平稳的, 因此对E做单位根检验, ADF检验结果见表2。

由此可知, 残差序列的ADF检验统计量为-5.48, 小于显著水平的临界值, 因此可以认为残差序列E是平稳的, 这表明选取的变量之间存在协整关系, 而且是唯一的, 说明食品生产价格指数、房屋销售价格指数对居民消费价格指数有明显的影响, 两者同居民消费价格指数存在长期稳定的关系。通过对回归函数系数的考察可知, 长期来说, Lnx1t每变动1%, Lncpit变动0.28%, 而Lnx2t每变动1%, Lncpit变动0.06%。

4、误差修正模型

协整检验结果表明食品生产价格指数、房屋销售价格指数和居民消费价格指数存在长期稳定的均衡关系, 但是变量的这种长期均衡与其短期波动之间的关系, 以及三变量之间短期波动的关系, 还需要进一步验证。因此, 在协整分析的基础上, 需建立居民消费价格指数与食品生产价格指数、房屋销售价格指数之间的误差修正模型。三变量的ECM模型为:

DLnCPIt=1.73+0.18DLnX1t+0.06DLnX2t-0.56ECMt-1

该模型反映了LnCPIt受LnX1t、LnX2t影响的短期波动规律, 表明短期内食品生产价格指数、房屋销售价格指数并不偏离它们和居民消费价格指数的长期均衡水平。由上式可以看出短期内食品生产价格指数变动1%将引起居民消费价格指数同方向变动0.18%;房屋销售价格指数短期内变动1%将引起居民消费价格指数同方向变动0.06%;ECMt-1的系数反映了对偏离长期均衡的调整力度, 上一季度的非均衡误差以0.56的比率反向修正本季度的居民消费价格指数的偏离, 因此, LnCPIt处在不断修正中发展。

总之, 误差修正模型更好地纳入了长短期信息, 说明居民消费价格指数与食品生产价格指数、房屋销售价格指数存在动态均衡机制。

三、脉冲响应函数和方差分解

1、脉冲响应函数

由于VAR (p) 模型是一种非理论性的模型, 它无需对变量作任何先验性约束, 因此在分析VAR (p) 模型时, 往往不分析一个变量的变化对另一个变量的影响如何, 而是分析当一个误差发生变化时, 或者说模型受到冲击时系统的动态影响, 这种方法称为脉冲响应函数方法。

图1是对居民消费价格的冲击引起的其本身变化的脉冲响应函数图, 从图1可以看出, 当在本期给居民消费价格一个正冲击后, 引起居民消费价格平缓的上升, 并在第3期达到最高点, 以后开始逐渐下降。这表明, 居民消费价格受到自身的一个冲击, 会迅速给居民带来同向的冲击, 冲击效应在第3年时达到最大, 之后下降并趋于稳定。即居民消费价格的正向冲击对自身的增长具有显著的促进作用, 并且这一显著的促进作用具有较长的持续效应。

图2是对食品价格冲击引起的居民消费价格变化的脉冲响应函数图, 从图2可以看出, 当在本期给食品价格一个正冲击后, 引起居民消费价格的向上波动, 并在第3期以后达到最大, 此后逐步下降并趋于稳定。这表明, 食品价格受到外部的一个正冲击, 引起居民消费价格的波动, 直到第6期以后这一影响才开始趋向缓和平稳。可见, 食品价格的冲击对居民消费价格的近期影响较大。

图3是对房屋价格的冲击引起的居民消费价格变化的脉冲响应函数图, 从图3可以看出, 当在本期给房屋价格一个正冲击后, 引起居民消费价格的波动, 并在第3期达到最高峰, 但在第3期后回落, 波动较大, 但最后趋于稳定。表明房屋价格受到外部的一个正冲击, 所以对居民消费价格的近期影响较大, 又由于之后的波动相比来说较大, 趋于稳定的周期较长, 所以在长期内房屋价格对居民消费价格影响也较大。

2、方差分解

脉冲响应函数是反映系统对一个内在变量的冲击效应, 而方差分解是将系统的均方误差分解成各变量冲击所做的贡献。表3为对Lncpi的方差的分解结果。

由方差分解结果显示, 从居民消费、食品价格和房屋价格对居民消费价格增长的贡献度来看, 无论是在短期, 还是在长期, 居民自身消费对居民消费价格增长的贡献都很大, 这也说明, 居民消费的倾向和购买力对居民消费价格的增长是最重要的因素。从模型中还可以看出, 选择的食品价格和房屋销售价格两个变量对居民消费价格的影响是长期的, 并且贡献率呈上升状态, 尤其是房屋价格的影响在长期更加显著。总之, 居民消费价格的增长不仅与当期有关经济变量有关, 还与滞后期的这些经济变量有关, 而且这些经济变量其的影响是长期越来越显著的。

四、结论

通过检验结果可以看出, 食品类生产价格对居民消费价格的影响较大, 且存在长期平稳的关系。因此, 在目前通货膨胀严重的情况下, 国家应该尽可能地稳定关系人们日常生活的食品的价格, 可以适度地动用储备粮食以及坚决打击对粮食的投机行为, 保障百姓的基本生活。虽然房屋销售价格对居民消费水平的影响不如食品价格, 但是也是重要的长期影响因素, 尤其是现在房屋价格高居不下, 人们住房难问题现在还没解决, 房屋已经成为居民生活的巨大的一项开支。政府应该落实国家出台的“国5条”等政策, 切实的降低房价, 从而在保障百姓基本生活的前提下, 稳定物价。

同时, 本文所建立的模型仍存在着一定缺陷。由于影响消费水平的因素有很多, 而我们从中仅仅挑选了两个变量, 所以解释起来显得相对单薄, 且没有从宏观方面把握影响因素, 诸如国内生产总值, 居民可支配收入等。如果真要使模型更加优化, 就必须增加多个变量, 不断完善结果。

参考文献

[1]郭庆旺、贾俊雪:中央财政转移支付与地方公共服务提供[J].世界经济, 2008 (9) .

[2]郭庆旺、贾俊雪:财政投资的经济增长效应:实证分析[J].财贸经济, 2005 (12) .

[3]李子奈、潘文卿:计量经济学[M].高等教育出版社, 2001.