城市生活垃圾与城市综合发展关系的统计研究.pdf

《城市生活垃圾与城市综合发展关系的统计研究.pdf》由会员分享，可在线阅读，更多相关《城市生活垃圾与城市综合发展关系的统计研究.pdf（39页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。

1、 城市生活垃圾与城市综合发展关系的统计研究城市生活垃圾与城市综合发展关系的统计研究 基于全国基于全国3131个省市的面板数据个省市的面板数据 宿州学院 代杨平、陆叶、孙全师 摘要摘要 城市生活垃圾是城市化进程的产物，同时也越来越制约着城市的发展。它已经成为评价一个城市好坏的重要方面。本文先通过面板数据（Panel Data）建立31个省市综合的面板数据回归模型来表明全国31个省市关于城市生活垃圾产生的原因。然后通过面板数据聚类分析将省市分类，通过因子分析的因子综合得分评价各类的优劣。最后用构建的具有实际意义的指标把安徽省与优秀省市做比较分析。关键词关键词：城市生活垃圾；面板数据模型；面板数据聚

2、类分析；比较分析 AbstractAbstract As a urbanizations outcome,domestic garbage is restricting the development of city.And it has become an important aspect of the evaluation of a city quality.In this paper,we made a model to explore the factor about the domestic garbage-producing by the Panel Data of 31 prov

3、inces and cities.Then the 31 provinces and cities divided 3 categories through Cluster analysis and we evaluate the advantages and disadvantages of these clusters.At last,we compare Anhui Province with the advanced city using the actual meaning of the index.Key words:Key words:Domestic garbage;The P

4、anel Data Model;Cluster analysis;Comparative analysis;目录目录 1 1 研究背景研究背景1 1 2 2 建模思想建模思想 1 1 3 3 数据分析数据分析 2 2 3.1 3.1 指标的选取与数据的收集指标的选取与数据的收集2 2 3.1.1 3.1.1 指标的选取指标的选取2 2 3.1.2 3.1.2 数据的收集数据的收集 3 3 3.2 3.2 数据与处理数据与处理3 3 3.2.1 3.2.1 异常值及缺失值处理异常值及缺失值处理3 3 3.2.2 3.2.2 异常值的辨别异常值的辨别 3 3 3.2.3 3.2.3 异常值检验与替

5、换异常值检验与替换格拉布斯（格拉布斯（GrubbsGrubbs）准则）准则 5 5 3.3 3.3 相关分析相关分析6 6 4 4 模型的构建模型的构建7 7 4.1 4.1 模型变量的筛选模型变量的筛选7 7 4.2 4.2 面板数据的单位根检验面板数据的单位根检验8 8 4.3 Panel Data4.3 Panel Data模型形式设定检验模型形式设定检验8 8 4.4 4.4 模型的建立模型的建立9 9 5 5 面板数据聚类分析及优劣评判面板数据聚类分析及优劣评判1212 5.1 5.1 相似度的度量相似度的度量加权的欧氏距离加权的欧氏距离1212 5.1.1 5.1.1 截面上各省市

6、间的距离计算截面上各省市间的距离计算固定年份固定年份1212 5.15.1.2.2 包含时间的综合距离的计算包含时间的综合距离的计算1313 5.2 5.2 聚类方法聚类方法系统聚类法系统聚类法1414 5.3 5.3 聚类结果聚类结果 1414 5.4 5.4 类的优劣评判类的优劣评判1515 5.4.1 5.4.1 数据的处理数据的处理1515 5.4.2 5.4.2 因子分析因子分析1515 5.4.35.4.3各省市综合得分分布图各省市综合得分分布图1818 6 6 针对安徽省与优秀省市的比较分析针对安徽省与优秀省市的比较分析1919 6.1 6.1 安徽省与其类的最优省市的比较分析安

7、徽省与其类的最优省市的比较分析 1919 6.1.1 6.1.1 单位单位GDPGDP承担的垃圾清运量承担的垃圾清运量1919 6.1.2 6.1.2 单位年人均消费支出的垃圾产生量单位年人均消费支出的垃圾产生量2020 6.2 6.2 比较分析的结果比较分析的结果2222 7 7 结束语结束语2323 7.1 7.1 结论分析结论分析2323 7.2 7.2 几点建议几点建议 2323参考文献参考文献2424 附表附表2525 1 1 1 研究背景研究背景 随着中国经济的快速增长，城市居民生活水平不断提高，物质越来越丰富，各种各样的生活垃圾也越来越成为城市人焦虑的问题。(1)“垃圾围城”越来

8、越成为遏制城市发展的关键因素。国内很多学者也针对这一热点问题做了很多研究，有从垃圾的源头上分析研究的，有从垃圾处理的角度研究分析的。1何德文等人曾在2005年发表环境卫生工程杂志上的国内大中城市生活垃圾产生量与成分的影响因素分析，比较详细的对城市生活垃圾的产生因素做了分析。2范通达曾在2009年用主成份分析方法构建垃圾产生模型，描述了生活垃圾的主要影响因素。这两位学者的研究成果对本文指标的选取有着一定的借鉴意义。本文选取的是面板数据，包括全国(2)31个省市20042011年关于城市生活垃圾清运量相关指标的数据。想通过这样的面板数据建立城市生活垃圾清运量的回归模型。但面板数据模型相对于截面数据

9、和时间序列数据来说处理上比较繁琐。尽管如此，国内不少学者也做过这样数据类型的模型。3陈建宏、刘振肖曾在2010年就江苏省耕地问题建立了江苏省13个市的耕地社会经济模型。一定程度上说明了人口因素是江苏省耕地变化最重要的驱动力因子,社会经济因素对耕地的固定效应较弱。4韩旭曾在2010年通过面板数据建立模型，分析了我国工业废水排放量与经济增长关系。他们所用的思想和方法有利于本文模型的构建。本文还想通过选取的面板数据对全国31个省市进行聚类分析，然而多指标的面板数据聚类分析在技术上就存在一定的困难。因为目前没有相应的软件可以直接对面板数据进行聚类分析。所以我们要将面板数据进行转化。国内也有不少学者做过

10、这方面的工作，厦门大学教授5朱建平曾在2007年对单指标的面板数据经行过研究，并做了实证分析。6郑兵云也曾在朱建平教授工作基础下于2008年发表了一篇多指标的面板数据聚类分析研究及应用，一定程度上改进了复杂指标体系的面板数据聚类。南京航空航天大学，经济管理学院的7任娟学者在2012年发表的 多指标面板数据的聚类方法及其应用也比较全面的阐述了多指标面板数据聚类方法的理论。这三位学者提供的思路和方法对本文解决面板数据聚类分析有着不可忽视的重要意义。2 2 建模思想建模思想 本文意在探讨我国31个省市的城市生活垃圾清运量（简称垃圾量）三个方面的内容：垃圾量与哪些因素有关，并构建垃圾量与各因素的回归模

11、型。由于31个省市当地经济状况，土地面积，人口数等条件的不同，所以他们面临的生活垃圾的状况也有差异。正因为如此，我们有必要将31个省市进行聚类分析，然后通过各指标的因子综合得分将评定各类等级。通过将垃圾量及相关指标构造出一些具有经济意义的新的指标，然后通过这些指标把安徽省与优秀省市做比较分析。(1)2009 年 3 月，北京市政管委会主任陈永疾呼，北京垃圾危机即将出现，“这将是一件非常可怕的事情。”在北京，“垃圾围城”并不是第一次。早在 1983 年，垃圾简单的填埋方式，导致北京三环路与四环路的环带区上垃圾成堆，50 平米以上的垃圾堆就有4700 多座！为突破重围，北京市斥资 23 亿，才逐渐

12、攻陷这座惊人的围城。(2)为获得数据方便起见，我们只研究中国大陆地区的 31 个省市，不包括港、澳、台地区.2 对于第方面的内容，考虑到面板数据包含的信息比截面数据和时间序列数据更为丰富，我们选取的是多指标的面板数据。在此基础上建立面板数据回归模型，该模型从空间和时间上分析了城市生活垃圾清运量的产生因素。面板数据回归模型有很多方面的应用，国内外学者对此也做了很多研究，已经初步形成了一套理论。比较常用的有“(1)混合回归模型（Pooled Regression Models）”、(2)“固定效应模型（Fixed effects regression model）”、(3)“平均个体回归模型”、(

13、4)“平均时间回归模型”8。本文基于31个省市8年面板数据的统计分析，首先我们应该进行模型设定形式的检验，确定它适合哪种模型，然后建立该模型。对于第方面的内容，我们面临的是多指标面板数据的聚类分析。(5)首先计算出各省市相应指标间的距离，然后将各指标间的距离加权，综合成一个距离作为各省市之间的距离。这样就把多指标的面板数据转化为了单指标的面板数据的聚类。再将各年这样的距离求平均值作为最终的各省市间的距离，然后利用Matlab进行聚类。聚类分析之后，运用因子分析计算出各类综合得分，由此将类分等级。对于第方面的内容，单独分析安徽省所属的等级类别。若不属于优等级则比较它与优等级的差别。如果已经在优等

14、级内部，则探究它与级别内最优城市之间的差距。如果安徽省已经是级别内最优省市，则探究安徽省是否还有进一步改善的余地。3 3 数据分析数据分析 3.1 3.1 指标的选取与数据的收集指标的选取与数据的收集 3.1.1 3.1.1 指标的选取指标的选取 根据我们研究的目的选取相应的指标。首先我们研究的核心指标是城市生活垃圾清运量，而与这一指标相关的主要有经济因素和人口因素。本文中经济因素由“GDP”和“年人均消费支出”来反映，人口因素用“人口数”、“客运量”、“文盲半文盲比例”、“受高等教育人数”和“15-64岁人数”来反映。具体的指标体系如下表所示：(1)混合回归模型要求：从时间上看，不同个体之间

15、不存在显著性差异；从截面上看，不同截面之间也不存在显著性差异。源自白仲林与 2008 年编著的由南开大学出版社出版的面板数据的计量经济分析.(2)对于固定效应模型又分为三种：个体固定效应模型要求对于不同的纵剖面时间序列（个体）只有截距项不同的模型；时点固定效应模型要求对于不同的截面，模型的截距显著不同，但是对于不同的时间序列（个体）截距是相同的；个体时点固定效应模型要求对于不同的截面（时点）、不同的时间序列（个体）都有不同截距的模型。如果确知对于不同的截面、不同的时间序列（个体）模型的截距都显著地不相同。通过阅读白中林编著出版的面板数据的计量经济分析第一版总结出来的。(3)平均个体回归模型对每

16、个个体在时点上建立模型，并估计参数。然后，计算各个体的参数估计值的平均值，将此值作为面板模型的参数估计。(4)平均时点回归模型先对各变量的数据在时间上计算平均值，然后对按时间平均的截面数据回归。(5)通过阅读朱建平,陈民恳.面板数据的聚类分析及其应用J.统计研究，2007,24(4):郑兵云,多指标面板数据的聚类分析及其应用J.数理统计与管理,2008,27(2)：265-270.任娟.多指标面板数据的聚类方法及其应用J.统计与决策:方法应用版,的论文总结出的思想方法。3 表表3 3-1 1 垃圾清运量指标体系垃圾清运量指标体系 因变量 自变量 城市生活垃圾清运量 地方 GDP 15-64 岁

17、人数 客运量 文盲半文盲比例 受高等教育人数 年人均消费支出 人口数 3.1.2 3.1.2 数据的收集数据的收集 1)2004年31个省市各指标的数据（如附件表1）。数据来源于2005年 中国统计年鉴。2)2005年31省市各指标的数据(如附件表2）。数据来源于2006年 中国统计年鉴。3)2006年31省市各指标的数据(如附件表3）。数据来源于2007年 中国统计年鉴。4)2007年31省市各指标的数据(如附件表4）。数据来源于2008年 中国统计年鉴。5)2008年31省市各指标的数据(如附件表5）。数据来源于2009年 中国统计年鉴。6)2009年31省市各指标的数据(如附件表6）。数

18、据来源于2010年 中国统计年鉴。7)2010年31省市各指标的数据(如附件表7）。数据来源于2011年 中国统计年鉴。8)2011年31省市各指标的数据(如附件表8）。数据来源于2012年 中国统计年鉴。3.23.2数据的预处理数据的预处理 3.2.1 3.2.1 异常值及缺失值处理异常值及缺失值处理 在进行统计分析时，异常值和缺失值往往对分析结果的影响较大。为保证数据的可靠性，我们应该结合实际采取一定的统计方法对这些异常值进行辨别，并通过一定方法拟合出较为真实的数据来替代这些异常值。3.2.2 3.2.2 异常值的辨别异常值的辨别 异常值辨别的常用方法主要有9拉依达(PauTa)准则、格拉

19、布斯（Grubbs）准则。由于本文采用的是8年的数据，对于样本量小于10的数据不适合用拉依达(PauTa)准则，故本文采用格拉布斯（Grubbs）准则来辨别异常值。4 格拉布斯（Grubbs）准则将样本数据值顺序排队，格拉布斯导出xxgn的分布，取显著性水平，得,ngxxgP0n 若某次实验值bx满足 0bgxx 则应剔除bx。由于31个省市8年8个指标的数据量比较庞大，一个个的用格拉布斯准则来检验异常值的效率比较低。所以我们先用SPSS做出箱线图找出各指标的离群点和极值点10，然后检验各个(1)离群点和(2)极值点是否为异常值点。下面给出格拉布斯检验准则表：表表3 3-2 2 格拉布斯准则检

20、验表格拉布斯准则检验表 n 0.01 0.05 4 1.492 1.463 5 1.749 1.672 6 1.944 1.822 7 2.097 1.938 8 2.221 2.032 运用SPSS软件做出各指标相应的箱线图(3)如图3-1 3-8所示：图图3 3-1 1 垃圾清运量的箱线图垃圾清运量的箱线图 图图3 3-2 2 地区地区GDPGDP的箱线图的箱线图 (1)离点指的是值超过 1.5 倍四分位差的点.贾俊平 郝静编著的人民大学大学出版社 2010 年出版的统计学案例与分析18-21 页有阐述(2)极值点在此指的是值超过 3 倍四分位差的点贾俊平 郝静编著的人民大学大学出版社 2

21、010 年出版的统计学案例与分析18-21 页有阐述(3)箱线图中的“*”表示的点表示垃圾清运量超过四分位差 3 倍的点，“”表示的点表示垃圾清运量超过四分位差 1.5 倍的点。5 图图3 3-3 153 156464岁人口的箱线图岁人口的箱线图 图图3 3-4 4 高等教育人数的箱线图高等教育人数的箱线图 图图3 3-5 5 年人均消费支出的箱线图年人均消费支出的箱线图 图图3 3-6 6 文盲半文盲比例箱线文盲半文盲比例箱线 图图3 3-7 7 客运量箱线图图客运量箱线图图 图图3 3-8 8 人口数箱线图人口数箱线图 由图3-1垃圾清运量的箱线图知：山东省的垃圾清运量存在一个极值点，海南

22、省存在一个离群点；由图3-2得出GDP没有极值点和离群点，故不存在异常值点；由图3-3知15-64岁人口这一指标有不少省市存在极值点或离群点。例如：存在离群点的省市有吉林、黑龙江、安徽、湖北、四川和甘肃，存在极值点的有四川；由图3-5得出GDP没有极值点和离群点，故不存在异常值点；由图3-6得出文盲半文盲比例没有极值点和离群点，故不存在异常值点；由图3-7知客运量这一指标贵州省存在离群点；由图3-8知人口数这一指标有不少省市存在极值点或离群点，存在离群点的省市有重庆市，存在极值点的有安徽省、河南省、湖北省、四川省。3.2.3 3.2.3 异常值检验与替换异常值检验与替换格拉布斯（格拉布斯（Gr

23、ubbsGrubbs）准则）准则 根据以上分析，利用格拉布斯（Grubbs）准则对上述指标的极值点和离群点进行异常值检验。若为异常值点，则将其剔除，作为缺失值处理，然后运用SAS软件中的时间序列分析模块进行缺失值拟合估计。检验结果和异常值点的修正结果如下表所示：6 表表3 3-3 3 异常值检验与修正一览表异常值检验与修正一览表 年份 地区 指标 极值点 离群点 异常值检验 是否是异常值 修正结果 xx 0g 2004 山东 垃圾清运量 1242.80 230.44 199.95 是 1132.92 2006 海南 垃圾清运量 50.90 34.96 35.85 否 2011 海南 垃圾清运量

24、 113.58 27.73 35.85 否 2004 四川 15-64岁人数 62955487 4428693 4367067 是 54488402 2005 四川 15-65岁人数 55156302 3370492 4367067 否 2004 安徽 15-66岁人数 45207039 2087310 2539596 否 2005 安徽 15-67岁人数 40850868 2268862 2539596 否 2005 吉 林 15-68岁人数 21120830 604038 596626 是 21993823 2005 黑龙江 15-69岁人数 29610113 862452 812350

25、是 30509469 2005 湖 北 15-70岁人数 41039472 2296935 2051682 是 42893843 2005 甘 肃 15-71岁人数 17977057 914436 894239 是 18547278 2008 贵州 客运量 40725 23744.9 22037.4 是 69606 2010 河 北 高等教育人数 5248482 1791165 1765979 是 3980160 2010 重 庆 高等教育人数 2493050 898767 1620850 否 2011 重 庆 高等教育人数 3171765 1577482 1620850 否 2011 贵 州

26、 高等教育人数 2625882 1167970 1134478 是 1946269 2010 西 藏 高等教育人数 165610 103208 114473 否 2011 新 疆 高等教育人数 2862353 900995 883281 是 2473188 2004 安 徽 人口数 6461 336 313 是 6196 2004 河 南 人口数 9717 272 237 是 9413 2004 湖 北 人口数 6016 262 219 是 5791 2004 重 庆 人口数 3122 241 215 是 2865 2004 四 川 人口数 8725 519 443 是 8339 3.3 3.

27、3 相关分析相关分析 确定了指标和数据之后，首先想到的是分析解释变量与被解释变量之间是否存在相关性。利用SPSS软件进行相关分析，结果如下表所示：表表3 3-4 4各指标与垃圾清运量的各年相关系数各指标与垃圾清运量的各年相关系数 年份 地区GDP 15-64 岁 人数 客运量 文盲半文盲比例 高等教育人数 年人均 消费支出 人口数 2004 0.859 0.683 0.629 -0.401 0.776 0.218 0.678 2005 0.842 0.740 0.640 -0.446 0.838 0.285 0.706 2006 0.869 0.735 0.673 -0.454 0.820 0

28、.394 0.704 2007 0.884 0.725 0.688 -0.458 0.830 0.471 0.698 2008 0.896 0.741 0.830 -0.425 0.871 0.479 0.712 2009 0.888 0.728 0.819 -0.392 0.846 0.507 0.695 2010 0.907 0.788 0.845 -0.370 0.877 0.514 0.750 2011 0.907 0.794 0.844 -0.369 0.903 0.510 0.753 平均 0.882 0.742 0.746 -0.414 0.845 0.422 0.712 7 由

29、上表可知“城市生活垃圾清运量”与“GDP”各年的相关系数绝大部分都超过0.85，说明他们有强正相关性；与“1565岁人数”、“客运量”“高等教育人数”、“人口数”各年的相关系数为0.7左右，说明他们与垃圾量较强的正相关性；与“文盲半文盲比例”各年相关系数为-0.3-0.4之间，说明他们有较弱的负相关性；与“年人均消费支出”各年相关系数在0.20.6之间，说明他们存在较弱正相关性。根据上述结果我们不免会提出这样一个疑问：为什么垃圾量与“文盲半文盲比例”是负相关而与“高等教育人数”却有着较强的正相关？这似乎不符合我们传统的观念城市人口素质越高，环境保护意识越强进而生活垃圾越少。针对这一疑问，我们将

30、这两个指标做进一步的相关分析：随着城市经济发展水平（特指GDP）的扩大，生活垃圾清运量和受高等教育人数有相同的变化趋势，和文盲半文盲比例有相反的变化趋势，进而导致垃圾量与高等教育人数呈现正相关；与文盲半文盲比例呈现负相关。基于这样的分析，我们可以通过控制经济发展因素，然后分别做垃圾量与“高等教育人数”、“文盲半文盲比例”的偏相关分析。利用SPSS16.0做出的结果如下表所示：表表3 3-5 5 控制控制GDPGDP的相关系数的相关系数 年份 文盲半文盲比例 高等教育 2004-0.367 0.218 2005-0.269 0.342 2006-0.269 0.262 2007-0.319 0.

31、249 2008-0.283 0.406 2009-0.221 0.283 2010-0.186 0.218 2011-0.202 0.376 平均-0.2645 0.29425 比较表3-4和表3-5可发现，文盲半文盲比例和高等教育人数与城市生活垃圾清运量的相关系数明显下降，但是，相关系数的符号并没有改变。说明单纯的的文盲比例与垃圾量仍然呈现负相关，高等教育人数仍然与垃圾量呈现正相关。针对这一现象，我们联系中国实际也不难解释：文盲人口在中国大部分是老一辈的人，他们经历过五六十年的饥荒，生活方式相对节约，进而产生的生活垃圾量也较少。然而，受过高等教育的人大多是年轻一代，生活在现代的中国，条件优

32、越，物质丰富，节约二字显得有气无力，自然产生的生活垃圾较多。如此看来，在这个时期的中国，受教育程度高的人生活方式不一定节俭，产生的垃圾量也不一定少。相对而言，受教育程度低的老一辈生活更为节约，产生城市垃圾量较少。4 4 模型的构建模型的构建 经过了上述的数据预处理和相关性分析，城市生活垃圾清运量与各指标有着一定的关系。我们试想：是否能通过上述解释变量指标来建立模型进而描述全国 8 31个省市的城市生活垃圾清运量？我们所用的数据类型是面板数据，所以我们首先考虑面板数据的回归模型。具体步骤如下：4.1 4.1 模型变量的筛选模型变量的筛选 由上文分析的结果，我们确定了对城市垃圾清运量影响较大的 8

33、 个指标。考虑到各解释变量之间可能存在多重共线性，我们首先利用SPSS对各城市的截面数据进行了预回归分析。通过回归结果的对比，我们剔除了人口数、客运量和高等教育人数这三个指标。下面我们主要就城市垃圾清运量与 GDP、1564 岁人口、文盲半文盲比例和年人均消费支出各指标之间的关系进行研究，并构建相应面板数据模型。4.2 4.2 面板数据的单位根检验面板数据的单位根检验 为了防止伪回归的发生，需要对模型的变量进行单位根检验。本文主要采用LLC（Levin,Lin&Chu t*）检验和ADF（ADF-Fisher Chi-square）检验对各年的面板数据进行单位根检验，检验结果如表 4-1 所示

34、：表表 4 4-1 1 面板数据的单位根检验结果面板数据的单位根检验结果 变量 Method 结论 LLC ADF Y-7.8600 82.1300 平稳 P值 0.0000 0.0300 1X 29.7200 1.3700 非平稳 P值 1.0000 1.0000 11X 3.0247 0.0830 非平稳 P值 0.9988 0.5327 12X-21.9781 151.6300 平稳 P值 0.0000 0.0000 2X-50.6300 260.5700 平稳 P值 0.0000 0.0000 3X-21.7800 168.9000 平稳 P值 0.0000 0.0000 4X-13.

35、5700 107.8400 平稳 P值 0.0000 0.0000 从表 4-1 可以看出，除了变量1X外其余 4 个变量的两种检验结果均拒绝了变量存在单位根的原假设，检验结果表明只有变量1X为非平稳的，变量Y、2X、3X和4X的数据均为平稳的，故需对变量1X进行差分处理。由1X的一阶差分变量11X的单位根检验结果可以看出，LLC和ADF统计量的 P 值检验均不显著，而二阶差分变量22X的两种检验的 P 值均非常显著，即对变量1X进行二阶差分后的变量不存在单位根，是平稳的。由此可见，变量1X为二阶单整变量，2X、3X、4X及Y均为零阶单整变量。4.3 Panel Data4.3 Panel D

36、ata 模型形式设定检验模型形式设定检验 9 由于模型形式设定的偏差会影响参数估计的有效性，所以在进行面板数据建模之前，首先要对样本数据模型形式的设定进行检验。本文采用协方差分析检验方法，需要检验如下两个假设：NH211:NH212:N21 在假设1H成立的条件下，相应的检验统计量及其服从的分布如下：)1(,)1()1(/()1/()(1121kTNkNFkNNTSkNSSF 在假设2H成立的条件下，相应的检验统计量及其服从的分布如下：)1(),1)(1()1(/()1)(1/()(1132kTNkNFkNNTSkNSSF Panel Data模型形式设定检验具体检验准则如表 4-2 所示：表

37、表 4 4-2 Panel Data 2 Panel Data 模型形式的判定准则模型形式的判定准则 1H 2H 模型形式 接受 联合回归 拒绝 拒绝 变系数 接受 拒绝 变截距 首先，对假设2H进行检验：根据上式可计算出2F=28.9876，在 5%的显著性水平下由F分布表可查得相应的的临界值为39.193,150）（F，由于FF 2，因而拒绝2H；由于上述检验拒绝了假设2H，因此，需进一步对假设1H进行检验：根据上式可计算出1F=111.025018，在 5%的显著性水平下由F分布表可查得相应的的临界值为41.193,120）（F，由于FF 1，因而拒绝1H；可见，对于假设1H、2H的检验

38、结果均未通过检验，由Panel Data模型形式设定检验准则可得，应对该面板数据建立个体固定变系数模型。4.4 4.4 模型的构建模型的构建 10 由面板数据模型形式设定的检验结果可得，本文应建立城市垃圾清运量与GDP、15-64 岁人口、文盲半文盲比例和年人均消费支出的个体固定效应变系数模型，运用Eviews7.2进行面板数据回归，得出运行结果如表 4-3 所示：表表4 4-3 3 个体固定效应变系数模型个体固定效应变系数模型 Dependent Variable:Y?Method:Pooled EGLS(Cross-section weights)Variable Coeffi-cient

39、 Std.error t-Stati-stic Prob.Variable Coeffi-cient Std.error t-Stati-stic Prob.C 657.49 206.97 3.1768 0.0020 BJ-X1BJ-0.0219 0.0368 -0.5966 0.5522 BJ-X3BJ-103.41 74.308 -1.3916 0.1674 TJ-X1TJ-0.0357 0.0146 -2.4485 0.0162 TJ-X3TJ 25.7219 12.162 2.1150 0.0371 HB-X1HB-0.0382 0.0132 -2.8973 0.0047 HB-X3H

40、B 7.7973 10.032 0.7772 0.4390 SX-X1SX 0.1582 0.0357 4.4293 0.0000 SX-X3SX 137.522 43.897 3.1329 0.0023 NMG-X1NMG-0.0211 0.0134 -1.5736 0.1190 NMG-X3NMG 12.5683 6.6633 1.8862 0.0624 LN-X1LN 0.0051 0.0098 0.5223 0.6027 LN-X3LN-18.559 25.116 -0.7389 0.4618 JL-X1JL-0.0121 0.0210 -0.5763 0.5658 JL-X3JL 1

41、2.2361 6.9563 1.7590 0.0819 HLJ-X1HLJ 0.0012 0.0294 0.0412 0.9672 HLJ-X3HLJ 47.0805 16.321 2.8847 0.0049 SH-X1SH-0.0189 0.0253 -0.7471 0.4569 SH-X3SH-56.138 42.639 -1.3166 0.1912 JS-X1JS 0.0324 0.0090 3.6038 0.0005 JS-X3JS 25.7282 6.5971 3.8999 0.0002 ZJ-X1ZJ-0.0018 0.0384 -0.0463 0.9632 ZJ-X3ZJ-4.1

42、341 35.418 -0.1167 0.9073 AH-X1AH 0.0407 0.0327 1.2451 0.2162 AH-X3AH-0.4659 8.3715 -0.0556 0.9557 FJ-X1FJ-0.0163 0.0344 -0.4745 0.6362 FJ-X3FJ-3.9064 6.8612 -0.5693 0.5705 JX-X1JX 0.0219 0.0110 1.9958 0.0489 JX-X3JX-0.2721 9.6814 -0.0281 0.9776 SD-X1SD-0.0160 0.0102 -1.5746 0.1188 SD-X3SD-6.6246 12

43、.514 -0.5294 0.5978 HN-X1HN 0.0301 0.0183 1.6466 0.1030 HN-X3HN-0.7931 1.4900 -0.5323 0.5958 HUB-X1HUB 0.1182 0.0640 1.8470 0.0679 HUB-X3HUB 37.5685 30.467 1.2331 0.2207 HUN-X1HUN-0.0281 0.0198 -1.4199 0.1590 HUN-X3HUN 5.7435 7.7719 0.7390 0.4618 GD-X1GD-0.0332 0.0735 -0.4520 0.6523 GD-X3GD 17.2004

44、100.42 0.1713 0.8644 GX-X1GX 0.0068 0.0093 0.7357 0.4638 GX-X3GX-0.7956 4.4184 -0.1801 0.8575 HN-X1HN 0.0301 0.0183 1.6466 0.1030 HN-X3HN-0.7931 1.4900 -0.5323 0.5958 CQ-X1CQ 0.0277 0.0401 0.6897 0.4921 CQ-X3CQ 7.9110 10.089 0.7841 0.4350 SC-X1SC 0.0021 0.0153 0.1378 0.8907 SC-X3SC 0.8887 3.7002 0.2

45、402 0.8107 GZ-X1GZ 0.0577 0.0254 2.2736 0.0253 GZ-X3GZ-3.7484 1.3881 -2.7004 0.0082 YN-X1YN 0.0037 0.0280 0.1313 0.8958 YN-X3YN 3.8198 4.8190 0.7926 0.4300 XZ-X1XZ 0.0399 0.0104 3.8390 0.0002 XZ-X3XZ 0.7837 0.0990 7.9128 0.0000 SX1-X1SX1-0.0648 0.0285 -2.2686 0.0256 SX1-X3SX1-15.504 6.9244 -2.2390 0

46、.0275 GS-X1GS-0.0378 0.0538 -0.7012 0.4849 GS-X3GS-1.5587 2.2560 -0.6909 0.4913 QH-X1QH-0.0944 0.0849 -1.1114 0.2693 QH-X3QH-3.3922 2.1340 -1.5896 0.1153 NX-X1NX 0.1077 0.1537 0.7010 0.4851 NX-X3NX-1.9674 6.9627 -0.2826 0.7781 XJ-X1XJ-0.0103 0.0348 -0.2971 0.7671 XJ-X3XJ-9.8314 11.897 -0.8263 0.4107

47、 BJ-X2BJ-0.0001 0.0001 -1.9298 0.0567 BJ-X4BJ 0.0853 0.0594 1.4362 0.1543 TJ-X2TJ 0.0000 0.0000 1.2177 0.2264 TJ-X4TJ 0.0352 0.0125 2.8184 0.0059 HB-X2HB 0.0000 0.0000 -0.1613 0.8722 HB-X4HB 0.0948 0.0414 2.2886 0.0244 SX-X2SX 0.0001 0.0001 1.6548 0.1013 SX-X4SX-0.2821 0.0653 -4.3203 0.0000 11 NMG-X

48、2NMG 0.0000 0.0000 0.7343 0.4646 NMG-X4NMG 0.0315 0.0175 1.7939 0.0761 LN-X2LN 0.0000 0.0000 -1.0150 0.3127 LN-X4LN 0.0041 0.0190 0.2135 0.8314 JL-X2JL 0.0000 0.0000 -0.1268 0.8994 JL-X4JL 0.0060 0.0243 0.2465 0.8058 HLJ-X2HLJ 0.0000 0.0000 -1.1374 0.2583 HLJ-X4HLJ-0.0219 0.0354 -0.6175 0.5384 SH-X2

49、SH 0.0000 0.0000 -1.3154 0.1916 SH-X4SH 0.0149 0.0144 1.0375 0.3022 JS-X2JS 0.0000 0.0000 0.8521 0.3964 JS-X4JS-0.0765 0.0326 -2.3498 0.0209 ZJ-X2ZJ 0.0000 0.0001 -0.3660 0.7152 ZJ-X4ZJ 0.0541 0.0707 0.7651 0.4462 AH-X2AH 0.0000 0.0000 0.2475 0.8051 AH-X4AH-0.0632 0.0414 -1.5278 0.1300 FJ-X2FJ 0.000

50、0 0.0000 -0.5216 0.6032 FJ-X4FJ 0.0438 0.0395 1.1092 0.2702 JX-X2JX 0.0000 0.0000 0.1550 0.8771 JX-X4JX-0.0234 0.0189 -1.2387 0.2186 SD-X2SD 0.0000 0.0000 -3.0585 0.0029 SD-X4SD 0.0605 0.0408 1.4819 0.1417 HN-X2HN 0.0000 0.0000 0.6272 0.5321 HN-X4HN-0.0076 0.0071 -1.0752 0.2851 HUB-X2HUB 0.0000 0.00