0944047
本文系本人所写，不存在抄袭现象，否则后果自负。
签名： 日期：
摘要：文章针对2003年到2009年期间各地区的粮食产量，运用多元回归的计量分析方法，系统的探讨了中国在2003年到2009年的各地区的粮食产量的影响因素，以及各影响因素对于粮食产量的影响程度。研究结果发现，在所有考虑到的因素中，粮食产量受农业劳动力人数的负面影响最大，即从事农业的劳动力人数越多粮食产量相应越少；其次就是播种面积对粮食产量的正面影响最大。除去这些非自然因素，我们还可以看到日照时间、降雨量、温度等自然因素反而对粮食产量的影响不显著。
关键词：地区年份 粮食产量 影响因素 回归分析
一、引言
近几年来，随着环境恶化结果的逐渐显现，人们越来越关注自己未来的生活及
其质量，其中人们最为关心的就要数自己的温饱问题了，当然我国的粮食产量也越发的受到人们的关注了。虽然2005年左右，总理在华商大会上已经说过中国人民已经一劳永逸的解决了吃饭的问题，并且根据中国统计局中2010年的数据，我们可以知道中国粮食自给率很高，已经超过了99%，但是中国人民还是显得忧心忡忡，大部分人对于这种乐观的数据持有怀疑的态度。其实在之前已经有国外学者预言过，按照中国人口增长的速度与中国粮食产量的增长速度来看，中国人民在不久的将来就会生活在饥饿之中。
在我看来，虽然这种预言以及中国人民的担心可能只是杞人忧天 ，但毕竟粮食的问题是关系到我们民生的大问题，所以这些担忧也不无道理。因而研究一下现今中国的粮食产量及其影响因素是非常必要的，我认为一旦清楚了中国每年各地的粮食产量的变化及影响粮食产量的因素，中国的人民会对自己的国家有更多的信心。
鉴于此，本文通过针对2003年至2009年全国31个主要地区的粮食产量的统计数据，运用面板数据的方法，系统详细地讨论了中国粮食产量的影响因素并且比较这些因素对中国粮食产量的贡献大小，最后得出本文结论。本文其余部分的结构安排如下：第二部分是有关于粮食产量分析的文献综述，第三部分是理论模型的简述，第四部分是近几年各粮食产 量的影响因素统计分析，第五部分是基于面板数据的回归分析，第六部分是结论。
二、文献综述
农业作为我国最基础的产业，农产品的每年的产量直接关系着我们的民生，故而
粮食的产量一直是我们最关心的。所以有关农产品产量的研究可以说是不胜枚举。
一些学者致力于具体某类农产品产量某及其影响因素的研究，如厉益与吴玮于2011年10月发表在《西安社会科学》上的《1624~1662年蔗糖产量增长的原因》就针对1624年到1662年的蔗糖产量进行了分析，最后总结出蔗糖产量在这几年里增长的的三点原因：（1）优越的自然条件为蔗糖的生产提供了丰盛的原材料；（2）荷兰统治者的扶植奖励也是促进蔗糖产量增长的一大因素；（3）最重要的一点是移民的贡献。另外，有些学者也尝试着研究某一地区的农产品产量及其影响因素，如赵曦就以《沈阳市农业资源利用效率的研究》为题研究了沈阳市2001~2006年的农业资源利用效率。最后，另一类学者则致力于用一些软件预测与分析我国农产品的产量。比如吴琦磊与邓金堂发表在2010年5月《情报探索》上的《基于Eviews的我国农产品产量与相关投入的模型分析与预测检验》以及崔兴凯与路秀英刊登在2011年8月的《微电子学与计算机》上的《基于NGM（1,1，k）模型的农产品产量预测方法》都是以理论模型为基础，预测了农产品的产量。前者借助Eviews软件研究了农产品产量的相关投入的影响因素及其影响程度，后者则是基于NGM（1,1，k）模型预测了农产品的产量。
与之前学者们的论文相比，本文是以中国的粮食产量作为被解释变量，把研究的目标缩小且具体化，粮食产量与人们的平常生活更息息相关，本文以之作为被解释变量更有实
际的意义。
三、理论模型
既然本文致力于中国粮食产量的研究，根据个人的常识以及前人所作的文献，我认为中国的粮食产量主要受到两方面的因素影响。
首先，粮食作为农作物，其产量肯定会受到自然条件的影响，比如日照时间、降雨量以及气温的变化。有些农作物是喜日照的，每天的日照时间越长，其产量就会多，但并不是所有的农作物都是这样的，而同理，降雨量以及气温变化等因素对于农作物产量也具有相似的影响。至此，我们至少可以判断日照时间、降雨量以及气温的变化在一定程度上可以解释粮食产量的变化。
其次，我认为粮食的播种面积以及每年的受灾面积对于粮食产量也有一些影响。但受灾面积并不能很好地解释粮食产量的增长变化，因为受灾面积可能不仅只包含耕地，它还有可能包括居民住宅区等，所以这样相比较而言，粮食的播种面积显然能比受灾面积更好地解释粮食产量的变化。
最后，劳动力的人数也是解释粮食产量的一大重要因素。当然这是指从事粮食种植的劳动力人数，而不是简单的就业人数，众所周知，就业人数不仅包括从事农业的劳动力人数，还包括在第二产业、第三产业就业的人。耕地需要有人耕种管理才能有产出，因而第一产业的就业人员数很明显会影响到粮食的产量。
所以，本文可以把粮食产量作为被解释变量，日照时间、降雨量、气温变化、劳动力以及粮食播种面积作为解释变量，做水平或者对数的回归模型，相信能够有效地解释粮食产量的变化。
四、近几年各地区粮食产量的影响因素的统计分析
（一） 各地区粮食产量的特征
由于2003年至2009年，全国各地区的粮食产量的数据过多，不便于分析各地区的粮食产量的趋势特征，故在此仅以2009年为例，大致可以得到全国各地区粮食产量的分布特征以及增减趋势，如下图：
09全国粮食产量600050004000产量3000200010000北天石太呼沈长哈上南杭合福南济郑武长广南海重成贵昆拉西兰西银乌京津家原和阳春尔海京州肥州昌南州汉沙州宁口庆都阳明萨安州宁川鲁0909庄09浩0909滨09090909090909090909090909((09090909(0909木全国粮全国粮食产量12152994191524431232783066204353232913141811311115911190103411地区
根据上图的分布特征来看，我们可以知道：（1）在2009年，哈尔滨、济南和郑州的粮食产量都已经超过了4000万吨，尤其郑州更是高居榜首，为中国粮食最大产量的地方。（2）其次是南京、合肥及成都，这三个地区的粮食产量皆位于3000万吨至4000万吨，仅次于哈尔滨、济南和郑州。（3）接着，粮食产量位于2000~3000万吨的地区有石家庄、长春、南昌、武汉以及长沙。（4）除去这10个地区，其余的地区的粮食产量均低于2000万吨。由此，很显然，2009年各地区的粮食产量是显著不同的。
（二）各年度粮食产量的统计特征
产量 最小值 最大值 均值 中位数 标准差 总和 观察值
2009 2008 2007 90.53 95.03 93.86 53 5365.48 5245.22 1712.325 1705.513 1618.073 1314.5 1243.44 1284.7 1381.425 1374.093 1297.465 53082.08 52870.92 50160.28
31 31 31
2006
88.3 5010 1604.771 1387.604 1253.345 49747.
31
2005 2004 2003 93.26 70.18 58.03 4582 4260 3569.47 1561.361 1514.418 13.333 1394.971 1390 1360.73 1187.207 1126.983 1002.608 48402.19 46946.95 43069.33
31 31 31
如上表是按照年份统计的各地区的粮食产量。从上表可知，2003年的粮食平均产量为
13.333万吨，2004年为1514.418万吨，2005年为1561.361万吨，2006年为1604.771万吨，2007年为1618.073万吨，2008年为1705.513万吨而2009年则为1712.325万吨。由此我们可知，每年全国的粮食产量都有所增长，经过7年的过程中国的平均粮食产量已经由2003年的13.333万吨增长至2009年的1712.325万吨。
从最大值来看，2003年的地区最大粮食产量为3569.47万吨，2004年为4260万吨，2005年为4582万吨，2006年为5010万吨，2007年则为5245.22万吨，2008年为5365.48万吨最后2009年为53万吨。其中前三年差别较大，后四年差别不大。从标准差来看，2009年与2008年的标准差都比较大，分别为1381.425和1374.093，这说明这两年的粮食产量波动幅度较大，而其余几年相对而言则波动程度较小。
那不管从哪个值来看，我们都可以知道，近几年，全国粮食的产量都是处于上升势头中的，虽然不同时间段的上升速度有快有慢，但总体上是属于稳步上升类的。
（三）粮食产量影响因素以及其表示
通过前面的分析，可以发现影响粮食产量的相关因素有：（1）所处地区，很显然，不同地区的粮食产量是明显不同的。所以我认为与这一因素相关的因素均是影响粮食产量的重要因素，如温度、日照时间、降雨量以及播种面积等。（2）根据年份即时间的不同，粮食的产量也有些许差别，基本可以说是产量随年份的增加而增加的。其实这一因素，我们可以忽略掉，因为随着技术的进步、科技的发展，粮食产量逐年递增是很正常的现象。但是为了保证研究结果的准确性，还是把年份考虑在内取数据。（3）另外，我认为从事农业的劳动力人数也是影响粮食产量的重要因素之一。毫无疑问，第一产业中的就职人数即农民的多少会影响到农产品产量的多少，所以理所当然更会影响到粮食产量的多少。
那经过简单的分析，可以得到有如下变量：（其中，粮食产量为被解释变量，其余皆是解释变量。）
变量
粮食产量 总日照时间 平均气温 总降雨量 粮食播种面积 劳动力人数
表示符号 OUTPUT SUN TEMP RAIN SEED LABOR
单位 万吨 小时 摄氏度 毫米 千公顷 万人
意义
该变量表示该年该地区总的粮食作物产量 该变量表示该年该地区总的日照时间 该变量表示该年该地区平均的温度 该变量表示该年该地区总的降雨量
该变量表示该年该地区粮食作物的总播种面积
该变量表示该年该地区从事粮食作物种植的劳动力人数
五、基于面板数据的回归分析
（一）粮食产量影响因素的变量
综上，可以期待以下几个数据可以解释粮食产量的变化，（1）不同地区不同时间的气温的变化，用temp来表示，其数值取每个地区的每年的平均温度，单位为摄氏度。（2）不同地区不同年份的日照时间的长短，用sun来代表，单位取小时。（3）各地区不同年份降雨量的变化，用rain表示，单位取毫米。（4）各地区不同年份播种面积的大小，用seed表示，单位取千公顷。（5）从事第一产业的就职人员数，用labor表示，单位为万人。
另，所有的数据来源于中国统计局，皆为数字变量。
（二） 各变量的预处理
最小值 最大值 均值 中位数 标准差 总和 观察值
各变量的统计量信息
output temp sun rain seed labor
58.03 4.70 703.80 74.90 141.34 47.57 53.00 25.40 3245.20 2628.20 11391.03 3331.86 1586.54 14.47 1998.19 841.47 3374.19 967.17 1360.73 15.03 1994.00 756.90 3073.74 779.54 1242.78 5.02477657 526.337374 461.2616233 2548.512624 735.4823954 344279.63 3139.75 433606.52 182599.90 732200.15 209875.60 217.00 217 217 217 217 217
如上表是计量中所涉及到的各影响因素以及因变量的统计量信息表。从中，我们可以获知被解释变量以及各解释变量的各种统计信息。比如从标准差一行，我们可以得知，粮食产量和播种面积的数据波动范围比较大，而温度则表现的比较稳定，波动范围很小。
（三）数据平稳性的检验
因为本文使用的是面板数据，并且本文每个变量都有217个数据，因而考虑到各种因素，本文决定检验一下2009年31个地区的数据的平稳性，相信2009年的数据能够很好代表其他几年的情况。
经过对2009年数据的检验，可得如下结论：
Group unit root test: Summary
Series: OUTPUT, SUN, RAIN, TEMP, LABOR Date: 01/02/12 Time: 20:45 Sample: 1 31
Exogenous variables: Individual effects Automatic selection of maximum lags
Automatic lag length selection based on SIC: 0 and Bartlett kernel
Balanced observations for each test Method
Statistic
Prob.**
Cross- sections
Obs
Null: Unit root (assumes common unit root process)
Levin, Lin & Chu t*
Im, Pesaran and Shin W-stat ADF - Fisher Chi-square PP - Fisher Chi-square
-4.04623
-4.33978 38.4657 38.1452
0.0000
0.0000 0.0000 0.0000
5 5 5 5
150 150 150 150
Null: Unit root (assumes individual unit root process)
** Probabilities for Fisher tests are computed using an asymptotic Chi -square distribution. All other tests assume asymptotic normality.
由上，我们可以看到所有的P值都为0<0.05，这样的话，很明显可以得出2009年全国31个地区的各变量数据是平稳的。以此类推2008年以及前几年的数据应该也是平稳的。
（四）各变量之间多重共线性检验
各解释变量的相关系数矩阵
SUN TEMP RAIN SEED LABOR
SUN 1 -0. -0.60 -0.19 -0.45
TEMP 1 0.71 -0.07 0.34
RAIN 1 0.001 0.23
SEED - 1 0.76
LABOR
1
如上表是相关解释变量的相关系数矩阵，从中可知选择的各个解释变量之间的相关系数的绝对值都小于0.8，说明各个因素之间没有多重共线性，即没有很强的相关性。即temp与sun，rain和sun，labor和sun，temp和rain，temp和labor，seed和labor之间是弱相关的，而seed与sun，seed和temp，seed和rain，labor和rain之间则可认为无相关性。这样的话，这些变量都可以在后面的回归中进行解释。
（五）计量分析结果
1、对于上述的各变量，建立如下针对参数而言的线性回归模型：
Output=c(1)+c(2)*sun +c(3)*temp +c(4)*rain +c(5)*seed +c(6)*labor +u ①hausman检验
当设置Period的Effects Specification 为Random ，Cross-section为None时 做Correlated Random Effects-Hausam tests 可得P=0.123<0.5 所以就拒绝Period random
具体检验过程如下所示：
Correlated Random Effects - Hausman Test Equation: Untitled Test period random effects
Chi-Sq.
Test Summary Period random
Statistic 8.669486
Chi-Sq. d.f.
5
Prob. 0.1230
Random 0.151096 -2.109261 0.204837 0.400655 0.307135
Var(Diff.) 0.000065 2.741835 0.000198 0.000010 0.000133
Std. Error 229.4616 0.0607 8.969469 0.082239 0.018343 0.068252
t-Statistic -1.928217 2.029977 -0.546905 2.469866 21.37428 4.948196
Prob. 0.18 0.0913 0.9028 0.0062 0.0079 Prob. 0.0552 0.0437 0.5850 0.0143 0.0000 0.0000 1586.542 1245.656 14.69911 14.88601 14.77461 0.157672
** WARNING: estimated period random effects variance is zero.
Variable SUN TEMP RAIN SEED LABOR
Dependent Variable: OUTPUT Method: Panel Least Squares Date: 01/02/12 Time: 18:19 Sample: 2003 2009 Periods included: 7 Cross-sections included: 31
Total panel (balanced) observations: 217
Variable C SUN TEMP RAIN SEED LABOR
Coefficient -442.4519 0.139881 -4.905445 0.203118 0.392066 0.337725 Fixed 0.139881 -4.905445 0.203118 0.392066 0.337725
Period random effects test comparisons:
Period random effects test equation:
Effects Specification
Period fixed (dummy variables) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.917881 Mean dependent var 0.913475 S.D. dependent var 366.4123 Akaike info criterion 27522884 Schwarz criterion -1582.853 Hannan-Quinn criter. 208.3070 Durbin-Watson stat 0.000000
当设置Period的Effects Specification 为None，Cross-section为Random时 做Correlated Random Effects-Hausam tests 可得P=0<0.5 所以就拒绝Cross-section random
具体检验过程如下所示：
Correlated Random Effects - Hausman Test Equation: Untitled
Test cross-section random effects
Test Summary Cross-section random
Variable SUN TEMP RAIN SEED LABOR
Dependent Variable: OUTPUT Method: Panel Least Squares Date: 01/02/12 Time: 18:22 Sample: 2003 2009 Periods included: 7 Cross-sections included: 31
Total panel (balanced) observations: 217
Variable C SUN TEMP RAIN SEED LABOR
Coefficient 1493.784 0.085407 2.580547 0.010962 0.439032 -1.660357
Std. Error 277.5476 0.033183 13.74200 0.032484 0.026036 0.121743
t-Statistic 5.382083 2.573832 0.187785 0.337450 16.86263 -13.63817
Fixed 0.085407 2.580547 0.010962 0.439032 -1.660357
Chi-Sq. Statistic 123.137431
Random 0.039828 38.310651 0.022599 0.551235 -0.636000
Chi-Sq. d.f.
Var(Diff.) 0.000052 104.135597 0.000044 0.000327 0.009351
5
Prob. 0.0000 Prob. 0.0000 0.0005 0.0795 0.0000 0.0000 Prob. 0.0000 0.0109 0.8513 0.7362 0.0000 0.0000
Cross-section random effects test comparisons:
Cross-section random effects test equation:
Effects Specification
Cross-section fixed (dummy variables) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.994413 Mean dependent var 0.993333 S.D. dependent var 101.7104 Akaike info criterion 1872447. Schwarz criterion -1291.230 Hannan-Quinn criter. 920.4879 Durbin-Watson stat 0.000000
1586.542 1245.656 12.23253 12.79325 12.45904 1.902462
因而可以假定Period的Effects Specification 为Fix ，Cross-section为Fix，从而做回归。
②通过eviews的hausman检验，可得出Cross-section与Period都拒绝random，则可假定Cross-section与Period都为fixed。若这样假定，可得到回归的结果如下：
c(1) c(2) c(3) c(4) c(5) c(6) 系数 0.71 9. 0.44 -1.66 T值 2.08 0.63 16.3 -11.21 1433.706 4.86 -0.00048 -0.01 并且可得：R^2=0.99 F=798.66 由此可得Output=1433.706+0.71*sun+9.*temp-0.00048*rain+0.44*seed -1.66*labor
根据此次的回归结果，首先可以知道各个系数及其符号所表示的情况，（1）1433.706说明当其他影响因素都为0 时，粮食产量为1433.706万吨，这表示当这几个解释变量都为0时依然有粮食产量1433.706万吨，这种情况可能是由于自然界中一些野生顽强的粮食作物品种导致的；（2）光照小时数、气温、播种面积都对粮食产量具有正面的影响效果，其中以播种面积对于粮食产量的正面影响最大；（3）降雨量以及劳动力对粮食产量存在负面影响。
其次，我们可以看到（1）R-squared=0.99，说明此模型的拟合程度较好，各个解释变量可以较好地解释被解释变量；（2）F-statistic=798.66，说明整个方程是显著的。（3）c(1)、c(2)、c(5)、c(6)各系数对应的t值可知，sun、seed和labor这几个变量对于粮食产量output的影响都是显著的；而由c(3)、c(4)对应的t值可知，temp和rain对于粮食产量output的影响是不显著的。
具体水平回归模型如下：
Dependent Variable: OUTPUT Method: Panel Least Squares Date: 01/02/12 Time: 18:25 Sample: 2003 2009 Periods included: 7 Cross-sections included: 31
Total panel (balanced) observations: 217
Variable C SUN TEMP RAIN SEED LABOR
Coefficient 1433.706 0.071013 9.2028 -0.000481 0.437261 -1.661748
Std. Error 294.7470 0.034100 15.62226 0.033520 0.026823 0.148260
t-Statistic 4.8192 2.082508 0.633201 -0.014354 16.30148 -11.20833
Prob. 0.0000 0.0388 0.5274 0.9886 0.0000 0.0000 1586.542 1245.656 12.23815 12.232 12.50240 1.817543
Effects Specification
Cross-section fixed (dummy variables) Period fixed (dummy variables) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.994684 Mean dependent var 0.993439 S.D. dependent var 100.9012 Akaike info criterion 1781682. Schwarz criterion -1285.839 Hannan-Quinn criter. 798.6550 Durbin-Watson stat 0.000000
2、对于上述的各变量，建立如下针对参数而言的对数回归模型：
Output=c(1)+c(2)*log（sun）+c(3)*temp +c(4)*rain +c(5)*log（seed）+c(6)*labor +u①hausman检验
当设置Period的Effects Specification 为Random ，Cross-section为None时 做Correlated Random Effects-Hausam tests 可得P=0.049<0.5 所以就拒绝Period random 具体检验如下：
Correlated Random Effects - Hausman Test Equation: EQ04
Test period random effects
Test Summary Period random
Chi-Sq. Statistic 11.112193
Chi-Sq. d.f.
5
Prob. 0.0492
Random
Var(Diff.)
Prob.
** WARNING: estimated period random effects variance is zero.
Variable
Fixed
Period random effects test comparisons:
LOG(SUN) TEMP RAIN LOG(SEED) LABOR
394.617271 -58.365088 0.3059 441.662414 0.965608
411.005605 -55.239832 0.303206 460.0797 0.930991
280.812175 4.602988 0.000426 35.320171 0.000121
0.3281 0.1452 0.7805 0.0019 0.0017 Prob. 0.0004 0.0188 0.0000 0.0139 0.0000 0.0000 1586.542 1245.656 15.56569 15.75260 15.119 0.107467
Period random effects test equation: Dependent Variable: OUTPUT Method: Panel Least Squares Date: 01/02/12 Time: 18:33 Sample: 2003 2009 Periods included: 7 Cross-sections included: 31
Total panel (balanced) observations: 217
Variable C LOG(SUN) TEMP RAIN LOG(SEED) LABOR
Coefficient -5121.095 394.6173 -58.36509 0.3059 441.6624 0.965608
Std. Error 1424.638 166.5911 12.73754 0.124497 52.61723 0.091706
t-Statistic -3.594665 2.368778 -4.582133 2.481665 8.393874 10.52937
Effects Specification
Period fixed (dummy variables) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.804658 Mean dependent var 0.794176 S.D. dependent var 565.1270 Akaike info criterion 65470540 Schwarz criterion -1676.877 Hannan-Quinn criter. 76.76738 Durbin-Watson stat 0.000000
当设置Period的Effects Specification 为None，Cross-section为Random时 做Correlated Random Effects-Hausam tests 可得P=0<0.5 所以就拒绝Cross-section random 具体检验如下：
Correlated Random Effects - Hausman Test Equation: EQ04
Test cross-section random effects
Test Summary Cross-section random
Variable LOG(SUN) TEMP RAIN LOG(SEED) LABOR
Dependent Variable: OUTPUT Method: Panel Least Squares Date: 01/02/12 Time: 18:35 Sample: 2003 2009 Periods included: 7 Cross-sections included: 31
Chi-Sq. Statistic 121.237282
Random 90.854073 32.853803 -0.035354 -0.976669
Chi-Sq. d.f.
Var(Diff.) 201.798331 179.907748 0.000097 0.013012
5
Prob. 0.0000 Prob. 0.0002 0.0290 0.2274 0.3246 0.0000 Prob. 0.0000 0.0521 0.8508 0.5950 0.0000 0.0000 1586.542 1245.656 12.86821 13.423 13.09472 1.072298 Fixed 144.676267 3.561705 -0.023491 -2.048233
Cross-section random effects test comparisons:
1178.491072 1296.072591 14248.2451
Cross-section random effects test equation:
Total panel (balanced) observations: 217
Variable C LOG(SUN) TEMP RAIN LOG(SEED) LABOR
Coefficient -65.698 144.6763 3.561705 -0.023491 1178.491 -2.048233
Std. Error 1245.615 74.00845 18.91313 0.044113 143.5202 0.162702
t-Statistic -5.270246 1.954861 0.188319 -0.532519 8.211325 -12.58886
Effects Specification
Cross-section fixed (dummy variables) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.9451 Mean dependent var 0.987411 S.D. dependent var 139.7660 Akaike info criterion 3535749. Schwarz criterion -1360.201 Hannan-Quinn criter. 485.0352 Durbin-Watson stat 0.000000 。 所以检验后可假定Cross-section和Period为 fixed
②通过eviews的hausman检验，可得出Cross-section和Period拒绝random，所以可假定Cross-section和Period为 fixed。若这样假定，可得到回归的结果如下：
c(1) (2)c(2) c(3) c(4) c(5) c(6) 系数 -6306.213 123.8215 12.71365 -0.039502 1140.717 -1.976995 T值 -4.7469 1.629134 0.584559 -0.859721 7.310980 -9.549509 并且可得：R^2=0.99 F=411.12
可得Output=-6306.213 +123.8215*log（sun）+12.71365*temp--0.039502*rain +1140.717 *log（seed）-1.976995*labor
根据此次的回归结果，首先可以知道各个系数及其符号所表示的情况，（1）-6306.213说明当其他影响因素都为0 时，粮食产量为-6306.213万吨，这表示即使我们国家不生产粮食，我国还是要消耗6306.213万吨粮食，这也可以理解为当我国不生产粮食时，我国还是要进口6306.213万吨粮食以供消耗；（2）日照小时数、天气、播种面积都对粮食产量具有正面的影响效果，其中以播种面积对于粮食产量的正面影响最大；（3）降雨量以及劳动力人数对粮食产量存在负面影响。
其次，我们可以看到（1）R-squared=0.99，说明此模型的拟合程度较好，各个解释变量可以较好地解释被解释变量；（2）F-statistic=411.12，说明整个方程是显著的。（3）c(5)、c(6)各系数对应的t值可知， log（seed）和labor这几个变量对于粮食产量output的影响都是显著的，因而这几个变量都可以较好地解释粮食产量的变化。（4）由从c(2)、c（3）、c(4)对应的T值可知，log（sun）、temp和rain 于粮食产量影响不显著。
具体的对数回归如下：
Dependent Variable: OUTPUT Method: Panel Least Squares Date: 01/02/12 Time: 18:46 Sample: 2003 2009 Periods included: 7 Cross-sections included: 31
Total panel (balanced) observations: 217
Variable C LOG(SUN) TEMP
Coefficient -6306.213 123.8215 12.71365
Std. Error 1328.612 76.00447 21.74911
t-Statistic -4.7469 1.629134 0.584559
Prob. 0.0000 0.1051 0.5596
RAIN LOG(SEED) LABOR
-0.039502 1140.717 -1.976995
0.045948 156.0279 0.207026
-0.859721 7.310980 -9.549509
0.3911 0.0000 0.0000 1586.542 1245.656 12.722 13.55139 13.16148 1.008015
Effects Specification
Cross-section fixed (dummy variables) Period fixed (dummy variables) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.9724 Mean dependent var 0.987317 S.D. dependent var 140.2854 Akaike info criterion 3443998. Schwarz criterion -1357.348 Hannan-Quinn criter. 411.1078 Durbin-Watson stat 0.000000
3、比较两个模型
比较这两个模型，可得表格如下： 因变量 自变量 常数项 sun temp rain seed labor 调整R^2 S.E F值 P值 DW 观测值
通过对这两个模型的比较，我们可以看到，①水平模型的常数项系数为正而对数模型的常数项系数为负；②两个模型的各个解释变量的系数符号都一致，说明各变量对粮食产量的影响方向各自一致。比如说在两个模型中，降雨量以及劳动力人数对于粮食产量都存在负面的影响，而其他因素对粮食产量都是正面的影响；③不管是在水平模型还是在对数模型中，调整后的R^2都大于0.98，说明两个模型都拟合程度很好；④两个模型中的F值都大于400，说明两个模型中的各个因素都能很好地解释粮食产量的增长，其中水平模型的F值大于对数
output 水平模型 1433.706 0.71 9. -0.00048 0.44 -1.66 t值 4.86 2.08 0.63 -0.01 16.3 -11.21 0.993 100.9 798.66 0 1.82 217 output 对数模型 t值 -6306.213 123.8215 12.71365 -0.039502 1140.717 -1.976995 -4.7469 1.629134 0.584559 -0.859721 7.31098 -9.549509 0.987 140.29 411.12 0 1.008 217 模型的；⑤总体上来说，对数模型的回归结果是较符合我们的实际的，调整后的R^2，SE,F值，P值，DW都不错，说明这回归不存在大的谬误。
综上所述，这两个模型回归效果都很不错，但是根据水平模型中的常数项系数为正，对数模型中的常数项系数为负，可以做出判断，对数模型更适合解释粮食产量的变化。因为即使各个解释变量都为0，中国的粮食产量也不会为正数。因为粮食会被消耗掉，我们会吃东西，从另一方面说，当我们国家一点粮食都不种，我们的粮食产量不是为0，而应该为负，这个数值即我们的消耗。
4、异方差检验
对对数模型进行怀特检验，可得如下模型：
White Heteroskedasticity Test: F-statistic Obs*R-squared
Test Equation:
Dependent Variable: RESID^2 Method: Least Squares Date: 01/02/12 Time: 19:29 Sample: 1 217
Included observations: 217
Variable C SUN SUN^2 TEMP TEMP^2 RAIN RAIN^2 SEED SEED^2 LABOR LABOR^2 R-squared
Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
Coefficient -781533.6 711.4595 -0.170298 48761.59 -1711.984 -105.6192 0.019707 -211.12 0.0294 717.2607 -0.229740 Std. Error 367548.3 293.7878 0.080806 32613.96 1093.785 239.1574 0.0950 62.26297 0.005286 225.9944 0.062975 t-Statistic -2.126343 2.421678 -2.107481 1.495114 -1.565193 -0.441630 0.204326 -3.3912 5.608500 3.173798 -3.8110 Prob. 0.0347 0.0163 0.0363 0.13 0.1191 0.6592 0.8383 0.0008 0.0000 0.0017 0.0003 4679.2 28.60792 28.77925 11.34539 0.000000
11.34539 Probability 77.06743 Probability
0.057035 0.002100
0.355149 Mean dependent var 318114.6 0.323846 S.D. dependent var 384746.9 Akaike info criterion 3.05E+13 Schwarz criterion -3092.959 F-statistic 0.629110 Prob(F-statistic)
从如上的回归，我们可以看到P值=0.057>0.05，很明显，对数模型中不存在异方差。
六、结论
总体而言，通过针对2003年至2009年中国31个地区粮食产量的217个数据的各影响因素分析，可以获得如下基本结论：粮食种植属农业活动的一种，一般都在户外进行，不可避免地会受到温度，降水量，日照时间长短等因素的影响，同时还会受到劳动力，粮食播种面积等因素的综合影响。
但是具体而言，在自然环境因素中，（1）在对数回归模型中，日照的系数的T值为1.63，说明日照时间长短对粮食产量的正面影响并不显著，另外降雨量系数的T值为-0.86，气温的系数的T值为0.58，说明降雨量与气温对粮食产量的影响都不显著，这可能是由于随着科技的发展，农业劳动也越来越多地在暖棚内进行，这意味着人们可以人工地在棚内对植物进行浇灌以及控温调温，日光等，不论自然环境多么恶劣，气温骤降还是雨水灾害，又或者连续几天都不出太阳，这些对棚内的植物都产生不了任何影响，从而也导致粮食产量不受降雨量以及气温变化以及日照时间长短这种自然因素的影响。
另外，（1）播种面积对粮食产量有显著的正面影响，7.31098表示播种面积增加1千公顷粮食产量就会相应的增加7.31098个百分比。（2）劳动力人数对粮食产量存在着显著的负面面影响，-9.549509表示当劳动力人数每增加1万人，粮食产量就会相应地减少-9.549509万吨。这可能是由于一旦从事农业的劳动力越多，就会显示出我国劳动力的有效利用率越低，这样就会导致我国粮食产量会随着劳动力人数的增多而降低。
在其中，我们可以发现，播种面积以及从事农业的劳动力的人数对粮食产量的影响明显显著于自然因素对其的影响。我认为，这是因为自然环境不管怎么变化，都是有规律的，不会超出一定的界限，因而在日照时间变化的数据之中轻易不会出现极端值，即这个解释变量的相关数据的波动范围较小。（这可以由“各变量的统计量信息”的表格中得到，日照时间等的标准差明显小于播种面积以及劳动力人数的标准差。）而播种面积以及劳动力人数就不一定了。比如说劳动力人数的话，近几年农村劳动力大规模地向城市转移，这样的话从事农业劳动的人员必然就会减少，从而导致粮食产量的下降，若这个趋势持续下去，我国的粮食产量必定会受到严重的打击；而讲到播种面积的话，中国会采取天湖造田或者变林为耕的方式增加我国的耕地面积，从而使我国的播种面积逐年递增，这种做法也会使我国的粮食产量增加。
最后，对数回归模型中的调整的R-squared的值为0.987，针对这个数字，虽然拟合优度没有达到0.99，但是也是可以理解的。因为这个模型只考虑到5个解释变量，但是粮食产量这个被解释变量明显还受其他的很多因素影响，比如说化肥的使用量、各地区各年的受灾面积，农民人均收入以及机械的投入等因素，都会影响到我国的粮食产值。
参考文献：
1、王学超.《关于农业投入产出的回归分析模型》.经济师.2009年第二期
2、吴琦磊，邓金堂.《基于Eviews的我国农产品产量与相关投入的模型分析与预测检验》.情报探索.2010年5月第5期
3、李尧.《我国农业经济总量影响的实证分析》.广东农业科学2011年第9期 4、赵曦.《沈阳市农业资源利用率的研究》.北方园艺.2010（11）：230~232
5、崔兴凯，路秀英.《基于NGM（1,1，k）模型的农产品产量预测方法》.微电子学与计算机.2011年8月第8期
6、占金胜，林英志，葛全胜，徐志刚.著《自然灾害对农产品市场价格影响研究—以汶川地震为例》.地理研究.2011年8月
7、张镝.著《浅谈我国农村的环境问题与环境》.三农与林业法律视角.2006年6月 8、任斌，何俊杰.著《基于结构化神经网络挖掘的农产品产量预测方法》.计算机工程与科学.2009年第31卷第9期
9、厉益，吴玮.著《1624~1662年蔗糖产量增长的原因分析》.西安社会科学.2011年10月
10、李淑兰.著《加大种植结构调整 促进农业增产增收》.
11、吴晓斌，胡振虎，夏厚俊.著《发展现代农产品物流产业的若干思考》.财经资讯.2007年第1期
12、冷崇总.著《世贸组织规则下我国农业补贴的调整》.财经资讯.2002年5期
因篇幅问题不能全部显示，请点此查看更多更全内容