基于SAS分析重庆市进出口总额影响因素的研究.doc

基于SAS分析重庆市进出口总额影响因素的研究
前言
重庆是内陆出口商品加工基地和扩大对外开放先行区，国家重要的现代制造业基地和高新技术产业基地，中国中西部地区发展循环经济示范区，国家实行西部大开发的涉及地区和国家统筹城乡综合配套改革试验区。
重庆作为重要城市，经济发展迅速。由于地理位置优越，对外贸易历史悠久，尤其是1978年我国开始实行改革开放政策以来，进出口贸易得到了迅猛的发展，同时两路——寸滩内陆保税港区的设立，也极大地促进了重庆市进出口贸易的发展。截至2013年11月份，重庆海关发布消息称，今年1-10月，重庆实现外贸进出口545.8亿美元，同比增长20.5%，位居中西部第一，这一数字已超过去年全年的进出口总值。由此可见，进出口贸易的迅猛发展已经成为成为重庆经济发展的重要推动力，因此研究重庆进出口情况有利于找到影响进出口的主要经济因素，从而带动进出口增长，拉动经济。
进出口是我国参与国际分工的重要方面。进出口可以满足消费者多样化的需要，有利于弥补国内资源不足，引进先进技术设备，提高经济效率。出口有利于我国的产品走出国门，提升企业的竞争力，获取更高的利益，促进对外贸易增长，进而是宏观经济增长。因此，如何进一步发挥进出口在我国经济发展方面的作用，成为一个重要的议题。报告以重庆市的进出口总额为研究对象，使用SAS软件，引入三个影响进出口总量的经济因素，对重庆市进出口贸易与影响进出口因素进行实证分析, 得出进出口贸易与这三个经济因素的关系，并提出相关的政策建议。
一、理论背景
一国进出口贸易的发展程度很大程度上依赖于这个国家的经济发展水平，国民经济越发达，与国外的联系也会越紧密，从而推动国家进出口贸易的发展。
近几年来,李鹏翔教授采用实证研究方法，对进出口与经济增长关系进行研究。运用计量经济学分析方法中时间序列的平稳性检验及调整分析方法，对进出口、出口、GDP三者关系进行实证研究，结果表明进出口与经济增长之间存在长期的均衡关系,并且发现进出口对经济增长的关系较为显著。姚树洁、冯根福等专家在《外商直接投资与经济增长关系》的研究中分析发现：在西南部地区,外商直接投资明显地对经济增长产生影响，且对重庆市的经济增长具有促进作用。
对于进出口来说，其实影响因素有很多，固定资本形成总额，外商直接投资额以及居民人均收入与进出口总额之间也会相互影响。报告选取了1978年到2012年的时序数据作为研究的范围，以重庆市进出口总额为被解释变量，并选取三个解释变量进行计量分析。希望通过建立一个合适的经济模型来从理论上找出影响进出口总额的因素，从而提出增加进出口总额的方法，进而达到促进经济发展的目的。

二、模型建立
本模型是通过对重庆1978-2012年数据进行研究。
确定模型所包含的变量，因变量（被解释变量）为进出口总额（Y单位：亿元）自变量（解释变量）有3个GDP（X1单位：亿元），固定资本形成总额（X2单位：亿元） ，外商直接投资额（X3单位：万美元）。
确定模型的数学形式，我们先假设数学模型为：

三、实验方法
本次研究主要是分析自变量和因变量的关系以及找出合适的模型，并且运用时间序列的方法对进出口总额进行预测分析。我们先用SAS对我们假定的模型对变量X1，X2，X3分析，看看它们与Y的关系,然后在对进出口总额进行时间序列分析，最后预测未来2年的数据。

四、 数据来源
1、数据来源与CNKI网
2、原始数据：

进出口总额

（万美元）
Y
GDP

（亿元）
X1
固定资本形成总额（亿元）
X2
外商直接投资额
（万美元）
X3
1978年
449
67.32
20.54
68
1979年
681
75.87
25.67
72
1980年
1062
84.77
30.93
120
1981年
2043
90.67
38.66
118
1982年
2544
100.6
41.57
157
1983年
3168
111.46
43.76
196
1984年
7023
131.27
48.62
284
1985年
13702
151.96
57.21
427
1986年
20452
170.34
68.92
790
1987年
29681
190.35
81.08
1924
1988年
41078
240.05
88.137
2069
1989年
60299
278.47
97.93
756
1990年
68095
299.82
108.82
332
1991年
61950
341.55
128.01
977
1992年
74244
420.18
150.6
10247
1993年
85470
553.05
167.34
25915
1994年
123957
755.96
196.82
44953
1995年
141859
1016.25
231.13
37926
1996年
158543
1187.47
313.61
21878
1997年
167843
1360.24
395.61
38466
1998年
103386
1440.56
516.6
43107
1999年
121044
1491.99
560
23893
2000年
178547
1603.16
628.01
24436
2001年
183384
1765.68
751.7
25649
2002年
179401
1990.01
931.53
28089
2003年
259488
2272.82
1244.83
31112
2004年
385735
2692.81
1552.99
40508
2005年
429283
3070.49
1862.65
51575
2006年
547013
3907.23
2138.2
69595
2007年
744546
4676.13
2587.86
108534
2008年
952121
5793.66
3059.89
272913
2009年
771000
6530.01
3633.2
401643
2010年
1243000
7925.58
4379.3
634397
2011年
2921000
10011.37
5511.24
1052948
2012年
5320000
11459
6041.2
1013988
表4.1

五、 SAS操作
1、描述统计量
data sas; /*建立关于进出口总额的数据集*/
infile ' C:\Users\Administrator\Desktop\sas.txt' delimiter='09'x firstobs=2; /*读入外部文件*/
input year $ y x1-x3;
label year=''y='进出口总额' x1='GDP' x2='固定资本形成总额' x3='外商直接投资额';
run;
;

表5.1
proc means data =sas maxdec = 2
n mean std max min std stderr clm; /*利用MEANS过程计算描述统计量*/
var y x1 x2 x3;
run;

图5.1
由图5.1可知，各样本容量为35，样本进出口总额的平均值为440088.31，样本标准差为1008725.62，样本最大值为5320000,样本最小值为449，样本标准误差为170505.75，样本95%的置信区间为[33578.94,786597.69]。
2.折线图：
proc gplot data=travel; /*对数据集travel绘制连线图*/
plot x1*year; /*绘制变量x1的序列曲线图*/
plot x2*year; /*绘制变量x2的序列曲线图*/
plot x3*year; /*绘制变量x3的序列曲线图*/
symbol i=spline v=star ci=green cv=red;
run;

图5.2

通过sas对数据集制作连线图得到图5.2，可以看出，自从改革开放以来，重庆市GDP逐年升高，增长率逐步上升，在2000年以后曲线变陡，说明GDP增长速度大幅提高。

图5.3
通过sas对数据集制作连线图得到图5.3，可以明显看出从1978年以来，重庆固定资本形成总额不断增长，自2000年大幅提高，表明重庆市从2000年开始，大量生产固定资本，固定资本投资额数目较大，增长较快。

图5.4
通过sas对数据集制作连线图得到图5.4，可以看出外商投资额从1978年到2005年，还属于较低水平，但是从2006年开始得到大幅提升，呈现爆炸式的增长，说明重庆市从2006年开始，大量引进外商投资，对拉动重庆市的经济产生了不可估量的作用。

3、逐步回归法
逐步回归的基本思想是：首先在待选的M个变量中选择一个对因变量影响最大的自变量，这可以通过因变量与每一自变量进行回归得到的F值来判断。若最大的F值在给定的显著性水平下是显著的，则该变量被选中，否则选元结束。第二步，在剩下的M-1个变量中再选择一个变量加入到模型中，这可以通过偏F检验来判断。
偏F统计量为：
其中，表示模型已存在变量的条件下新加入变量对因变量的贡献。若最大的偏F统计量在给定的显著性水平下是显著的，则对应的自变量则被加入到模型中，否则不再加入其它变量，选元结束。第三步，对已在模型中的每个变量进行显著性检验。若检验不显著，则去掉该变量，再重复进行第二步和第三步，否则保留该变量，重复进行第二步和第三步，这一过程一直进行到待选的全部自变量根据给定的显著性水平没有一个再能被选入模型或排除出刚构成的回归模型为止。
输入程序：
data y;
input Y X1 X2 X3@@;
cards;
449 67.32 20.54 68
681 75.87 25.67 72
1062 84.77 30.93 120
2043 90.67 38.66 118
2544 100.6 41.57 157
3168 111.46 43.76 196
7023 131.27 48.62 284
13702 151.96 57.21 427
20452 170.34 68.92 790
29681 190.35 81.08 1924
41078 240.05 88.137 2069
60299 278.47 97.93 756
68095 299.82 108.82 332
61950 341.55 128.01 977
74244 420.18 150.6 10247
85470 553.05 167.34 25915
123957 755.96 196.82 44953
141859 1016.25 231.13 37926
158543 1187.47 313.61 21878
167843 1360.24 395.61 38466
103386 1440.56 516.6 43107
121044 1491.99 560 23893
178547 1603.16 628.01 24436
183384 1765.68 751.7 25649
179401 1990.01 931.53 28089
259488 2272.82 1244.83 31112
385735 2692.81 1552.99 40508
429283 3070.49 1862.65 51575
547013 3907.23 2138.2 69595
744546 4676.13 2587.86 108534
952121 5793.66 3059.89 272913
771000 6530.01 3633.2 401643
1243000 7925.58 4379.3 634397
2921000 10011.37 5511.24 1052948
5320000 11459 6041.2 1013988

;proc reg graphics;
model Y=X1 X2 X3/selection=stepwise sls=0.05 sle=0.2 r;
plot student.*p.='*';
run;
该程序告诉我们先建立一个临时数据集（一般临时的数据集在逻辑库里的work中）名叫y；里面有4个变量Y X1 X2 X3.其中proc reg graphics 是表示回归作图“selection=stepwise”表示逐步回归（选元，并给出回归结果），“sls=0.05”表示变量保留在模型中的显著性水平为0.05，而“sle=0.2”则表示变量选入到模型中的显著性水平为0.2，PLOT语句画标准残差与预测值的残差图。

逐步回归结果图和残差图

图5.5

图5.6
图5.6是对因变量Y进行逐步回归的结果，从残差图中和逐步回归表中可以得到回归方程如下：

统计量值： （0.24） (176.67) F=176.67
对应概率： （0.6309）（<0.0001） （<0.0001）
R-Square = 0.8426 and C(p) = 3.5208，MSE=1.649988E11，SSR=5.444961E12

以上模型中，截据项的T在0.05的显著性水平下通过检验。通过以上分析我们可以得出：
外商投资额每增加1万美元，进出口总额增加3.5233万美元。
4、多重共线性
多重共线性是指在多元回归分析中自变量之间存在线性关系，用数学术语来表达就是系数矩阵的秩<P+1，即R（）<P+1，换句话说，某一个自变量可以被其它自变量线性表示，此时称自变量之间完全共线。
proc reg corr; /*对模型进行回归分析过程，并要求计算变量之间的相关系数*/
model y=x1 x2 x3/ vif collin collinoint; /* vif要求计算方差膨胀因子，而collin和collinoint则要求进行多重共线诊断*/
run;

图5.7
由图5.7变量之间线性回归及多重共线诊断结果中最上面的相关系数阵可以看出，X1、X2、X3与Y都是正相关，并且X1与Y高度正相关，相关系数为0.9968。上述说明X1与Y存在高度的线性关系，而自变量之间不存在多重共线性。

图5.8
膨胀因子(vaiance inflation)和最下面的共线性诊断（图5.8）（因为截据项
检验显著）也说明了这一点。
检验统计量： （-1.00） (1.74) (-1.55) (3.80) F=62.78
对应概率: （0。3238） (0.0821) (0.1316) (0.0006) (0.0001)
R2=0.8587 R2-adj=0.8450 Root MSE=397152
由上述可知，X1和X2的T检验显著。
六、预测（进出口总额）
我们预测Y（预测未来五年的进出口总额）可以通过时间序列的方法进行预测。
1、平稳性检验
data d;
input y @@;
year=intnx('year','1jan1978'd,_n_-1);
format year year4.;
cards;
;

proc gplot data=d; /*对数据集d进行绘图*/
plot Y*year; /* 规定将输出以year为横坐标，以Y为纵坐标的曲线图*/
symbol c=red i=jion v=star;/* 规定所绘制图形的格式,此图形中各点的形状为星号，各点是通过直线连接的，曲线的颜色为红色*/
run;

图6.1
由图6.1可知，看出具有明显的趋势性为非平稳模型。

2、模型分析：
proc arima data=d; /*对模型进行arima分析*/
identify var=y nlag=12;/*可以了解变量的主要性质，nlag表示我们要看12阶*/
run;

图 6.2
由图6.2纯随机性结果图可以看到该模型P值检验显著，综上所述该序列为非平稳非白噪声序列；
由于出现了明显的趋势性的缘故，故此我们对原序列趋势转化为线性趋势，然后在进行差分以消除线性趋势；
data d;
set d;
y1=log(Y); /*对Y进行log运算产生新值为Y1*/
run;
proc gplot data=d; /*对数据集d进行绘图*/
plot y1*year; /* 规定将输出以year为横坐标，以Y1为纵坐标的曲线图*/
symbol c=red v=star i=join; /* 规定所绘制图形的格式,此图形中各点的形状为星号，各点是通过直线连接的，曲线的颜色为红色*/
run;
该代码表示对Y进行log运算产生新值为Y1；并绘制图形。

图6.3
由图6.3可知，经过变换后该序列成线性趋势；然后在进行差分以消除线性趋势
data d;
set d;
dif=dif(Y1); /*对Y1进行一阶差分*/
proc gplot data=d; /*对数据集b进行绘图*/
plot dif*year; /* 规定将输出以year为横坐标，以Y1的一阶差分为纵坐标的曲线图*/
symbol c=red v=star i=join; /* 规定所绘制图形的格式,此图形中各点的形状为星号，各点是通过直线连接的，曲线的颜色为红色*/
run;

图6.4
由图6.4可知，做完一阶差分序列趋于平稳，为此我们来观察纯随机检验图。

3、随机性检验：
proc arima data=d;
identify var=y1(1);
run;
对模型进行自相关图的产生如下；

图6.5

逆自相关图：

图6.6

偏自相关图：

图6.7
由图6.7可知，显示序列平稳，考察序列的随机性。图中延迟阶数从0到17阶，自相关系数从2阶之后全部进入两倍标准差区域。由此判断时间序列是平稳的。
纯随机检验结果图：

图6.8
从纯随机性结果图6.8可以看到该模型P值都小于0.0001故检验显著，综上所述该序列为平
稳非白噪声序列；
我们下一步进行模型识别与优化，定阶：
proc arima data=d;
identify var=y1 minic p=(0:7) q=(0:7);/* 自相关延迟阶数p在0和7之间，
偏自相关系数阶数q在0和7之间*/
run;
该代码表示自相关延迟阶数p在0和7之间，偏自相关系数阶数q在0和7之间的所有ARMA(P,q)模型的BIC信息量，并显示其中的最小值。

图6.9
图6.9可以看到ARMA（2,0）的BIC信息量最小，其值为-1.97439.因此我们选择ARMA（2,0）模型拟合序列但是发现其残差序列为模型的参数估计与表达式。
proc arima data=d;
identify var=y1;
estimate p=2 q=0 method=ml;/* 使用最大似然估计法对模型ARMA（2,0）进行参数估计*/
run;

图6.10
由图6.10可知，AR1,2显著，而AR1,1和常数项不通过T检验故删掉。

图6.11
由图6.11可知，延迟6、12、18、24阶的P值均明显大于0.05，认为残差序列为白噪声序列，且认为模型拟合良好。

图6.12
由图6.12可知，拟合模型的具体形式。其中均值的估计值为8.626594.

4、模型预测：
identify var=y1(1);
estimate p=1 noint;
forecast lead=5 id=year out=out; /* 对序列进行向前3期预测并把预测值存储到数据集out中*/
run;

图6.13
可知预测结果，但是预测结果是Y1的值，因为Y=log（Y1）所以我们还得用数学计算得到Y。Y2013=4246053.248，Y2014 =5105088.322

七、结论及建议
1、结论
通过对进出口总额的原始数据分出理，我们先是提出模型假设，即（X1表示GDP， X2固定资本形成总额，X3表示外商直接投资额）先进行了逐步回归得到了模型的最初基本表达式 ：
并且经过处理，此时的模型已不存在自相关和异方差，T检验和F检验均合格（即不存在多重共线性），经济意义也合理，预测结果也比较合理。
得出以下结论：重庆市的进出口总额主要受外商直接投资额的影响，当然，重庆市的进出口总额还受很多其他因素的影响，但是我们研究的模型所包括的自变量有限，不可能全部包括，所以此结论只是根据本模型得出的，它具有一定的局限性。

2、政策建议
进一步扩大进出口，调整和完善现有对外贸易政策,扩大进出口贸易。在新时期，新形势的发展也要求外贸增长的观念、战略和政策都需要发生更大的变化。基于本文结论，我们提出以下政策建议：
外商直接投资
外商直接投资与进出口总额呈正相关，并且促进经济增长的方法很多。例如优化产业结构。优化外资产业结构方面主要有四件事：一是加大服务业外资引进力度，特别是服务外包；二是加大总部经济发展的力度；三是加大引进高新技术产业、先进制造业，尤其是符合重庆市产业导向、完善产业链的先进制造业力度；四是抓好重点区域，利用重点区域带周边遍区域，实现外商投资的整体提升。
（1）加强对外资投向的引导。在制造业继续吸引外资投向高技术含量、高附加值等制造环节的同时，今后要更多地吸引外资向农业和服务业投资。要引导外资更多地投向甘肃等西北地区，促进地区经济协调发展。
（2）做好引进技术的消化吸收和创新提高。重庆市已经具备了这方面的基础，对引进技术消化吸收和创新提高的投入能力不断加强。
（3）为企业创造平等竞争的环境。在对外开放中，要创造有利的体制环境，使重庆市的企业能够发挥自身优势，充分利用对外开放的机遇，增强开拓市场、技术创新和培育自主品牌的能力。要鼓励重庆市的企业与大型跨国公司合资合作，增强自身竞争能力和长期发展能力。要进一步完善使企业能够与外商投资企业平等竞争的体制和政策环境，使那些具备竞争能力的企业能够在与跨国公司的竞争中不断提高自身竞争力。
（4）不断创新利用外资方式，拓宽利用外资渠道，顺应全球跨国并购迅速发展的趋势，积极引导外国投资者并购境内企业。按照加入世贸组织承诺，根据重庆市资本市场的发展现状，稳步推进资本市场对外开放，继续试行合格的境外机构投资者制度，支持符合条件的企业到境外发行证券并上市。严格控制外债规模和结构，突出外债使用的合理性、有效性和安全性，切实防范金融和外债风险。
（5）大力改善外商投资环境，进一步规范招商引资继续保持政策的连续性和稳定性。全面贯彻实施《行政许可法》，大力推进依法行政，进一步减少和规范外资行政审批，提高审批效率。切实转变政府职能，把工作重心放在为市场主体服务、创造良好发展环境上。加快外商中介服务机构建设。深入开展保护知识产权专项行动，加大执法力度，依法惩处侵权行为，加强知识产权保护。

21