计量经济学我国旅游业发展影响因素实证分析

【#文档大全网# 导语】以下是®文档大全网的小编为您整理的《计量经济学我国旅游业发展影响因素实证分析》，欢迎阅读！

吉林财经大学统计学院

2013-2014学年第一学期课程论文

我国旅游业发展影响因素实证分析 课程名称： 计量经济学 专业班级： 学 号： 姓 名： 指导老师：

一、引言

中国幅员辽阔，拥有五千年灿烂文明的历史和各具特色的秀丽山川，构成了异常丰富的旅游资源，对国内外游客都有着强大的吸引力，为旅游业提供了良好的发展基础。

旅游业一直被誉为“朝阳经济”、“无烟产业”，它作为一个具有巨大发展潜力的产业群体，在21世纪经济发展中一枝独秀，在国民经济中的地位日益重要，经济影响越来越被各国重视，成为推动社会经济发展的重要因素。1998年，旅游业与经济产业和房地产业一起被确定为我国国民经济新的经济增长点，受到各级地方政府普遍重视。2009年，国务院提出“把旅游业培育成国民经济的战略性支柱产业和人民群众更加满意的现代服务业”的发展战略目标，更赋予了旅游业“国计民生”的战略高端地位。

旅游业是一个关联带动性很强的综合性产业，对相关产业的带动，对经济结构的改善等都具有十分重要的作用，具体表现在增加外汇收入、加快货币回笼、扩大就业机会、带动相关产业、积累建设资金和促进贫困地区脱贫等。除此之外，发展旅游业对一个国家或地区的社会、文化、环境也具有积极的作用和影响。

在当前经济形势比较严峻，外需不振和内需不足的情况下，旅游业的发展，尤其是国内旅游，对于扩大内需、调整产业结构和促进经济增长具有重要的经济意义。因


此，本文将我国旅游业发展作为研究对象，以经济学、统计学理论为指导，运用计量经济研究方法，通过相关模型的设定分析，量化研究我国旅游业的发展态势，分析各省市地区旅游业发展的影响因素，明晰旅游业增长原因，为实现中国城市和区域旅游业协调发展及旅游业经济管理决策提供政策建议和理论参考。

二、定性分析

（一）我国旅游业发展现状

随着经济的发展，人们生活水平的提高，旅游业已经成为中国社会新的经济增长点。旅游产业是一个关联性很强的综合产业，一次完整的旅游活动包括吃、住、行、游、购、娱六大要素，旅游产业的发展可以直接或者间接推动第三产业、第二产业和第一产业的发展。尤其是假日旅游，有力刺激了居民消费而拉动内需。2012年，我国全年国内旅游人数达到30.0亿人次，同比增长13.6%，国内旅游收入2.3万亿元，同比增长19.1%。旅游业的发展不仅对增加就业和扩大内需起到重要的推动作用，优化了产业结构，而且可以增加国家外汇收入，促进国际收支平衡，加强国家、地区间的文化交流。旅游收入不仅直接反映国家或地区旅游经济的运行状况，也是衡量旅游经济活动及效果的一个重要综合指标，更是国家或地区经济发达与否的重要标志之一。本文通过计量经济模型来分析影响旅游景区收入增长的主要原因，探究旅游收入增长规律，为相关部门和机构提供量化数据，为其制定相关政策、规划、战略提供理论支持，使我国旅游业实现更好、更快、可持续的发展，在不断满足广大居民物质文化及精神需求的同时，提高旅游经济效益，拉动国民经济增长。

（二）旅游业发展影响因素分析

在旅游影响因素研究方面，多数学者采用回归分析来比较各指标与旅游收入的不同相关程度。余慧颖、徐蕾（2010）使用旅游投资效率进行分析，即旅游投资引起旅游收入的变化情况。方相林、张晓燕（2010）通过突发事件、A级以上景区数量、旅客周转量、星级饭店等指标对旅游业发展情况影响程度进行分析。卢江勇、张玉梅、过建春（2005）对旅游总收入和实际开房数、从业人数、接待人数进行相关分析和回归分析。从全国角度来看，关于影响旅游业发展主要因素的文献，多分为国际和国内两方面来选取指标。一般而言，旅游收入可以反映一国或地区旅游发展的状况，故多选取旅游收入为自变量来衡量旅游业发展水平。影响旅游业收入的因素很多，如政策、消费者收入、交通条件、宣传力度、服务水平、从业人员等，根据实际研究情况选定


分析。

（三）指标体系建立

依照以往学者分析，将影响旅游业发展因素分为国内和国际两个方面。因此引入城镇居民可支配收入和旅游外汇收入两个指标分析国内外不同的因素对旅游业发展的影响。旅游业很大程度上受其自身产业规模的发展水平影响，固定资产和从业人数体现了旅游产业发展规模的内在影响因素，因此引入旅游景区固定资产和旅游业从业人数两个指标对其说明。本文选取我国31个省市地区的2011年的旅游业相关数据和四个指标构成的指标体系运用多元回归模型进行定量分析旅游业发展的影响因素。

三、实证分析

（一）模型设定

根据以上的分析，建立以下模型 Y=β0+β1X1+β2X2+β3X3+β4X4+Ut 参数说明：

Y ——旅游景区营业收入/万元 X1——旅游业从业人员/人 X2——旅游景区固定资产/万元 X3——旅游外汇收入/万美元 X4——城镇居民可支配收入/元 收集到的数据如下（见表2.1）：

表2.1 2011年全国旅游景区营业收入及相关数据（按地区分） 地 区 北 京 天 津 河 北 山 西 内蒙古 辽 宁 吉 林 黑龙江

营业收入 145249.01 48712.37 182226.87 29465.03 70313.07 25665.30 20389.30 38367.81

从业人数 145466 24787 79643 57719 36264 64816 29066 30341

固定资产 694252.30 93529.67 420342.74 121809.74 206819.12 46573.27 87827.16 137426.27

外汇收入 541600 175553 44765 56719 67097 271314 38528 91762

可支配收入 32903.03 26920.86 18292.23 18123.87 20407.57 20466.84 17796.57 15696.18


上 海 江 苏 浙 江 安 徽 福 建 江 西 山 东 河 南 湖 北 湖 南 广 东 广 西 海 南 重 庆 四 川 贵 州 云 南 西 藏 陕 西 甘 肃 青 海 宁 夏 新 疆 194762.30 316051.65 385976.92 79562.75 155378.95 54961.66 116995.67 222108.33 104565.58 118180.87 476345.50 66195.55 29081.60 86713.67 218624.03 42214.14 135897.97 30406.73 48692.17 30949.00 638.43 49509.86 28993.11 91106 140154 132459 55840 80303 41791 143026 70164 62767 80615 226539 49876 30759 50160 70756 27683 62679 6023 57077 31280 8741 12196 40451 563007.44 1195000.60 1110975.20 139769.02 151897.69 85528.05 327733.29 482005.32 243794.62 257226.70 1160675.4 143982.03 70386.55 230124.00 464763.52 62415.21 348426.04 462971.03 154529.19 56684.68 9851.28 123149.90 52280.36 575118 565297 454173 117918 363444 41500 255076 54903 94018 101434 1390619 105188 37615 96806 59383 13507 160861 12963 129505 1740 2659 620 46519 36230.48 26340.73 30970.68 18606.13 24907.40 17494.87 22791.84 18194.80 18373.87 18844.05 26897.48 18854.06 18368.95 20249.70 17899.12 16495.01 18575.62 16195.56 18245.23 14988.68 15603.31 17578.92 15513.62

数据来源：1.中国统计年鉴2012，

2.中国旅游年鉴2012。

（二）参数估计

利用Eviews6.0估计模型参数，最小二乘法的回归结果如下：

表3.1 最小二乘法回归结果

Dependent Variable: Y Method: Least Squares Date: 11/14/13 Time: 21:14 Sample: 1 31

Included observations: 31



Coefficient

C X1 X2 X3 X4



Std. Error 39569.49

0.366112 0.041218 0.060755 2.098257



t-Statistic 0.818581

1.648741 5.683583 0.734620 -0.912202

Prob. 0.4205 0.1112 0.0000 0.4691 0.3700





32390.83

0.603624 0.234265 0.044632 -1.914034






R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.879720 Mean dependent var 0.861215 S.D. dependent var 41995.55 Akaike info criterion 4.59E+10 Schwarz criterion -371.2657 Hannan-Quinn criter. 47.54049 Durbin-Watson stat 0.000000

114619.2 112728.1 24.27520 24.50649 24.35060 2.007191

根据表中的样本数据，模型估计结果为

^





Y=32390.83+0.603624X1+0.234265X2+0.044632X3-1.914034X4

（39569.49）（0.366112）（0.041218）（0.060755）（2.098257） t = (0.818581) (1.648741) (5.683583) (0.734620) (-0.912202)

R=0.879720 R2=0.861215 F=47.54049 DW=2.007191

可以看出，可决系数R=0.879720，修正的可决系数R2=0.861215。说明模型的拟合程度还可以。但是当α=0.05时，X1、 X2、X4系数均不能通过检验，且X4的系数为负，与经济意义不符，表明模型很可能存在严重的多重共线性。 （三）模型修正

1．多重共线性的检验与修正 （1）多重共线性的检验

计算各个解释变量的相关系数，得到相关系数矩阵。

表4.1 相关系数矩阵 变量 X1

X2 X3 X4

X1 1.000000 0.809777 0.872093 0.659239

X2 0.809777 1.000000 0.758322 0.641086

X3 0.872093 0.758322 1.000000 0.716374

X4 0.659239 0.641086 0.716374 1.000000

2



2



由相关系数矩阵可以看出，解释变量X2、X3之间存在较高的相关系数，证实确实存在严重的多重共线性。

（2）多重共线性的修正

采用逐步回归的办法，检验和回归多重共线性问题。分别作Y对X1、X2、X3、X4的一元回归，结果如表所示。


表4.2 一元回归结果 变量 参数估计值 t统计量 R2



X1 1.978224 8.635111 0.719983 0.710327

2

X2 0.315120 12.47495 0.842924 0.837508

X3 0.316946 6.922479 0.622988 0.609988

X4 12.54525 4.005547 0.356191 0.333991

其中，X2的方程R最大，以X2为基础，顺次加入其它变量逐步回归。结果如表所示。 表4.3 加入新变量的回归结果（一） 变量 变量 X2，X1

X1 0.711446

X2 0.230304 (5.891959) 0.258113 (7.016265) 0.312045 (9.319239)

2

X3 X4

(2.679575)





0.087950 (2.043471)

0.866053

X2，X3

0.293708（0.143226）

0.853546

X2，X4 0.831828

经比较，新加入X1的方程R=0.866053，改进最大，而且各参数的t检验显著，选择保留X1，再加入其它新变量逐步回归，结果如表所示。

表4.4 加入新变量的回归结果（二） 变量 变量 X2，X1，X3

X1 0.603269 (1.652919) 0.773017 (2.741794)

2

X2 0.227087 (5.630196) 0.237243 (5.833838)



X3 0.024860 (0.439370)



X4

0.862078

X2，X1，X4

-1.364110 (-0.701920)

0.863581

当加入X3或X4时，R均没有增加，且其参数t检验不显著。从相关系数可以看出X3、X4与X1、X2之间相关系数较高，这说明X3、X4引起了多重共线性，予以剔除。

当取α=0.05时，tα/2(n-k-1)=2.048，X1、X2的系数t检验均显著，这是最后消除多重共线性的结果。

修正多重共线性影响后的模型为

Y= 0.711446 X1+0.230304 X2

^


（0.265507）（0.039088）

t = (2.679575) (5.891959)

R=0.874983 R=0.866053 F=97.98460 DW=1.893654

在确定模型以后，进行参数估计

表4.5 消除多重共线性后的回归结果 Dependent Variable: Y

Method: Least Squares Date: 11/14/13 Time: 21:47 Sample: 1 31 Included observations: 31 Coefficient Std. Error t-Statistic

C -4316.824 12795.42 -0.337373 X1 0.711446 0.265507 2.679575 X2 0.230304 0.039088 5.891959

R-squared 0.874983 Mean dependent var Adjusted R-squared 0.866053 S.D. dependent var S.E. of regression 41257.10 Akaike info criterion Sum squared resid 4.77E+10 Schwarz criterion Log likelihood -371.8644 Hannan-Quinn criter. F-statistic 97.98460 Durbin-Watson stat Prob(F-statistic) 0.000000

2



2

Prob. 0.7384 0.0122 0.0000 114619.2 112728.1 24.18480 24.32357 24.23004 1.893654

2.异方差检验

在实际的经济问题中经常会出现异方差这种现象，因此建立模型时，必须要注意异方差的检验，否则，可能在实际中会失去意义。

（1）检验异方差

表5.1 White检验结果

Heteroskedasticity Test: White F-statistic 3.676733 Prob. F(5,25) Obs*R-squared 13.13613 Prob. Chi-Square(5) Scaled explained SS 15.97891 Prob. Chi-Square(5) Test Equation: Dependent Variable: RESID^2





0.0125 0.0221 0.0069




从上表可以看出，nR2=13.13613，由White检验可知，在α=0.05下，查分布表，

2统计量与临界值，因为nR2=13.13613>χ2 得临界值χ0 (5)=11.0705,比较计算的.050.05

2

Method: Least Squares Date: 11/14/13 Time: 21:48 Sample: 1 31 Included observations: 31 Coefficient Std. Error t-Statistic

C -1.10E+09 1.11E+09 -0.992779 X1 -12789.36 30151.30 -0.424173 X1^2 0.420716 0.294332 1.429393 X1*X2 -0.101814 0.083576 -1.218216 X2 14604.52 5047.701 2.893301 X2^2 -0.002489 0.008030 -0.309972

R-squared 0.423746 Mean dependent var Adjusted R-squared 0.308495 S.D. dependent var S.E. of regression 2.24E+09 Akaike info criterion Sum squared resid 1.26E+20 Schwarz criterion Log likelihood -708.1335 Hannan-Quinn criter. F-statistic 3.676733 Durbin-Watson stat Prob(F-statistic) 0.012464

Prob. 0.3303

0.6751 0.1653 0.2345 0.0078 0.7592 1.54E+09 2.70E+09 46.07313 46.35068 46.16360 1.542170

2

(5)=11.0705,所以拒绝原假设，表明模型存在异方差。

（2）用WLS估计对异方差的修正 选择w=1/e1^2,其中e1=resid。

表5.2 用权数1/e1^2的回归结果 Dependent Variable: Y Method: Least Squares

Date: 11/14/13 Time: 21:49 Sample: 1 31 Included observations: 31 Weighting series: 1/E1^2 Coefficient

C -7074.873 X1 0.788277 X2 0.235806









Std. Error 389.4944 0.013692 0.000968

t-Statistic -18.16425 57.57099 243.6786

Prob. 0.0000 0.0000 0.0000




（3）修正后的White检验结果为

R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic

Prob(F-statistic)

R-squared

Adjusted R-squared S.E. of regression Durbin-Watson stat Weighted Statistics

0.999848 Mean dependent var

0.999837 S.D. dependent var 4.259384 Akaike info criterion 507.9857 Schwarz criterion -87.33232 Hannan-Quinn criter. 92014.78 Durbin-Watson stat 0.000000 Unweighted Statistics

0.871469 Mean dependent var 0.862288 S.D. dependent var 41832.86 Sum squared resid 1.853343





31056.56 171821.4 5.827892 5.966665 5.873128 1.663366



114619.2 112728.1 4.90E+10



表5.3 修正后的White 检验结果

Heteroskedasticity Test: White F-statistic 0.210748 Prob. F(2,28) Obs*R-squared 0.459736 Prob. Chi-Square(2) Scaled explained SS 0.595955 Prob. Chi-Square(2) Test Equation: Dependent Variable: WGT_RESID^2 Method: Least Squares Date: 11/15/13 Time: 20:29 Sample: 1 31 Included observations: 31 Collinear test regressors dropped from specification Coefficient Std. Error t-Statistic

C 17.63991 5.922594 2.978410 WGT -256.0052 728.8280 -0.351256 WGT^2 8.261926 23.57155 0.350504

R-squared 0.014830 Mean dependent var Adjusted R-squared -0.055539 S.D. dependent var S.E. of regression 30.50832 Akaike info criterion Sum squared resid 26061.21 Schwarz criterion

0.8113

0.7946 0.7423

Prob. 0.0059 0.7280 0.7286 16.38664 29.69485 9.765641 9.904414


2

从上表可知nR2==0.459736<χ0.05 (5)=11.0705，证明模型中的异方差已经被消除

Log likelihood

F-statistic

Prob(F-statistic) -148.3674 Hannan-Quinn criter. 0.210748 Durbin-Watson stat 0.811251

9.810878

2.081320



了。

异方差修正后的模型为

Y= -7074.873+0.788277X1*+0.235806 X2* 389.4944 0.013692 0.000968 t = (-18.16425) ( 57.57099) ( 243.6786)

R=0.999848 R=0.999837 F=92014.78 DW=1.663366

其中X1*= 1/e1^2* X1, X2*=1/e1^2*X2, e1=resid。

3.自相关检验与修正 （1）DW检验

在显著性水平α=0.05，查DW表，当n=31，k=2时，得上临界值du=1.27，下临界值dl=1.15，DW= 1.663365。因为duu，所以模型不存在序列自相关。

由图示法也可以看出随机误差项μi不存在自相关。下图是残差及一阶滞后残差相关图。

图6.1 残差与其滞后一阶残差图

2

2

^

（2）LM检验

表6.1 LM检验结果 Breusch-Godfrey Serial Correlation LM Test: F-statistic 0.809839 Prob. F(1,27) Obs*R-squared 0.902738 Prob. Chi-Square(1) Test Equation: Dependent Variable: RESID Method: Least Squares Date: 11/14/13 Time: 21:50 Sample: 1 31 Included observations: 31 Presample missing value lagged residuals set to zero. Weight series: 1/E1^2





0.3761 0.3420




C X1 X2 RESID(-1)



R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic

Prob(F-statistic)

R-squared

Adjusted R-squared S.E. of regression

Durbin-Watson stat

2从上表可以看出，nR=0.902738，由LM检验可知，在α=0.05下，查分布表，





Coefficient Std. Error t-Statistic Prob. -766.3965 937.0314 -0.817898 0.4206 0.020990 0.027070 0.775390 0.4448 -0.001273 0.001716 -0.742002 0.4645 -0.007092 0.007881 -0.899910 0.3761 Weighted Statistics 0.029121 Mean dependent var -0.564513 -0.078755 S.D. dependent var 4.074747 4.273921 Akaike info criterion 5.862855 493.1929 Schwarz criterion 6.047885 -86.87425 Hannan-Quinn criter. 5.923170 0.269946 Durbin-Watson stat 1.683210 0.846488 Unweighted Statistics -0.014569 Mean dependent var -4021.722 -0.127299 S.D. dependent var 40207.07 42689.59 Sum squared resid 4.92E+10 1.69E-08

2

得临界值χ

2

0.05

2

2 (5)=11.0705,比较计算的统计量与临界值，因为nR2=0.902738<χ0.05

(5)=11.0705,所以接受原假设，即表明模型不存在自相关。 （四）模型检验 1.经济意义检验

模型估计结果表明，在假定其他变量不变的情况下，当景区固定资产每增长1元时，旅游景区收入增加0.788277元；在假定其他变量不变的情况下，当旅游从业人员每增加1人时，旅游景区收入增加0.235806万元。这与理论分析判断相一致。

2.统计检验

(1)拟合优度：由表中数据可得：R=0.999848，修正的可决系数为 R=0.999837，这说明模型对样本的拟合很好。

(2)F检验：针对H0：β1=β2=0，给定显著性水平α=0.05，在F分布表中查出自由

2



2


度为k=2和n-k-1=28的临界值Fα( 2，28)=3.34。由表中得到F=92014.78，由于F=92014.78> Fα( 2，28)=3.34，应拒绝原假设，说明回归方程显著，即“旅游景区固定资产”、“旅游从业人员”变量联合起来确实对“旅游景区营业收入”有显著影响。

(3)t检验：分别对H0：βj=0(j=1,2),给定显著性水平α=0.05，查t分布表得自由度为n-k-1=28临界值tα/2(n-k-1)=2.048。由表中数据可得，1、2对应的t统计量分别为57.57099、243.6786，其绝对值均大于tα/2(n-k-1)=2.048，这说明应该分别拒绝H0：βj =0(j=1,2),也就是说，当在其他解释变量不变的情况下，解释变量“旅游景区固定资产”（X1） 、“旅游从业人数”（X2）分别对被解释变量“旅游景区营业收入”(Y)影响显著。

(五) 经济意义分析及模型评价

由模型可知，旅游景区固定资产对旅游景区营业收入影响显著，固定资产规模是旅游业发展的重要因素之一。因此，引导旅游业资金投入，增加旅游景区固定资产是促进旅游业发展的重要途径。其次，旅游业从业人员数量对于旅游业发展至关重要。现阶段，旅游业从业人员不足，并且素质良莠不齐，为广大旅游者旅途带来不便。众多的业务素质娴熟服务态度优良的旅游从业人员必将带动旅游业快速健康发展。

（六）模型分析过程的不足

1.研究的影响因素偏少，模型设定选取的变量较少。

2.对于以往文献中居民可支配收入对旅游景区营业收入的影响不显著，不得已将其剔除，使得模型中重要因素缺失。

3.时间对旅游需求的影响很重要，模型中选取的截面数据可能导致模型说明力度有所下降。

4.未能找到2012年最新数据，只能选取2011年我国各省市地区旅游业发展相关数据，使得对最新的旅游发展影响因素分析不足。

四、结论

21世纪以来，技术的进步以及社会经济的发展使人们闲暇时间增多，可支配的收入富足。人们满足了其他需求后，旅游需求旺盛，由此也推动了现代旅游的发展。近年来，随着国际旅游业发展的不断转型升级，旅游业作为创意产业、绿色产业、和谐产业的内涵更加突出，并日益显现出其“资源消耗低，带动系数大，就业机会多，综合效益好”的产业特性。现在企业普遍将旅游作为一种福利，每年组织多次集体旅游

^

^


机会，以及我国关于法定节假日放假安排的不断修订改进，保障了国民拥有更多的精力和财力进行旅游休闲娱乐。

旅游业的发展对国民经济的贡献显著已成为不争的事实中国，研究我国旅游业发展影响因素对于促进旅游产业结构的优化升级，推动区域旅游产业协调发展，提升中国旅游业的整体水平具有重要的理论和实践意义。本文采用经济学、统计学等相关理论及相关研究工具对我国旅游业经济发展的理论与市政研究得出以下主要结论：

从全国范围来看，旅游景区固定资产规模增大对旅游景区营业收入提高起到了积极的影响。完善的基础设施建设和齐全的旅游设施建设对促进各省市地区旅游业发展和提高旅游景区营业收入影响显著。

旅游景区从业人员的增加对旅游景区营业收入的提高产生积极影响。旅游业作为服务业，增加其从业人员的数量，提高业务水平和服务态度对旅游业的发展和旅游景区营业收入将产生显著的影响。

此外，从理论意义上旅游外汇收入和居民可支配收入对旅游景区营业收入会产生积极影响，但在本文模型中不显著。

五、主要的政策建议

（一）加大旅游业资金投入

旅游业是经济社会发展到一定阶段而产生的，经济发展水平对旅游业起到决定作用。在旅游业发展过程中，资源勘查、景区开发、基础设施配套、旅游设施建设、营销推广、景区维护等，都需要大量资金、人力和物力的投入。旅游业发展需要有坚强的经济后盾，而且资金投入的多寡直接影响着各项设施的完善程度。完善的旅游设施和基础设施才能吸引更多的游客，促进旅游业蓬勃发展。

旅游业作为服务业的重要组成部分，是高投入高回报的产业，旅游开发需要直接或配套的一次性投入较大。单凭政府独立开发，财力有限。因此，应鼓励金融部门对旅游项目贷款融资提供优惠便利。

（二）夯实基础设施建设，创新旅游产品项目

旅游资源是旅游业发展的核心，基础设施建设是旅游景区发展的保障，也是我国目前迫切需要解决的现实问题。加快各大旅游景区的铁路公路等重大交通项目建设，便捷游客交通。同时，要把挖掘旅游资源、创新产品形式作为吸引游客的重要手段，做好景区规划和配套实施建设工作，不断开发特色鲜明、文化含量和附加值高的品牌


旅游产品，用旅游新产品和新项目提高游客的消费力度。

（三）加大旅游业人才的开发与培养，强化就业带动效应

目前我国旅游业高层次人才相对匮乏，旅游业经营管理和服务等软环境相对落后，旅游业发展吸纳就业的潜力尚未释放。可通过与大中专院校合作开发人才，加强现有旅游业人才的再教育，培育旅游业发展的后备力量，加快我国旅游服务水平发展。

参考文献

[1] 庞皓.计量经济学.北京：科学出版社，2007

[2] 刘艳春，陈利昌.计量经济学.北京：中国林业出版社；北京大学出版社，2008.8 [3] 徐勇.中国国内旅游发展及其经济增长关系的计量分析[D].大连：东北财经大学，2012

[4] 钱磊.中国旅游发展的省区差异及变化分析[D].上海：华东师范大学，2012 [5] 中国经济统计数据库

[6] 中国统计局中国统计年鉴http:

附录

以下是多重共线性参数估计

备表1 对X1回归分析

Dependent Variable: Y Method: Least Squares Date: 11/14/13 Time: 21:14 Sample: 1 31 Included observations: 31 Coefficient Std. Error t-Statistic

C -15595.61 18604.86 -0.838255 X1 1.978224 0.229091 8.635111

R-squared 0.719983 Mean dependent var Adjusted R-squared 0.710327 S.D. dependent var S.E. of regression 60671.69 Akaike info criterion Sum squared resid 1.07E+11 Schwarz criterion Log likelihood -384.3636 Hannan-Quinn criter. F-statistic 74.56515 Durbin-Watson stat Prob(F-statistic) 0.000000

Prob. 0.4087

0.0000 114619.2 112728.1 24.92668 25.01920 24.95684 2.090544




备表2 对X2回归分析



Dependent Variable: Y Method: Least Squares Date: 11/14/13 Time: 21:15 Sample: 1 31 Included observations: 31 Coefficient Std. Error t-Statistic

C 15958.73 11364.71 1.404236 X2 0.315120 0.025260 12.47495

R-squared 0.842924 Mean dependent var Adjusted R-squared 0.837508 S.D. dependent var S.E. of regression 45441.05 Akaike info criterion Sum squared resid 5.99E+10 Schwarz criterion Log likelihood -375.4027 Hannan-Quinn criter. F-statistic 155.6243 Durbin-Watson stat Prob(F-statistic) 0.000000 备表3 对X3回归分析

Dependent Variable: Y Method: Least Squares Date: 11/14/13 Time: 21:15 Sample: 1 31 Included observations: 31 Coefficient Std. Error t-Statistic

C 53599.95 15413.41 3.477488 X3 0.316946 0.045785 6.922479

R-squared 0.622988 Mean dependent var Adjusted R-squared 0.609988 S.D. dependent var S.E. of regression 70399.77 Akaike info criterion Sum squared resid 1.44E+11 Schwarz criterion Log likelihood -388.9737 Hannan-Quinn criter. F-statistic 47.92072 Durbin-Watson stat Prob(F-statistic) 0.000000 备表4 对X4回归分析 Dependent Variable: Y





Prob. 0.1709 0.0000 114619.2 112728.1 24.34856 24.44108 24.37872 1.665119

Prob. 0.0016 0.0000 114619.2 112728.1 25.22411 25.31662 25.25427 1.724195


Method: Least Squares Date: 11/14/13 Time: 21:15 Sample: 1 31 Included observations: 31 Coefficient Std. Error t-Statistic

C -143904.9 66622.99 -2.159989 X4 12.54525 3.131970 4.005547

R-squared 0.356191 Mean dependent var Adjusted R-squared 0.333991 S.D. dependent var S.E. of regression 91996.75 Akaike info criterion Sum squared resid 2.45E+11 Schwarz criterion Log likelihood -397.2681 Hannan-Quinn criter. F-statistic 16.04440 Durbin-Watson stat Prob(F-statistic) 0.000394 备表5 对X2、X1回归分析

Dependent Variable: Y Method: Least Squares Date: 11/14/13 Time: 21:15 Sample: 1 31 Included observations: 31 Coefficient Std. Error t-Statistic

C -4316.824 12795.42 -0.337373 X2 0.230304 0.039088 5.891959 X1 0.711446 0.265507 2.679575

R-squared 0.874983 Mean dependent var Adjusted R-squared 0.866053 S.D. dependent var S.E. of regression 41257.10 Akaike info criterion Sum squared resid 4.77E+10 Schwarz criterion Log likelihood -371.8644 Hannan-Quinn criter. F-statistic 97.98460 Durbin-Watson stat Prob(F-statistic) 0.000000 备表6 对X2、X3回归分析 Dependent Variable: Y Method: Least Squares

Date: 11/14/13 Time: 21:15





Prob. 0.0392 0.0004 114619.2 112728.1 25.75923 25.85175 25.78939 1.829839

Prob. 0.7384 0.0000 0.0122 114619.2 112728.1 24.18480 24.32357 24.23004 1.893654


Sample: 1 31 Included observations: 31 Coefficient Std. Error t-Statistic

C 16874.53 10798.59 1.562660 X2 0.258113 0.036788 7.016265 X3 0.087950 0.043040 2.043471

R-squared 0.863310 Mean dependent var Adjusted R-squared 0.853546 S.D. dependent var S.E. of regression 43140.27 Akaike info criterion Sum squared resid 5.21E+10 Schwarz criterion Log likelihood -373.2480 Hannan-Quinn criter. F-statistic 88.42123 Durbin-Watson stat Prob(F-statistic) 0.000000 备表7 对X2、X4回归分析

Dependent Variable: Y Method: Least Squares Date: 11/14/13 Time: 21:15 Sample: 1 31 Included observations: 31 Coefficient Std. Error t-Statistic

C 10868.79 37371.23 0.290833 X2 0.312045 0.033484 9.319239 X4 0.293708 2.050660 0.143226

R-squared 0.843039 Mean dependent var Adjusted R-squared 0.831828 S.D. dependent var S.E. of regression 46228.45 Akaike info criterion Sum squared resid 5.98E+10 Schwarz criterion Log likelihood -375.3913 Hannan-Quinn criter. F-statistic 75.19429 Durbin-Watson stat Prob(F-statistic) 0.000000 备表8 对X2、X1、X3回归分析 Dependent Variable: Y Method: Least Squares

Date: 11/14/13 Time: 21:15 Sample: 1 31





Prob. 0.1294 0.0000 0.0505 114619.2 112728.1 24.27407 24.41284 24.31930 1.600090

Prob. 0.7733 0.0000 0.8871 114619.2 112728.1 24.41234 24.55112 24.45758 1.642818




Included observations: 31 Coefficient Std. Error t-Statistic

C -975.0304 15047.61 -0.064796 X2 0.227087 0.040334 5.630196 X1 0.603269 0.364972 1.652919 X3 0.024860 0.056581 0.439370

R-squared 0.875870 Mean dependent var Adjusted R-squared 0.862078 S.D. dependent var S.E. of regression 41864.78 Akaike info criterion Sum squared resid 4.73E+10 Schwarz criterion Log likelihood -371.7540 Hannan-Quinn criter. F-statistic 63.50482 Durbin-Watson stat Prob(F-statistic) 0.000000 备表9 对X2、X1、X4回归分析

Dependent Variable: Y Method: Least Squares Date: 11/14/13 Time: 21:16 Sample: 1 31 Included observations: 31 Coefficient Std. Error t-Statistic

C 17568.38 33747.27 0.520587 X2 0.237243 0.040667 5.833838 X1 0.773017 0.281939 2.741794 X4 -1.364110 1.943398 -0.701920

R-squared 0.877223 Mean dependent var Adjusted R-squared 0.863581 S.D. dependent var S.E. of regression 41636.01 Akaike info criterion Sum squared resid 4.68E+10 Schwarz criterion Log likelihood -371.5841 Hannan-Quinn criter. F-statistic 64.30377 Durbin-Watson stat Prob(F-statistic) 0.000000

Prob. 0.9488

0.0000 0.1099 0.6639 114619.2 112728.1 24.24219 24.42722 24.30251 1.842559

Prob. 0.6069 0.0000 0.0107 0.4887 114619.2 112728.1 24.23123 24.41626 24.29155 2.042712

本文来源：https://www.wddqxz.cn/8fca00c9adaad1f34693daef5ef7ba0d4a736d11.html