中国居民消费面板数据模型

            张念瑜

居民消费是宏观经济的基本问题。涉及到宏观经济问题，最好用统计数据说话。依靠直觉和想象来判断宏观经济形势往往是靠不住的。事实上，人们对消费的许多观念和认识往往经不起统计数据检验。

最近，我花了几天时间，做了一个中国居民消费支出面板数据模型。人均可支配收入、人均消费支出和居民价格指数三张表的数据在国家统计局网上并没有现成的，也就无从下载。后来根据《中国统计摘要》（2020年）纸质书的数据，借助手机扫描软件复制到电脑中，但需要一个数据一个数据的校对。眼睛本来就不好，老眼昏花，终不如年青人眼明手快。同时，我将Eviews运行过程和步骤详细写出， 附于文后，以便以后涉及类似问题而“照葫芦画瓢”，对于从事这类问题研究人员也是有用的。

一、消费数据问题

我们在此讲的全体居民（城乡）消费支出，主要包括食品烟酒、衣着、居住、生活用品及服务、交通通讯、教育文化娱乐、医疗保健以及其他用品及服务八大类。其中居住消费是指住房租金而不是指购房费用。我们根据31个省市区、2014-2019年6年的人均消费支出、人均可支配收入和各地居民消费价格指数（上年=100）558个数据进行面板数据回归。

二、中国居民消费支出面板数据模型的设定问题

我们将全国城乡人均消费支出作为因变量，人均可支配收入作为解释变量，建立一元回归模型，其形式为：

体效应。β是一元回归系数，在平面坐标上为直线的斜率。作为消费模型，β就是边际消费倾向（Marginalpropensity to consume，即MPC）[1]。

三、人均必需性消费支出与变截距模型问题

各省市区全体居民人均消费支出，扣除物价上涨因素，2014-2019年人均消费支出为17839.15215元/人年。横截面固定回归模型的截距为2294.14858585、随机效应回归模型中的截距也为2141.13581557。截距占人均消费支出的 12%。也就是说，就全国而言，全体居民人均消费支出中，12%是生活必需支出。

但各省市区的地区性差异和随机因素对居民消费支出的影响存在巨大的差别。有的是正的影响，有的是负的影响。各地全体居民人均消费支出受地区性固定效应的影响，北京是-71.74814545，天津却是2544.321085（见图1）；各地全体居民人均消费支出受随机效应的影响，北就是-245.749856，天津是2365.992192（见图2）。

、

四、边际消费倾向与变系数模型问题

一元回归消费模型中的系数（β）是边际消费倾向(MPC)。边际消费倾向与消费率不同。前者与收入有关，是指每增加一元人民币的可支配收入所增加的平均消费支出。消费率又称最终消费率，是指一个国家或地区在一定时期内(通常为1年)的最终消费(用于居民个人消费和社会消费的总额)占当年GDP的比率。  

如果现实数据不支持变截距模型（不变系数模型）时，就需要考虑变系数模型。我们所建立的变系数模型表明，各省市区的系数或MPC是不同的（见图3）。

由图3可见，各地的MPC差别不是很大。北京为0.6596，天津为0.760109185，河北为0.713606236，青海为0.8192。这种差别与人均可支配收入有一定关系。我用2013-2019年城乡人均消费支出与人均可支配收入的数据资料分别建立了农村、城镇消费模型，其结果表明，农村居民的边际消费倾向为0.89，城镇的边际消费倾向为0.59746。

五、需要明晰的几个消费的概念

第一，居民消费的统计数据与居民的实际消费支出。我们在上文已述，统计部门统计的居民消费支出主要包括八大类产品和服务，其中并没有包括居民购房和农村居民自建房屋的支出。在实际生活中，城乡居民婚葬嫁娶、礼尚往来的费用也是一笔巨大的开支。这些费用没有统计在居民消费支出之中。因而，我们在上文所列出的各省市区居民消费倾向基本上在0.6-0.85之间。也就是说，城乡居民每增加1元人民币的可支配收入将会增加平均消费支出0.6-0.85元。但是，我国低收入人群占比达70%，大约有九亿人月均收入在2000元以下。根据国家统计局网公布的数据，2013中国农村居民人均消费支出占其可支配收入的比重为79.37%， 2019年提高到83.19%。如果考虑建房、婚葬及其他人情礼金等生活开支，许多低收入家庭是入不敷出的，也即MPC>1。如果是高收入等级的家庭，其MPC是很低的。

第二，居民家庭的边际消费倾向与全社会的边际消费倾向。我们根据统计局公布的支出法国内生产总值及其构成数据，以居民消费为因变量，GDP为解释变量，对2000-2019年的统计数据递次回归建模，得到相关年度的边际消费倾向（见图4），其中最高边际消费倾斜向的年份是2011-2016年，其边际消费倾向为0.477694061，大大低于居民家庭边际消费倾向。实际上，社会边际消费倾向越高，单位投资所产生的GDP越多，反之也然[2]。

第三，“扩大内需”问题。所谓“内需”，是相对于国外需求而言的。“内需”包括国内消费和国内投资。由图5可见，国内消费（最终消费）和国内投资（资本形成总额）是逐年增长的，而国外需求（货物和服务净出口）却是平稳增长的。显然，所谓“扩大内需”并不是我国国民经济管理需要“解决”的问题。目前，我国的宏观债务率（或杆杠率）已达GDP的250%左右，不能再“扩大内需”了。我国国内需求问题主要是结构性问题，即投资比例过大，消费比例过小。然而，投资比例过大，必然导致国民经济的各项指标的比例关系失调，经济结构劣化，经济效率低下，改革开放的积极成果不能普遍性地惠及广大人民群众。因而，投资与消费的结构性问题仍然是十四五期间的关键问题之一。

第四，通过改变投资结构来促进居民消费。根据中国人民银行公布的统计数据，2020年9月，全国居民存款约为92万亿元。如果按照中等收入人群4亿口（约1亿户家庭）计算，每个中等收入家庭平均存款92万元。同期居民贷款61万亿元。在目前的中国，在银行有几十万元（假设20万元以上）存款而又没有负债的家庭有多少？保守估计，全国不会超过3000万户。因此，剌激居民消费的政策不具普遍意义。然而，促进消费是使我国国民经济进入良性循环的战略性任务。在十四五期间，应着力加强教育、医疗、养老、长租房的投资建设，解除居民消费的后顾之忧。在这方面，发达国家的经验是值得参考借鉴的。古扎拉蒂（2000）根据《美国总统经济报告》所提供的1980-1995年有关数据回归，计算出的美国的MPC为1.095[3]，即每增加1美元的可支配收入平均增加1.095美元的消费。当然，中国人不会像美国人那样普遍性地成为“月光族”。

附录：中国居民消费支出面板数据模型

                            张念瑜

一、中国居民消费支出面板数据模型的设定

面板数据模型（Panel Data模型）也称平行数据模型、时空数据模型等。Panel Data模型的基本假设是参数齐性假设。假设经济变量y由某一参数的概率分布函数P(y/Փ)。其中Փ是m维实向量，在所有时刻对所有个体均相等。一般的线性的合成数据模型的为：

在此，我们设consume为全体居民（包括城乡居民）人均消费支出，income为全体人均可支配收入，pri为各地居民消费价格指数（上年=100）。扣除物价上涨因素之后的全体居民人均消费支出、人均可支配收入分别为cs和ip，即：

cs?=100*consume?/pri?

Ip?=100*income?/pri?

 上式中的“？”号是pool序列中的截面识别名。因而，中国居民消费支出面板数据模型的表现形式为：

二、数据资料

三、Pool数据导入Eviws

将表1、表2和表3录入Eviews,与一般时间序列数据不同。Pool数据具有三维信息（个体、时间、指标），录入方式有非堆积数据和堆积数据之分。我们采取堆积数据方式。

第一、建立工作文件。特别说明：在本案例中，“number of cross sections”空格中不要填数字（见图6）。

 第二步，建立面板数据库

建立面板数据库，EViews设置了一个程序即“pool”。其步骤：Objick/New Objick.pool（见图7）。在命名选项下填写“cons”，点“ok”（见图7）。

第三步，录入各省市区拼音字母缩写。由于Eviews没有“汉化”，导入的文件不能有汉字，须用字母代号。如果采用非堆积数据，如北京写为“_BEJ”,可形成“pri_BEJ-2019”。我们此处用的是堆积数据，每一个序列代表一个变量。本案例共有三个序列，即consume?、Income?、pri?。北京：2014-2019；天津：2014-2019，依次堆积排列（见图8）。

第四步，点开sheet/sheet list,录入：consume？Income？ pri?（见图9）。

第五步，导入数据。将Excel的数据复制粘贴到Pool中 (见图10)。

四、变系数面板数据模型

（一）人均消费支出和人均可支配收入扣除物价变动因素

步骤：Objick/cropy Objick.点poolGnr录入：cs?=100*consume?/pri? 和ip?=100*income?/pri?。

 （二）面板数据估计

在现窗口点开“Estimation”。被解释变量为“cs?”，解释变量为“ip?”。固定效应和随机效应选项选 “none”。在“options”对话框采用默认值（见图11）。

图12 pool数据模型估计结果

各省市区变系数模型分别是：

CSBEJ = 0.659571402384*IPBEJ

CSTAJ = 0.76010918504*IPTAJ

CSHEB = 0.713606236396*IPHEB

CSSXI = 0.66570094129*IPSXI

CSNMG = 0.756520242705*IPNMG

CSLIA = 0.719620389591*IPLIA

CSJIL = 0.740385286378*IPJIL

CSHLJ = 0.736962421891*IPHLJ

CSSHH = 0.680220204787*IPSHH

CSJSU = 0.671071893733*IPJSU

CSZHJ = 0.655236903484*IPZHJ

CSANH = 0.716740023149*IPANH

CSFUJ = 0.720383954492*IPFUJ

CSJXI = 0.663181257985*IPJXI

CSSHD = 0.643375488687*IPSHD

CSHEN = 0.688048233829*IPHEN

CSHUB = 0.735838265249*IPHUB

CSHUN = 0.743640860426*IPHUN

CSGUD = 0.747772877553*IPGUD

CSGXI = 0.683754109686*IPGXI

CSHAI = 0.709774704654*IPHAI

CSCHQ = 0.736024172825*IPCHQ

CSSCH = 0.786396227942*IPSCH

CSGUI = 0.754902247945*IPGUI

CSYUN = 0.708773799624*IPYUN

CSTIB = 0.671369943697*IPTIB

CSSHX = 0.728923321341*IPSHX

CSGAN = 0.826092904465*IPGAN

CSQIH = 0.819205647624*IPQIH

CSNXA = 0.764612765552*IPNXA

CSXIN = 0.76032629412*IPXIN

五、变截距模型与检验

回归模型中的常数项，也称截距。这个截距受个体（本案例中的各省市区）差异的影响，也受时期变化的影响，其中也包括有随机因素。这些都由变截距模型来估计。

Eviews软件设置两个选项，即：“横截面”（cross section）和“周期”（period）。每个选项有“None”、“Fixed”“Radom”。在最小二乘法估计时。

（一）cross section固定效应模型估计

   1．模型估计

其步骤与上述相同，只是在估计方法栏选“Fixed”。,由图9可见，cs?的系数t检验的p值为0.88，大于显著水平（0.05），没有通过t检验，我们直接去掉cs?，重新做回归，得到图10。其模型为：

cs=cs？=2294.149 +0.622123IP?

t= (8.96523)( 60.38994)

各省市区的消费支出的固定效应回归模型为：

CS= 横截面固定效应+ a+β*IP

CSBEJ = -71.7481454515 + 2294.14858585 +0.622123438478*IPBEJ

CSTAJ = 2544.32108523 + 2294.14858585 +0.622123438478*IPTAJ

CSHEB = -407.04970268 + 2294.14858585 +0.622123438478*IPHEB

CSSXI = -1447.91822268 + 2294.14858585 + 0.622123438478*IPSXI

CSNMG = 1005.01590231 + 2294.14858585 +0.622123438478*IPNMG

CSLIA = 309.537265225 + 2294.14858585 +0.622123438478*IPLIA

CSJIL = 117.818277616 + 2294.14858585 +0.622123438478*IPJIL

CSHLJ = 21.7134640116 + 2294.14858585 +0.622123438478*IPHLJ

CSSHH = 1095.5395583 + 2294.14858585 +0.622123438478*IPSHH

CSJSU = -573.474208327 + 2294.14858585 +0.622123438478*IPJSU

CSZHJ = -879.789931273 + 2294.14858585 +0.622123438478*IPZHJ

CSANH = -339.851768089 + 2294.14858585 +0.622123438478*IPANH

CSFUJ = 581.696968666 + 2294.14858585 +0.622123438478*IPFUJ

CSJXI = -1440.23618538 + 2294.14858585 +0.622123438478*IPJXI

CSSHD = -1759.13096765 + 2294.14858585 +0.622123438478*IPSHD

CSHEN = -1019.43519655 + 2294.14858585 +0.622123438478*IPHEN

CSHUB = 207.109235737 + 2294.14858585 +0.622123438478*IPHUB

CSHUN = 379.644861792 + 2294.14858585 +0.622123438478*IPHUN

CSGUD = 1660.43055094 + 2294.14858585 +0.622123438478*IPGUD

CSGXI = -1167.25129968 + 2294.14858585 +0.622123438478*IPGXI

CSHAI = -448.272757196 + 2294.14858585 +0.622123438478*IPHAI

CSCHQ = 356.754473572 + 2294.14858585 +0.622123438478*IPCHQ

CSSCH = 920.846134547 + 2294.14858585 +0.622123438478*IPSCH

CSGUI = -159.896908314 + 2294.14858585 +0.622123438478*IPGUI

CSYUN = -781.769899344 + 2294.14858585 + 0.622123438478*IPYUN

CSTIB = -1565.94444875 + 2294.14858585 +0.622123438478*IPTIB

CSSHX = -140.884060363 + 2294.14858585 +0.622123438478*IPSHX

CSGAN = 795.188679226 + 2294.14858585 +0.622123438478*IPGAN

CSQIH = 1330.65811375 + 2294.14858585 + 0.622123438478*IPQIH

CSNXA = 543.163003771 + 2294.14858585 +0.622123438478*IPNXA

CSXIN = 333.216127023 + 2294.14858585 +0.622123438478*IPXIN

2．横截面固定效应模型回归似然比检验（LR）

似然比检验（likelihood ratio test, LRT）是一种检验分布或模型的某参数能否反映真实约束的方法。似然比检验的思想是：“如果参数约束是有效的，那么加上这样的约束不应该引起似然函数最大值的大幅度降低。也就是说，似然比检验的实质是在比较有约束条件下的似然函数最大值与无约束条件下似然函数最大值。”显然，似然比检验是一种通用的检验方法（比 t检验、chi^2 检验等具有更广的适用范围）。

检验步骤：View/ Fixed /RandomEffects/Redundant…来实现。由图10可见，横截面F（Cross-sectionF）和横截面卡方的p值均小于0.05（显著水平），拒绝原假设，通过检验（见图14）。

图14  似然比检验结果

（二）周期固定效应的回归模型

1．模型估计

其步骤同上。“周期”（period）下拉菜单选择“Fixed”，确定后得图15。

图15   周期固定效应的回归模型结果

2．似然比检验（LR）

由图12可见，周期F和卡方的p值均大于0.05（显著水平），不能拒绝原假设，未通过检验。

（三）随机效应回归模型与检验

1．随机效应回归模型

其步骤与上述相同，只是在估计方法栏选“Random”,其模型为：

cs？=2141.136+0.628353 IP?

t=(7.582524)( 70.2606)

图17   随机效应的回归结果

 各省市区随机效应回归模型分别为：

CSBEJ = -245.749856023 + 2141.13581557 +0.62835300862*IPBEJ

CSTAJ = 2365.99219181 + 2141.13581557 +0.62835300862*IPTAJ

CSHEB = -363.805349331 + 2141.13581557 +0.62835300862*IPHEB

CSSXI = -1351.78125774 + 2141.13581557 +0.62835300862*IPSXI

CSNMG = 962.438291375 + 2141.13581557 +0.62835300862*IPNMG

CSLIA = 282.92308236 + 2141.13581557 +0.62835300862*IPLIA

CSJIL = 137.096439139 + 2141.13581557 +0.62835300862*IPJIL

CSHLJ = 45.9469154675 + 2141.13581557 + 0.62835300862*IPHLJ

CSSHH = 859.116991756 + 2141.13581557 +0.62835300862*IPSHH

CSJSU = -597.917993009 + 2141.13581557 +0.62835300862*IPJSU

CSZHJ = -930.197521291 + 2141.13581557 +0.62835300862*IPZHJ

CSANH = -302.131216114 + 2141.13581557 +0.62835300862*IPANH

CSFUJ = 530.86238996 + 2141.13581557 +0.62835300862*IPFUJ

CSJXI = -1351.47742792 + 2141.13581557 +0.62835300862*IPJXI

CSSHD = -1683.15195822 + 2141.13581557 +0.62835300862*IPSHD

CSHEN = -940.247040585 + 2141.13581557 +0.62835300862*IPHEN

CSHUB = 209.616005009 + 2141.13581557 +0.62835300862*IPHUB

CSHUN = 377.699587824 + 2141.13581557 +0.62835300862*IPHUN

CSGUD = 1544.01764266 + 2141.13581557 +0.62835300862*IPGUD

CSGXI = -1079.2453636 + 2141.13581557 +0.62835300862*IPGXI

CSHAI = -408.047024532 + 2141.13581557 +0.62835300862*IPHAI

CSCHQ = 350.081990864 + 2141.13581557 +0.62835300862*IPCHQ

CSSCH = 908.136497138 + 2141.13581557 +0.62835300862*IPSCH

CSGUI = -100.669371817 + 2141.13581557 +0.62835300862*IPGUI

CSYUN = -703.031449848 + 2141.13581557 +0.62835300862*IPYUN

CSTIB = -1433.8238245 + 2141.13581557 +0.62835300862*IPTIB

CSSHX = -105.075676484 + 2141.13581557 +0.62835300862*IPSHX

CSGAN = 813.961523922 + 2141.13581557 +0.62835300862*IPGAN

CSQIH = 1308.74650973 + 2141.13581557 +0.62835300862*IPQIH

CSNXA = 547.799174551 + 2141.13581557 +0.62835300862*IPNXA

CSXIN = 351.917097449 + 2141.13581557 +0.62835300862*IPXIN

 2．随机效应回归模型的Hausnan检验

随机效应回归的原假设是随机效应与解释变量。Hausman检验是对同一参数的两个估计量差异的显著性检验。如果随机效应与解释变量无关，那么，随机效应的系数估计等于固定效应的系数估计[2]。

检验步骤：View/ Fixed /RandomEffects /Redundant…来实现。由图13可见，截面随机（Cross-section random）检验的卡方值为0.2231，大于0.05（显著水平），不能拒绝原假设（随机效应与解释变量无关），也即随机效应的系数估计不等于固定效应的系数估计（见图18）。

图18 Hausnan检验结果

注释

[1][3] （美）古扎拉蒂，2000.经济计量学精要[M].机械工业出版社，第121页。

[2] 凯恩斯,2004.就业、利息和货币通论[M].魏埙,译.陕西人民出版社，第105页；张念瑜.凯恩斯《通论》中的消费与投资[LO].-弩之的专栏 - 博客中国  http://zhangnianyu.blogchina.com/708995074.html。

[4]易丹辉，2020.数据分析与Eviews应用[M].中国人民大学出版社，第271页。

版权声明：文中有的图片可能来源于网络，如涉及侵权，请告之删除。“弩之的专栏”的博文均为作者原创，未经本人同意，各类刊物和媒体不得转载。对学术性抄袭，将追究法律责任。http://zhangnianyu.blogchina.com/。）。