评价网 > 科教论文 > 经济学毕业论文 > 经济论文 > 正文

如何提高农业产值和农民人均收入水平毕业

2013-10-23 01:12

如何提高农业产值和农民人均收入水平
摘要：本为试图通过用实证的方法来分析农业产值与其投入之间的关系，找出一个既能提高农业产值又同时能解决农村收入水平较低问题的方法；也就是要找出一个解决城乡二元经济结构问题的比较好的一种的方法。
关键字：农业产值　化肥施用量　机械使用量　基础建设投资　劳动力投入量
一、导论
农业是社会经济的基础，其最表层的同时也是最深层的原因就在于它为人类提供了赖以生存的衣食之源，满足了人类的第一需要。
从产业经济学的观点来看，农业往往是第二产业和第三产业的基础，农业的发展常常为第二产业提供原材料，据统计，在我国工业中，以农产品为原料的轻工业产值，始终占整个轻工业产值的70％以上。农业本身常常还是第二产业的一个巨大需求方，发展现代农业需要的机械，化肥等，对第二产业都是巨大的市场，从整个国民经济来看，农村市场是容量最大和最具潜力的市场。另外，我国有9亿农民，农民收入的近60％来自于农业，农业的产值和农民的收入关乎整个国民经济的健康发展。
二、问题的提出
本的研究，是针对农业本身的特点，从农业的投入要素即化肥施用量，机械使用量，基础建设投资，劳动力投入量来考察这些因素对农业产值的影响程度，而正如上面提到的，我国有9亿农民，农民收入的近60％来自于农业，如何提高农业产值，增加农民收入，是一个很紧要的问题。
我们要建设一个全面的小康社会，如果不能解决占人口多数的农民的收入问题，就只能是空谈。农民收入的提高，不仅仅会提高农民的生活水平，相应的也会改变消费的结构，对整个产业结构的优化提升也有很重要的意义，另外，农民收入的提高，对于农民对教育的投资，对农业机械的投入等方面，也有很大的促进，相应也能对农业的产值有很大的影响。 （科教论文网 lw.nseaC.Com编辑发布）
我国是一个发展中，由于历史等众多的原因，城乡分离的二元结构一直存在，要建设一个更加富强的国家，就需要努力去改变这样一种二元结构，因为二元结构造成的市场分离很不利于整个国民经济的健康发展，由此就需要对农业现状有所改变，研究对农业产值影响的各要素，更好的促进农业的发展，提高农民的收入，改变二元分离的结构，有着很重要的意义，本文就是在这样一种背景下的探索。
三、模型的设定
一、理论根据
根据美国数学家Charles Cobb和经济学家Paul Dauglas提出的经典生产函数即——Cobb－Dauglas生产函数理论，其数学形式为：
                                                                
根据要素的产出弹性的定义，参数α、β分别就是资本与劳动的产出弹性，可见经济意义十分明确。
本文根据该理论，将对农业的投入也分为资本部分和人力劳动部分，至于土地面积的投入，由于我国数据比较难收集样本空间就比较小，所以本文设法减少影响因素的个数，将所有变量均转化为单位面积变量，这样就可以减少一个面积变量，也有利于简化分析。
由于C-D模型中，K代表的是存量资本投入，而我国可以收集到的对农业的资本投入都是流量投入，所以无法较为准确的得出每年资本的存量投入。基于此原因，本文将资本投入分解为：农业机械投入，肥料投入，易耗物资（如，地膜等）投入，种子投入，基础设施建设投入等几项。并且，由于易耗物资投入和种子投入在每年投入中只占很少一部分，所以本文将其省略以简化分析，并且数据也就比较容易得到了。

本文来自中国科教评价网

二、理论模型
根据上述分析，本文的理论模型就是：

其中：
Y——单位面积产值
X1——单位面积化肥施用量
X2——单位面积机械使用量
 X3——单位面积基础建设投资
 X4——单位面积劳动力投入量
四、数据的收集与整理
由于，我国的数据都是总量数据所以要做一些数据转化处理，具体的转化方法是：将所有变量均用“农作物总种植面积”进行分摊以的得到单位面积的数值。
需要指出的是：
1）“基础设施建设投资”是针对所有农业种植面积的；
2）我国农业灾害大多发生在播种之后，并且濒临收割，因此，“农业机械使用量”，“化肥使用量”以及“劳动力使用量”，很可能在发生灾害之前已经投入了一大半；
所以都应当用“农作物总种植面积”来进行分摊。
至于“农业总产值”，本文也用“农作物总种植面积”来进行分摊。这样，计量模型的残差项就把天气对农业的影响以及其他影响因素都包括在内了。数据列表为：
（表一）
年份 单位面积[其原始数据——农业总产值：指以货币表现的农业全部产品的总量，它反映一定时期内农业生产总规模和总成果。农业总产值的计算方法通常是按农业内各产品的产量分别乘以各自单位产品价格求得，少数生产周期较长，当年没有产品或产品产量不易统计的，则采用间接方法匡算其产值，然后将各产品产值相加即为农业总产值。]产值（万元/公顷） 单位面积[《中国统计年鉴（2004年）》上的数据比较小，而中国农业信息网的数据又比较大；所以本文就以中庸之道取中间数，用的是《中国农村统计年鉴》上的数据。]化肥施用量（吨/公顷） 单位面积[ 该数据是年底的存量数据，所以正符合本文的需要。]机械使用量（千瓦/公顷） 单位面积基本建设投资（万元/公顷） 单位面积劳动力投入量（人/公顷） 您可以访问中国科教评价网（www.NsEac.com）查看更多相关的文章。
1978 0.074448  0.058892  0.782779  0.003391  1.895713
1979 　[ 79年的数据不完整，所以没有展示出来。] 　 　 　 　
1980 0.099339  0.086692  1.007354  0.003552  2.036357
1981 0.112697  0.091969  1.080210  0.002012  2.115957
1982 0.128859  0.104549  1.147732  0.002356  2.154378
1983 0.144067  0.115269  1.251589  0.002465  2.197683
1984 0.165046  0.120643  1.351977  0.002573  2.197128
1985 0.174508  0.123641  1.456039  0.002569  2.113232
1986 0.192210  0.133880  1.591495  0.002434  2.112833
1987 0.218029  0.137924  1.713336  0.002904  2.129597
1988 0.253101  0.147833  1.834543  0.003189  2.171470
1989 0.279800  0.160835  1.915130  0.003459  2.213553
1990 0.333928  0.174592  1.934970  0.004529  2.246948
1991 0.344045  0.187524  1.964662  0.005682  2.285394
1992 0.375015  0.196647  2.034012  0.007449  2.284240
1993 0.447076  0.213340  2.153539  0.008650  2.251115
1994 0.618535  0.223818  2.280240  0.010449  2.205193
1995 0.792948  0.239773  2.409817  0.014618  2.157374
1996 0.888546  0.251206  2.529640  0.020862  2.117088
1997 0.899697  0.258539  2.728835  0.026804  2.106586
1998 0.914665  0.262270  2.903401  0.040917  2.095385
1999 0.902089  0.263749  3.133289  0.053430  2.104701
2000 0.887627  0.265286  3.363638  0.060141  2.111167
2001 0.928841  0.273189  3.543309  0.063799  2.084095 （转载自科教范文网http://fw.nseac.com）
2002 0.965593  0.280621  3.746219  0.067442  2.068800
2003 0.975633  0.289444  3.961982  0.069527  2.050980
（数据来源：《中国统计年鉴（2004年）》、《中国农村统计年鉴（2002年）》和中国农业信息网）

五、模型的参数估计
一、计量模型的设定
为了便于使用Eviews3软件对模型进行估计，本文将前述理论模型变换为对数计量模型：

 +
二、估计结果
利用Eviews3对上述模型进行估计，结果如下：
Dependent Variable: LOG(Y)
Method: Least Squares
Date: 05/12/05   Time: 21:19
Sample: 1978 2003
Included observations: 25
Excluded observations: 1
Variable Coefficient Std. Error t-Statistic Prob. 
LOG(X1) 2.574677 0.246302 10.45331 0.0000
LOG(X2) -0.725590 0.214563 -3.381705 0.0030
LOG(X3) 0.047905 0.046575 1.028553 0.3160
LOG(X4) -3.608988 0.838307 -4.305092 0.0003
C 6.970770 0.960913 7.254316 0.0000
R-squared 0.993287     Mean dependent var -1.030981
Adjusted R-squared 0.991944     S.D. dependent var 0.850726
S.E. of regression 0.076358     Akaike info criterion -2.129922
Sum squared resid 0.116610     Schwarz criterion -1.886147
Log likelihood 31.62402     F-statistic 739.7758
Durbin-Watson stat 1.195685     Prob(F-statistic) 0.000000
即：
     T-stat  （10.45331）  （-3.381705）  （1.028553）   （-4.305092）    （7.254316）
Adjusted R-squared=0.991944
六、模型检验与修正 （转载自http://www.ＮＳＥＡＣ.com中国科教评价网）
一、经济意义检验
上述估计结果中，变量LOG(X1)和变量LOG(X3)的系数基本符合经济学原理和我们所观察到的实际。但是，变量LOG(X2)和变量LOG(X4)的系数均为负值，即“单位面积产值”对于“单位面积机械使用量”和“人力使用量”的弹性均小于0；也就是说，在单位面积中，减少1%的“机械使用量”或“人力使用量”均可以增加农业的单位面积产值。关于这一点，似乎与我们所观察到的事实有所不符；因为在我国，国家对农产品实行保护价，价格就不易下降；如果，单位面积中“机械使用量”和“人力使用量”投入的增加引起产出的增加，那么产值就应当增加，系数的经济意义就不对。
但是，另一方面，单位面积中“机械使用量”投入的增加，虽然可以代替大部分“人力使用量”但却可能造成部分损失，比如，收割机的使用就比用人力收割损失大；而“人力使用量”投入的增加，虽然可能增加一部分产量，但是，单位面积的边际产出是递减的，并且模型中使用的“人力使用量”变量是使用人数来计量的，且农业总产值也是一个根据经验的匡算量，如果农业人口增加，那么用于养活农业人口的农产品就应当增加，很可能就会影响到用于匡算的指标使得匡算出的总产值下降。
当然，还有一种可能是，解释变量存在着多重共线问题。
二、统计推断检验
从回归的结果看，模型的拟和优度非常好（Adjusted R-squared=0.991944），F统计量的值在给定显著性水平α=0.05的情况下也非常显著（Prob(F-stat)=0.000000），但是LOG(X3)的t统计值却不显著（LOG(X3)的t统计量值仅为1.028553其绝对值小于2），说明变量LOG(X3)对Y的影响不显著，或者解释变量之间存在多重共线问题，使其t值不显著。
三、计量经济学检验
 1．多重共线性检验

 （1）检验
 本文采用相关矩阵法对解释变量之间的相关性进行检验，结果列表如下：
 LOG(Y) LOG(X1) LOG(X2) LOG(X3) LOG(X4)
LOG(Y)  1.000000  0.983344  0.970590  0.908090  0.095614
LOG(X1)  0.983344  1.000000  0.976439  0.850540  0.244477
LOG(X2)  0.970590  0.976439  1.000000  0.896854  0.105595
LOG(X3)  0.908090  0.850540  0.896854  1.000000 -0.234639
LOG(X4)  0.095614  0.244477  0.105595 -0.234639  1.000000
由此可见，变量LOG(X1)和LOG(X2)、LOG(X3)均存在着高度的线性相关关系。其实原因很简单，在我国，每年每亩地用多少肥料基本是没什么变化的，而农业机具的用量由于好多年以前就用机器根作了，而且根作的方式也没什么突破性的变化，更重要的是，我国的农业没有实行规模化的生产，这就大大的限制了机械的使用量，从而，在最近20年内每年在单位农田中化肥和机械的使用量保持着一个相对稳定的比例。农业基础设施建设投入，多年来也就只停留在修沟、修渠以及一些农业小水利的修建和维护，很少涉及到其他方面，所以也维持着一个相对稳定比例的增长量。
 （2）修正
由于变量LOG(X1)在回归中统计显著性更高，而LOG(X3) 统计显著性最低，所以本文选择先删去变量LOG(X3)，这一点也得到假设检验的支持，检验结果为：
Redundant Variables: LOG(X3)
F-statistic 1.057922     Probability 0.315969
Log likelihood ratio 1.288614     Probability 0.256303
    
Test Equation:
Dependent Variable: LOG(Y)
Method: Least Squares
Date: 05/13/05   Time: 09:44
Sample: 1978 2003
Included observations: 25 （转载自http://zw.nseac.coM科教作文网）
Excluded observations: 1
Variable Coefficient Std. Error t-Statistic Prob. 
LOG(X1) 2.691239 0.218984 12.28968 0.0000
LOG(X2) -0.706861 0.214084 -3.301795 0.0034
LOG(X4) -4.292139 0.512188 -8.380010 0.0000
C 7.456089 0.838241 8.894920 0.0000
R-squared 0.992931     Mean dependent var -1.030981
Adjusted R-squared 0.991922     S.D. dependent var 0.850726
S.E. of regression 0.076463     Akaike info criterion -2.158377
Sum squared resid 0.122778     Schwarz criterion -1.963357
Log likelihood 30.97971     F-statistic 983.3029
Durbin-Watson stat 1.187673     Prob(F-statistic) 0.000000
从而删去变量LOG(X3)后所得的新的估计结果，就是上表下半部所列。尽管，Adjusted R-squared值有所下降但是F-statistic值却显著上升了。
由于变量LOG(X1)和LOG(X2)仍然存在着严重的线性相关关系，即模型中还存在着严重的多重共线性问题，所以还应该进行修正。但是，单纯的删去一个变量，却会损失很多模型信息，比如删去拟合优度稍差的变量LOG(X2)，EVIEWS3所输出的假设检验结果是：
Redundant Variables: LOG(X2)
F-statistic 10.90185     Probability 0.003396
Log likelihood ratio 10.45354     Probability 0.001224
    
Test Equation:
Dependent Variable: LOG(Y)
Method: Least Squares
Date: 05/13/05   Time: 10:15
Sample: 1978 2003
Included observations: 25
Excluded observations: 1
Variable Coefficient Std. Error t-Statistic Prob. 
LOG(X1) 1.978406 0.044150 44.81132 0.0000 （科教论文网 Lw.nsEAc.com编辑整理）
LOG(X4) -3.216229 0.475853 -6.758864 0.0000
C 4.901699 0.388592 12.61400 0.0000
R-squared 0.989262     Mean dependent var -1.030981
Adjusted R-squared 0.988286     S.D. dependent var 0.850726
S.E. of regression 0.092076     Akaike info criterion -1.820236
Sum squared resid 0.186516     Schwarz criterion -1.673971
Log likelihood 25.75295     F-statistic 1013.392
Durbin-Watson stat 0.610714     Prob(F-statistic) 0.000000
现在的问题在于，我们并不知道，变量LOG(X1)和LOG(X2)实际的比例关系，所以，可以选择的方式要么是删掉一个变量，要发展出一种新的发式。此时，拟合图为：

 图中94年的发展趋势上有一个明显的转折点，因此，本文用邹氏稳定性测试方式来进行测试，结果很显著：
Chow Breakpoint Test: 1994
F-statistic 2.608401     Probability 0.072449
Log likelihood ratio 11.96389     Probability 0.017622
因此，本文对上述模型引入一个新的政策变量。经济学理由倒不是政策可以增产，而是94年是朱镕基开始当上总理并主持经济的开头一年，他的经济政策主张是打破国有企业职工的铁饭碗，所以随后大量国企职工下岗，如此多的人没了职业，其生活就成了一个问题，从而农产品对于工业产品的比价就有所上升了，特别是在01年更上有农产品推动了整个经济的通胀。引入虚拟变量后的模型为：
Dependent Variable: LOG(Y)
Method: Least Squares
Date: 05/13/05   Time: 11:23
Sample: 1978 2003
Included observations: 25
Excluded observations: 1
Variable Coefficient Std. Error t-Statistic Prob.  大学排名
LOG(X1) 1.703449 0.364714 4.670641 0.0002
LOG(X2) 0.121984 0.338398 0.360475 0.7227
LOG(X4) -2.397769 0.921820 -2.601124 0.0181
XZ*LOG(X1) 5.424285 5.037798 1.076717 0.2958
XZ*LOG(X2) -1.324442 0.937265 -1.413093 0.1747
XZ*LOG(X4) 11.96005 10.48201 1.141008 0.2688
C 3.645834 1.451589 2.511615 0.0218
R-squared 0.995594     Mean dependent var -1.030981
Adjusted R-squared 0.994125     S.D. dependent var 0.850726
S.E. of regression 0.065207     Akaike info criterion -2.390991
Sum squared resid 0.076536     Schwarz criterion -2.049706
Log likelihood 36.88739     F-statistic 677.8400
Durbin-Watson stat 0.834731     Prob(F-statistic) 0.000000
与上面的模型相比较，此模型的Adjusted R-squared值大大上升了，但是，却出现了几个不显著的变量。现在按照上述程序，对模型进行修正，所得结果为：
Dependent Variable: LOG(Y)
Method: Least Squares
Date: 05/13/05   Time: 11:27
Sample: 1978 2003
Included observations: 25
Excluded observations: 1
Variable Coefficient Std. Error t-Statistic Prob. 
LOG(X1) 1.862628 0.105295 17.68957 0.0000
LOG(X4) -2.814070 0.747280 -3.765750 0.0012
XZ*LOG(X2) -0.357438 0.143959 -2.482911 0.0220
XZ*LOG(X4) 0.703530 0.153992 4.568625 0.0002
C 4.339344 0.771541 5.624258 0.0000
R-squared 0.995306     Mean dependent var -1.030981
Adjusted R-squared 0.994367     S.D. dependent var 0.850726 （转载自中国科教评价网http://www.nseac.com）
S.E. of regression 0.063849     Akaike info criterion -2.487738
Sum squared resid 0.081534     Schwarz criterion -2.243963
Log likelihood 36.09673     F-statistic 1060.181
Durbin-Watson stat 0.955231     Prob(F-statistic) 0.000000
如此就规避了变量LOG(X1)和LOG(X2)的共线性问题。变量LOG(X1)和LOG(X2)的相关矩阵就变为：
 LOG(X1) XZ*LOG(X2)
LOG(X1)  1.000000  0.793741
XZ*LOG(X2)  0.793741  1.000000
可见共线性确实减小了不少。
 2．自相关检验
尽管D-W值仅为0.955231似乎存在着负的一阶自相关，但是运用Breusch-Godfrey Serial Correlation LM Test和ARCH Test检验均得不出存在一阶或是更高阶自相关的结论。并且，引入自回归变量AR(1)后其统计性质也不显著。
 3. 异方差检验
 利用White Heteroskedasticity Test检验法所得结果是：
White Heteroskedasticity Test:
F-statistic 2.596575     Probability 0.055909
Obs*R-squared 18.04894     Probability 0.114213
    
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 05/13/05   Time: 16:11
Sample: 1978 2003
Included observations: 25
Excluded observations: 1
Variable Coefficient Std. Error t-Statistic Prob. 
C 3.242141 3.970111 0.816637 0.4300
LOG(X1) 0.446710 0.969497 0.460765 0.6532
(LOG(X1))^2 0.001601 0.062475 0.025628 0.9800
(LOG(X1))*(LOG(X4)) -0.549953 0.938844 -0.585777 0.5689
(LOG(X1))*(XZ*LOG(X2)) 0.461948 2.564568 0.180127 0.8601
(LOG(X1))*(XZ*LOG(X4)) -0.653495 3.689827 -0.177107 0.8624

（转载自http://www.ＮＳＥＡＣ.com中国科教评价网）

LOG(X4) -7.018291 7.795196 -0.900335 0.3857
(LOG(X4))^2 3.722143 3.839043 0.969550 0.3514
(LOG(X4))*(XZ*LOG(X2)) 1.944370 6.784195 0.286603 0.7793
(LOG(X4))*(XZ*LOG(X4)) -1.666240 9.570304 -0.174105 0.8647
XZ*LOG(X2) -0.787559 1.769261 -0.445134 0.6641
(XZ*LOG(X2))^2 -0.022858 0.378476 -0.060395 0.9528
XZ*LOG(X4) 0.296776 2.246902 0.132082 0.8971
R-squared 0.721958     Mean dependent var 0.003261
Adjusted R-squared 0.443915     S.D. dependent var 0.005406
S.E. of regression 0.004031     Akaike info criterion -7.883565
Sum squared resid 0.000195     Schwarz criterion -7.249749
Log likelihood 111.5446     F-statistic 2.596575
Durbin-Watson stat 2.481100     Prob(F-statistic) 0.055909
可见不存在异方差性问题。
四、修正好的模型

t-stat      (17.68957)          (-3.765750)               (-2.482911)
 
 (4.568625)     (5.624258)

此时，回归的拟合图和残差项正态性检验图分别为：
由上述信息可知，尽管模型各参数以及整体的参数值都很显著，并且，残差也不违背正态性，但是从图形看拟合的并不好。还有很多缺陷。比如，Y值有五六个明显的拐点但是拟合值却没能有效的描述出来，特别是最后，Y值和其拟合值的增长趋势都不一样。
但是，尽管如此模型仍然有一定的解释能力。在大体趋势上还是比较准确的。
七、对模型的经济解释
将上述模型整理得：

其中，——单位面积产值Y的估计值

（科教范文网 fw.nseac.com编辑发布）

 X1——单位面积化肥施用量
 X2——单位面积机械使用量
 X4——单位面积劳动力投入量——虚拟变量Xz
        0  94年之前；
 Xz =
             1  94~03年。
此模型主要包含了以下几点经济意义：
1) 农业单位面积产值的化肥投入量弹性系数为1.862626，即单位面积中化肥投入量在其它条件不变的情况下，每增加1个百分点，农业单位面积产值将增加约1.86个百分点；
2) 虚拟变量在模型中的显著性很高，本文认为，农业单位面积产值的增加是农产品对于工业产品的比价上升了，而不是政策可以增产。
3) 在94年之前，机械的使用量对农业单位面积产值的影响是不显著的。而从94年开始，业单位面积产值的机械的使用量弹性系数却为-0.257438，在其它条件不变的情况下，机械的使用量的增加会造成农业单位面积产值减少。
4) 在94年之前，农业单位面积产值的单位面积劳动力投入量弹性系数为-2.81407，这一点的经济意义与上述相似；然而，从94年起尽管其弹性系数仍为负，但是绝对值却变小了。这说明尽管单位面积劳动人数的增多会减少单位面积的产值，但是却比以前要少了。其原因，笔者认为是因为，正如前面所论述的，农产品从94年开始对于工业产品的比价有所上升，所使得农业从业者更愿意将农产品用于交易，因为此时将农产品用于其它方面的成本变大了。
5）该模型讨论规模报酬问题并没有什么现实意义，所以这里也就不予深究了。
八、结论以及政策建议
由于，作为一个主要收入都来自农业产出的农民而言，其一年的人均收入可以表示为：
人均收入=单位面积产值/单位面积劳动力投入量=Y/X4 （科教范文网http://fw.ΝsΕΑc.com编辑）
要提高农民的人均收入水平，我们就有三种办法：
分子策略。即在其他投入和人力投入均不变的情况下，使Y值增大，当然，这听起来似乎不太可能，但是却实是一种方式，比如人们常说的使用良种以增加农产品质量和竞争力，使用新的工艺生产农产品，增加其附加价值，尽管这样有可能增加农民的劳动量，但这总比，整天无所事事，在家打麻将强吧（如成都周边的农民）。
分母策略。即在其他投入都不变的情况下，减少农业从业人口的数量，事实上，正如前面所论述的根据上述模型，这还会增大单位面积农产品产值的提高，因此这个方式，更行之有效。当然，减少的农村劳动力的投入，也不能让他们闲着，更为重要的是要让他们在城市中找的年薪比其从事农业生产的年收入更高的工作。
政策性策略。即由国家强行推动农村品价格的相对提高，其实这才是几乎不可能的，因为，我国加入WTO后开放农产品市场是早晚的事，发达国家由于实现了规模化生产，尽管单位面积产量可能不如我们，但是其成本却要比我们低得多，因此他们卖到我国的农产品价格将对我国农产品价格形成强大的冲击，我国的农产品价格是很难提上去的。
根据以上分析，本文最为支出将农村劳动了转移出去，这也是许多经济学家的看法，本文还从实证发面说明了这一点，这种方式既能减小分子也能增大分母，所以是最为行之有效的。同时本文也支持采用新技术和新工艺进行农产品生产。
所以本文的政策建议是：政府一方面，要拿出实际行动了来帮助农村人口去城市就业，比如由政府出资为农民办提供就业指导和一些职业培训，等等；另一方面，政府也要帮助农民引进先进的生产技术和优良农业品种，并进行推广。

[参考文献]： （科教论文网 lw.nSeAc.com编辑发布）
[1] 庞皓，李南城．计量经济学[M]．成都：西南财经大学出版社 2001．8第一版．
[2] 李子奈．计量经济学[M]．北京：高等教育出版社  2000 190~192．
[3] 中国统计年鉴(2004年)[M]．中华人民共和国国家统计局网站,网址：．
[4] 中国农村统计年鉴（2002年）[M]．
[5] 中国农业信息网：．
[6] 唐仁健．对农村税费改革若干重大问题的探讨[J]．中国农村经济，2002．9．