经济发展与资源资源利用之间的问题研究

经济发展与资源利用之间的问题研究

摘要：通过对中国近几年数据的分析，讨论资源使用量、碳排放量和国内生产总值的关系，观察资源对经济发展起的重要作用，并引申出对可再生资源的开发。

Abstract: By analysing the data whose source is form the several years and debating the relation between the quantity of natural resources usage and carbon-dioxide output and gross domestic product, we come up with the importance of renewable and nonrenewable resources when a country keeps on accelerating economic development. And last we will extend the exploration of nonrenewable resources. 关键词：经济发展 资源 正文：

1 引言：在原有文献的基础上寻找数据进行分析来找出变量间的具体关系。 文献综述：经济快速发展伴随的气候变化使各国均注意到控制温室气体的排放，也由于不

可再生资源的减少，形成了清洁发展的机制，并加快开发利用可再生资源以保持经济发展。 2 数据描述变量定义：y :国内生产总值 x 1：碳排放量 x 2：石油使用量 x 3：煤炭使用量 3 模型建立和回归估计：

假设模型为y t =a 1ln x 1t +a 2x 2t +a 3x 3t +c t ，先在Excel 中处理好对数，再回归，结果：

y t =-158574.9ln x 1t +162315.1x 2t +4936.2x 3t +217719.8

（-3.03） （3.98） （1.14） （1.45）

其中碳排放量的系数为负很好地体现了经济发展和环境保护间的必然规律。 4 结果分析：

DW 值为2.322324，不包括常数项的解释变量数k =3，样本容量T =13，α=0.05，查表得d l =0.715，d u =1.816，DW 值在(4-d l ,4) 内，所以存在一阶负自相关。

原因可能是模型假设不合理，可以用残差对解释变量的较高次幂进行回归，再重作DW 检验。也有可能是因为模型中忽略了重要的解释变量，这个可能性较大，应用广义差分变换消除自相关。自相关系数ρ=1-

∧

DW

=-0.161162。 2

通过相关矩阵和理解现实意义，三个解释变量之间明显具有多重共线性，主要原因可能是选取的2000年到2012年的容量为13的样本过少和解释变量个数较少。

2

通过White 检验，TR 2=13⨯0.614966≤χ0.05(9)=16.919，所以不存在异方差。

5结论：

通过系数可以发现石油在经济发展中起了更加重要的作用，但是这类不可再生资源的减少促使人们寻找洁净的可再生资源，另外巨大的截距项说明国家的发展惯性或者良性循环在很大程度上也会帮助经济快速增长。由于中国每年使用的资源数量都在世界上占很大比重，所以研发科技来提高资源利用也显得尤其重要。

由于受到数据寻找的限制，没有消除多重共线性，这是很不好的。

6 参考文献：

《探析中国低碳经济发展与可再生资源利用》李育鸿 《自然资源与经济增长关系研究文献综述》王成 7 数据来源：

中国煤炭资源网www.sxcoal.com 国家统计局www.stats.gov.cn 卓创资讯石油网oil.chem99.com

Eviews 运行结果：

Dependent Variable: Y Method: Least Squares Date: 06/19/14 Time: 15:58 Sample: 2000 2012 Included observations: 13

Variable C LNX1 X2 X3

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

LNX1 X2 X3

LNX1 1 0.94156 0.93168

X2 0.94156

1 0.98414

X3 0.93168 0.98414

1

Coefficient 217719.8 -158574.9 162315.1 4936.226

Std. Error 150318.8 52418.21 40827.84 4319.247

t-Statistic 1.448387 -3.025186 3.975599 1.142844

Prob. 0.1814 0.0144 0.0032 0.2826 256959.4 142249.6 23.06848 23.24231 23.03275 2.322324

0.982322 Mean dependent var 0.976429 S.D. dependent var 21839.41 Akaike info criterion 4.29E+09 Schwarz criterion -145.9451 Hannan-Quinn criter. 166.6995 Durbin-Watson stat 0.000000

解释变量的相关矩阵：

White 检验结果：

Heteroskedasticity Test: White F-statistic

0.532392 Prob. F(9,3)

0.7963 0.5347 0.9883 Prob. 0.9182 0.8652 0.8074 0.8669 0.6522 0.9791 0.9101 0.9775 0.5963 0.8982 3.30E+08 3.67E+08 42.78230 43.21687 42.69297 1.938169

Obs*R-squared Scaled explained SS Test Equation:

7.994564 Prob. Chi-Square(9) 2.181722 Prob. Chi-Square(9)

Coefficient 1.72E+10 -1.98E+10 5.07E+09 -2.19E+09 -6.10E+08 9.73E+08 1.30E+09 -68644519 1.98E+09 15656287

Std. Error 1.54E+11 1.07E+11 1.91E+10 1.20E+10 1.22E+09 3.43E+10 1.06E+10 2.24E+09 3.36E+09 1.13E+08

t-Statistic 0.111651 -0.184806 0.266159 -0.182331 -0.498731 0.028393 0.122746 -0.030612 0.590564 0.139031

Dependent Variable: RESID^2 Method: Least Squares Date: 06/19/14 Time: 16:59 Sample: 2000 2012 Included observations: 13

Variable C LNX1 LNX1^2 LNX1*X2 LNX1*X3 X2 X2^2 X2*X3 X3 X3^2

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

0.614966 Mean dependent var -0.540134 S.D. dependent var 4.55E+08 Akaike info criterion 6.21E+17 Schwarz criterion -268.0849 Hannan-Quinn criter. 0.532392 Durbin-Watson stat 0.796319