新型农村养老保险对中国农民消费的影响研究

内容提要：以中国大陆地区31个省市的面板数据为样本，通过开展相关的实证分析，发现新型农村养老保险的实施显著地促进了农民

>> 新型农村养老保险中的制度设计及其对农民参保影响 农民新型农村养老保险参保决策影响因素研究 新型农村养老保险中农民的参保意愿的影响因素分析 农民参与新型农村养老保险行为的影响因素探究 “新型农村养老保险”的县域经验研究 新型农村养老保险对生活满意度的影响研究 关于完善中国新型农村居民养老保险体系的研究 对构建新型农村社会养老保险制度的几点研究 广西新型农村社会养老保险农民参保意愿影响因素探究 浅析中国新型农村养老保险制度 新型农村社会养老保险筹资问题研究 新型农村社会养老保险制度研究 新型农村社会养老保险立法研究 吉林省新型农村养老保险研究 新型农村社会养老保险研究追踪 新型农村社会养老保险工作研究 新型农村养老保险常识 新型农村社会养老保险的发展 新型农村养老保险试点的思考 新型农村养老保险的问题与对策 常见问题解答 当前所在位置：.这是符合逻辑的，比如在现实中我们经常会看到，如果一个农村家庭有男孩，那么为了能够在男孩适婚的年龄盖上大房子，买上好的家电和家俱，在男孩未成家之前，全家都会尽可能地节省消费开支，将所挣得的大部分钱先攒起来。因此，综合上述的四个方面的讨论，在实证探索新型农村养老保险对我国农民消费水平的实际影响时，就可依据上述的讨论，具体构建如下的计量经济模型：

Cit=βxit+ai+μit

具体而言，在该面板数据模型中，C被用来代表各省市农民的人均消费支出水平，i被用来代表我国大陆地区的各省市（i=1，2，，，31），t被用来代表不同的年份（t=2006，2007，，，2010），x被用来代表影响农民消费支出的诸多解释变量（其中也包括用来反映新型农村养老保险政策是否落实的虚拟变量），β被用来代表各解释变量的系数，也就是模型中有待估计的参数集合。此外，根据面板数据模型的基本分析原理，在该模型中，α被用来代表每一个个体（各省市）所具有的不同的常数项，μ则被用来代表一些不可观测、但是却可能会对农民的消费支出水平产生影响的随机干扰项。

在设定了具体面板数据模型的基础上，结合前述关于各变量选择的基本讨论，以及结合现实中数据的可得性，通过对2007～2011年的中国统计年鉴、中国人口和就业统计年鉴中的相关数据展开进一步的计算，我们分别选定以2006～2010年各省市农村居民人均生活消费支出水平（元）、人均可支配收入水平（元）、人均可支配收入的平方（元）、人口老年和儿童的总抚养比、男女性别比，以及各地区的农村居民消费价格指数，来分别作为该期间各省市农村居民人均消费支出、人均收入、人均收入的平方、人口抚养比、男女性别比，以及各省市农村地区消费价格指数的代表。同时，需要说明的是，在下面的整个实证研究过程中，我们所应用的都是EVIEWS6.0统计分析软件。各样本数据的具体统计性描述如表1所述。

3.豪斯曼检验

按照计量经济学的基本原理和面板数据模型本身所具有的基本特征，一般来说，对于研究中所设定的面板数据模型来说，基于代表各横截面个体不同的常数项是否与各解释变量之间存在一定的相关性，可被具体划分为固定影响模型和随机影响模型两种主要的类型。而且通常来说，在使用相同样本数据的情况下，以两种模型形式对同一面板数据模型展开回归分析，在回归的结果上也很可能会出现很大的差异。虽然有研究表明，在横截面个数与时间序列的个数相当或大于时间序列个数的情况下，基于两种模型形式对同一面板数据模型展开回归分析后所得到的结果并不会存在太大差异，但是不管怎么说，只要存在差异，那么不管差异或大或小，对模型形式的鉴定同样非常必要。所以，为了能够提高回归结果的准确性，在开展具体的回归分析之前，还要先确定我们研究中所设定的面板数据模型具体属于前面两者中的哪一类。在这方面，通过采取为很多学者所曾采用过的豪斯曼（Huasman）检验法，即首先对所设定的面板数据模型在随机影响的情况下展开回归，并在回归的基础上施以豪斯曼检验，可以发现，EVIESW6.0输出的豪斯曼检验的卡方统计值达到16.82，相关的D.F值达到6，反映拒绝原假设犯错误可能性的概率P，则在数值上仅达到0.0096，远小于0.05的通用临界概率值，因此，检验的结果无疑拒绝了我们所设定的模型属于随机影响模型这一假设，也就是说，对于本文所设定的面板数据模型，应具体属于固定影响模型。

4.回归分析与结果的解读

在确定面板数据模型具体形式的基础上，就可以结合所选取的样本数据，对面板数据模型展开具体的回归分析。对于我们所设定的面板数据模型，在回归的过程中，通过采取固定影响回归方法，并采取怀特（White）加权法和广义最小二乘（OLS），我们得到了如下表2所示的基本回归结果。在现实中，由于受到文化、地理位置、自然环境等因素的影响，各省市之间的随机干扰项的方差很可能会出现不一致，因此在回归的过程中，我们选择了怀特截面加权和广义最小二乘法，以尽量消除模型中所可能存在的异方差问题。