广东省城乡收入分配和就业情况研究_基于面板数据模型的分析

District economy | 区域经济

MODERN BUSINESS

现代商业106广东省城乡收入分配和就业情况研究

高莉菁　暨南大学经济学院　广东广州　510632丁　元　广东技术师范学院　广东广州　510632周树高　广东技术师范学院　广东广州　510632

摘要:收入分配和就业水平是经济发展过程中不容忽视的两个相互影响的关键环节,而目前的研究未能系统的分析二者之间的关系。本文以广东省的面板数据为基础,建立动态的面板数据模型分析了城乡收入绝对差距和就业之间的关系,并根据区域差异性对其进行深入研究,在此基础上给出政策建议。关键词:收入分配;就业水平:面板数据模型

一、 引言

目前我国处于经济发展的转型时期,经济快速增长的同时就业问题成为了最突出、最影响到广大人民群众切身利益的问题。广东省作为改革开放的前沿阵地,在改革开放以来经济迅速发展,但城乡收入差距却越来越大,农村居民的人均收入不仅在绝对数上远远落后于城镇居民,而且增长速度也远远落后。造成大量劳动力从农村涌向城镇,又产生了就业问题以及农村留守人员问题等各种社会和经济问题。

另一方面,广东省也在不断出台多项政策保障就业,提高职工工资待遇,保障外来务工人员的基本权益。可见解决好就业问题和城乡收入分配差距问题是实现产业结构优化升级的过程中不容忽视的重点。就业问题和收入分配问题无疑是紧密相关的两个问题,而目前许多学者的分析都是集中在分析单一问题的现状和解决对策上,对于二者之间的相互影响关系分析较少,因此本文以广东省的实证数据为基础,分析就业对城乡收入差距的影响作用和程度,希望从实证的角度,针对广东省的具体情况进行分析,为制定合理的收入分配调节制度,缩小城乡收入差距和缓解就业的总量与结构矛盾提出参考建议。

二、文献综述

对就业与失业的理论分析可以追溯到古典经济学,但是不同的学派对失业问题有不同的理论主张[1],在实证方面,张得志[2]在回顾我国就业制度改革历程的基础上,从多角度探讨了就业弹性偏低的原因,莫荣、周宵、孟续铎[3]提出产业的转型升级对就业总量的影响总体上是正面的,并能够优化就业结构,第三产业是吸纳就业的主要产业。刘玉成、童光荣[4]基于我国省际面板数据分析了经济增长、人口以及工资对就业的影响。关于收入分配的理论中,众多学者也形成了不同的理论体系,在实证研究中,彭爽、叶晓东[5]认为我国收入分配格局存在不合理之处,居民收入差距逐渐扩大;王中英[6]深入阐释了城乡居民收入分配差距日益扩大的具体原因,并提出了一些建议。

在关于就业与收入分配二者之间关系的研究中,费景汉、拉尼斯[7]提出二元经济理论,以劳动力供求的变化来解释要素的收入分配;武继兵[8]认为就业和收入分配互相影响,互为因果。在实证方面,Kanbur,R and Xiaobo Zhang[9]的研究表明中国城乡间收入差距和内地与沿海间收入差距可以用劳动力的流动受阻来解释;丁元建立了VAR模型对广东就业水平与居民收入分配、就业的产业结构与居民收入分配之间的相互影响关系进行了定量分析;丁元、周树高、贾功祥[10]检验了珠三角的就业与城乡居民收入分配的关系。

以上众多学者的研究和给本文的研究提供了一定的理论基础,但

是对于就业和收入分配之间关系并没有明确的结论,针对不同的地区还会有所差异,因此本文基于广东省的面板数据,揭示广东省内城乡收入分配与就业之间的动态影响关系。

三、数据说明和检验

(一)变量选择和数据来源

本文旨在针对广东省进行分析,但是由于历年来广东省内行政区域的划分存在变动,为了尽可能多采用真实数据,选取广州、珠海、汕头、佛山、韶关、梅州、惠州、东莞、肇庆以及中山10个市作为代表进行研究。

衡量就业水平的指标较多,由于统计资料的限制,很多指标难以得到,而我国的城镇登记失业率代表性有限,因此选取1996年到2012年各市年末从业人员数作为衡量就业水平的指标。

衡量收入分配的指标主要有基尼系数、库兹涅茨比率、城乡收入绝对差距、城乡收入相对差距等等,本文以城乡收入绝对差距作为衡量城乡收入水平的指标。以城镇家庭人均可支配收入与农村家庭人均纯收入之差作为城乡收入绝对差距。

考虑到两组数据量纲的差异,为了减小异方差的影响,对两组数据分别取对数后再进行检验和建模。并利用eviews和stata软件进行检验和建模。

(二)单位根检验

为了避免伪回归现象,首先对各个变量进行单位根检验,来判断是否平稳。面板数据对单位根的检验有多种方法,对于有相同根的情形可以采用LLC检验、Breitung检验,有不同根的情况可以采用IPS 检验和fisher-ADF检验。下表列出了对变量lnsrcj(城乡收入差距的对数值)和lncyry(从业人员年末数的对数值)的单位根检验结果。

从单位根检验结果可以看出,城乡收入差距的对数值和从业人员年末数的对数值在5%的显著性水平下均不平稳,一阶差分后在5%的显著性水平下平稳,均为一阶单整,可以进一步做协整检验。

(三)协整检验

协整检验用来考察变量间的长期均衡关系,如果变量通过了协整检验,说明变量间存在长期均衡关系,则可以进行下一步的建模分析。常用的协整检验方法主要有三种:Kao协整检验法、Pedroni

——基于面板数据模型的分析

注:本文是广东省自科基金项目的部分研究成果,项目编号为S2013010016306。

District economy

区域经济 | MODERN BUSINESS 现代商业107

协整检验法和Fsher协整检验法。协整检验结果如下表２所示:

由表2的结果可以看出,综合三种检验的结果,可以进行下一步分析,建立面板数据模型。

四、 模型选择和估计

从经济学理论上来理解,收入差距具有惯性作用和积累作用,当城乡收入差距积累到某一程度时,城乡居民是按照现有的资源或者要素进行收入分配,因此当期的城乡收入差距必然受到当期收入分配的制约,而当期收入分配与上期收入分配存在一致性,这就导致城乡收

入差距存在惯性和自我加强的趋势。我们建立如下动态模型:

其中

表示之后k期的城乡收入差距对数值,表示不可观察的地区个体效应。本文选取系统广义矩估计来进行模型的估计,使

用stata11.0软件,并在模型估计后进行检验。模型的估计结果如下:-3.34** 13.79** 1.83 * 4.36**

注:下方为检验统计量值,**表示5%显著性水平下显著,*表示10%显著性水平下显著。

动态面板数据模型的

统计量为1761.05,在5%的显著性水平下拒绝原假设,认为模型整体显著,同时lnsrcj的一阶、二阶滞后项在10%的显著性水平下均为显著,lncyry在5%的显著性水平下也是显著的。Sargan检验接受了模型估计“模型过渡约束”的原假设,Abond检验接受了残差序列检验不存在一阶、二阶自相关的原假

设,说明上述动态面板数据模型较为理想。检验结果汇总如下:

由动态面板数据模型可以看出:

首先,该模型表明了就业与收入差距的动态变化过程,表明广东省内的城乡收入差距存在扩大趋势,由lnsrcj的一阶、二阶滞后的系数可以看出,城乡收入差距具有惯性,并且存在累计效应,具体来说,当期收入差距扩大1%会使得下一期的收入差距扩大0.823%,使得再下一期的收入差距扩大0.105%。

其次,就业的增加对城乡收入差距的影响为正向,从业人员数增加1%将使得城乡收入差距扩大0.196%。这说明随着经济的发展,虽然从业人员增加了,并不能够减小城乡居民收入差距,劳动力从农村流入城市并不能够缓解城乡收入差距,更不能解决收入分配不均衡问题。

五、结论与建议

综上所述,广东省内城乡收入差距和就业之间的关系具有明显的地区差异性;广东省内的就业人员数对收入差距的影响为正向;城乡

收入绝对差距存在累积效应和惯性效应。

针对以上所得出的实证研究结论,提出如下几点政策建议:

第一,客观认识城乡收入差距,加快推动城乡一体化进程。政府部门需要认识到问题的严重性以及本质,加快推动城乡一体化进程,增强政策支持的力度和影响广度,合理引导市场经济中的资源配置,尽快实现城乡二元经济结构向一体化转变的过程。注意各个部门的协调与配合,加快实现城乡基础设施建设的均等化,保障农村居民的基本权益。

第二,合理引导就业结构,发挥劳动力流动效应。在政策制定的时候需要合理引导就业结构,降低劳动力流动阻力,保障进城务工人员的基本权益,运用最低工资水平等政策标准调节收入分配结构,引导劳动力流向,充分发挥劳动力流动产生的效应,完善收入分配格局。

第三,加强区域间协调合作,共同推动收入分配结构的优化和就业水平的提高。加强各个城市之间的沟通和合作,发挥各个城市的比较优势,利用各个城市政策的一致性来减少城乡收入差距,保障农村居民的就业水平和基本收入,提高农村居民的生活水平。各个城市在互相沟通的基础上出台一致的政策,促进农村小企业的发展。

参考文献:

[1]莫荣,周宵,孟续铎. 就业趋势分析:产业转型与就业[J]. 中国劳动,2014,01:4-8.

[2]刘玉成,童光荣. 经济增长、人口、工资对就业的影响及地区比较[J].经济经纬,2013,02:23-27.

[3]彭爽,叶晓东. 论1978年以来中国国民收入分配格局的演变、现状与调整对策[J].经济评论,2008,02:73-80+86.

[4]费景汉、古斯塔夫?拉尼斯.劳动剩余经济的发展[M].华夏出版社,1989年第1版,21-69.

[5]武继兵.就业与收入分配的关系[J].职业杂志,2001(1),12-15

[6]Kanbur ,R.and Xiaobo Zhang,“Which Regional Inequality? The Evolution of Rural-Urban and Inland一Coastal Inequality in China from l983 to 1995,Journal of Comparative Economics,27,686-701,1999.[7]丁元,周树高,贾功祥. 珠三角地区就业与城乡居民收入分配的动态均衡分析[J]. 嘉应学院学报,2012,06:41-46.

作者简介:

1、高莉菁(1990.4-),女,满族,河南开封人,暨南大学经济学院在读研究生,研究方向为统计调查与数据分析。

2、周树高(1961.1—??),男,汉族,湖南株洲人,广东技术师范学院教授,主要研究经济管理。

3、丁元(1965—),女,汉族,湖南汉寿人,广东技术师范学院教

授、博士,主要研究劳动经济与社会保障。

MATLAB空间面板数据模型操作介绍

MATLAB空间面板数据模型操作简介 MATLAB安装：在民主湖资源站上下载MA TLAB 2009a，或者2010a，按照其中的安装说明安装MATLAB。（MATLAB较大，占用内存较大，安装的话可能也要花费一定的时间） 一、数据布局： 首先我们说一下MA TLAB处理空间面板数据时，数据文件是怎么布局的，熟悉eviews的同学可能知道，eviews中面板数据布局是：一个省份所有年份的数据作为一个单元（纵截面：一个时间序列），然后再排放另一个省份所有年份的数据，依次将所有省份的数据排放完，如下图，红框中“1-94”“1-95”“1-96”“1-97”中，1是省份的代号，94,95,96,97表示年份，eviews是将每个省份的数据放在一起，再将所有省份堆放在一起。 与eviews不同，MATLAB处理空间面板数据时，面板数据的布局是（在excel中说明）：先排放一个横截面上的数据（即某年所有省份的数据），再将不同年份的横截面按时间顺序堆放在一起。如图：

这里需要说明的是，MA TLAB中省份的序号需要与空间权重矩阵中省份一一对应，我们一般就采用《中国统计年鉴》分地区数据中省份的排列顺序。（二阶空间权重矩阵我会在附件中给出）。 二、数据的输入： MATLAB与excel链接：在excel中点击“工具→加载宏→浏览”，找到MA TLAB的安装目录，一般来说，如果安装时没有修改安装路径，此安装目录为：C:\Programfiles\MATLAB\R2009a\toolbox\exlink，点击excllink.xla即可完成excel与MATLAB的链接。这样的话excel中的数据就可以直接导入MATLAB中形成MATLAB的数据文件。操作完成后excel 的加载宏界面如图： 选中“Spreadsheet Link EX3.0.3 for use with MATLAB”即表示我们希望excel 与MATLAB实现链

基于面板数据模型及其固定效应的模型分析

基于面板数据模型及其固定效应的模型分析 在20世纪80年代及以前，还只有很少的研究面板数据模型及其应用的文献,而20世纪80年代之后一直到现在,已经有大量的文献使用同时具有横截面和时间序列信息的面板数据来进行经验研究(Hsiao,20XX)。同时,大量的面板数据计量经济学方法和技巧已经被开发了出来，并成为现在中级以上的计量经济学教科书的必备内容，面板数据计量经济学的理论研究也是现在理论计量经济学最热的领域之一。 面板数据同时包含了许多横截面在时间序列上的样本信息，不同于只有一个维度的纯粹横截面数据和时间序列数据，面板数据是同时有横截面和时序二维的。使用二维的面板数据相对于只使用横截面数据或时序数据，在理论上被认为有一些优点，其中一个重要的优点是面板数据被认为能够控制个体的异质性。在面板数据中，人们认为不同的横截面很可能具有异质性，这个异质性被认为是无法用已知的回归元观测的，同时异质性被假定为依横截面不同而不同，但在不同时点却是稳定的，因此可以用横截面虚拟变量来控制横截面的异质性，如果异质性是发生在不同时期的，那么则用时期虚拟变量来控制。而这些工作在只有横截面数据或时序数据时是无法完成的。 然而,实际上绝大多数时候我们并不关心这个异质性究竟是多少，我们关心的仍然是回归元参数的估计结果。使用面板数据做过实际研究的人可能会发现使用的效应①不同，对回归元的估计结果经常有十分巨大的影响，在某个固定效应设定下回归系数为正显着，而另外一个效应则变为负显着，这种事情经常可以碰到,让人十分困惑。大多数的研究文献都将这种影响解释为控制了固定效应后的结果，因为不可观测的异质性(固定效应)很可能和回归元是相关的，在控制了这个效应后，由于变量之间的相关性，自然会对回归元的估计结果产生影响，因而使用的效应不同，估计的结果一般也就会有显着变化。 然而,这个被广泛接受的理论假说，本质上来讲是有问题的。我们认为，估计的效应不同，对应的自变量估计系数的含义也不同，而导致估计结果有显着变化的可能重要原因是由于面板数据是二维的数据，而在这两个不同维度上，以及将两个维度的信息放到一起时，样本信息所显现出来的自变量和因变量之间的相关关系可能是不同的。因此，我们这里提出另外一种异质性，即样本在不同维度上的相关关系是不同的，是异质的，这个异质性是发生在回归元的回归系数上，而 不是截距项。我们试图从面板数据的横截面维度和时间序列维度的样本相关异质性角

面板数据模型

第十讲经典面板数据模型 一、面板数据（panel data） 一维数据: 时间序列数据(cross section data)：变量在时间维度上的数据截面数据(time series data)：变量在截面空间维度上的数据)。 二维数据: 面板数据(同时在时间和截面空间上取得的，也称时间序列截面数据（time series and cross section data）或混合数据（pool data）。 面板数据=截面数据+时间序列数据。

面板数据用双下标变量表示。例如 y i t, i = 1, 2, …, N; t = 1, 2, …, T N表示面板数据中含有N个个体。T表示时间序列的最大长度。若固定t不变，y i ., ( i = 1, 2, …, N)是随机变量在横截面上的N个数据；若固定i不变，y. t, (t = 1, 2, …, T)是纵剖面上的一个时间序列（个体）。 平衡面板数据（balanced panel data）。 非平衡面板数据（unbalanced panel data）。 例1998-2002年中国东北、华北、华东15个省级地区的居民家庭人均消费（不变价格）和人均收入数据见表1。人均消费和收入两个面板数据都是平衡面板数据，各有15个个体。

表1.中国部分省级地区的居民数据（不变价格，元）

二、面板数据模型及其作用 1.经典面板数据模型 建立在古典假定基础上的线性面板数据模型. 2.非经典面板数据模型 (1)非平稳时间序列问题的面板数据模型(面板数据协整模型) (2)非线性面板数据模型(如面板数据logit模型, 面板数据计数模型模型) (3)其他模型(如面板数据分位数回归模型) 3.面板数据模型作用 （1）描述个体行为差异。

第9章-面板数据模型理论

5.2 面板数据模型理论 5.2.1 面板数据模型及类型。 面板数据（panel data ）也称时间序列截面数据（time series and cross section data ）或混合数据（pool data ）。面板数据是同时在时间和截面空间上取得的二维数据。面板数据从横截面（cross section ）上看，是由若干个体（entity, unit, individual ）在某一时刻构成的截面观测值，从纵剖面（longitudinal section ）上看是一个时间序列。 面板数据用双下标变量表示。例如： it y , N i ,,2,1 ;T t ,,2,1 其中，N 表示面板数据中含有的个体数。T 表示时间序列的时期数。若固定t 不变，?i y ),,2,1(N i 是横截面上的N 个随机变量；若固定i 不变，t y ?,),,2,1(T t 是纵剖面 上的一个时间序列。对于面板数据来说，如果从横截面上看，每个变量都有观测值，从纵剖面上看，每一期都有观测值，则称此面板数据为平衡面板数据（balanced panel data ）。若在面板数据中丢失若干个观测值，则称此面板数据为非平衡面板数据（unbalanced panel data ）。 面板数据模型是建立在面板数据之上、用于分析变量之间相互关系的计量经济模型。面板数据模型的解析表达式为： it it it it it x y T j N i ,2,1;,2,1 其中，it y 为被解释变量；it 表示截距项，),,,(21k it it it it x x x x 为k 1维解释变量向量；' 21),,,(k it it it it 为1 k 维参数向量；i 表示不同的个体；t 表示不同的时间；it 为 随机扰动项，满足经典计量经济模型的基本假设),0(~2 IIDN it 。 面板数据模型通常分为三类。即混合模型、固定效应模型和随机效应模型。 ⑴ 混合模型。 如果一个面板数据模型定义为： it it it x y T j N i ,2,1;,2,1 则称此模型为混合模型。混合模型的特点是无论对任何个体和截面，回归系数 和 都是相同的 ⑵ 固定效应模型。 固定效应模型分为3种类型，即个体固定效应模型（entity fixed effects regression model ）、时间固定效应模型（time fixed effects regression model ）和时间个体固定效应模型（time and entity fixed effects regression model ）。 ① 个体固定效应模型。 个体固定效应模型就是对于不同的个体有不同截距的模型。如果对于不同的时间序

MATLAB空间面板数据模型操作介绍

MATLAB 空间面板数据模型操作简介 MATLAB 安装： 在民主湖资源站上下载 MA TLAB 2009a ，或者 2010a ，按照其中的安装说明 安装 MATLAB 。（ MATLAB 较大，占用内存较大，安装的话可能也要花费一定的时间） 一、数据布局 首先我们说一下 MA TLAB 处理空间面板数据时，数据文件是怎么布局的，熟悉 eviews 的同学 可能知道， eviews 中面板数据布局是：一个省份所有年份的数据作为一个单元（纵截面：一个时间 序列），然后再排放另一个省份所有年份的数据，依次将所有省份的数据排放完，如下图，红框中 “1-94”“1-95” “1-96” “ 1-97”中， 1是省份的代号， 94,95,96,97 表示年份， eviews 是将每个省 份的数据放在一起，再将所有省份堆放在一起。 与 eviews 不同， MATLAB 处理空间面板数据时，面板数据的布局是（在 excel 中说明）： 先排 放一个横截面上的数据（即某年所有省份的数据） ，再将不同年份的横截面按时间顺序堆放在一起。 如图：

这里需要说明的是， MA TLAB 中省份的序号需要与空间权重矩阵中省份一一对应，我们一般就采用《中国统计年鉴》分地区数据中省份的排列顺序。（二阶空间权重矩阵我会在附件中给出）。二、数据的输入： MATLAB 与 excel链接：在 excel中点击“工具→加载宏→浏览” ，找到 MA TLAB 的安装目录，一般来说，如果安装时没有修改安装路径，此安装目录为： C:\Programfiles\MATLAB\R2009a\toolbox\exlink ，点击 excllink.xla 即可完成 excel 与 MATLAB 的链接。这样的话 excel 中的数据就可以直接导入 MATLAB 中形成 MATLAB 的数据文件。操作完成后 excel 的加载宏界面如图： 选中“Spreadsheet Link EX3.0.3 for use with MATLAB ”即表示我们希望 excel 与

EViews面板数据模型估计教程

EViews 6.0 beta在面板数据模型估计中的应用 来自免费的minixi 1、进入工作目录cd d:\nklx3，在指定的路径下工作是一个良好的习惯 2、建立面板数据工作文件workfile （1）最好不要选择EViews默认的blanaced panel 类型 Moren_panel （2）按照要求建立简单的满足时期周期和长度要求的时期型工作文件

3、建立pool对象 （1）新建对象 （2）选择新建对象类型并命名 （3）为新建pool对象设置截面单元的表示名称，在此提示下（Cross Section Identifiers: (Enter identifiers below this line )输入截面单元名称。，建议采用汉语拼音，例如29个省市区的汉语拼音，建议在拼音名前加一个下划线“_”，如图

关闭建立的pool对象，它就出现在当前工作文件中。 4、在pool对象中建立面板数据序列 双击pool对象，打开pool对象窗口，在菜单view的下拉项中选择spreedsheet （展开表） 在打开的序列列表窗口中输入你要建立的序列名称，如果是面板数据序列必须在序列名后添加“?”。例如，输入GDP?，在GDP后的?的作用是各个截面单元的占位符，生成了29个省市区的GDP的序列名，即GDP后接截面单元名，再在接时期，就表示出面板数据的3维数据结构（1变量2截面单元3时期）了。

请看工作文件窗口中的序列名。展开表（类似excel）中等待你输入、贴入数据。 （1）打开编辑（edit）窗口

（2）贴入数据 （3）关闭pool窗口，赶快存盘见好就收6、在pool窗口对各个序列进行单位根检验 选择单位根检验 设置单位根检验

空间面板数据分析——R的splm包资料

空间面板数据分析——R的splm包 （任建辉，暨南大学） The splm package provides methods for fitting spatial panel data by maximum likelihood and GM. 安装R软件及其编辑器Rstudio 网址：https://www.wendangku.net/doc/0910890597.html, https://www.wendangku.net/doc/0910890597.html,/ 下载好Rstudio以后，操作都可以Rstudio中完成了，包括命令的编写、命令运行、图形展示，最方便的要数查看数据了。 R界面 Rstudio界面，形如matlab

下面进入正题，了解splm包中的数据、命令及结果展示。所有命令都写在编辑窗口（studio 左上区域），可以单独的运行每行命令，也可选取一段一起执行，点run按钮。 1、首先，安装splm包并导入，命令如下: intall.packages(“splm”)，选择最近的下载点 library(splm) > library(splm) 载入需要的程辑包：MASS 载入需要的程辑包：nlme 载入需要的程辑包：spdep 载入需要的程辑包：sp 载入需要的程辑包：Matrix 载入需要的程辑包：plm 载入需要的程辑包：bdsmatrix 载入程辑包：‘bdsmatrix’ 下列对象被屏蔽了from ‘package:base’: backsolve 载入需要的程辑包：Formula 载入需要的程辑包：sandwich 载入需要的程辑包：zoo 载入程辑包：‘zoo’ 下列对象被屏蔽了from ‘package:base’: as.Date, as.Date.numeric 载入需要的程辑包：spam 载入需要的程辑包：grid Spam version 0.40-0 (2013-09-11) is loaded. Type 'help( Spam)' or 'demo( spam)' for a short introduction and overview of this package. Help for individual functions is also obtained by adding the suffix '.spam' to the function name, e.g. 'help( chol.spam)'. 载入程辑包：‘spam’ 下列对象被屏蔽了from ‘package:bdsmatrix’:

第9章-面板数据模型理论

5.2 面板数据模型理论 5.2.1 面板数据模型及类型。 面板数据（panel data ）也称时间序列截面数据（time series and cross section data ）或混合数据（pool data ）。面板数据是同时在时间和截面空间上取得的二维数据。面板数据从横截面（cross section ）上看，是由若干个体（entity, unit, individual ）在某一时刻构成的截面观测值，从纵剖面（longitudinal section ）上看是一个时间序列。 面板数据用双下标变量表示。例如： it y , N i ,,2,1 =;T t ,,2,1 = 其中，N 表示面板数据中含有的个体数。T 表示时间序列的时期数。若固定t 不变，?i y ),,2,1(N i =是横截面上的N 个随机变量；若固定i 不变，t y ?,),,2,1(T t =是纵剖面 上的一个时间序列。对于面板数据来说，如果从横截面上看，每个变量都有观测值，从纵剖面上看，每一期都有观测值，则称此面板数据为平衡面板数据（balanced panel data ）。若在面板数据中丢失若干个观测值，则称此面板数据为非平衡面板数据（unbalanced panel data ）。 面板数据模型是建立在面板数据之上、用于分析变量之间相互关系的计量经济模 型。面板数据模型的解析表达式为： it it it it it x y μβα++= T j N i ,2,1;,2,1== 其中，it y 为被解释变量；it α表示截距项，),,,(21k it it it it x x x x =为k ?1维解释变量向量；'21),,,(k it it it it ββββ =为1?k 维参数向量；i 表示不同的个体；t 表示不同的时间；it μ为 随机扰动项，满足经典计量经济模型的基本假设),0(~2μσμIIDN it 。 面板数据模型通常分为三类。即混合模型、固定效应模型和随机效应模型。 ⑴ 混合模型。 如果一个面板数据模型定义为： it it it x y μβα++= T j N i ,2,1;,2,1== 则称此模型为混合模型。混合模型的特点是无论对任何个体和截面，回归系数α和β都是相同的 ⑵ 固定效应模型。 固定效应模型分为3种类型，即个体固定效应模型（entity fixed effects regression

空间面板数据分析R的splm包

空间面板数据分析——R的s p l m包 （任建辉，暨南大学） The splm package provides methods for fitting spatial panel data by maximum likelihood and GM. 安装R软件及其编辑器Rstudio 网址：https://www.wendangku.net/doc/0910890597.html, 下载好Rstudio以后，操作都可以Rstudio中完成了，包括命令的编写、命令运行、图形展示，最方便的要数查看数据了。 R界面 Rstudio界面，形如matlab 下面进入正题，了解splm包中的数据、命令及结果展示。所有命令都写在编辑窗口（studio左上区域），可以单独的运行每行命令，也可选取一段一起执行，点run按钮。 1、首先，安装splm包并导入，命令如下: intall.packages(“splm”)，选择最近的下载点 library(splm) > library(splm) 载入需要的程辑包：MASS 载入需要的程辑包：nlme 载入需要的程辑包：spdep 载入需要的程辑包：sp 载入需要的程辑包：Matrix 载入需要的程辑包：plm 载入需要的程辑包：bdsmatrix 载入程辑包：‘bdsmatrix’ 下列对象被屏蔽了from ‘package:base’: backsolve

载入需要的程辑包：Formula 载入需要的程辑包：sandwich 载入需要的程辑包：zoo 载入程辑包：‘zoo’ 下列对象被屏蔽了from ‘package:base’: 载入需要的程辑包：spam 载入需要的程辑包：grid Spam version 0.40-0 (2013-09-11) is loaded. Type 'help( Spam)' or 'demo( spam)' for a short introduction and overview of this package. Help for individual functions is also obtained by adding the suffix '.spam' to the function name, e.g. 'help( chol.spam)'. 载入程辑包：‘spam’ 下列对象被屏蔽了from ‘package:bdsmatrix’: backsolve 下列对象被屏蔽了from ‘package:base’: backsolve, forwardsolve 载入需要的程辑包：ibdreg 载入需要的程辑包：car 载入需要的程辑包：lmtest 载入需要的程辑包：Ecdat 载入程辑包：‘Ecdat’ 下列对象被屏蔽了from ‘package:car’: Mroz 下列对象被屏蔽了from ‘package:nlme’: Gasoline 下列对象被屏蔽了from ‘package:MASS’: SP500 下列对象被屏蔽了from ‘package:datasets’: Orange 载入需要的程辑包：maxLik 载入需要的程辑包：miscTools Please cite the 'maxLik' package as: Henningsen, Arne and Toomet, Ott (2011). maxLik: A package for maximum likelihood es timation in R. Computational Statistics 26(3), 443-458. DOI 10.1007/s00180-010-0217 -1. If you have questions, suggestions, or comments regarding the 'maxLik' package, plea se use a forum or 'tracker' at maxLik's R-Forge site: Warning message: 程辑包‘Matrix’是用R版本3.0.3 来建造的 注意：在导入splm时，如果发现还有其他配套的包没有安装，需要先安装。 2、接着，查看数据及结构，命令如下：

面板数据模型理论知识(最新)

1.Panel Data 模型简介 Panel Data 即面板数据，是截面数据与时间序列数据综合起来的一种数据类型，是截面上个体在不同时点的重复观测数据。 相对于一维的截面数据和时间序列数据进行经济分析而言，面板数据有很多优点。(1)由于观测值的增多，可以增加自由度并减少了解释变量间的共线性，提高了估计量的抽样精度。(2)面板数据建模比单截面数据建模可以获得更多的动态信息，可以构建并检验更复杂的行为模型。(3)面板数据可以识别、衡量单使用一维数据模型所不能观测和估计的影响，可以从多方面对同一经济现象进行更加全面解释。 Panel Data 模型的一般形式为it K k kit kit it it x y μβα++=∑=1 其中it y 为被解释变量，it x 为解释变量， i ＝1，2，3……N ，表示N 个个体；t ＝1，2，3……T ，表示已知T 个时点。参数it α表示模型的截距项，k 是解释变量的个数，kit β是相对应解释变量的待估计系数。随机误差项it μ相互独立，且满足零均值，等方差为2δ的假设。 面板数据模型可以构建三种形式（以截面估计为例）： 形式一： 不变参数模型 i K k ki k i x y μβα++=∑=1 ，又叫混合回归模型，是指无论从时间上还是截面上观察数据均不存在显著差异，故可以将面板数据混合在一起，采用普通最小二乘估计法（OLS ）估计参数即可。 形式二：变截距模型i K k ki k i i x y μβαα+++=∑=1 *，*α为每个个体方程共同的截距项，i α是不同个体之间的异质性差异。对于不同个体或时期而 言，截距项不同而解释变量的斜率相同,说明存在不可观测个体异质影响但基本结构是相同的，可以通过截距项的不同而体现出来个体之间的差异。当i α与i x 相关时，那就说明模型为固定效应模型，当i α与i x 不相关时，说明模型为随机效应模型。 形式三：变参数模型 i K k ki ki i i x y μβαα+++=∑=1 * ，对于不同个体或时期而言，截距项（i αα+*）和每个解释变量的斜率ki β都是不相同的，表 明不同个体之间既存在个体异质影响也存在不同的结构影响，即每个个体或时期都对应一个互不相同的方程。同样分为固定效应模型和随机效应模型两种。 注意：这里没有截距项相同而解释变量的系数不相同的模型。 2.Panel Data 模型分析步骤

面板数据模型入门讲解

第十四章 面板数据模型 在第五章，当我们分析城镇居民的消费特征时，我们使用的是城镇居民的时间序列数据；而当分析农村居民的消费特征时，我们使用农村居民的时间序列数据。如果我们想要分析全体中国居民的消费特征呢？我们有两种选择：一是使用中国居民的时间序列数据进行分析，二是把城镇居民和农村居民的样本合并，实际上就是两个时间序列的样本合并为一个样本。 多个观测对象的时间序列数据所组成的样本数据，被称为面板数据（Panel Data ）。通常也被称为综列数据，意即综合了多个时间序列的数据。当然，面板数据也可以看成多个横截面数据的综合。在面板数据中，每一个观测对象，我们称之为一个个体（Individual ）。例如城镇居民是一个观测个体，农村居民是另一个观测个体。 如果面板数据中各观测个体的观测区间是相同的，我们称其为平衡的面板数据，反之，则为非平衡的面板数据。基于面板数据所建立的计量经济学模型则被称为面板数据模型。例如，表5.3.1中城镇居民和农村居民的样本数据具有相同的采样区间，所以，它是一个平衡的面板数据。 §14.1 面板数据模型 一、两个例子 1. 居民消费行为的面板数据分析 让我们重新回到居民消费的例子。在表5.1.1中，如果我们将城镇居民和农村居民的时间序列数据作为一个样本，以分析中国居民的消费特征。那么，此时模型（5.1.1）的凯恩斯消费函数就可以表述为： it it it Y C εββ++=10 （14.1.1） it t i it u ++=λμε （14.1.2） 其中：it C 和it Y 分别表示第i 个观测个体在第t 期的消费和收入。i =1、2分别表示城镇居民和农村居民两个观测个体，t ＝1980、…、2008表示不同年度。it u 为经典误差项。 在（14.1.2）中，i μ随观测个体的变化，而不随时间变化，它反映个体之间不随时间变化的差异性，被称为个体效应。t λ反映不随个体变化的时间上的差异性，被称为时间效应。在本例中，城镇居民和农村居民的消费差异一部分来自收入差异和随机扰动，还有一部分差

空间面板数据计量经济分析

空间面板数据计量经济分析 空间面板数据计量经济分析 *以上分别介绍了区域创新过程中空间效应（依赖性和异质性）的空间计量检测，以及纳入空间效应的计量模型的估计方法——空间常系数回归模型（空间滞后模型，SLM 和空间误差模型，SEM ）和空间变系数回归模型（地理加权回归模型，GWR ）；同时还介绍和分析了面板数据（Panel Data ）计量经济学方法的估计和检验。 *可以看出，目前的空间计量经济学模型使用的数据集主要是截面数据，只考虑了空间单元之间的相关性，而忽略具有时空演变特征的时间尺度之间的相关性，这显然是一个美中不足。 *Anselin （1988）也认识到这一点。当然，大多学者通过将多个时期截面数据变量计算多年平均值的办法来综合消除时间波动的影响和干扰，但是这种做法仍然造成大量具有时间演变特征的创新行为信息的损失，从而无法科学和客观地认识和揭示具有时空二维特征的研发与创新过程的真实机制。*面板数据（Panel Data ）计量经济模型作为目前一种前沿的计量经济估计技术，由于其可以综合创新行为变量时间尺度的信息和截面（地域空间）单元的信息，同时集成考虑了时间相关性和空间（截面）相关性，因而能够科学而客观地反映受到时空交互相关性作用的创新行为的特征和规律，是定量揭示研发、知识溢出与区域创新相互作用关系的有效方法。但是，限于在所有时刻对所有个体（空间）均相等的假定（即不考虑空间效应），面板数据计量经济学理论也有其美中不足之处，具有很大的改进余地。 *鉴于空间计量经济学理论方法和面板数据计量经济学理论方法各有所长，把面板数据模型的优点和空间计量经济学模型的特点有机结合起来，构建一个综合考虑了变量时空二维特征和信息的空间面板数据计量经济模型，则是一种新颖的研究思路。以下根据空间计量经济模型和标准的面板数据模型[1]的建模思路，提出空间面板数据（Spatial Panel Data Model ，SPDM ）模型的建模思路和过程。 [1]与动态面板数据模型的建模思路类似，只要施加一些假定，引入因变量的滞后项，则为空间动态面板数据模型。 空间滞后面板数据计量分析 *考虑一个标准的面板数据模型： it it it it it y αx βμ=++*如果将变量的真实的区域空间自相关性（依赖性）（Anselin &Florax ，1995）考虑到创新行为中来，这种创新行为的空间自相关性可以视为区域创新过程中的一种外部溢出形式，这样则可以设定如下模型： it it it it it it y αWy x βμρ=+++*上式为空间滞后面板数据（Spatial Lag Panel Data Model ，SLPDM ）计量经济模型。其中，是创新的空间滞后变量，主要度量在地理空间上邻近地区的外部知识溢出，是一个区域在地理上邻近的区域在时期创新行为变量的加权求和。 空间误差面板数据计量分析 *如果在创新行为的空间依赖性存在误差扰动项中来测度邻近地区创新因变量的误差冲击对本地区创新行为的影响程度，则可以通过空间误差模型的空间依赖性原理可得： it it it it it y αx βμ=++it it it W μλμε=+*上式即为空间误差面板数据（Spatial Error Panel Data Model ，SEPDM ）计量经济模型。其中，参数衡量了样本观察值的误差项引进的一个区域间溢出成分。 *因为已经在面板数据模型中考虑了创新行为变量的空间依赖性，因此采用一般面板数据模型的估计技术如OLS 或GLS 等将具有良好的估计效果。如果能够综合考虑面板数据模型中的一些假定，如时间加权（Period Weights ）或截面加权（Cross-section Weights ），则可获得更加符合创新现实的估计结果。

面板数据分析方法步骤全解

面板数据分析方法步骤全解 面板数据的分析方法或许我们已经了解许多了，但是到底有没有一个基本的步骤呢？那些步骤是必须的？这些都是我们在研究的过程中需要考虑的，而且又是很实在的问题。面板单位根检验如何进行？协整检验呢？什么情况下要进行模型的修正？面板模型回归形式的选择？如何更有效的进行回归？诸如此类的问题我们应该如何去分析并一一解决？以下是我近期对面板数据研究后做出的一个简要总结, 和大家分享一下，也希望大家都进来讨论讨论。 步骤一：分析数据的平稳性（单位根检验） 按照正规程序，面板数据模型在回归前需检验数据的平稳性。李子奈 曾指出，一些非平稳的经济时间序列往往表现出共同的变化趋势，而这些序列间本身不一定有直接的关联，此时，对这些数据进行回归, 尽管有较高的R 平方，但其结果是没有任何实际意义的。这种情况称为称为虚假回归或伪回归（spurious regression）。他认为平稳的真正 含义是：一个时间序列剔除了不变的均值（可视为截距）和时间趋势 以后，剩余的序列为零均值，同方差，即白噪声。因此单位根检验时 有三种检验模式：既有趋势又有截距、只有截距、以上都无。 因此为了避免伪回归，确保估计结果的有效性, 我们必须对各面板序 列的平稳性进行检验。而检验数据平稳性最常用的办法就是单位根检验。首先，我们可以先对面板序列绘制时序图，以粗略观测时序图中由各个观测值描出代表变量的折线是否含有趋势项和(或)截距项, 从而为进一步的单位根检验的检验模式做准备。 单位根检验方法的文献综述：在非平稳的面板数据渐进过程中丄evin

an dLi n(1993)很早就发现这些估计量的极限分布是高斯分布，这些结 果也被应用在有异方差的面板数据中，并建立了对面板单位根进行检验的早期版本。后来经过Levin et al. (2002的改进，提出了检验面板单 位根的LLC法。Levin et al. (2002)指出,该方法允许不同截距和时间趋 势，异方差和高阶序列相关，适合于中等维度(时间序列介于25?250 之间，截面数介于10?250之间)的面板单位根检验。Im et al. (1997) 还提出了检验面板单位根的IPS法，但Breitung(2000)发现IPS法对 限定性趋势的设定极为敏感，并提出了面板单位根检验的Breit ung 法。Maddala and Wu(1999)又提出了ADF-Fisher和PP-Fisher面板单位 根检验方法。 由上述综述可知，可以使用LLC IPS Breintung、ADF-Fisher和 PP-Fisher5种方法进行面板单位根检验。 其中LLC-T、BR-T IPS-W、ADF-FCS PP-FCS H-Z 分别指Levin, Lin & Chu t* 统计量、Breitung t 统计量、Im Pesaran & Shin W 统计量、 ADF- Fisher Chi-square统计量、PP-FisherChi-square统计量、Hadri Z 统计量，并且Levin, Lin & Chu t*统计量、Breitung t统计量的原假设 为存在普通的单位根过程，Im Pesaran & Shin W统计量、ADF- Fisher Chi-square统计量、PP -Fisher Chi-square统计量的原假设为存在有效 的单位根过程，Hadri Z统计量的检验原假设为不存在普通的单位根 过程。

重要动态面板数据模型完全

第17章 动态面板数据模型 17.1 动态面板数据模型 前一章讨论具有固定效应和随机效应的线性静态面板数据模型，但由于经济个体行为的连续性、惯性和偏好等影响，经济行为是一个动态变化过程，这时需要用动态模型来研究经济关系。本章主要讨论动态面板数据模型的一般原理和估计方法，然后介绍了面板数据的单位根检验、协整分析和格朗杰因果检验的相关原理及操作。 17.1.1动态面板模型原理 17.1.2）时，第一3不相关。可以形成预先的工具变量： 12122000000i i i i i iT Y Y Y Y Y -?????????? 每一个预先决定的变量的相似的工具变量便可以形成了。假设it ε不存在自回归，不同设定的最优的GMM 加权矩阵为： 1 1'1M d i i i H M Z Z --=??=Ξ ??? ∑ （17.1.4） 其中Ξ 是矩阵，221000120001200 02100012σ-????-? ???Ξ=??-????-??

i Z 包含严格外生变量和预先决定的变量的混合。该加权矩阵用于one-step Arellano-Bond 估计。 给定了one-step 估计的残差后，我们就可以用估计计算的White 时期协方差矩阵来代替加权矩阵H d ： 1 1''1M i i i i i H M Z Z εε--=??=?? ??? ∑ （17.1.5） 该加权矩阵就是在Arellano-Bond 两步估计中用到的矩阵。 我们可以选择两者中一个方法来改变最初的方程，以消除对总体偏离而计算的个体效应（Arellano 和Bover ，1995）。详情见后面的GMM 估计，用正交偏离而转换残差有个特点就是转换设定的第一阶段最优加权矩阵是简单的2SLS 加权矩阵。 GMM 这里通过下面式子进行估计： '''(()())(()())i i i i i i E g g E Z Z ββεβεβ= （） 而'1()()M i i i G Z f ββ=??=-? ??? ∑ 在简单的线性模型中'(,)it it f X X ββ=，我们可以得到系数的估计值为：

第十六章-面板数据模型一

第16章静态面板数据模型时间序列数据或截面数据都是一维数据。例如时间序列数据是变量按时间得到的数据；截面数据是变量在截面空间上的数据。 面板数据（panel data）也称时间序列截面数据（time series and cross section data）或混合数据（pool data）。面板数据是同时在时间和截面空间上取得的二维数据。面板数据从横截面（cross section）上看，是由若干个体（entity, unit, individual）在某一时刻构成的截面观测值，从纵剖面（longitudinal section）上看是一个时间序列。 对于面板数据y it（i=1,2,…，N，t=1,2,…，T）来说，如果从横截面上看，每个变量都有观测值，从纵剖面上看，每一期都有观测值，则称此面板数据为平衡面板数据（balanced panel data）。若在面板数据中丢失若干个观测值，则称此面板数据为非平衡面板数据（unbalanced panel data）。 本章主要讨论静态面板数据模型的相关理论及软件操作，首先从模型的检验开始到介绍变截距模型中的固定影响变截距模型和随机影响变截距模型，然后到变系数模型。本章的流程图如下：

16.1面板数据模型建模的基本原理 在应用多元回归分析建立的计量经济模型时，如果所建的模型中缺失了某些不可观测的重要解释变量，使得回归模型随机误差项常常存在自相关。于是回归参数的最小二乘法OLS 估计量不再是无偏估计或有效估计。但是，运用面板数据建立的计量经济模型时，对于一些忽略的解释变量可以不需要其实际观察值，而通过控制该变量对被解释变量的影响的方法获得模型参数的无偏估计。 由此可见，面板数据不仅可以同时利用截面数据和时间序列数据建立计量经济模型，而且能更好地识别和度量单纯的时间序列模型和单纯截面数据模型所不能发现的影响因素，它能够构造和检验更复杂的行为模型。例如：在宏观领域，它被广泛用于劳动经济学、国际金融、经济增长、产业结构、技术创新、税收政策等领域。 16.1.1面板数据模型基本框架 面板数据能更好地识别和度量时间序列或截面数据不可发觉的效应，有助于建立和检验更复杂的行为模型，其基本模型是如下形式的一般回归模型： 1,2,,,1,2,,it it it i t it y x i N t T αβδγε=++++==L L （16.1.1） 其中：it y 是个体i 在时间t 时期的观测值，α表示模型的常数项，i δ代表固定或者随机的截面效应，t γ代表固定或者随机的时期效应，it x 表示k 阶解释变量观测值向量。β表示解释变量的系数向量，并且在根据其条件的限制分为三种值，一是对所有截面和时期都是相同的常数，二是在不同的截面是不同的系数，三是在不同的时期是不同的。it ε是独立同分布的误差项，即()0it E ε=。 在公式（16.1.1）中，如果考虑k 个解释变量，自由度NT 远小于参数个数，对于截面成员方程，待估计参数的个数为((1))NT k N ++，对于时间截面方程，待估计参数的个数为((1))NT k T ++，这使得该模型无法估计。为了对模型进行估计，则可以建立以下的两类模型：从个体成员角度考虑，建立含有N 个个体成员方程的面板数据模型；在时间点上截面，建立含有T 个时间点截面方程的面板数据模型。 1）含有N 个个体成员方程的面板数据模型 模型形式如下： i T i it i T T i y l x l I αβδγε=++++ （16.1.2） 其中：i y 是个体i 的观观测值的时间序列。系数向量β取值受不同个体的影响，i x 表示个体i 解释变量观测值时间序列。T l 是T 阶的单位行向量，T I 是T 阶的单位列向量。 '12()T γγγγ=L ，，，，包括所有的时点效应。该式含有N 个截面方程。

(完整word版)eviews面板数据模型详解

1.已知1996—2002年中国东北、华北、华东15个省级地区的居民家庭人均消费（cp，不变价格）和人均收入（ip，不变价格）居民，利用数据（1）建立面板 数据（panel data）工作文件；（2）定义序列名并输入数据；（3）估计选择面板模型；（4）面板单位根检验。 年人均消费（consume）和人均收入（income）数据以及消费者价格指数（p）分别见表9.1，9.2和9.3。 表9.1 1996—2002年中国东北、华北、华东15个省级地区的居民家庭人均消费（元）数据人均消费1996 1997 1998 1999 2000 2001 2002 CONSUMEAH 3607.43 3693.55 3777.41 3901.81 4232.98 4517.65 4736.52 CONSUMEBJ 5729.52 6531.81 6970.83 7498.48 8493.49 8922.72 10284.6 CONSUMEFJ 4248.47 4935.95 5181.45 5266.69 5638.74 6015.11 6631.68 CONSUMEHB 3424.35 4003.71 3834.43 4026.3 4348.47 4479.75 5069.28 CONSUMEHLJ 3110.92 3213.42 3303.15 3481.74 3824.44 4192.36 4462.08 CONSUMEJL 3037.32 3408.03 3449.74 3661.68 4020.87 4337.22 4973.88 CONSUMEJS 4057.5 4533.57 4889.43 5010.91 5323.18 5532.74 6042.6 CONSUMEJX 2942.11 3199.61 3266.81 3482.33 3623.56 3894.51 4549.32 CONSUMELN 3493.02 3719.91 3890.74 3989.93 4356.06 4654.42 5342.64 CONSUMENMG 2767.84 3032.3 3105.74 3468.99 3927.75 4195.62 4859.88 CONSUMESD 3770.99 4040.63 4143.96 4515.05 5022 5252.41 5596.32 CONSUMESH 6763.12 6819.94 6866.41 8247.69 8868.19 9336.1 10464 CONSUMESX 3035.59 3228.71 3267.7 3492.98 3941.87 4123.01 4710.96 CONSUMETJ 4679.61 5204.15 5471.01 5851.53 6121.04 6987.22 7191.96 CONSUMEZJ 5764.27 6170.14 6217.93 6521.54 7020.22 7952.39 8713.08 表9.2 1996—2002年中国东北、华北、华东15个省级地区的居民家庭人均收入（元）数据人均收入1996 1997 1998 1999 2000 2001 2002 INCOMEAH 4512.77 4599.27 4770.47 5064.6 5293.55 5668.8 6032.4 INCOMEBJ 7332.01 7813.16 8471.98 9182.76 10349.69 11577.78 12463.92 INCOMEFJ 5172.93 6143.64 6485.63 6859.81 7432.26 8313.08 9189.36 INCOMEHB 4442.81 4958.67 5084.64 5365.03 5661.16 5984.82 6679.68 INCOMEHLJ 3768.31 4090.72 4268.5 4595.14 4912.88 5425.87 6100.56 INCOMEJL 3805.53 4190.58 4206.64 4480.01 4810 5340.46 6260.16 INCOMEJS 5185.79 5765.2 6017.85 6538.2 6800.23 7375.1 8177.64 INCOMEJX 3780.2 4071.32 4251.42 4720.58 5103.58 5506.02 6335.64 INCOMELN 4207.23 4518.1 4617.24 4898.61 5357.79 5797.01 6524.52 INCOMENMG 3431.81 3944.67 4353.02 4770.53 5129.05 5535.89 6051 INCOMESD 4890.28 5190.79 5380.08 5808.96 6489.97 7101.08 7614.36 INCOMESH 8178.48 8438.89 8773.1 10931.64 11718.01 12883.46 13249.8 INCOMESX 3702.69 3989.92 4098.73 4342.61 4724.11 5391.05 6234.36 INCOMETJ 5967.71 6608.39 7110.54 7649.83 8140.5 8958.7 9337.56 INCOMEZJ 6955.79 7358.72 7836.76 8427.95 9279.16 10464.67 11715.6