在全球经济缓慢复苏和全球金融发展的背景下，农业部门在塑造尼日利亚经济发展中的作用

摘要

本实证研究利用长期和短期[误差修正模型(ECM)]回归模型，在全球经济复苏缓慢和全球金融发展的背景下，调查了尼日利亚经济发展的未来前景。这项研究使用了格罗斯的年度时间序列数据国内生产总值(GDP)，农业，工业和服务部门，从1990年到2012年。研究结果表明，这些变量具有长期关联，GDP与这些经济驱动因素建立了长期均衡，尽管收敛速度非常慢，如吸引子系数所示。此外，研究结果表明，所有经济指标对GDP都有正向影响农业与其他经济指标相比，具有领先影响力的部门。因此，该研究建议政府应采取调整战略，以支持非石油收入，以弥补石油收入的减少，因为国家经济的前景取决于制定的中长期政策及其执行的严肃性。

关键字

经济指标，发展，经济，ECM，尼日利亚

简介

经济发展的概念在西方已经存在了几个世纪，自20年以来就被经济学家、政治家和其他人频繁使用^th世纪。这一术语指的是伴随着产出分配和经济结构变化的经济增长，涉及质量的提高、新商品和服务的引入、风险的降低以及创新和创业的活力。经济发展是一项以人民的经济和社会福祉为目标的政策干预努力，经济增长是一种市场生产力和(国内生产总值)上升的现象。因此，正如经济学家阿马蒂亚•森(Amartya Sen)所指出的那样，“经济增长是经济发展过程的一个方面”。

尼日利亚的经济愿望仍然是改变生产和消费模式的结构，使经济基础多样化和减少对石油的依赖，目的是使经济成为可持续发展的全面、无通胀的增长。这意味着，虽然以实际国内生产总值(GDP)衡量的产出快速增长很重要，但经济各个部门的转型更为关键。这与大多数发展中国家的增长愿望是一致的，因为经济结构预计会随着增长的进展而变化。

自独立以来，尼日利亚历届政府都在追求结构改革的目标，但都没有取得多大成功。的存在和开发推动了增长动力自然资源初级产品。最初，受粮食需求和经济作物生产的驱动，农业部门处于增长过程的中心，在20世纪60年代贡献了国内生产总值的54.7%。独立后的第二个十年见证了石油工业的崛起，成为经济增长的主要动力。从那时起，经济主要随着石油行业的繁荣破裂周期而波动。依赖于石油收入的政府支出或多或少地决定了经济增长的速度。回顾过去，很明显，中国经济实际上并没有充分发挥其潜力，尤其是在中国经济增长的情况下人口．

尽管该国具有自然和人力资源潜力，但相对于其巨大的资源禀赋，该国经济的表现远远落后于其他国家:其经济表现相当薄弱，没有反映出这些禀赋。与1970年人均国内生产总值远远落后于尼日利亚的中国、印度、马来西亚、印度尼西亚和泰国等新兴亚洲国家相比，这些国家已经实现了经济转型，不仅遥遥领先于尼日利亚，而且还是全球经济舞台上的主要参与者。

研究方法

本研究使用1990-2012年的通缩价格年度时间序列数据，涵盖GDP、农业、工业和服务业，数据来源于CBN数据库。数据综合采用简单回归模型、ADF单位根、elliott - rothenberg - stock (ERS) ADF- gls检验、线性对称价格机制模型(ECM)。所使用的经验模型如下:

简单回归和Engel-Granger ECM模型

考虑一个多元协整模型如下所示:

(1）

在那里;

GDP=国内生产总值

π₀=拦截

π_{1 - 3}=系数

ε_t纯随机游走

如果所有变量显示相同的积分顺序，则可以检验多个变量的协整。这些变量之间的收入调节机制由式(1)衡量，通过普通最小二乘(OLS)方法估计。对估计的残差进行ADF单位根检验。如果这些变量的残差是平稳的，则称这些变量是协整的，这表明这些多元序列之间存在收益调节机制，使它们收敛于它们的长期均衡关系。此外，短期集成测试能够检查收入对变量的响应是否是即时的。短期关系由Granger [1]以误差修正模型(ECM)的形式表示，其形式如下:

Δgdp = α₀+α₁ΔAgriculture + α₂Δindustry + α_3.ΔServices + α₄ε_{t - 1}+ V_t（2）

在那里;

Δ=一次差

α₀=拦截

α_{1 - 4}变量系数

ε_{t - 1}=由式(1)导出的残差的滞后值;而且,

V_t=白噪声

增强迪基富勒检验

增强迪基-富勒检验(ADF)是时间序列样本中单位根的检验[2-4］．具有趋势项的ADF检验的自回归公式，引用于[5，6]的参数如下:

(1）

其中，pit是t时刻市场i的价格，Δp_它(p_它- p_{t - 1})， α为截距项或趋势项。

ARIMA(自回归积分移动平均)模型

通过在ARMA模型中引入差分，得到了包含大量非平稳时间序列的ARMA模型的推广。差分后非平稳过程简化为平稳过程的最简单例子是随机游走。如果说:{yt}过程遵循一个完整的ARMA模型，用ARIMA (p, d, q)表示^dy_t=(1 -β)^dε_t为ARMA (p, q)，模型如下[7，8]：

(22)

其中，εt ~ WN(0， σ2)， WN为白噪声。积分参数d是非负整数。当d = 0时，ARIMA (p, d, q) = ARMA (p, q)。

预测的准确性

用于测量拟合时间序列模型的精度，包括平均绝对预测误差(MAPE)、相对均方预测误差(RMSPE)、相对平均绝对预测误差(RMAPE) [9]和R²用以下公式计算:

Mape =1/ t Σ {a_t- F_t} (23)

Rmpse =1/ t Σ {(a_t- F_t）²/一个_t} (24)

rape =1/ t Σ {(a_t- F_t) / a_t} x 100 (25)

(9) (26)

在那里,R²=多重决定系数，At =实际值;Ft =未来值，T =时间段(s)

结果与讨论

使用简单回归模型估计长期影响(公式1)

一个非平稳时间序列在另一个非平稳时间序列上的回归可能导致杂散/无义回归，多重决定系数R证明了这一点²(0.9987)，高于Durbin-Watson统计数据(0.9909)，如图表1．一个虚假/无意义的模型是不可取的，因为它不适合政策制定，也不能用于长期预测。此外，由简单回归(公式1)产生的水平残差变量的单位根检验被发现是平稳的，正如ADF τ-statistics在5%显著性水平下大于恩格尔-格兰杰临界值(表1 b)，表明双对数简单回归模型不是伪回归，是一个可以用于理想政策制定和长期预测的长期模型。此外，残差变量的平稳性意味着模型中包括的所有变量都是协整的，即这些变量具有长期关联或它们在长期中一起移动-这些变量共享相同的随机趋势。此外，细读表1表明，模型中包含的所有预测变量，即农业、工业和服务部门，从长期来看对国家GDP有显著的正向影响。对于理想的政策制定来说，这意味着每个经济驱动因素(农业、工业和服务部门)的收入100%增长将分别使国家GDP增加47.4%、35.6%和13.3%。

表1。简单回归结果显示长期效应。

表1 b。残差ADF单位根检验。

利用误差修正模型(ECM)估计短期效应

如果发现变量是协整的，我们可以指定一个误差修正模型(ECM)，并使用标准方法和诊断测试来估计它。此外，由于这些变量被发现是长期整合的，即这些变量之间存在共同运动或长期关联，它们很可能建立长期均衡，因此，需要建模一个短期方程，该方程将捕获长期和短期均衡。在使用ERS (elliott - rothenberg - stock)对转换变量进行单位根检验的结果拒绝了平稳性的替代假设，而支持原假设(非平稳性)，这是由估计的t统计量在10%显著性水平上高于t临界值所表明的。在第一个差异上，对所有转换后的变量序列进行单位根检验，拒绝非平稳性的原假设，而支持备用假设(不存在单位根)，这由估计的t统计量显示，其在5%显著性下低于各自的t临界值(表2一个)．综上所述，ERS单位根检验表明，在非平稳的水平上，所有的变量序列都有单位根，但在第一次差分时，所有的变量序列都是平稳的，即没有单位根，因此，这意味着这些变量是一阶积分。人队的应用的原因(Elliot-Rothenberg-Stock)测试也称为ADF-GLS测试对最广泛的ADF检验和常用的单位根检验中固有误差是由于II型估计ADF检验结果表中(尽管不是报道),清楚地证明了ADF检验平稳性测试,因为已经失去了权力的存在结构性点(SAP和post-SAP时期)捕获的数据。值得注意的是[10]引用自[11，12]主张放弃所有传统的单位根检验模型(DF、ADF和PP检验)，因为它们存在导致I型和II型误差的弱点。短期模型的结果，其中捕捉了长期和短期平衡显示在表2 b．GDP对经济驱动部门的误差修正项(ECT)吸引系数为负号且显著，表明GDP与所有经济驱动部门建立了长期均衡。GDP的估计吸引系数为-0.278，这表明GDP吸收了27.8%的冲击，以保持每年的长期均衡，即它以每年27.8%的速度修正了由于短期均衡的任何冲击而导致的长期均衡的先前误差，这将需要大约8个月零10天的时间来使GDP重新建立长期均衡。因此，可以推断，经济驱动部门与GDP之间存在长期的因果关系。但是，国内生产总值与经济驱动部门向长期均衡水平靠拢的速度非常缓慢，这可以归因于该国改革方案的效率低下。短期均衡的结果表明，每一个部门，即农业、工业和服务业部门对GDP都有短期因果效应。换句话说，农业、工业和服务业在短期内对GDP产生积极影响。这意味着，农业、工业和服务业的部门收入每增加100%，本地生产总值将分别增加36.5%、44.3%和27.4% (表2一个)．除工业部门外，所有农业和服务业的长期弹性都高于各自的短期弹性。因此，可以推断，针对农业和服务部门-非石油部门的全面改革方案，如果规划、执行和持续良好，其影响在长期内将更加明显，而针对工业部门的改革方案的影响在短期内将更加明显。

表2。单位根检验。

表2 b。ECM结果显示短期效应。

诊断测试

表2 cECM模型诊断统计结果为。自相关检验表明，残差不存在序列相关，Breusch-Godfrey Lagrange Multiplier (LM)统计量在10%概率水平上与零无差异(p>0.10)，因此接受无自相关的原假设。Arch检验结果表明，当前残差和滞后残差的方差不相关，q统计量在10%概率水平上不差于零(p>0.10)，因此接受无Arch效应的原假设。中描述的稳定性试验图1表明Cusum线在5%概率水平的边界内，这意味着方程中没有结构断裂:模型没有错误指定。正态检验结果表明，残差服从正态分布，在10%概率水平上，残差与0无差异(p<0.10)。因此，根据诊断统计的结果，可以推断所使用的ECM模型是最适合和有效的预测。

表2 c。诊断检查。

ARIMA预测

对各变量序列进行第一次差分后，尝试各种ARIMA模型组合，以AIC值最小为基础，选择最佳ARIMA模型。在所有测试的ARIMA模型中，ARIMA(0,1,1)模型被证明是几乎所有变量的最佳模型，除了农业部门，农业部门证明ARIMA(1,1,0)是最好的，因为它具有最低的AIC值(表3)．

表3。不同ARIMA模型的AIC和BIC值。

在总共22个数据点(1990年至2012年)中，前17个数据点(1990年至2007年)用于模型构建，而其余5个数据点(2008年至2012年)用于模型验证。对2008至2012年期间拟合模型使用naïve方法对每个变量的收入及其相应的标准误差进行提前一步预测(表3 b)．

表3 b。提前一步预测。

所选ARIMA收入序列模型对经济变量的预测能力以R为基础进行判断²、平均绝对预测误差(MAPE)、均方根误差(RMSE)和相对平均绝对预测误差(RMAPE)值。细读表3 c表明，各变量的RMAPE均小于10%，说明所采用模型的准确性。

表3 c。模型验证。

对2013年至2024年期间所选经济变量的收入进行了抽样预测。绝对数据点显示在表3 d也在图2一个-d使拟合模型的性能可视化。粗略地回顾一下，每个变量的收入都将出现增长，这表明该国经济前景良好。在正常增长下，预测的趋势将占上风;而在高增长和低增长情况下，各变量未来的收入趋势分别不会超过置信上限和置信下限。从预测结果可以看出，农业对国家GDP的贡献最大，工业紧随其后。在正常增长条件下，国内生产总值、农业、工业和服务业收入年均增长预期分别为3.5、3.6、3.5和3.4%。在高增长的情况下，预计GDP、农业、工业和服务业的年收入增长率分别为4.1%、4.7%、4.4%和5.1%;在低增长情况下，国内生产总值、农业、工业和服务业的收入增长率分别为2.8%、2.1%、2.3%和1.0%。因此，由于该国预期的增长超过了未来的前景，由于低油价导致财政收入下降，容易受到全球经济复苏和全球金融发展缓慢的影响，利益相关者有责任实施合理的政策，使非石油部门成为经济的主要驱动力。此外，非石油部门(gdp)的整体影响相对较小[13］．

表3 d。样本外预测(十亿N)。

ARIMA诊断

模型验证涉及到检查模型的残差，看看它们是否包含任何系统模式，仍然可以删除以改进所选的ARIMA。每个变量的自相关检验结果表明残差完全是随机的，正如Ljung-Box Q-statistics检验所表明的那样，在10%的概率水平上，残差与零没有显著差异。此外，Arch效应检验表明残差中不存在Arch效应，Arch- lagrange乘子(LM)检验统计量在10%概率水平上与零无差异。每个变量的正态检验表明，只有GDP和农业的残差被Jarque-Bera检验统计量发现正态分布作为证据，在10%的概率水平上，这些残差与零无显著差异(表3 e)，而工业及服务业的收入则呈非正态分布。然而，正态性检验并不被认为是一个严重的问题，因为在大多数情况下，数据不是正态分布的。因此，这些都证明了所选择的模型是最适合预测的模型。

表3 e。诊断检查最佳ARIMA模型。

结论与建议

本实证研究利用线性和对称价格传导机制模型(ECM)，在全球经济复苏缓慢和全球金融发展的背景下，考察了尼日利亚经济发展的未来前景。结果表明，OLS回归的残差在水平上稳定，表明GDP与经济驱动因素是协整的。此外，据观察，GDP与所有经济驱动因素建立了一个长期均衡，并以每年非常缓慢的速度纠正任何来自短期均衡的偏离均衡的情况。此外，经济参数对GDP的形成也有积极的影响。据观察，未来GDP和经济驱动力的前景将呈现上升趋势，预测增长率为3.4-3.6%。因此，鉴于最近的宏观经济挑战，研究建议政府应采取调整策略，以增加非石油收入来弥补石油收入的减少，因为非石油部门的收入可以成为经济增长的主要动力。

参考文献

1. 格兰杰CWJ。时间序列数据的一些性质及其在计量模型规范中的应用。经济学报，1981;121-130。
2. Blay JK，等。尼日利亚卡诺州达瓦瑙市场玉米、高粱和小米之间的横向市场整合和价格传导:来自非线性向量误差修正模型的证据。《全球农业经济、推广与农村发展》，2015;3:330-337。
3. 辛格·IP，等。协整和因果关系:尼日利亚GDP和主要部门的应用。Int J Innov Res Rev. 2016;4:40-53。
4. Sadiq MS，等。西非部分可可市场的整合程度、模式和程度:一个创新的信息传递系统《进步农业》2016;7:22-39。
5. Beag FA和Singla N.印度主要苹果市场的协整、因果关系和脉冲响应分析。农业经济研究，2014;27:29 9-298。
6. Mahalle SL，等。马哈拉施特拉邦小麦市场的整合。农业经济研究，2015;28:179-187。
7. 喇嘛A，等。价格波动的建模和预测:GARCH和EGARCH模型的应用。农业经济研究评论。2015;28:73-82。
8. Sadiq MS，等。在印度拉贾斯坦邦的一些选定市场中，克的价格传递、波动和发现。环境科学学报。2016;1:74-89。
9. 保罗RK。用长记忆时间序列模型预测鸽豌豆批发价。农业经济研究，2014;27:17 7-176。
10. Sadiq MS，等。利用有效测量系统(EMS)最大限度地降低种植成本-à-vis提高尼日利亚尼日尔州玉米小农的农场收入。《经济与发展》，2017;13:728-734。
11. 马达拉GS和金IW。单位根协整与结构变化。剑桥大学出版社，纽约，1998年。
12. Gujarati DN，等。基础计量经济学，第五版。麦格劳希尔教育，印度，2012年。
13. Maddala GS和Lahiri K.计量经济学导论，第四版。John Wiley and Sons出版，2013年。