我国私人汽车持有量影响因素分析

金融114 16311411 何苗苗

摘要：本文选择了《2012年中国统计年鉴》中1998年一2011年共14年的相

关数据，选择全国总人口数，城镇居民消费水平，全国汽车产量，全国汽油产量，国内生产总值这些影响因素作为解释变量构建理论模型，对我国私人汽车拥有量的影响因素进行实证分析。并利用EVIEWS软件对模型进行参数估计和检验，并加以修正。对最后的结果进行经济意义分析，然后提出自己的看法。

关键词：私人汽车拥有量 影响因素 计量模型分析 正文：

一、前言

改革开放以来，我国经济高速发展，我国GDP三十多年来的平均增长速度高达9.8%。国力增强，人民有钱了，生活水平大大提高。20世纪90年代以前我国汽车市场处于公务用车，不仅需求量少，而且70%是政府、事业单位的公务用车，剩下的是企业的商务用车，几乎没有私人用车，也没能力购买私家车。90年代以后公务用车与商务用车的份额发生变化，人民收入增加，私人购车开始起步。2002年以来，私家车发展迅速，进入私人购车阶段。

随着居民消费结构的升级，私人购车呈现出迅猛增长的势头，成为我国汽车产业发展的决定性力量，同样也会成为社会经济发展的必然趋势。由于私人汽车拥有量直接影响我国汽车产业的发展，并间接影响着国家经济的发展，因此对我国私人汽车拥有量问题的深入研究就显得尤为重要，这有助于帮助大家认清现状，做出合理的决策。鉴于此原因，我们进行了这次关于私人汽车拥有量的计量模型研究。

二、相关文献综述

汽车产业是国民经济的支柱产业，改革开放以来我国汽车产量呈现持续上升的趋势。入世以后，更多的外国汽车企业进军中国汽车市场，并以很大的优势占领大部分市场，我国汽车企业面临着极大地挑战。在这场战争中可以说是百姓受益，从近几年我国汽车消费的发展变化来看汽车消费有成为消费热点的发展趋势。中国自1995年以来汽车登记量中的乘用车比例有所提高。1996年，汽车登记总数的40.2%为乘用车（其中62%为社会集团拥有），近60%的登记车辆用于投资和生产。近几年来，中国的个人消费支出的比重基本保持在60%左右，但个人小汽车消费占个人消费支出的比重很低。据最新统计数字显示，1998年，中国私人汽车消费支出为2.1元/人，排在食品、衣着、娱乐教育文化服务、住房、家庭设备用品及服务、医疗保险项目之后。私人小汽车支出，占个人消费总支出的0.05%。中国尚未进入汽车普及期，由于个人汽车消费支出占GDP比重不仅低，而且增长缓慢，因而对经济增长的推动作用微乎其微。然而，随着经济的发展，我国的搜人汽车拥有量也迅速的增长。自从1996年以来，民用汽车拥有量的增加量中，私人汽车增加量的比重高于57.7%，其中最高的是1999年，私人汽车

增加量占全部民用汽车增加量的82.5%。这说明我国汽车市场结构发生了根本性的变化，居民个人已经成为我国汽车市场的消费主体，居民个人汽车消费的快速增长，成为支持我国汽车工业发展的主要力量之一。

北京林业大学经济管理学院的刘佳，在2010年第13期《中国高新技术企业》期刊上发表的论文得出结论：1985 ～ 2007 年的23 年间，随着改革开放的不断深入，经济稳定持续增长，作为重要工业原料的钢材的产量保持了逐年上升的趋势，国民总收入也保持了每年持续的高增长水平，私人汽车作为高档消费品，每年也保持了较高的增长，它已经以越来越快的步伐进入我国的普通家庭。以此模型为依据，随着我国钢材产量和国民总收入逐年上升，我国私人汽车拥有量将逐年增多，成为我国普通大众的消费品。

研究的相关理论依据： （1）凯恩斯消费函数模型

凯恩斯消费函数模型为:C=α+β*Y,式中C为现期消费,Y为现期收入,α为收入无关的那部分消费,即自发性消费,β为边际消费倾向。

（2）莫迪利安尼的生命周期理论

莫迪利安尼的生命周期理论可以表述为:消费与生命周期有关,与财产收入有关。如下式: C=α*A+β*Y,式中A表示财产,α是财产的边际消费倾向,β是收入的边际消费倾向,Y为收入。上式表明消费取决于财产收入和个人生命周期不同阶段劳动收入。

（3）杜森贝的相对收入理论

杜森贝的相对收入理论表述为:消费以相对收入为函数。相对别人——示范效应,向高消费看齐。我国称之“攀比效应”。相对自己过去——习惯效应,收入水平变化后消费有滞后性。在稳定的收入增长时期,平均消费倾向不取决于收入水平。从长期考虑,平均消费倾向是稳定的。从短期考察,边际消费倾向取决于现期收入与高峰收入的比例。由此使短期消费会有波动,但由于习惯效应的作用,收入减少对消费减少作用不大,而收入增加对消费增加作用较大。

凯恩斯的绝对收入假定、美国经济学家杜森贝利的相对收入假定、莫迪里安尼等的生命周期假定虽然侧重点有所不同，但都认为居民的消费和收入水平是息息相关的，私人汽车拥有量以居民的收入作为基础。

三、研究现状

根据我读到的相关文献资料，目前已有以下结论：

（1）我国人均私家车的拥有量主要受全国汽车产量和人均公路里程数的影响，而且均存在正向相关关系；

（2）在1990～2006年间，在其他解释变量保持不变的条件下，随着全国汽车产量的增加引起的全国的私家车拥有量的增长幅度大于全国的全国汽车产量的增长幅度，故而全国汽车产量是影响私家车拥有量的最重要的因素。

（3）公路里程对私家车拥有量有很大影响，说明公路里程数的增加有助于增加国内私家车的拥有量。私家车拥有量与人均公路里程存在互为因果的关系，这说明随着我国公路建设加强，使居民对私家车的需求上升，同时由于私家车增多对交通产生的压力也促使我国公路的建设和改造。

（4）收入是影响私家车拥有量的重要因素，对于私家车的购买来说，城镇居民可支配收入的影响是很大的，随着可支配收入的增加，私家车拥有量也随之增加。在回归模型中，该变量的参数估计值为2922.028，即表示在其他解释变量保持

不变的条件下，可支配收入每增加一个单位，而私家车拥有量增加2922.028辆。而随着城镇居民可支配收入从1990年的1510.2元增加到2003年的8472.2元，私家车拥有量也由1990年的816200辆增加到2003年的12192300辆。可以说明城镇居民可支配收入的提高是私家车拥有量增加的重要因素。

（5）贷款利率对私家车拥有量有一定影响，对于购车者来说，收入一定时，没有足够的金钱购买车时，可以向银行贷款来买车。所以贷款利率的高低在一定程度上影响私家车拥有量，之所以这么说，那是因为可支配收入不高，没有能力还贷款，也就不想买车。贷款利率与其他解释变量相关系数不是很突出，但也是挺高的。 3、燃料、动力价格指数影响显著 变量的参数估计值为-50492.48，参数符号符合预期，参数的绝对值都大于其他变量，说明燃料及动力价格指数的增加对于私家车拥有量的减少影响显著。从理论和实践上说，这是合理的。俗话说“买车难，养车更难”，因为养车需要花费大量的金钱，开车出行需要消耗燃油等动力能源，购买汽油、柴油等动力能源需要支出一笔费用，这直接构成使用私家车的成本。当油价上涨时，驾驶私家车出行的成本上涨，因而人们会减少对私家车的购买，从而减少我国居民个人的私家车拥有量。

四、存在问题

（1）由于影响被解释变量的因素较多，比如居民收入水平、城市化水平、燃料价格、不同地区间私家车价水平及消费习惯等因素，而且居民对私家车的需求还受到宏观经济周期、国家政策调节等宏观因素的制约，因此无论得出什么模型，都有待于进一步完善；

（2）样本容量有限，只有一段时间的数据，而且局限于中国一个国家。

五、影响因素分析

本文选择了《2012年中国统计年鉴》中1998年至2011年共14年的相关数据，并对其进行了处理：y表示私人汽车拥有量(万辆)；x1表示全国人口数（万人）； x2表示居民消费水平（元）；x3表示全国汽车产量；x4表示全国汽油产量(万吨)；u为随机扰动项。

（一）建立模型：

基于以上数据，建立的多元线性回归模型，表示为： y01x12x23x34x4

0度量了截距项，它表示在没有其它因素影响的时候私人汽车拥有量。 1度量了当全国人口数变动一单位，私人汽车拥有量的变动。

2度量了当城镇居民消费水平变动一个单位时，私人汽车拥有量的变动。

3度量了当全国汽车产量变动一个单位，私人汽车拥有量的变动。 4度量了全国汽油产量对私人汽车拥有量的影响。

是随机误差项。

（二）模型估计

根据表1中提供的数据，利用统计软件Eviews5.1对上述所设定的模型进行最小二乘估计。结果如下：

Dependent Variable: Y Method: Least Squares Date: 12/18/13 Time: 20:14 Sample: 1998 2011 Included observations: 14

Variable Coefficient Std. Error t-Statistic Prob. C 16634.11 8091.625 2.055719 0.0700 X1 -0.147704 0.072089 -2.048901 0.0707 X2 0.583216 0.086243 6.762461 0.0001 X3 1.300437 0.478144 2.719758 0.0236 X4 0.081516 0.335370 0.243062 0.8134 R-squared 0.997332 Mean dependent var 2458.780

Adjusted R-squared 0.996146 S.D. dependent var 2160.913 S.E. of regression 134.1467 Akaike info criterion 12.90820 Sum squared resid 161958.0 Schwarz criterion 13.13643 Log likelihood -85.35738 Hannan-Quinn criter. 12.88707 F-statistic 841.0808 Durbin-Watson stat 0.825393 Prob(F-statistic) 0.000000

根据上述结果，初步得出的模型为： 

Y16634.110.1477x10.5832x21.3004x30.0815x4

（2.0557） （-2.0489） （6.7625） （2.7198） （0.2430）

R2=0.9973 R=0.9961 F=841.0808

2 由回归结果可知：各解释变量相应的t检验也很显著，初步可以看出模型的

拟合结果相当好，但是，x1的系数为负数，与现实情况相矛盾，怀疑该模型，于是对该模型进行多重共线性的检验。

（三）模型的检验与修正

1、经济意义检验：

从回归得出的结果来看，三个解释变量符号与预期的相一致，并且其大小在经济理论上解释得通。而x1变量符号为负，与现实情况相矛盾，故怀疑各解释变量之间可能存在多重共线性

2、拟合优度及模型估计效果检验

从结果看，该检验的R=0.9973， R=0.9961，拟合优度很高，该模型的解释变量解释了从1998年到2011年间全国私人汽车拥有量变异的99％，因此样本拟合效果较好。F统计量的检验值为841.0808，表明整个模型估计效果显著，即全国人口数，城镇居民消费水平，全国汽车产量和全国汽油产量四个变量联合起来确实对“全国的私人汽车拥有量”有显著影响。 3、回归系数的显著性检验

给定显著性水平5%，查t分布表得自由度为10的临界值为2.228，1，2，

223，4的估计值对应的t统计量分别为（-2.0489）（6.7625）（2.7198）（0.2430），除1外，23和4的估计值对应的t统计量的绝对值均大于临界值2.228，这说明全国的私人汽车拥有量与居民消费水平、全国汽车产量、全国汽油产量存在显著的线性相关关系。但是对于全国人口数这个解释变量而言却不存在显著的线性相关关系，但这与实际不相符，说明模型很可能存在严重的多重共线性。 4、多重共线性的检验 4.1多重共线性的检验

根据以上分析，认为模型很可能存在严重的多重共线性问题，为了验证这个想法，我通过EVIEWS计算解释变量之间的相关系数，得到如下相关系数矩阵：

表2 相关系数矩阵

X1 X2 X3 X4

X1 1.000000 0.930535 0.910879 0.969232 X2 0.930535 1.000000 0.982987 0.983837 X3 0.910879 0.982987 1.000000 0.978416 X4 0.969232 0.983837 0.978416 1.000000

从上面的相关系数矩阵看出，各解释变量之间的相关系数很高，证实确实存在多重共线性。

4.2多重共线性的修正

为了修正多重共线性，我采用逐步回归的办法来检验和解决多重共线性问题。分别做Y对x1，x2，x3，x4的一元回归：

Y对x1做一元回归：

Dependent Variable: Y Method: Least Squares

Date: 12/18/13 Time: 20:17 Sample: 1998 2011

Included observations: 14

Variable Coefficient

Std. Error

t-Statistic

Prob.

C X1 R-squared

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

Prob(F-statistic)

-77247.58 11331.05 -6.817334 0.612454 0.087043 7.036261

0.804906 Mean dependent var 0.788649 S.D. dependent var 993.4355 Akaike info criterion 11842970 Schwarz criterion -115.4025 Hannan-Quinn criter. 49.50896 Durbin-Watson stat 0.000014

0.0000

0.0000 2458.780 2160.913 16.77178 16.86307 16.76333 0.280318

Y对x2做一元回归：

Dependent Variable: Y Method: Least Squares Date: 12/18/13 Time: 20:17 Sample: 1998 2011 Included observations: 14

Variable Coefficient Std. Error t-Statistic Prob. C -2098.288 165.0909 -12.70990 0.0000 X2 0.727593 0.024001 30.31480 0.0000 R-squared 0.987110 Mean dependent var 2458.780

Adjusted R-squared 0.986036 S.D. dependent var 2160.913 S.E. of regression 255.3507 Akaike info criterion 14.05472 Sum squared resid 782447.7 Schwarz criterion 14.14601 Log likelihood -96.38301 Hannan-Quinn criter. 14.04627 F-statistic 918.9873 Durbin-Watson stat 0.692052 Prob(F-statistic) 0.000000

Y对x3做一元回归：

Dependent Variable: Y

Method: Least Squares

Date: 12/18/13 Time: 20:18 Sample: 1998 2011

Included observations: 14

Variable Coefficient

Std. Error

t-Statistic

Prob.

C X3 R-squared

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

Prob(F-statistic)

-232.8495 140.2861 -1.659819 3.683009 0.152402 24.16646

0.979866 Mean dependent var 0.978189 S.D. dependent var 319.1386 Akaike info criterion 1222194. Schwarz criterion -99.50484 Hannan-Quinn criter. 584.0176 Durbin-Watson stat 0.000000

0.1228

0.0000 2458.780 2160.913 14.50069 14.59199 14.49224 2.048283

Y对x4做一元回归：

Dependent Variable: Y Method: Least Squares Date: 12/18/13 Time: 20:19 Sample: 1998 2011 Included observations: 14

Variable Coefficient Std. Error t-Statistic Prob. C -5270.188 561.7587 -9.381587 0.0000 X4 1.418975 0.099773 14.22208 0.0000 R-squared 0.943995 Mean dependent var 2458.780

Adjusted R-squared 0.939328 S.D. dependent var 2160.913 S.E. of regression 532.2685 Akaike info criterion 15.52374 Sum squared resid 3399718. Schwarz criterion 15.61503 Log likelihood -106.6662 Hannan-Quinn criter. 15.51529 F-statistic 202.2674 Durbin-Watson stat 0.512681 Prob(F-statistic) 0.000000

综合以上结果得出下表：

表3 一元回归结果 Variable Coefficient t-Statistic R-squared Adjusted R-squared x1 0.612454 7.036261 0.804906 0.788649 x2 0.727593 30.31480 0.987110 0.986036 x3 3.683009 24.16646 0.979866 0.978189 x4 1.418975 14.22208 0.943995 0.939328 其中，加入X2的方程Adjusted R-squared的值最大，所以以x2为基础，顺次加入其它变量逐步回归，结果如表5所示：

表4 加入新变量的回归结果（一） Variable Coefficient x2,x1 t-Statistic Coefficient x2,x3 t-Statistic Coefficient x2,x4 t-Statistic x1 x2 x3 1.461369 2.729453 x4 -0.267882 -1.002368 0.986042 0.990918 0.991361 R 2-0.13924 0.866589 -2.89744 16.80956 0.444849 4.221257 0.859747 6.415632 经比较，新加入X1的方程Adjusted R-squared的值为0.991361，改进最大，但符号为负，与经济意义不相符，故而剔除。新加入x3的方程Adjusted R-squared的值为0.990918，而且各参数的t检验显著，所以选择保留X3，再加入其它新变量逐步回归，结果如表5所示：

表5 加入新变量的回归结果（二） Variable Coefficient x2，x3，x4 t-Statistic x1 x2 0.619832 6.394782 x3 x4 R 21.917316 -0.533515 4.493052 -3.105158 0.994914 在x2，x3的基础上加入x4后的方程Adjusted R-squared的值为0.994914，虽然较之前略有改进，x4的t检验显著，但是X4的符号为负与经济意义不符。这说明X1和X4引起严重的多重共线性，应予以剔除。

最后修正严重多重共线性影响的回归结果为：

Dependent Variable: Y Method: Least Squares Date: 12/18/13 Time: 20:20 Sample: 1998 2011 Included observations: 14

Variable Coefficient Std. Error t-Statistic Prob. C -1395.404 289.9009 -4.813384 0.0005 X2 0.444849 0.105383 4.221257 0.0014 X3 1.461369 0.535407 2.729453 0.0196 R-squared 0.992315 Mean dependent var 2458.780

Adjusted R-squared 0.990918 S.D. dependent var 2160.913 S.E. of regression 205.9351 Akaike info criterion 13.68041 Sum squared resid 466502.1 Schwarz criterion 13.81735 Log likelihood -92.76286 Hannan-Quinn criter. 13.66773

F-statistic

Prob(F-statistic)

710.1931 Durbin-Watson stat 0.000000

0.602954

最后修正严重多重共线性影响后得出的模型为：

Y1395.4040.444849x21.461369x3

5、异方差性的检验

对修正严重多重共线性影响后的新模型进行异方差性的检验，运用white检验，得到如下结果：

Heteroskedasticity Test: White

F-statistic 15.52755 Prob. F(5,8) 0.0006

Obs*R-squared 12.69217 Prob. Chi-Square(5) 0.0264 Scaled explained SS 8.390188 Prob. Chi-Square(5) 0.1360

Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 12/18/13 Time: 20:21 Sample: 1998 2011 Included observations: 14

Variable Coefficient Std. Error t-Statistic Prob. C -27643.01 247453.2 -0.111710 0.9138 X2 58.25690 151.6529 0.384146 0.7109 X2^2 -0.014716 0.021112 -0.697027 0.5055 X2*X3 0.207156 0.187634 1.104041 0.3017 X3 -497.4096 708.9796 -0.701585 0.5028 X3^2 -0.609448 0.408541 -1.491767 0.1741 R-squared 0.906583 Mean dependent var 33321.58

Adjusted R-squared 0.848198 S.D. dependent var 50604.16 S.E. of regression 19716.30 Akaike info criterion 22.91381 Sum squared resid 3.11E+09 Schwarz criterion 23.18769 Log likelihood -154.3966 Hannan-Quinn criter. 22.88845 F-statistic 15.52755 Durbin-Watson stat 1.948325 Prob(F-statistic) 0.000612

Obs*R-squared的计算结果是12.69217，由white检验知，在0.025的显著水平下，自由度为5的开方临界值为12.8325，大于Obs*R-squared的值，所以接受原假设，即认为该模型不存在异方差性。

6、自相关的检验

由上述回归分析可知DW值为0.602954，且样本容量n=14，有两个解释变量的条件下，给定显著性水平0.01，查D-W表得dL =0.660,dU =1.254,这时有DW为解决自相关问题，采用广义差分法，使用残差序列进行滞后一期的自回归，可得到以下回归结果，如下图：

Dependent Variable: E Method: Least Squares Date: 12/18/13 Time: 20:24 Sample (adjusted): 1999 2011 Included observations: 13 after adjustments

Variable Coefficient Std. Error t-Statistic Prob. E(-1) 0.782091 0.285824 2.736270 0.0181 R-squared 0.380840 Mean dependent var -13.50576

Adjusted R-squared 0.380840 S.D. dependent var 190.0229 S.E. of regression 149.5227 Akaike info criterion 12.92658 Sum squared resid 268284.5 Schwarz criterion 12.97003 Log likelihood -83.02275 Hannan-Quinn criter. 12.91764 Durbin-Watson stat 0.712804

根据上表可得回归方程为et=0.782091et-1，对原模型进行广义差分：

令 y2=y-0.785145*y(-1) x5=x2-0.785145*x2(-1) x6=x3-0.785145*x3(-1) 并对方程进行回归：

Dependent Variable: Y2 Method: Least Squares Date: 12/18/13 Time: 20:27 Sample (adjusted): 1999 2011 Included observations: 13 after adjustments

Variable Coefficient Std. Error t-Statistic C -489.2124 69.22072 -7.067427 X5 0.590544 0.047898 12.32917 X6 1.147958 0.229093 5.010882

Prob. 0.0000 0.0000 0.0005

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

Prob(F-statistic)

0.984722 Mean dependent var 0.981666 S.D. dependent var 111.5475 Akaike info criterion 124428.4 Schwarz criterion -78.02869 Hannan-Quinn criter. 322.2683 Durbin-Watson stat 0.000000

978.8368 823.8272 12.46595 12.59633 12.43915 0.710623

从上图可知DW值为0.710623，且样本容量经调整后为n=13，有两个解释变量的条件下，给定显著性水平0.01，查D-W表得dL =0.616,dU =1.261,这时有DW大于dL，这表明模型中已经不存在自相关。而且此时Adjusted R-squared为0.984722，且t，F统计量也均达到理想水平。

由上表可得最终的私人汽车拥有量的模型为：

Y2276.9421240.590544x21.147958x3

（四）模型的经济意义

通过该回归模型可以有以下结论： （1）我国人均私家车的拥有量主要受全国汽车产量和居民消费水平的影响，而且均存在正向相关关系；

（2）在1998～2011年间，在其他解释变量保持不变的条件下，随着全国汽车产量的增加引起的全国的私家车拥有量的增长幅度大于全国的全国汽车产量的增长幅度，故而在上述模型的选定影响因素中全国汽车产量是影响私家车拥有量的最重要的因素。

(3)居民消费水平对私家车拥有量有很大影响，说明居民消费水平的增加有助于增加国内私家车的拥有量。居民消费水平与私家车拥有量存在互为因果的关系，这说明随着我国人民生活水平，消费水平的提高，居民对私家车的需求上升。

六、结论

从本文的分析可见，我国私家车拥有量与其全国人口数，居民消费水平，全国汽车产量，全国汽油产量存在着一定的函数关系。城镇可支配收入对私家车的拥有量有一定的促进作用，它们保持每年持续增长，从而使得全国的私人汽车拥有量不断增多；汽车有理由成为最大的消费热点从现实来看，我国不但呈现了在短期内形成汽车消费热点的发展趋势，而且已经基本具备了汽车消费热点形成的条件：国民经济的发展为汽车消费的快速增长奠定了基础；我国城市的发展和城市交通的进步，能够支持汽车消费的扩大；加入WTO之后汽车的销售价格将明显下降，更加接近普通居民的购买力。但是私家车数量过多也会带来一系列负面问题。资源约束将是我国未来私人汽车发展必须面对的重大课题。私车的快速增加势必会加剧我国石油资源短缺的矛盾，占用大量的土地资源。而环境保护是私车发展面临的另一重大问题，这就要求汽车发展必须贯彻科学发展观，走可持续发展道路, 加快推广使用低污染、低能耗的交通工具，最大限度地节约资源，提高资源使用效率，减少污染物排放，保护生态环境。

鉴于目前的消费状况与环境、交通压力，为了进一步改善和促进我国私人汽车消费，国家有关部门应加快汽车生产企业的组织结构调整，加快汽车税收体制改革，实行鼓励汽车消费的政策。惟有在国家相关政策的引导下，我国私车消费才会健康发展。

参考文献：

[1] 庞皓. 计量经济学[M]. 科学出版社, 2010．

[2] 王珺. 我国私家车拥有量影响因素的计量分析[J]. 现代企业文化, 2009.

[3] 韩雪，李潜. 关于我国私人汽车拥有量的计量经济学模型及其检验和预测[J]. 工业技术经济, 2005.

[4] 冯振宇. 影响国内私人汽车拥有量的几个重要因素分析[J]. 金融双语, 2005. [5] 中华人民共和国国家统计局. [6]2012年中国统计年鉴

[7]邝国良,曾铁城.关于广东省民用汽车拥有量的计量经济学模型及其检验和预测[J].工业技术经济，2007.

[8]钱世超.中国轿车市场结构与企业行为研究.上海社会科学院研究生毕业、学位论文，2005.