计量经济学模型研究税收收入.doc

用计量经济学模型研究税收收入

[摘要] 本文是在参考了多个关于影响我国税收收入的主要观点的基础上，对影响我国自1978年至2008年的税收收入的主要因素进行实证分析。选取的自变量有国内生产总值、财政支出和零售商品物价水平。然后，收集了相关的数据，利用EVIEWS软件对计量模型进行了参数估计和检验。得出的结论是——进出口总额、财政支出是影响税收收入的主要因素

[关键词] 税收收入 多重共线性 异方差性 序列相关检验

目录

前言 3
一、 文献综述 3
二、 分析指标及方法的选择 4
（一） 分析指标的选择 4
（二） 采用的分析方法 5
三、 具体分析过程和检验 5
（一） 多元线性回归模型 5
1、对多元线性总体回归模型用普通最小二乘法进行估计及检验 5
2、多重共线性检验 6
（二） 逐步回归法消除多重共线性 9
（三） 异方差检验——white检验 16
（四） 序列相关性检验 17
1、拉格朗日乘数检验法 17
2、C-O迭代法 18
（五） 格兰杰因果关系检验 19
四、 模型的经济意义分析 20
五、 结论 20
六、 政策建议 21
致谢 21
附录 22
参考文献 24

前言

经济决定税收，税收有反作用于经济。要实现经济的持续发展，必须要求与经济紧密关联的税收符合其发展的要求，即政府筹集的税收收入以尽可能的满足其实现职能的需要，同时又小至于损害经济的发展，影响未来的需要。因此，我们需要对影响税收的各个因素加以分析，从结构上对税收收入的影响做出一个很好的了解，有助于我们运用政策工具对税收收入的影响做出一个很好的了解，有助于我们运用政策工具对税收结构进行优化。对于这个主题，国内很多学者已经做过相关研究，这些学者的研究为本文的写作提供了一个很好的借鉴，但我们认为他们的研究尚存可细化之处。我们通过理论分析，选择合适的指标以税收收入为被解释变量，税收收入各可能的影响因素为解释变量运用逐步回归法建立计量模型，并对模型进行了严格的统计检验。在充分证明模型有效的基础上，对其进行相关的经济分析。从进入21世纪以来，我国的经济发展面临着巨大的挑战与机遇，在新的经济背景下，基于知识和信息的产业发展迅速，全球一体化日渐深入，中国已是WTO的一员。新形势的经济发展是经济稳定和协调增长的结果，由于税收具有敛财与调控的重要功能，因而它在现实的经济发展中至始至终都发挥着非常重要的作用，所以研究影响我国税收收入的主要原因具非常重要的作用。

一、 文献综述

影响税收收入的因素有很多，如经济发展水平税收制度的设计、政府职能范围等 。我国专家学者对此有广泛的分析研究,但大多集中于研究影响税收增长的因素,并且着眼于GDP对税收增长的影响强度。当然也有学者考虑了多种经济因素的共同影响,并提出了许多相关的政策建议,为我们建立模型开拓了思路。经济发展程度决定着税源状况，它是影响税收成本与效率的基础性因素。李晓玉在2009年发表的《浅谈我国税收成本影响因素有比较具体的分析，个人从中得出结论：税收成本从开始征税就己经存在，并且不是孤立存在的，它与经济社会有着千丝万缕的联系，必须从宏观和微观角度分析其影响因素，才能揭示制约税收成本的客观规律。其中经济发展水平和税收制度成为两大重要原因。李卫刚在《税收增长影响因素的可持续性分析中提到，影响税收增长的因素是多元的，主要有经济增长、税制结构、税收征管水平和价格因素；孙玉栋《影响我国税收收入快速增长的因素及其数量分析中认为影响税收收入增长的因素主要有经济增长、物价税收、政策调整和税收征管等几个方面；安体富认为，税收收入主要受价格经济结构的变动、经济效应的变动、税收政策、财税制度税收征管和税款虚收的影中。以上学者都说明税收收入的影响因素是多方面的，同时都认为经济因素的重要性，但他们多集中于对税收收入影响因素的全面分析，因而对经济性影响因素分析得不够详细。而郭庆旺认为，税收收入的经济增长弹性是1.536，经济增长对税收增长的贡献十分明。经济发展程度主要体现在一个地区所拥有的经济税源的总量和税源的增长速度，即税源有多少潜力可挖。在经济越发达，国内生产总值和人均国内生产总值越高的地方，税源越充足，单位税收的成本含量就越低。经济增长速度也直接决定了税源的增量，在税收要素的投入相对稳定的情况下，一个地区的经济增长速度对税收成本有着十分明显的影响，经济增长速度越快，税源增量越大，税收的征税越容易，税收成本就越低。在西方经济发达国家，社会生产力发展水平较高，经济规模和经济总量较大，经济税源雄厚，经济管理水平较高，故单位成本所征收的税收总量越大，税收成本相对越低，税收征管效率越高。一国的税收征管总是在既定的税制条件下进行的，税制是否科学合理，包括税制的繁简程度、税基和税率、税种的构成等都会影响税收收入的多少及征管的难易，从而影响税收成本。在中国经济发展中,哪些因素动态地与税收增长保持长期均衡,亦没有大量研究文献。因此,中国税收超速增长的问题,须在理论和实证两方面都作出回答。

二、 分析指标及方法的选择

（一） 分析指标的选择

由于税收收入是按现价（当年价格）计算的收入，当年的物价水平对税收收入会有一定的影响，指标上可以选取商品零售价格指数。税收收入的税源来自当年生产的和部分以前年度（如营业税的税基是销售收入，而销售收入包括转移价值，即以前年份生产的国内生产总值）的GDP，GDP的生产就是我们通常所说的经济增长。另外，税收收入还受一个国家的税制模式、税收政策及其征管水平的影响。因此，在金星分析影响税收收入较快增长的主要因素上，我选择了四类指标一是国内生产总值，二是财政支出，三是进出口贸易总额，四是零售商品物价指数。

（二） 采用的分析方法

运用计量经济学所学习的最小二乘法（OLS）估计模型的参数，再进行多元线性回归，通过双对数模型研究经济关系，利用EVIEWS软件对计量模型进行了参数估计和检验，并加以修正得出结论。

三、 具体分析过程和检验

分析我国1978-2008年税收收入总额、国内生产总值、财政支出、进出口贸易总额和商品零售价格指数的数据作为税收收入的因变量与自变量。通过查1978-2008年中国统计年鉴，可以找到相关的数据，见附表1。
过程中中Y为税收收入；为截距项；为GDP；为财政支出；为进出口总额为商品零售价格指数；为随机干扰项。

（一） 多元线性回归模型

1、对多元线性总体回归模型用普通最小二乘法进行估计及检验
设税收收入影响因素模型为:

回归得图1：
图1：回归结果
Dependent Variable: LNY

Method: Least Squares

Date: 06/30/12 Time: 13:56

Sample: 1978 2008

Included observations: 31

Variable
Coefficient
Std. Error
t-Statistic
Prob.  

C
-0.419809
2.611345
-0.160764
0.8735
LNX1
-0.436067
0.235904
-1.848488
0.0759
LNX2
0.640416
0.110903
5.774551
0.0000
LNX3
0.628284
0.151903
4.136077
0.0003
LNX4
0.437834
0.479836
0.912466
0.3699

R-squared
0.993334
    Mean dependent var
8.423946
Adjusted R-squared
0.992308
    S.D. dependent var
1.411383
S.E. of regression
0.123782
    Akaike info criterion
-1.193907
Sum squared resid
0.398369
    Schwarz criterion
-0.962619
Log likelihood
23.50556
    F-statistic
968.5783
Durbin-Watson stat
0.916074
    Prob(F-statistic)
0.000000

通过图1，可得出估计方程：

t : (-0.160764) (-1.848488) (5.774551) (4.136077) (0.912466)
F=968.5783 DW=0.916074
从图1 的回归结果来看，模型判定系数很大，F统计量值大，但各个自变量的t值却不都是统计显著的。
根据这些初步判断模型存在多重共线性，在此基础上做进一步的检验。
2、多重共线性检验
下面我对自变量两两的相关系数进行检验，得出如表2结果：

表2：相关系数矩阵

 1.000000
 0.982654
 0.996482
-0.165141

 0.982654
 1.000000
 0.976065
-0.254148

 0.996482
 0.976065
 1.000000
-0.133013

-0.165141
-0.254148
-0.133013
 1.000000

从表2可见，各个解释变量之间的相关系数较高，解释变量之间是高度相关的。
辅助回归得到图2-图5。得到的估计结果见表3。

图2：ln为被解释变量

Dependent Variable: LNX1

Method: Least Squares

Date: 06/30/12 Time: 15:15

Sample: 1978 2008

Included observations: 31

Variable
Coefficient
Std. Error
t-Statistic
Prob.  

C
4.293935
1.963520
2.186856
0.0376
LNX2
0.202444
0.081656
2.479223
0.0197
LNX3
0.582727
0.052726
11.05190
0.0000
LNX4
-0.224321
0.389061
-0.576570
0.5690

R-squared
0.995159
    Mean dependent var
10.35750
Adjusted R-squared
0.994621
    S.D. dependent var
1.376882
S.E. of regression
0.100981
    Akaike info criterion
-1.627863
Sum squared resid
0.275321
    Schwarz criterion
-1.442832
Log likelihood
29.23187
    F-statistic
1850.164
Durbin-Watson stat
0.560773
    Prob(F-statistic)
0.000000

图3： ln为被解释变量

Dependent Variable: LNX2

Method: Least Squares

Date: 06/30/12 Time: 15:18

Sample: 1978 2008

Included observations: 31

Variable
Coefficient
Std. Error
t-Statistic
Prob.  

C
8.794893
4.203490
2.092284
0.0459
LNX1
0.915985
0.369465
2.479223
0.0197
LNX3
-0.016745
0.263578
-0.063529
0.9498
LNX4
-2.032990
0.735012
-2.765925
0.0101

R-squared
0.974289
    Mean dependent var
8.675016
Adjusted R-squared
0.971433
    S.D. dependent var
1.270851
S.E. of regression
0.214798
    Akaike info criterion
-0.118325
Sum squared resid
1.245729
    Schwarz criterion
0.066706
Log likelihood
5.834034
    F-statistic
341.0493
Durbin-Watson stat
0.283441
    Prob(F-statistic)
0.000000

图4： ln为被解释变量

Dependent Variable: LNX3

Method: Least Squares

Date: 06/30/12 Time: 15:19

Sample: 1978 2008

Included observations: 31

Variable
Coefficient
Std. Error
t-Statistic
Prob.  

C
-10.16092
2.668611
-3.807567
0.0007
LNX1
1.405406
0.127164
11.05190
0.0000
LNX2
-0.008926
0.140495
-0.063529
0.9498
LNX4
1.045934
0.573623
1.823383
0.0793

R-squared
0.993999
    Mean dependent var
9.181761
Adjusted R-squared
0.993333
    S.D. dependent var
1.920580
S.E. of regression
0.156822
    Akaike info criterion
-0.747500
Sum squared resid
0.664013
    Schwarz criterion
-0.562469
Log likelihood
15.58624
    F-statistic
1490.865
Durbin-Watson stat
0.711836
    Prob(F-statistic)
0.000000

图5： ln为被解释变量

Dependent Variable: LNX4

Method: Least Squares

Date: 06/30/12 Time: 15:20

Sample: 1978 2008

Included observations: 31

Variable
Coefficient
Std. Error
t-Statistic
Prob.  

C
5.191270
0.314341
16.51478
0.0000
LNX1
-0.054220
0.094038
-0.576570
0.5690
LNX2
-0.108602
0.039264
-2.765925
0.0101
LNX3
0.104822
0.057488
1.823383
0.0793

R-squared
0.352434
    Mean dependent var
4.650021
Adjusted R-squared
0.280482
    S.D. dependent var
0.058528
S.E. of regression
0.049646
    Akaike info criterion
-3.047897
Sum squared resid
0.066547
    Schwarz criterion
-2.862866
Log likelihood
51.24240
    F-statistic
4.898191
Durbin-Watson stat
0.972417
    Prob(F-statistic)
0.007597

表3：辅助回归的有关统计量
被解释变量
解释变量

、、
0.995159
1850.164
51.96

、、
0.974289
341.0493
43.05

、、
0.993999
1490.865
58.63

、、
0.352434
4.898191
1.011

给定显著水平 ，而表中F统计量都大于3.34，说明存在严重的多重共线性，另外方差膨胀因子大部分大于10，同样说明存在严重的多重共线性。

（二） 逐步回归法消除多重共线性

分别做lnY对ln、ln、ln、ln的回归见图6-图9。回归结果见表4。

图6：lnY对ln
Dependent Variable: LNY

Method: Least Squares

Date: 06/30/12 Time: 14:15

Sample: 1978 2008

Included observations: 31

Variable
Coefficient
Std. Error
t-Statistic
Prob.  

C
-2.088927
0.277835
-7.518590
0.0000
LNX1
1.015001
0.026598
38.16074
0.0000

R-squared
0.980475
    Mean dependent var
8.423946
Adjusted R-squared
0.979801
    S.D. dependent var
1.411383
S.E. of regression
0.200589
    Akaike info criterion
-0.312777
Sum squared resid
1.166842
    Schwarz criterion
-0.220262
Log likelihood
6.848045
    F-statistic
1456.242
Durbin-Watson stat
0.394824
    Prob(F-statistic)
0.000000

图7：lnY对ln
Dependent Variable: LNY

Method: Least Squares

Date: 06/30/12 Time: 14:15

Sample: 1978 2008

Included observations: 31

Variable
Coefficient
Std. Error
t-Statistic
Prob.  

C
-1.099571
0.273340
-4.022728
0.0004
LNX2
1.097810
0.031187
35.20128
0.0000

R-squared
0.977132
    Mean dependent var
8.423946
Adjusted R-squared
0.976343
    S.D. dependent var
1.411383
S.E. of regression
0.217082
    Akaike info criterion
-0.154743
Sum squared resid
1.366612
    Schwarz criterion
-0.062228
Log likelihood
4.398515
    F-statistic
1239.130
Durbin-Watson stat
0.323524
    Prob(F-statistic)
0.000000

图8：lnY对ln
Dependent Variable: LNY

Method: Least Squares

Date: 06/30/12 Time: 14:15

Sample: 1978 2008

Included observations: 31

Variable
Coefficient
Std. Error
t-Statistic
Prob.  

C
1.734015
0.166650
10.40514
0.0000
LNX3
0.728611
0.017778
40.98472
0.0000

R-squared
0.983028
    Mean dependent var
8.423946
Adjusted R-squared
0.982443
    S.D. dependent var
1.411383
S.E. of regression
0.187011
    Akaike info criterion
-0.452960
Sum squared resid
1.014218
    Schwarz criterion
-0.360444
Log likelihood
9.020873
    F-statistic
1679.747
Durbin-Watson stat
0.458871
    Prob(F-statistic)
0.000000

图9：lnY对ln
Dependent Variable: LNY

Method: Least Squares

Date: 06/30/12 Time: 14:15

Sample: 1978 2008

Included observations: 31

Variable
Coefficient
Std. Error
t-Statistic
Prob.  

C
27.69609
20.51459
1.350068
0.1874
LNX4
-4.144529
4.411383
-0.939508
0.3552

R-squared
0.029538
    Mean dependent var
8.423946
Adjusted R-squared
-0.003926
    S.D. dependent var
1.411383
S.E. of regression
1.414151
    Akaike info criterion
3.593277
Sum squared resid
57.99490
    Schwarz criterion
3.685792
Log likelihood
-53.69580
    F-statistic
0.882675
Durbin-Watson stat
0.050040
    Prob(F-statistic)
0.355230

表4：lnY对ln、ln、ln、ln的回归结果的统计量的值

参数估计值
1.015001
1.097810
0.728611
-4.144529
t统计量
38.16074
35.20128
40.98472
-0.939508
t值的概率
0.0000
0.0000
0.0000
0.3552

0.980475
0.977132
0.983028
0.029538

0.979801
0.976343
0.982443
-0.003926

从表4可以看出，关于的回归方程，基本回归方程是以为解释变量的回归方程。
在的基础上新加入变量、、分析回归见图10-图12。

图10：模型在含有的基础上加入
Dependent Variable: LNY

Method: Least Squares

Date: 06/30/12 Time: 14:28

Sample: 1978 2008

Included observations: 31

Variable
Coefficient
Std. Error
t-Statistic
Prob.  

C
0.514835
1.132454
0.454619
0.6529
LNX3
0.499299
0.211440
2.361421
0.0254
LNX1
0.320991
0.294933
1.088355
0.2857

R-squared
0.983717
    Mean dependent var
8.423946
Adjusted R-squared
0.982554
    S.D. dependent var
1.411383
S.E. of regression
0.186419
    Akaike info criterion
-0.429877
Sum squared resid
0.973054
    Schwarz criterion
-0.291104
Log likelihood
9.663097
    F-statistic
845.8096
Durbin-Watson stat
0.426619
    Prob(F-statistic)
0.000000

图11：模型在含有的基础上加入

Dependent Variable: LNY

Method: Least Squares

Date: 06/30/12 Time: 14:30

Sample: 1978 2008

Included observations: 31

Variable
Coefficient
Std. Error
t-Statistic
Prob.  

C
0.396460
0.261769
1.514539
0.1411
LNX3
0.413884
0.056635
7.307967
0.0000
LNX2
0.487296
0.085589
5.693415
0.0000

R-squared
0.992134
    Mean dependent var
8.423946
Adjusted R-squared
0.991573
    S.D. dependent var
1.411383
S.E. of regression
0.129567
    Akaike info criterion
-1.157476
Sum squared resid
0.470051
    Schwarz criterion
-1.018703
Log likelihood
20.94088
    F-statistic
1765.895
Durbin-Watson stat
0.736913
    Prob(F-statistic)
0.000000

图12：模型在含有的基础上加入

Dependent Variable: LNY

Method: Least Squares

Date: 06/30/12 Time: 14:32

Sample: 1978 2008

Included observations: 31

Variable
Coefficient
Std. Error
t-Statistic
Prob.  

C
6.335235
2.674578
2.368686
0.0250
LNX3
0.724632
0.017357
41.74860
0.0000
LNX4
-0.981648
0.569570
-1.723489
0.0958

R-squared
0.984656
    Mean dependent var
8.423946
Adjusted R-squared
0.983560
    S.D. dependent var
1.411383
S.E. of regression
0.180964
    Akaike info criterion
-0.489271
Sum squared resid
0.916943
    Schwarz criterion
-0.350498
Log likelihood
10.58371
    F-statistic
898.4242
Durbin-Watson stat
0.594749
    Prob(F-statistic)
0.000000

由图10-图12可知回归结果为表5。
表5：模型在含有的基础上再分别加入、、回归结果的统计量值

参数估计值
t统计量
t值的概率
0.320991
1.088355
0.2857

0.499299
2.361421
0.0254

参数估计值
t统计量
t值的概率

0.487296
5.693415
0.0000
0.413884
7.307967
0.0000

参数估计值
t统计量
t值的概率

0.724632
41.74860
0.0000
-0.981648
-1.723489
0.0958

0.982554
0.991573

0.983560

经比较，新加入的方程=0.991573，改进更大，经济意义合理，且是显著的，也没有改变的显著性，所以可作为独立变量引入模型中，回归见图
图13、图14。
图13：模型在含有、的基础上加入
Dependent Variable: LNY

Method: Least Squares

Date: 06/30/12 Time: 14:36

Sample: 1978 2008

Included observations: 31

Variable
Coefficient
Std. Error
t-Statistic
Prob.  

C
1.853105
0.781312
2.371785
0.0251
LNX3
0.674179
0.142890
4.718183
0.0001
LNX2
0.592867
0.097594
6.074846
0.0000
LNX1
-0.459806
0.233737
-1.967189
0.0595

R-squared
0.993120
    Mean dependent var
8.423946
Adjusted R-squared
0.992356
    S.D. dependent var
1.411383
S.E. of regression
0.123397
    Akaike info criterion
-1.226902
Sum squared resid
0.411126
    Schwarz criterion
-1.041872
Log likelihood
23.01699
    F-statistic
1299.216
Durbin-Watson stat
0.937671
    Prob(F-statistic)
0.000000

图14：模型在含有、的基础上加入

Dependent Variable: LNY

Metho