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51、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52、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171、拉格朗日乘数检验法172、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: LNYMethod: Least SquaresDate: 06/30/12 Time: 13:56Sample: 1978 2008Included observations: 31VariableCoefficientStd. Errort-StatisticProb.C-0.4198092.611345-0.1607640.8735LNX1-0.4360670.235904-1.8484880.0759LNX20.6404160.1109035.7745510.0000LNX30.6282840.1519034.1360770.0003LNX40.4378340.4798360.9124660.3699R-squared0.993334Mean dependent var8.423946Adjusted R-squared0.992308S.D. dependent var1.411383S.E. of regression0.123782Akaike info criterion-1.193907Sum squared resid0.398369Schwarz criterion-0.962619Log likelihood23.50556F-statistic968.5783Durbin-Watson stat0.916074Prob(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1.0000000.9826540.996482-0.1651410.9826541.0000000.976065-0.2541480.9964820.9760651.000000-0.133013-0.165141-0.254148-0.1330131.000000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: LNX1Method: Least SquaresDate: 06/30/12 Time: 15:15Sample: 1978 2008Included observations: 31VariableCoefficientStd. Errort-StatisticProb.C4.2939351.9635202.1868560.0376LNX20.2024440.0816562.4792230.0197LNX30.5827270.05272611.051900.0000LNX4-0.2243210.389061-0.5765700.5690R-squared0.995159Mean dependent var10.35750Adjusted R-squared0.994621S.D. dependent var1.376882S.E. of regression0.100981Akaike info criterion-1.627863Sum squared resid0.275321Schwarz criterion-1.442832Log likelihood29.23187F-statistic1850.164Durbin-Watson stat0.560773Prob(F-statistic)0.000000图3： ln为被解释变量Dependent Variable: LNX2Method: Least SquaresDate: 06/30/12 Time: 15:18Sample: 1978 2008Included observations: 31VariableCoefficientStd. Errort-StatisticProb.C8.7948934.2034902.0922840.0459LNX10.9159850.3694652.4792230.0197LNX3-0.0167450.263578-0.0635290.9498LNX4-2.0329900.735012-2.7659250.0101R-squared0.974289Mean dependent var8.675016Adjusted R-squared0.971433S.D. dependent var1.270851S.E. of regression0.214798Akaike info criterion-0.118325Sum squared resid1.245729Schwarz criterion0.066706Log likelihood5.834034F-statistic341.0493Durbin-Watson stat0.283441Prob(F-statistic)0.000000图4： ln为被解释变量Dependent Variable: LNX3Method: Least SquaresDate: 06/30/12 Time: 15:19Sample: 1978 2008Included observations: 31VariableCoefficientStd. Errort-StatisticProb.C-10.160922.668611-3.8075670.0007LNX11.4054060.12716411.051900.0000LNX2-0.0089260.140495-0.0635290.9498LNX41.0459340.5736231.8233830.0793R-squared0.993999Mean dependent var9.181761Adjusted R-squared0.993333S.D. dependent var1.920580S.E. of regression0.156822Akaike info criterion-0.747500Sum squared resid0.664013Schwarz criterion-0.562469Log likelihood15.58624F-statistic1490.865Durbin-Watson stat0.711836Prob(F-statistic)0.000000图5： ln为被解释变量Dependent Variable: LNX4Method: Least SquaresDate: 06/30/12 Time: 15:20Sample: 1978 2008Included observations: 31VariableCoefficientStd. Errort-StatisticProb.C5.1912700.31434116.514780.0000LNX1-0.0542200.094038-0.5765700.5690LNX2-0.1086020.039264-2.7659250.0101LNX30.1048220.0574881.8233830.0793R-squared0.352434Mean dependent var4.650021Adjusted R-squared0.280482S.D. dependent var0.058528S.E. of regression0.049646Akaike info criterion-3.047897Sum squared resid0.066547Schwarz criterion-2.862866Log likelihood51.24240F-statistic4.898191Durbin-Watson stat0.972417Prob(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、0.9951591850.16451.96、0.974289341.049343.05、0.9939991490.86558.63、0.3524344.8981911.011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lnDependent Variable: LNYMethod: Least SquaresDate: 06/30/12 Time: 14:15Sample: 1978 2008Included observations: 31VariableCoefficientStd. Errort-StatisticProb.C-2.0889270.277835-7.5185900.0000LNX11.0150010.02659838.160740.0000R-squared0.980475Mean dependent var8.423946Adjusted R-squared0.979801S.D. dependent var1.411383S.E. of regression0.200589Akaike info criterion-0.312777Sum squared resid1.166842Schwarz criterion-0.220262Log likelihood6.848045F-statistic1456.242Durbin-Watson stat0.394824Prob(F-statistic)0.000000图7：lnY对lnDependent Variable: LNYMethod: Least SquaresDate: 06/30/12 Time: 14:15Sample: 1978 2008Included observations: 31VariableCoefficientStd. Errort-StatisticProb.C-1.0995710.273340-4.0227280.0004LNX21.0978100.03118735.201280.0000R-squared0.977132Mean dependent var8.423946Adjusted R-squared0.976343S.D. dependent var1.411383S.E. of regression0.217082Akaike info criterion-0.154743Sum squared resid1.366612Schwarz criterion-0.062228Log likelihood4.398515F-statistic1239.130Durbin-Watson stat0.323524Prob(F-statistic)0.000000图8：lnY对lnDependent Variable: LNYMethod: Least SquaresDate: 06/30/12 Time: 14:15Sample: 1978 2008Included observations: 31VariableCoefficientStd. Errort-StatisticProb.C1.7340150.16665010.405140.0000LNX30.7286110.01777840.984720.0000R-squared0.983028Mean dependent var8.423946Adjusted R-squared0.982443S.D. dependent var1.411383S.E. of regression0.187011Akaike info criterion-0.452960Sum squared resid1.014218Schwarz criterion-0.360444Log likelihood9.020873F-statistic1679.747Durbin-Watson stat0.458871Prob(F-statistic)0.000000图9：lnY对lnDependent Variable: LNYMethod: Least SquaresDate: 06/30/12 Time: 14:15Sample: 1978 2008Included observations: 31VariableCoefficientStd. Errort-StatisticProb.C27.6960920.514591.3500680.1874LNX4-4.1445294.411383-0.9395080.3552R-squared0.029538Mean dependent var8.423946Adjusted R-squared-0.003926S.D. dependent var1.411383S.E. of regression1.414151Akaike info criterion3.593277Sum squared resid57.99490Schwarz criterion3.685792Log likelihood-53.69580F-statistic0.882675Durbin-Watson stat0.050040Prob(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1.0150011.0978100.728611-4.144529t统计量38.1607435.2012840.98472-0.939508t值的概率0.00000.00000.00000.35520.9804750.9771320.9830280.0295380.9798010.9763430.982443-0.003926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: LNYMethod: Least SquaresDate: 06/30/12 Time: 14:28Sample: 1978 2008Included observations: 31VariableCoefficientStd. Errort-StatisticProb.C0.5148351.1324540.4546190.6529LNX30.4992990.2114402.3614210.0254LNX10.3209910.2949331.0883550.2857R-squared0.983717Mean dependent var8.423946Adjusted R-squared0.982554S.D. dependent var1.411383S.E. of regression0.186419Akaike info criterion-0.429877Sum squared resid0.973054Schwarz criterion-0.291104Log likelihood9.663097F-statistic845.8096Durbin-Watson stat0.426619Prob(F-statistic)0.000000图11：模型在含有的基础上加入Dependent Variable: LNYMethod: Least SquaresDate: 06/30/12 Time: 14:30Sample: 1978 2008Included observations: 31VariableCoefficientStd. Errort-StatisticProb.C0.3964600.2617691.5145390.1411LNX30.4138840.0566357.3079670.0000LNX20.4872960.0855895.6934150.0000R-squared0.992134Mean dependent var8.423946Adjusted R-squared0.991573S.D. dependent var1.411383S.E. of regression0.129567Akaike info criterion-1.157476Sum squared resid0.470051Schwarz criterion-1.018703Log likelihood20.94088F-statistic1765.895Durbin-Watson stat0.736913Prob(F-statistic)0.000000图12：模型在含有的基础上加入Dependent Variable: LNYMethod: Least SquaresDate: 06/30/12 Time: 14:32Sample: 1978 2008Included observations: 31VariableCoefficientStd. Errort-StatisticProb.C6.3352352.6745782.3686860.0250LNX30.7246320.01735741.748600.0000LNX4-0.9816480.569570-1.7234890.0958R-squared0.984656Mean dependent var8.423946Adjusted R-squared0.983560S.D. dependent var1.411383S.E. of regression0.180964Akaike info criterion-0.489271Sum squared resid0.916943Schwarz criterion-0.350498Log likelihood10.58371F-statistic898.4242Durbin-Watson stat0.594749Prob(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0.3209911.0883550.28570.4992992.3614210.0254参数估计值t统计量t值的概率0.4872965.6934150.00000.4138847.3079670.0000参数估计值t统计量t值的概率0.72463241.748600.0000-0.981648-1.7234890.09580.9825540.9915730.983560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: LNYMethod: Least SquaresDate: 06/30/12 Time: 14:36Sample: 1978 2008Included observations: 31VariableCoefficientStd. Errort-StatisticProb.C1.8531050.7813122.3717850.0251LNX30.6741790.1428904.7181830.0001LNX20.5928670.0975946.0748460.0000LNX1-0.4598060.233737-1.9671890.0595R-squared0.993120Mean dependent var8.423946Adjusted R-squared0.992356S.D. dependent var1.411383S.E. of regression0.123397Akaike info criterion-1.226902Sum squared resid0.411126Schwarz criterion-1.041872Log likelihood23.01699F-statistic1299.216Durbin-Watson stat0.937671Prob(F-statistic)0.000000图14：模型在含有、的基础上加入Dependent Variable: LNYMetho