国家财政收入的影响因素分析

1 国家财政收入的影响因素分析国家财政收入的影响因素分析 1 研究背景 财政收入对于国民经济的运行及社会发展具有重要影响 首先 它是一个 国家各项收入得以实现的物质保证 一个国家财政收入规模大小往往是衡量其 经济实力的重要标志 其次 财政收入是国家对经济实行宏观调控的重要经济 杠杆 财政收入的增长情况关系着一个国家经济的发展和社会进步 然而 符 合我国当前国情的财政政策到底是什么 如何在保证财政收入的基础上制定出 利于中国国民的福利制度 是我们所关心并亟待解决的问题 因此 研究分析 影响财政收入的因素 对帮助国家做出正确的经济决策提供了有效的理论基础 随着经济体制改革的深化和经济的快速增长 中国的财政收入状况发生了 很大变化 增长十分快速 许多学者为了研究影响全国财政收入增长的主要原 因 分析财政收入的增长规律 预测中国财政的增长趋势 通过建立计量经济 模型 回归模型等进行过多次研究 影响财政收入水平的因素可能有很多 例 如 税收 国内生产总值 社会固定资产投资 农业增加值 工业增加值 总 人口数 税收体制 就业 科学教育发展程度等都可能对财政收入有影响 现 针对税收收入 国内生产总值 社会固定资产投资 农业增加值 工业增加值 总人口数等因素对我国财政收入做简单分析 2 多元线性回归模型的基本理论 2 1 设置指标变量 回归分析模型主要是揭示事物间相关变量的数量关系 首先要根据所研究 问题的目的设置因变量 然后再选取与 有统计关系的一些变量作为自变量 2 2 收集 整理统计数据 回归模型的建立是基于回归变量的样本统计数据 当确定好回归模型的变 量之后 就要对这些变量收集 整理统计数据 数据的收集是建立经济问题回 归模型的重要一环 是一项基础性工作 样本数据的质量如何 对回归模型的 水平有至关重要的影响 2 3 建立模型的数学形式建立模型的数学形式 2 当收集到所设置的变量的数据 就要确定适当的数学形式来描述这些变量 之间的关系 绘制变量 与 的样本散点图是选择数学模 1 2 3 型形式的重要一环 一般我们把所对应的点在平面直角坐标系上画出 来 看散点图的分布状况 如果 个样本点大致分布在一条直线的周围 可考虑 用线性回归模型去拟合这条直线 也即选择线性回归模型 如果 个样本点的分 布大致在一条指数直线的周围 就可选择指数形式的理论回归模型去描述它 2 4 模型参数的估计模型参数的估计 回归理论模型确定之后 利用收集 整理的样本数据对模型的位置参数给 出估计是回归分析的重要内容 未知参数的估计方法最常用的是普通最小二乘 法 它是经典的估计方法 这里用 SPSS 软件估计模型参数 2 5 模型的检验与修改模型的检验与修改 当模型的未知参数估计出来后 就初步建立了一个回归模型 建立回归模 型的目的是应用它来研究经济问题 但如果马上就用这个模型去做预测 控制 和分析 显然是不够慎重的 因为这个模型是否真正揭示了被解释变量与解释 变量之间的关系 必须通过对模型的检验才能决定 一般需要进行统计检验和 模型经济意义的检验 若参数或者模型通不过检验 则需重新建立理论模型 因此 模型的建立往往需要进行反复修改 回归建模步骤流程图回归建模步骤流程图 3 3 3 实证分析实证分析 3 1 数据收集与模型建立数据收集与模型建立 为了建立国家财政收入的回归模型 以财政收入 y 亿元 为因变量 自 变量如下 为税收收入 亿元 为国内生产总值 亿元 为全社会固 1 2 3 定资产投资 亿元 为农业增加值 亿元 为工业增加值 亿元 为 4 5 6 总人口数 万人 据 中国统计年鉴 等统计数据获得 1999 年 2013 年的统 计数据 见下表 设定多元线性回归模型为 0 1 1 2 2 3 3 4 4 5 5 6 6 3 2 回归分析回归分析 利用 SPSS 对上述模型回归分析 结果如下 模型汇总模型汇总 模型 R R 方调整 R 方标准 估计的误差 11 000 a 999 999 028 a 预测变量 常量 x6 x4 x2 x1 x3 x5 年份 财政收入 y 亿元 税收收入 x1 亿元 国内生产总值 x2 亿元 全社会固定资产 投资 x3 亿元 农业增加值 x4 亿元 工业增加值 x5 亿元 总人口数 x6 万人 199911444 084231 2689677 129854 714770 0335861 48 200013395 236213 299214 632917 714944 7240033 59 200116386 048654 96 237213 515781 2743580 62 200218903 6410020 15 743499 916537 0247431 31 200321715 2514352 1 855566 617381 7254945 53 200426396 4719265 12 370477 421412 7365210 03 200531649 2924855 35 488773 62242077230 78 200638760 229927 8 4 22404091310 94 200751321 7845621 97 3 928627 88 200861330 3554223 79 4 433702 24 200968518 359521 59 8 835226 95 201083101 5173202 8 840533 6 23 2011 0189720 31 1 147486 21 15 2012 02 88 1 752373 63 66 2013 01 2 154946 83 71 4 AnovaAnovab b 模型平方和 df 均方 FSig 回归 9 22261 5371945 641 000a 残差 0068 001 1 总计 9 22814 a 预测变量 常量 x6 x4 x2 x1 x3 x5 b 因变量 y 系数系数a a 非标准化系数标准系数 模型 B 标准 误差试用版 tSig 常量 100 08760 629 1 651 137 x1 021 141 027 148 886 x2 385 168 2942 297 051 x3 079 153 090 517 619 x4 222 234 129 952 369 x5 279 292 215 957 366 1 x68 4315 230 2491 612 146 a 因变量 y 1 由上述各表可得到参数的估计结果为 100 087 0 021 1 0 385 2 0 079 3 0 222 4 0 279 5 8 431 6 2 模型检验 1 拟合优度检验 由决定系数 说明回归方程对样本观测值 2 0 999 的拟合程度较好 2 F 检验 方程 F 检验结果 F 1945 641 在的显著性水平下 0 05 得临界值为 结果显示在 95 的置信水平下 模型总体线性关 6 8 3 58 系成立 3 t 检验 在的显著性水平下 自由度 n k 1 8 的 t 统计量的临 0 05 界值为 从表中可知初始模型存在偏误 2 8 2 306 3 3 模型检验与修正模型检验与修正 1 多重共线性诊断和修正 5 1 诊断 利用 SPSS 对数据进行相关性检验 结果如下 相关性相关性 x1x2x3x4x5x6 Pearson 相关性 1 986 988 972 992 998 显著性 双侧 000 000 000 000 000 x1 N151515151515 Pearson 相关性 986 1 995 993 996 987 显著性 双侧 000 000 000 000 000 x2 N151515151515 Pearson 相关性 988 995 1 993 998 990 显著性 双侧 000 000 000 000 000 x3 N151515151515 Pearson 相关性 972 993 993 1 992 975 显著性 双侧 000 000 000 000 000 x4 N151515151515 Pearson 相关性 992 996 998 992 1 991 显著性 双侧 000 000 000 000 000 x5 N151515151515 Pearson 相关性 998 987 990 975 991 1 显著性 双侧 000 000 000 000 000 x6 N151515151515 在 01 水平 双侧 上显著相关 从上表中可知各个解释变量之间存在高度的线性相关 尽管方程整体线性回归 拟合较好 但各变量之间的相关性非常显著 表明模型确实存在严重的多重共 线性 2 逐步回归 利用 SPSS 对数据进行逐步回归分析 结果如下 模型汇总模型汇总d d 模型 R R 方调整 R 方标准 估计的误差 Durbin Watson 1 999a 997 997 043 2 999b 998 998 036 31 000c 999 999 0271 896 a 预测变量 常量 x5 b 预测变量 常量 x5 x2 c 预测变量 常量 x5 x2 x6 d 因变量 y 6 AnovaAnovad d 模型平方和 df 均方 FSig 回归 9 20419 2044929 425 000a 残差 02413 002 1 总计 9 22814 回归 9 21324 6073603 566 000b 残差 01512 001 2 总计 9 22814 回归 9 22033 0734098 146 000c 残差 00811 001 3 总计 9 22814 a 预测变量 常量 x5 b 预测变量 常量 x5 x2 c 预测变量 常量 x5 x2 x6 d 因变量 y 系数系数a a 非标准化系数标准系数 模型 B 标准 误差试用版 tSig 常量 4 214 211 19 959 0001 x51 298 018 99970 210 000 常量 4 704 255 18 466 000 x5 835 176 6434 753 000 2 x2 468 177 3572 644 021 常量 87 05526 783 3 250 008 x5 520 169 4003 074 011 x2 508 136 3883 729 003 3 x67 2512 358 2143 075 011 a 因变量 y 7 已排除的变量已排除的变量d d 共线性统计量 模型 Beta IntSig 偏相关容差 x1 111a1 015 330 281 017 x2 357a2 644 021 607 008 x3 298a1 375 194 369 004 x4 092a 815 431 229 016 1 x6 189a1 896 082 480 017 x1 154b1 839 093 485 016 x3 202b1 068 308 307 004 x4 034b 314 760 094 012 2 x6 214b3 075 011 680 017 x1 125c 890 394 271 004 x3 174c1 219 251 360 004 3 x4 146c1 620 136 456 009 a 模型中的预测变量 常量 x5 b 模型中的预测变量 常量 x5 x2 c 模型中的预测变量 常量 x5 x2 x6 d 因变量 y 查 DW 检验上下界表 n 15 k 4 包含常数项 可知上限临界值 1 75 而从上述各表中可知 模型的 DW 值为 1 896 处在即 4 1 75 2 25 区间范围内 因此模型自变量无自相关性 于是逐步回归方程只保留是合适的 即选择模型 3 故最后的最 2 5 6 优模型为 87 055 0 508 2 0 520 5 7 251 6 2 残差检验 利用SPSS可得残差散点图如下 8 从残差图中可以看出 误差在图中没有明显的态势出现 因此误差项不具 有明显的异方差性 四 模型结果与分析四 模型结果与分析 最终模型结果为 87 055 0 508 2 0 520 5 7 25