影响我国税收收入的因素分析报告模版

1、影响我国税收收入的因素分析国生产总值财政支出零售商品物价水平班级： 金融 4 班学号：0薛月强摘要: 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 1993 年至 2012 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，并加以修正。得出结论是国生产总值、财政支出和零售商 品物价水平三者均对我国税收收入有很大影响。关键词: 国生产总值 财政支出 零售商品物价水平 税收 计量 思考一、 研究的目的及变量的选取税收是我国财政收入的基本因素 , 也影

2、响着我国经济的发展。取得财政收入 的手段有多种多样，如税收、发行货币、发行国债、收费、罚没等等，而税收则 由政府征收，取自于民、用之于民。经济是税收的源泉，经济决定税收，而税收 又反作用于经济， 这是税收与经济的一般原理。 这几年来， 中国税收收入的快速 增长甚至“超速增长”引起了人们的广泛关注。 科学地对税收增长进行因素分析 和预测分析非常重要，对研究我国税收增长规律，制定经济政策有着重要意义。为了具体分析各要素对提高我国税收收入的影响大小， 选择能反映我们税收 变动情况的“各项税收收入”为被解释变量（用 Y 表示），选择能影响税收收入的“国生产总值（用 X1 表示）”、“财政支出 （用 X

3、2 表示 ）”和“ 商品零售价格指数（用 X3 表示）”为解释变量。 表 1 为由中国统计年鉴 得到的 1993 2012年的有关数据。表1税收收入模型的时间序列表年份税收收入 （Y）（单位：亿元 ）国生产总值 （X1）（单位：亿元 ）财政支出 （X2）（单位：亿元 ）商品零售价格指数 （X3 ） （单位： %）19932390.47353334642108.819945070.8481985793102.119955973.7607946824114.819964050.6711777938106.119978225.5789739234100.819989093844021079897.4

4、199910311896771318797200012660992151588798.52001151571096551890399.22002170041203332205398.72003204501358232465099.920042571818493728487102.820053086618293733930100.820063763621631440423101.020074944226581049781103.820085421931404562593105.92009631043406037629998.820107320240151389874103.12011897204

5、73104109248104.92012100600518942125953102.5资料来源：中国统计年鉴 2013 ；为分析各项税收收入（ Y）随国生产总值（ X1）、财政支出 （X2）和商品零售价格指数（ X3 ）变动的数量的规律性，可以初步建立如下三元对数回归模型：lnY= 0+ 1 lnX 1+ 2 lnX 2 + 3 X3 + u确定参数估计值围由经济常识知，因为国生产总值（ X1）、财政支出 （X 2）和商品零售价格指数（X3）的增加均会带动税收收入的增加，所以国生产总值（X1）、财政支出 （X 2）和商品零售价格指数（ X3）与税收收入应为正相关的关系，所以可估计0 11 ,0

6、 21, 0 3 1。参数估计利用 Eviews 软件，做 lnY 对 lnX 1、lnX 2、X3 的回归，回归结果如下（表 2）表2Dependent Variable: LNYMethod: Least SquaresDate:4/26/14 Time: 17:32VariableCoefficientStd. Errort-StatisticProb.C-0.3340900.278144-1.2011420.2472LNX10.4112020.0613930.5068880.6191LNX20.6107850.05733117.630610.0000X30.0041740.001534

7、2.7217080.0151Sample: 1993 2012Included observations: 209.09568R-squared0.998352Mean dependentvarAdjusted R-squared0.998043S.D. dependent varS.E. of regression0.040806Akaike infocriterionSum squared resid0.026642Schwarz criterionLog likelihood37.83123F-statisticDurbin-Watson stat0.735725Prob(F-stati

8、stic)根据表中数据，模型设计的结果为：ln=-0.334090+0.411202lnX 10.92253-3.38312-3.183973231.720.000000.610785lnX 20.004174 X 3(0.278144)(0.061393)(0.057331)(0.001534)t=(-1.201142)(0.506888)(17.63061)(2.721708)R2=0.9983522=0.998043DW=0.735725 F=3231.721n=20三、模型检验及修正一）经济意义检验所估计的参数 1 =0.411202 ，2 =0.610785 ，3=0.004174

9、，且 011 ,021 , 0 3F（3，17）3.24 ，应拒绝原假设 H0：1=2= 3 =0 ，说明回归 方程显著，即列入模型的解释变量“国生产总值（X1）”、“财政支出 （X2）”和“商 品零售价格指数（ X3）”联合起来确实对被解释变量“各项税收收入（ Y）”有显著影响3、变量的显著性检验 （t 检验）分别针对 H0：j0（j0，1，2，3），给定显著性水平 0.05 ，查 t 分 布表的自由度为 nk16 的临界值 t/2（nk）2.120 。由表 2 中的数据可 得，与 0、1、2、3 对应的 t 统计量分别为 -1.20114 、0.506888 、17.63061 、 2.7

10、21708 ，其绝对值不全大于 t/2 （nk）2.120 ，这说明在显著水平 0.05 下，只有 2、3 能拒绝 H 0 ：j0 ，也就是说，当在其他解释变量不变的情 况下，各个解释变量“国生产总值（ X1）”、“财政支出 （X2）”和“商品零售价格 指数（ X 3 ）”分别对被解释变量“各项税收收入（ Y）”不全都有显著影响，这可 能是由于多重共线性或自相关性的影响。（三）计量经济意义检验1、多重共线性检验（简单相关系数和综合统计检验）让 lnY 分别对 lnX 1、lnX 2、X3 做回归。将 lnY 与 lnX 1 做回归得到结果如表 3：表3Dependent Variable: L

11、NYMethod: Least SquaresDate:4/26/14Time: 21:13Sample: 1993 2012Included observations: 20VariableCoefficienStd. Errort-StatisticProb.C-2.4748550.515360-4.8021880.0001LNX11.0446790.04639622.516750.0000R-squaredAdjusted R-squared0.965715 Mean dependentvar0.963810S.D. dependent varS.E. of regressionSum

12、squared resid0.175500Akaike infocriterion0.554405 Schwarz criterionLog likelihood7.477146 F-statisticDurbin-Watson stat 0.225214Prob(F-statistic)9.0956840.922533 -0.547715 -0.448141507.00390.00000将 lnY 与 lnX 2 做回归得到结果如表 4 ：表4Dependent Variable: LNYMethod: Least SquaresDate: 4/26/14Sample: 1993 2012I

13、ncluded observationTime: 21:14s: 20VariableCoefficienStd. Error t-Statistic tProb.C0.2002020.103592 1.9326100.0692LNX20.9631280.011159 86.307130.0000R-squared0.997589Mean dependent9.09568var4Adjusted R-squared0.997455S.D. dependent var0.922533S.E. of regression0.046536Akaike info3-3.20254criterion7S

14、um squared resid0.038981Schwarz criterion-3.102974Log likelihood34.02547F-statistic47448.920Durbin-Watson stat0.529139Prob(F-statistic)0.000000将 lnY 与 X3 做回归得到结果如表 5：表5Dependent Variable: LNYMethod: Least Squares将 lnY 与 lnX 1lnX 2 做回归得到下表 6：Date: 4/26/14Sample: 1993 2013Included observationTime: 21:

15、14s: 20VariableCoefficienStd. Error t-Statistic tProb.C16.286362.448852 6.6506080.0000X3-0.0684040.023237 -2.9437950.0087R-squared0.324981Mean dependent9.09568var4Adjusted R-squared0.287480S.D. dependent var0.922533S.E. of regression0.778718Akaike info2.43230criterion4Sum squared resid10.91524Schwar

16、z criterion2.53187Log likelihood-22.32304F-statistic88.66593Durbin-Watson stat0.306442Prob(F-statistic)10.008683表6Dependent Variable: LNYMethod: Least SquaresDate: 4/26/14 Time: 21:16Sample: 1993 2012Included observations: 20VariableCoefficientStd. Errort-StatisticProb.C0.2085070.2275960.9161260.372

17、4LNX1-0.0029320.071008-0.0412950.9675LNX20.9657450.06441014.993610.0000R-squared0.997590Mean dependent9.09568var4Adjusted R-squaredS.E. of regression Sum squared resid Log likelihood Durbin-Watson stat0.997306S.D. dependent var0.9225330.047883Akaike info-3.10264criterion70.038977Schwarz criterion-2.

18、95328734.02647F-statistic3517.8990.530570Prob(F-statistic)0.000000计算各解释变量的相关系数，选择 lnX 1、lnX 2 、X3 的数据，得到相关系数 矩阵如表 7 ：表7变量LNX1LNX2X3LNX11.0000000.683982-0.558932LNX20.6839821.000000-0.592646X3-0.558932-0.5926461.000000由表 3、表4 和表 5 可知，lnY 与 lnX 1 、lnX 2的组合为最优方程， 但是 lnY 与 X3拟合度 R-squared 0.287 并不是很高，远小

19、于 lnY 分别与 lnX 1 、lnX 2 回归后得出的 R-squared ，但是由表 2 知引入 X3 后 R-squared 变为 0.998 这 说明引入 X3这个解释变量对整体模型有改善作用。又由表 7 的相关系数矩阵可 以看出，解释变量 lnX 1 、lnX 2、X3 相关系数不高，可认为模型不存在多重共 线性，所以可保留原来的方程，即ln=-0.334 + 0.411lnX 1 + 0.611 lnX 2 + 0.00417 X 3 这说明，在其他因素不变的情况下，当国民生产总值增加 1 亿美元，财政支 出每增加 1亿美元，商品零售价格指数没上升 1% ，平均说来税收收入将分别

20、增 加 0.411 亿美元、 0.611 亿美元和 0.0041 亿美元2、异方差性检验（怀特检验法）记 为对原始模型进行普通最小二乘回归的到的残差平方项，将其与 X1 、X2、X3 做辅助回归得：White Heteroskedasticity Test:F-statistic1.151570Probability0.387743Obs*R-squared6.940857Probability0.326351Test Equation:Dependent Variable: RESID2Method: Least Squares 0.0036Sample: 1993 2012Included

21、 observations: 20-0.099+0.0053 0.CoefficienVariabletStd. Errort-StatisticProb.C0.07268060.2046480.3551460.7282LOG(X1)0.1053610.0800421.3163170.2108-0.00469(LOG(X1)220.003606 -1.3008900.2159-0.09945LOG(X2)60.069181 -1.4376110.1742(LOG(X2)20.0053000.0036511.4518250.1703-0.00361X370.002637 -1.3715720.1

22、934X321.64E-051.19E-051.3809160.1906R-squared0.347043Mean dependent var0.001332Adjusted R-squared0.045678S.D. dependent var0.001716-9.67486S.E. of regression0.001677Akaike info criterion7-9.32636Sum squared resid3.65E-05Schwarz criterion1Log likelihood103.7487F-statistic1.151570Durbin-Watson stat1.7

23、38455Prob(F-statistic)0.3877430036 +0.0006T=(0.355146 )、(1.316317 )、(-1.300890 )、(-1.437611 )、(1.451825 )、 (-1.371572 )、 （1.380916 ）=0.347043LM= 6.940857 ，该值小于 5% 显著水平下、 自由度为 6 的 分布的相应临界值 =12.59 ， 所以接受同方差的原价假设不存在异方差性。3 、序列相关性检验（ LM 检验法）为了排除时间序列模型中随时间变动而具有的共同变化趋势的影响， 一种解决该方案是 在模型总引入时间模型趋势项，将这种影响分离出来。

24、我们引入T（T=1 、2 20 ）以平方的形式出现Dependent Variable: LOG(Y)Method: Least SquaresDate: 06/09/14 Time: 23:43Sample: 1993 2012Included observations: 20VariableCoefficient Std. Errort-StatisticProb.C1.1302460.313449 3.6058350.0026LOG(X1)0.1337220.047236 2.8309610.0126LOG(X2)0.6609770.072166 9.1591780.0000X30.00

25、16160.001024 1.5789060.1352T20.0014610.000266 5.4996970.0001R-squared0.999454Mean dependent var9.095684Adjusted R-squared0.999308S.D. dependent var0.922533-4.38720S.E. of regression0.024266Akaike info criterion2-4.13826Sum squared resid0.008832Schwarz criterion9Log likelihood48.87202F-statistic6861.

26、839Durbin-Watson stat1.604239Prob(F-statistic)0.000000回归函数变化为=1.130246+0.133722 +0.660977 +0.001616 +T23.605835 2.830961 9.159178 1.578906 5.499697= 0.999454 =0.999308 F=6861.839 D.W.= 1.604239Breusch-Godfrey Serial Correlation LM Test:F-statistic0.372432Probability0.551460Obs*R-squared0.518259Proba

27、bility0.471585Test Equation:Dependent Variable: RESIDMethod: Least SquaresDate: 06/09/14 Time: 23:46Presample missing value lagged residuals set to zero.CoefficienVariabletStd. Errort-StatisticProb.-0.02263-0.0702000.9450C00.322359LOG(X1)0.0054960.0490890.1119660.9124-0.00718LOG(X2)60.074659-0.0962540.9247X30.0002280.0011110.2051580.8404T23.16E-050.0002760.1143700.9106RESID(-1)0.2030670.3327480.6102720.5515R-squared0.025913 Mean dependent var1.79E-16-0.32197Adjusted R-squared5 S.D. dependent var0.021560-4.31345S.E. of regression0.024790 Akaike info cr