【《海南免税新政落地对经济的干预分析模型案例》4700字】

海南免税新政落地对经济的干预分析模型案例目录TOC\o"1-3"\h\u21013海南免税新政落地对经济的干预分析模型案例 125438（一）数据的选取 124471（二）数据的预处理 326333（三）干预分析模型 4308901.模型的介绍 4148682.建模思路 521323.模型的建立 6167164.最终模型的选取 9229555.模型的解释 11（一）数据的选取图SEQ图\*ARABIC1：本文数据选取思维导图如REF_Ref9693图1本文旨在免税行业的兴起对实体经济影响力的定量分析，结合前文的论述，免税行业的形成是国家让利从而刺激旅游业、运输业、零售业、餐饮住宿业等多行业联动发展，从而影响实体经济。本文将2020年6月29日颁布文件的45个离岛免税商品2020年6月29日颁布了《关于海南离岛旅客免税购物政策的公告》财政部海关总署税务总局[2020]33号按照海南统计月报的商品零售的分类标准（分成18个类别）分类，发现离岛免税商品覆盖到了14个，可见免税商品覆盖到了很多行业，佐证了上述免税市场的兴起能影响实体经济的观点。2020年6月29日颁布了《关于海南离岛旅客免税购物政策的公告》财政部海关总署税务总局[2020]33号站在国家宏观角度考虑，实体经济的终端就是最终消费，故可以选取社会消费品零售总额的角度。站在企业微观层面考虑，上述行业都是由各自行业的企业组成的，发展好的行业亦是由若干个发展的势头良好的企业组成，个人的最终消费对应着企业的经营业务收入，企业经营业务收入必然要交税，我国又是一个以间接税为主的国家，故亦可以从企业缴纳的税款的角度考虑海南离岛免税政策是否刺激了当地实体经济发展。图SEQ图\*ARABIC2：海南省税收收入与社会消费品零售总额柱状图及增长率折线图数据来源于国家统计局网站数据来源于国家统计局网站图SEQ图\*ARABIC3：海南省税收收入与社会消费品零售总额散点图观察REF_Ref27135\h图2，剔除了2010年的数据，因为当年占全省地税将近一半房地产行业税收同比增长了108%，如此突发事件不利于我们研究以间接税为主的消费与实体经济关系的增幅变化.再观察两根增长率的橙蓝折线，微观层面的税收收入与宏观层面的社会消费品零售总额的增长率总体呈现出类似涨跌的趋势。测算得知自2010年起税收收入/社会消费品零售总额的占比一直维持在37.5%上下4%波动，在结合REF_Ref27135\h图2的散点图，可以看出税收收入与社会消费品零售总额的绝对值也呈现出由相关性的趋势。由此可见，衡量实体经济可以从税收角度考虑，而国家的税收收入与企业的经营收入密不可分，而企业的经营收入又与个人的消费密不可分，故本文选取社会消费品零售总额作为研究对象。（二）数据的预处理本文研究数据是2017年1月至2021年2月的海南省社会消费品月度零售总额（共50个数据）以下数据均来源于海南省统计局公布的统计月报以下数据均来源于海南省统计局公布的统计月报。图SEQ图\*ARABIC4：2017年1月－2021年2月海南省社会消费品月度零售总额图SEQ图\*ARABIC5：海南省社会消费品月度零售总额同比、累计同比、环比增幅REF_Ref10764\h图4是限额以上单位限额以上单位是指主营业务收入在一定标准之上的批发企业、零售企业、住宿餐饮企业。限额以上单位商品零售包含于商品零售，而商品零售包含于社会消费品零售总额。商品销售、商品零售及社会消费品零售总额的绝对值数据，三条线的趋势具有高度的相似性。由REF_Ref10764\h图5可以看出海南省的社会消费品月度零售总额呈现出年度分布规律，大致是以12个月为一个周期，并且前三年的周期性很明显，但是2020年的数据波动很异常。从整体上看，2020年2月及3月的数据低的异常，结合时事，是受疫情导致的停工停产的影响，在建立模型时也发现该两个月的数据对模型拟合效果的影响很大。限额以上单位是指主营业务收入在一定标准之上的批发企业、零售企业、住宿餐饮企业。限额以上单位商品零售包含于商品零售，而商品零售包含于社会消费品零售总额。结合REF_Ref15940\h图4的月度同比、累计同比以及环比数据一可以看出社会消费品零售总额在2017、2018、2019年的增幅总体上看是很有规律的，单看各自年份的增幅也是有规律可循。但是在2020年以后相较于前三年不论是同比、累计同比，还是环比都无法既结合2020年年度规律，又结合近四年的月度数据，去模拟公式替换2020年2月及3月这两个异常的数据。故本文选择直接剔除2020年2月、3月的数据。图SEQ图\*ARABIC6：2017年1月－2021年2月海南省社会消费品月度零售总额注：剔除了2020年2月、2020年3月的数据。结合新闻，2020年3月中旬左右时已经开始复工复产，故2020年4月的数据已接近正常值，从REF_Ref20012\h图6剔除2月、3月数据后的零售总额图也可以看出2020年1月和2020年4月的数据衔接得很好，并没有断层的效果，并且剔除2月、3月数据后，从整体看近48个月的数据趋势较平稳，在建模过程中也发现剔除2月、3月后的建模效果更好。虽然2020年4月往后的数据均是受疫情影响的数据，但是本文的研究目的就是对在疫情打击经济的背景下，海南岛离岛免税政策对实体经济影响力的定量分析，所以剔除2月、3月数据后的建模分析依旧符合本文研究的初心。（三）干预分析模型模型的介绍干预分析模型是对干预事件（特殊事件）发生后对现行的经济状况、经济环境的定量分析。其基本形式为：Zt表示的是对去除干预值后的净化序列构建的时间序列模型的观测值，ω(B)和δ(B)是关于后移算子B的多项式函数，决定了干预影响类型；代表干预事件的影响，本文中的δ和ω是对干预变量一阶自回归而得到一元一次方程的系数和截距。干预分析模型研究的变量成为干预变量，干预变量分为：①持续性干预变量S，形式是：②短暂性干预变量P，形式是：建模思路结合本文具体例子展示建模思路，如REF_Ref28669图7所示。图SEQ图\*ARABIC7：干预分析模型的思维导图干预分析模型最后看的是真实值Y与我们构建的干预分析模型的预测值Y’之间的拟合度好不好，从图上看就是所有真实值Y构成的折线图与预测值Y’构成的折线图重合率高不高。干预分析模型里面包含了两个子模型，分别是：子模型一是干预模型E’（对干预序列），步骤如下：步骤一：将原始数据分成干预事件发生前的原始数据一和干预事件发生后的原始数据二，用二次指数平滑曲线法对原始数据一构建时间序列模型，再用此模型预测去估计假设干预事件没有发生时的值（此称预测数据二），用原始数据二减去预测数据二得到干预事件的效益值数据（简称干预变量）。步骤二：用ARIMA(1,0,0)ARIMA模型是整合移动平均自回归模型，是ARIMA模型是整合移动平均自回归模型，是\t"/item/ARIMA%E6%A8%A1%E5%9E%8B/_blank"时间序列预测分析方法之一。ARIMA(p，d，q)中，AR是“自回归”，p为自回归项数；MA为“滑动平均”，q为滑动平均项数，d为使之成为平稳序列所做的差分次数（阶数）。子模型二是时间序列模型（对净化序列），步骤如下：步骤一：将原始数据减去干预模型E’估计出的值，得到不受干预事件影响的数据（简称净化序列），再用二次曲线指数平滑法对净化序列操作，从而得到不受干预事件影响时间序列模型最后就是将两个子模型结合起来就能得到干预分析模型，其中干预模型E就是对干预事件影响的定量测度，就实现了2020年6月29日海南省进一步的离岛免税政策对实体经济影响力的测度。模型的建立3.1对干预序列的干预模型的建立表SEQ表\*ARABIC1：社会消费品零售总额原始数据序列原始数据序列一t12345678x13656121450821119498412807211363812121155612564951290114t910111213141516x13096971471013146589515268541465160163015212525681402247t1718192021222324x13086851431657128162513481691394349156074515074491588025t2526272829303132x15758921705139128460514034681501049137376613884021413971t3334353637383940x14384851603295158407218109191550255144787016653991500305原始数据序列二t4142434445464748x16850431821758187666621229172120928212451518652761718954数据来源：海南省统计局统计月报注：数据是2017年1月－2021年2月的月度数据，剔除2020年2月、3月的数据。本文的干预事件为海南离岛免税政策限制条件的进一步放宽，我们将上述的48个数据拆分成两块，由于干预事件发生在2020年6月29日，故2017年1月至2020年6月为原始数据序列一（共40个数据），2020年7月至2021年2月的数据为原始数据序列二（共8个数据）。用原始数据序列一构建时间序列模型，用ARIMA模型拟合时无法预测后面的8个数据，故本文选取了二次指数平滑法拟合，得到方程式为：接着用该拟合后的模型去估计假设离岛免税政策没有进一步开放时（干预事件没有发生）后面8个月的数据得到X’，再用真实的后8个月的数据X真减去预测的X’就得到了干预序列，也就是离岛免税政策进一步开放的效益值Z，如REF_Ref7382\h表2所示。初步判断干预序列都是正值，意味着离岛免税政策的进一步开放（干预事件）的经济效益是正的，并且大致呈现出上升趋势，符合预期设想。表SEQ表\*ARABIC2：干预序列t4142434445464748Z2175714192705511788864479854931102132967963958728接着开始拟合子模型一的干预模型，本文初步筛选出4种拟合方法，均能得到不错的系数误差。首先是对数据是否进行根号处理，其次是参数估计方法选用CSS还是MLCSS是最小二乘法、ML是极大似然估计，二者均是常见的参数估计办法。。将该4种方案均用ARIMA（1，0，0）得到自回归方程，具体指数如下REF_Ref19011表3所示。CSS是最小二乘法、ML是极大似然估计，二者均是常见的参数估计办法。表SEQ表\*ARABIC3：四种方案下得到的干预模型的参数方案数据根号与否method系数系数se截距方差AIC一否CSS0.68450.11071068460.00009.46E+09二否ML0.87130.1507652355.90002.87E+10222.78三是CSS0.64140.08801036.27982516四是ML0.87950.1465767.977612524105.67在method为CSS时，将开根号的原始数据得到的系数误差0.0880以及方差2516均明显小于不开根号的原始数据的系数误差0.1107和方差9.46E+09，说明开根号数据的效果更好，故剔除方案一。在method为ML时，在系数误差均挺小的情况下，根据AICAIC是AIC是衡量统计模型拟合优良性的一种标准，AIC越小越好。所以，本文暂时保留方案三、四的数据，看最终干预分析模型的拟合效果再做最后的判断。下面将展示方案四的数据去组建模型，方案三以此类推，直接得出结果，不做具体的演示。先选取方案四，得到自回归场方程如下：Z(t)=0.8795Z(t-1)+767.9776将估计参数带入，得到干预模型：3.1.1干预模型E的平稳性性检验图SEQ图\*ARABIC8：干预序列自相关图图示干预序列均在蓝色的虚线里且有衰减至0的趋势，可见数据是平稳的，可以用ARIMA模型。3.1.2干预模型E的白噪声检验白噪声检验是用来判断数据是否具有随机性，是否具有研究意义。图SEQ图\*ARABIC9：R语言的白噪声检验结果图示平方残差的P值=0.03584<0.05，推翻数据是随机的原假设，故认为数据是非随机的，有研究的意义。3.2对净化序列的时间序列模型的建立用原始数据减去上述干预模型Et估计出的效益值就能得到净化序列，净化序列就是消除了离岛免税政策事件干预后的序列，如下REF_Ref16914\h表4所示：表SEQ表\*ARABIC4：消除政策影响后的净化序列t12345678xt13656121450821119498412807211363812121155612564951290114t910111213141516xt13096971471013146589515268541465160163015212525681402247t1718192021222324xt13086851431657128162513481691394349156074515074491588025t2526272829303132xt15758921705139128460514034681501049137376613884021413971t3334353637383940xt14384851603295158407218109191550255144787016653991500305t4142434445464748xt1492921145224213911371342519125341911544221013184874985对净化序列同样选用二次平滑指数进行拟合，得到方程式为：3.3得出最终干预分析模型结合上述两个子模型，组建得到方案四（ML）的最终干预分析模型如下：重复上述步骤得到方案三（CSS）的最终干预分析模型如下：4.最终模型的选取图SEQ图\*ARABIC10：方案四（ML）真实值的数据与干预分析模型的预测值折线图图SEQ图\*ARABIC11：方案三（CSS）真实值的数据与干预分析模型的预测值折线图其中，蓝色的曲线为2017年1月至2021年2月真实值，橙色曲线为本文最终干预分析模型Y估计出的预测值Y’，可以看出两种方法下的拟合效果都不错。由上述可知，最终干预分析模型Y其中的子模型是干预模型E是本文的研究目的，而该子模型E体现在了最后8个月的数据。看上述两张图的后8个数据的拟合效果，可以看到REF_Ref19674\h图10方案四（ML）的拟合效果明显会更好，结合数据，方案四（ML）的模型Y的误差为0.0924822小于方案三（CSS）模型的误差0.0963948，故方案四（ML）的最终干预分析模型Y更优。表SEQ表\*ARABIC5：ML方法和CSS方法下最终模型的对比method干预模型E的自回归参数最终模型Y系数se截距sesi