安徽省财政收入与经济增长的回归模型分析.docx

安徽省财政收入与经济增长的回归模型分析.docx

《安徽省财政收入与经济增长的回归模型分析.docx》由会员分享，可在线阅读，更多相关《安徽省财政收入与经济增长的回归模型分析.docx（22页珍藏版）》请在冰豆网上搜索。

安徽省财政收入与经济增长的回归模型分析

安徽省财政收入与经济增长的回归模型分析

摘要：

财政收入与经济增长之间存在着高度的相关性，本文在相关经济学理论的基础上，对安徽省财政收入与经济增长间关系做了实证分析，并得出结论，要保持一地区或一个国家经济的可持续增长，财政收入与经济增长之间应形成相互依存的长期稳定关系.

关键词：

财政收入，经济增长，回归分析

财政收入与经济增长之间存在着相互依存、相互制约的关系，正确认识二者之间的关系，对促进我省经济增长有重要作用。

一．理论分析

财政收入是政府部门的公共收入，表现为政府部门在一定时期内所取得的货币收入。

在西方经济学教科书中，国内生产总值（GDP）是指经济社会（即一国或一地区）在一定时期内运用生产要素所生产的全部最终产品（物品和劳务）的市场价值，是国民经济活动最终成果的总量指标。

研究过财政收入与经济增长之间关系的学者很多。

最先比较明确提出国家财政税收原则的是威廉·配第，他在代表作《赋税论》中，比较深刻地分析了税收与国民财富、税收与国家经济实力之间的关系。

亚当·斯密在其著作《国富论》一书中，综合了自由主义学说的观点，主张对经济实行自由放任的政策，认为政府应当减少干预或者不干预，政府只应作为“守夜人”存在。

斯密之后，许多经济学家从不同角度提出了不同的财政税收观点，比如瓦格纳在其代表著作《财政学》中提出了社会政策的财政理论，认为财政收入增长能够随着经济增长自动增加。

哈勃格计算了税收的超额负担，进而发现课税扭曲了消费者对课税商品与其他商品的选择。

我国学者高培勇认为，应当根据实际情况合理科学地确定财政收入和财政支出，不能简单的量入为出。

一个地区或一个国家要保持经济的可持续增长，财政收入与经济增长之间应形成相依相存的长期稳定关系，并且，只有合理的财政收入水平才能对GDP的增长产生积极的影响，这一命题可以根据拉弗曲线得以证明。

在经济学界，美国供给学派经济学家拉弗知名度颇高，以其“拉弗曲线”而著称于世。

拉弗曲线表明：

在税率增长的初期，GDP迅速增长；当税率增长超过某一点，尽管其增长率不变，但GDP的增长率迅速下降，甚至出现负增长，图中表示为EB线段。

当税负大于A点时，过高的税率反而导致政府税收收入的减少，长期来看会抑制居民消费、储蓄和投资的积极性，从而抑制经济的可持续发展，因此ABC区域被称之为“禁区”，政府部门需要在OAC区域征税。

二．实证分析

安徽省财政收入与生产总值表

年份

财政收入（亿元）

生产总值（亿元）

1990

52.89

658.02

1991

48.18

663.60

1992

55.14

801.16

1993

73.21

1069.84

1994

108.76

1488.47

1995

147.00

2003.58

1996

193.14

2339.25

1997

230.81

2669.95

1998

262.07

2805.45

1999

280.85

2908.59

2000

290.42

2902.09

2001

309.55

3246.71

2002

346.65

3519.72

2003

412.29

3923.11

2004

520.71

4759.3

2005

656.55

5350.17

2006

816.51

6112.5

2007

1034.73

7360.92

2008

1326.05

8851.66

2009

1551.26

10062.82

1．相关说明

经济增长可以用GDP来表示，建立计量经济模型，解释财政收入与经济增长之间的关系。

本文财政收入和GDP数据均来源于《安徽省统计年鉴2010》 

2．一元回归模型的建立

Y=α+βX+ε　其中：

Y为各年的财政收入，X为各年的GDP，α为常数项，β为回归系数，ε为随机变量。

模型估计在Eviews软件包,进行OLS估计。

3.检验结果

DependentVariable:

Y

Method:

LeastSquares

Date:

06/08/11Time:

20:

52

Sample:

19902009

Includedobservations:

20

Variable

Coefficient

Std.Error

t-Statistic

Prob.  

C

-151.0506

23.83424

-6.337543

0.0000

X

0.159704

0.005283

30.22706

0.0000

R-squared

0.980680

    Meandependentvar

435.8385

AdjustedR-squared

0.979607

    S.D.dependentvar

432.9014

S.E.ofregression

61.82064

    Akaikeinfocriterion

11.18099

Sumsquaredresid

68792.24

    Schwarzcriterion

11.28056

Loglikelihood

-109.8099

    F-statistic

913.6752

Durbin-Watsonstat

0.198163

    Prob（F-statistic）

0.000000

得出回归方程为:

Y=—151.05+0.16X

（—6.34）（30.23）

R-squared=0.981DW=0.198S.E=61.821F=913.675T=20

（括号中的数字表示参数估计值对应的t统计量）

下面对模型进行平稳性检验，自相关检验和异方差检验。

（1）平稳性检验

1.1首先使用图示法

X和Y均呈现递增，很可能部平稳。

1.2用ADF法对x进行平稳性检验，得

NullHypothesis:

Xhasaunitroot

Exogenous:

Constant,LinearTrend

LagLength:

1（AutomaticbasedonAIC,MAXLAG=4）

t-Statistic

  Prob.*

AugmentedDickey-Fullerteststatistic

-0.005594

 0.9924

Testcriticalvalues:

1%level

-4.571559

5%level

-3.690814

10%level

-3.286909

*MacKinnon（1996）one-sidedp-values.

Warning:

Probabilitiesandcriticalvaluescalculatedfor20observations

        andmaynotbeaccurateforasamplesizeof18

AugmentedDickey-FullerTestEquation

DependentVariable:

D（X）

Method:

LeastSquares

Date:

06/27/11Time:

22:

42

Sample（adjusted）:

19922009

Includedobservations:

18afteradjustments

Variable

Coefficient

Std.Error

t-Statistic

Prob.  

X（-1）

-0.000782

0.139792

-0.005594

0.9956

D（X（-1））

0.694083

0.365445

1.899283

0.0783

C

-19.40139

137.6275

-0.140970

0.8899

@TREND（1990）

21.74854

41.63971

0.522303

0.6096

R-squared

0.765265

    Meandependentvar

522.1789

AdjustedR-squared

0.714965

    S.D.dependentvar

427.5773

S.E.ofregression

228.2778

    Akaikeinfocriterion

13.89213

Sumsquaredresid

729550.8

    Schwarzcriterion

14.08999

Loglikelihood

-121.0292

    Hannan-Quinncriter.

13.91942

F-statistic

15.21393

    Durbin-Watsonstat

1.823266

Prob（F-statistic）

0.000110

结果显示在α=5%的水平下，不能拒绝原假设，即x是非平稳的。

同理对Y做ADF检验，也没有通过检验。

2.1偏相关系数检验

Date:

06/22/11Time:

17:

08

Sample:

19902009

Includedobservations:

20

Autocorrelation

PartialCorrelation

AC 

 PAC

 Q-Stat

 Prob

     .|******|

     .|******|

1

0.764

0.764

13.516

0.000

     .|***|

     .**|.|

2

0.482

-0.244

19.200

0.000

     .|**.|

     .*|.|

3

0.222

-0.128

20.475

0.000

     .|.|

     .**|.|

4

-0.037

-0.220

20.513

0.000

     .*|.|

     .|.|

5

-0.180

0.050

21.464

0.001

     .*|.|

     .|*.|

6

-0.174

0.149

22.410

0.001

     .*|.|

     .**|.|

7

-0.197

-0.222

23.729

0.001

     .*|.|

     .|.|

8

-0.198

-0.049

25.163

0.001

     .**|.|

     .*|.|

9

-0.225

-0.189

27.185

0.001

     .**|.|

     .**|.|

10

-0.326

-0.207

31.866

0.000

     ***|.|

     .*|.|

11

-0.417

-0.129

40.370

0.000

     ***|.|

     .|.|

12

-0.410

0.004

49.608

0.000

由偏相关（PAC）也可推断出，y和x之间存在着一阶自相关

2.2布罗斯-戈弗雷（b-g）检验或者说是LM检验

TestEquation:

DependentVariable:

RESID

Method:

LeastSquares

Date:

06/22/11Time:

17:

52

Sample:

19902009

Includedobservations:

20

Presamplemissingvaluelaggedresidualssettozero.

Variable

Coefficient

Std.Error

t-Statistic

Prob.  

C

-12.56336

13.16756

-0.954115

0.3534

X

0.004636

0.002973

1.559507

0.1373

RESID（-1）

0.939569

0.142880

6.575926

0.0000

R-squared

0.717809

    Meandependentvar

7.11E-14

AdjustedR-squared

0.684610

    S.D.dependentvar

60.17179

S.E.ofregression

33.79225

    Akaikeinfocriterion

10.01582

Sumsquaredresid

19412.58

    Schwarzcriterion

10.16518

Loglikelihood

-97.15821

    Hannan-Quinncriter.

10.04498

F-statistic

21.62140

    Durbin-Watsonstat

1.124328

Prob（F-statistic）

0.000021

Obs*R-squared项对应的伴随概率p=0.000151,小于0.05的显著水平，说明存在一阶自相关。

2.3异方差检验（不带交叉项的White异方差检验）

WhiteHeteroskedasticityTest:

F-statistic

4.250745

    Probability

0.031843

Obs*R-squared

6.667446

    Probability

0.035660

TestEquation:

DependentVariable:

RESID^2

Method:

LeastSquares

Date:

06/08/11Time:

21:

36

Sample:

19902009

Includedobservations:

20

Variable

Coefficient

Std.Error

t-Statistic

Prob.  

C

7357.020

1735.914

4.238125

0.0006

X

-2.431558

0.873201

-2.784650

0.0127

X^2

0.000247

8.46E-05

2.914767

0.0097

R-squared

0.333372

    Meandependentvar

3439.612

AdjustedR-squared

0.254946

    S.D.dependentvar

3217.214

S.E.ofregression

2776.987

    Akaikeinfocriterion

18.83360

Sumsquaredresid

1.31E+08

    Schwarzcriterion

18.98296

Loglikelihood

-185.3360

    F-statistic

4.250745

Durbin-Watsonstat

0.726673

    Prob（F-statistic）

0.031843

Obs*R-squared项的伴随概率p=0.037,小于0.05的显著水平，说明存在异方差。

3.1现在的问题是这个模型中x和Y不平稳，既存在自相关，又存在异方差，该如何处理呢？

我们试着设立模型LnY=α+βLnX+ε。

检验结果如下:

首先进行平稳性检验。

对lnx和lny进行ADF检验

NullHypothesis:

LNXhasaunitroot

Exogenous:

Constant,LinearTrend

LagLength:

3（AutomaticbasedonAIC,MAXLAG=4）

t-Statistic

  Prob.*

AugmentedDickey-Fullerteststatistic

-4.079038

 0.0278

Testcriticalvalues:

1%level

-4.667883

5%level

-3.733200

10%level

-3.310349

*MacKinnon（1996）one-sidedp-values.

Warning:

Probabilitiesandcriticalvaluescalculatedfor20observations

        andmaynotbeaccurateforasamplesizeof16

在5%的显著水平下，通过了检验。

同理lny

NullHypothesis:

LNYhasaunitroot

Exogenous:

Constant,LinearTrend

LagLength:

4（AutomaticbasedonAIC,MAXLAG=4）

t-Statistic

  Prob.*

AugmentedDickey-Fullerteststatistic

-3.974419

 0.0351

Testcriticalvalues:

1%level

-4.728363

5%level

-3.759743

10%level

-3.324976

*MacKinnon（1996）one-sidedp-values.

Warning:

Probabilitiesandcriticalvaluescalculatedfor20observations

        andmaynotbeaccurateforasamplesizeof15

也通过了检验。

在命令窗口输入命令：

lslnyclnx得

DependentVariable:

LNY

Method:

LeastSquares

Date:

06/08/11Time:

22:

07

Sample:

19902009

Includedobservations:

20

Variable

Coefficient

Std.Error

t-Statistic

Prob.  

C

-4.665811

0.229532

-20.32747

0.0000

LNX

1.294193

0.028801

44.93525

0.0000

R-squared

0.991164

    Meandependentvar

5.596989

AdjustedR-squared

0.990673

    S.D.dependentvar

1.058707

S.E.ofregression

0.102244

    Akaikeinfocriterion

-1.628269

Sumsquaredresid

0.188169

    Schwarzcriterion

-1.528696

Loglikelihood

18.28269

    F-statistic

2019.177

Durbin-Watsonstat

0.354984

    Prob（F-statistic）

0.000000

得出回归方程为:

lnY=-4.67+1.29lnX

（-20.33）（44.94）

R-squared=0.99DW=0.35S.E=0.10F=2019.18T=20

（括号中的数字表示参数估计值对应的t统计量）

再次使用怀特检验进行检验，得到

HeteroskedasticityTest:

White

F-statistic

3.775495

    Prob.F（2,17）

0.0440

Obs*R-squared

6.151271

    Prob.Chi-Square

（2）

0.0462

ScaledexplainedSS

4.779216

    Prob.Chi-Square

（2）

0.0917

TestEquation:

DependentVariable:

RESID^2

Method:

LeastSquares

Date:

06/14/11Time:

23:

26

Sample:

19902