中国国家财政收入与工业产值相关分析
摘要：中国改革开放三十年间取得了举世瞩目的成就，国家财政收入也同样随着GDP的
高速增长而以年平均两位数的增长，本文旨在对自1980~2006年的国家财政收入与各工业产值的增长建立相关联系，以研究国家财政收入受各工业产值的影响，以为国家财政政策提供决策帮助。本文首先利用已知的经济理论对国家财政收入的影响因素进行归类汇总分析，进而建立国家财政收入的理论模型，然后在从国家统计年鉴网站进行相关数据的搜集，接着运用Eviews数据处理软件进行回归分析和模型的检验、修正。最终得到有较高可信度的模型为决策者提供帮助。
关键词： 国家财政收入 第三工业产值 回归分析
一、前言：国家财政政策是国家调整宏观经济的重要手段，而随着中国经济的发展，工业总产值的增加和产业结构的不断调整，第一产业、第二产业和第三产业对国家财政收入的影响权重不断发生变化，本文对国家财政收入于各工业产值进行回归分析对于财政收入的决策制定有着重要的辅助意义。
二、经济理论：影响国家财政收入的因素有很多，但其中第一产业、第二产业
和第三产业是社会经济的三大部分，三大产业的产值直接反应经济的发展好坏，而国家财政支出是受经济好坏的影响的。当经济发展相好的时候，国家财政收入增加，当经济的发展走低的时候，财政收入也会减少。除此之外，国家财政收入也会受国家税率政策的影响，国家对于经济的宏观调控主要的手段之一就是调整税率，从而影响经济的发展走势。针对于每个产业来讲，国家财政收入都是产值乘以一定的税率得到的，而财政收入与工业产值之间是正相关的关系。
三、回归分析
Dependent Variable: Y Method: Least Squares Date: 01/03/11 Time: 20:58 Sample: 1980 2006 Included observations: 27 Variable
Coefficient
Std. Error
t-Statistic
Prob.
X1 X2 X3 C R-squared
-0.966531 0.503546 0.108136 2021.758 0.108225 0.057048 0.045687 304.5502 -8.930766 8.826776 2.366855 6.638504 0.0000 0.0000 0.0267 0.0000 9180.395
0.996059 Mean dependent var
Adjusted R-squared 0.995545 S.D. dependent var 10211.00
S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
681.5374 Akaike info criterion 10683344 Schwarz criterion -212.3042 F-statistic 1.588587 Prob(F-statistic)
16.02253 16.21451 1937.736 0.000000
Y=2021.758 - 0.966531*X1 + 0.503546*X2 + 0.108136*X3
(6.638504) (-8.930766) (8.826776 ) (2.366855)
R^2=0.996059 F=1937.736
四 计量经济学模型的检验：
1.根据回归结果进行参数显著性检验： 1.1 经济学检验：
根据经济理论，第一产业、第二产业和第三产业是社会经济的三大部分，三大产业的产值直接反应经济的发展好坏，而国家财政支出是受经济好坏的影响的。当经济发展相好的时候，国家财政收入增加，当经济的发展走低的时候，财政收入也会减少。除此之外，国家财政收入也会受国家税率政策的影响，国家对于经济的宏观调控主要的手段之一就是调整税率，从而影响经济的发展走势。针对于每个产业来讲，国家财政收入都是产值乘以一定的税率得到的，而且税率乘数是正值，因而ß1、ß2、ß3/都应为正值，但在本回归模型中ß1是负值，有可能是存在多重共线性的影响，待进一步的检验修正。
1.2 拟合优度的检验：
R^2=0.996059说明第一产业工业总产值、第二产业工业总产值、第三产业工业总产值总体上的变化可以解释国家财政收入变化平均水平的99.6059%，拟合效果很好
1.3方程显著性的F统计值检验：
F=1937.736> F0.05(3,27)=2.30(显著性水平a=0.05),方程的显著性水平极高，表示这三个变量整体上对被解释变量国家财政收入总水平具有显著性的影响。
1.4 参数估计值显著性的T检验：
根据t检验并查表可知，在显著性水平a=0.05时，
t0.025(27)=2.052，由最小
二乘法的分析结果可知：t0 =6.638504> 2.052 ︳t1︳= 8.930766>2.052 t2=
8.826776 > 2.052 t3=2.366855> 2.052，可以拒绝原假设，说明第一产业工业总产值、第二产业工业总产值、第三产业工业总产值对被解释变化显著性水平高。
2多重共线性检验及修正：
2.1 多重共线性的检验：
由于存在被解释变量的符号跟经济学的符号不一致，所以需要进行多重共线性的检验。如下表 Y X1 X2 X3 Y 1 0.9284090.983969390.9906492069
24555 1968 47
X1 0.9284091 0.978172760.9487752427
24555 533 15
X2 0.9839690.9781721 0.9883899433
391968 76533 36
X3 0.9906490.9487750.988389941
206947 242715 3336
由此表可以看出X1、X2、X3之间存在较为严重的多重共线性，而X3对于Y的拟合度最高为0.990649206947拟合效果最好。因而下面用逐步回归法修正多重共线性先引入X3变量。
2.2 多重共线性的修正：逐步回归法
首先用X3对于被解释变量Y回归
Dependent Variable: Y Method: Least Squares
Date: 01/03/11 Time: 21:00 Sample: 1980 2006
Included observations: 27 Variable
X3 C R-squared Adjusted R-squared S.E. of regression Sum squared resid
Coefficient 0.431133 214.7412 Std. Error 0.011875 368.4321 t-Statistic 36.30516 2.582851 Prob. 0.0000 0.5652 9180.395 10211.00 17.42689 17.52288
0.981386 Mean dependent var 0.980641 S.D. dependent var 1420.714 Akaike info criterion 50460711 Schwarz criterion
Log likelihood Durbin-Watson stat
-233.2631 F-statistic 1.151422 Prob(F-statistic)
1318.064
此时线性回归方程为：
Y = 214.7412+0.431133*X3
通过t检验，f检验，r^2 拟合效果很好。下面引入X2变量
Dependent Variable: Y Method: Least Squares Date: 01/03/11 Time: 21:02 Sample: 1980 2006 Included observations: 27 Variable
X2 X3 C R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
Coefficient 0.074646 0.341290 -19.00866 Std. Error 0.063711 0.077582 416.5949 t-Statistic 1.171635 4.399089 -0.045629 Prob. 0.2528 0.0002 0.9640 9180.395 10211.00 17.44535 17.58933 669.5441 0.000000
0.982393 Mean dependent var 0.980926 S.D. dependent var 1410.240 Akaike info criterion 47730660 Schwarz criterion -232.5122 F-statistic 0.876764 Prob(F-statistic)
通过上表可以看出引入X2减小了解释参数的T值，并造成r^2和F值减小，因而X2应舍去。下面引入X1变量。
Dependent Variable: Y Method: Least Squares
Date: 01/03/11 Time: 22:13 Sample: 1980 2006
Included observations: 27 Variable
X1 X3
Coefficient -0.162338 0.478676
Std. Error 0.119774 0.036972
t-Statistic -1.355369 12.94706
Prob. 0.1879 0.0000
C R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
783.0929 554.2431 1.412905 0.1705 9180.395 10211.00 17.42721 17.57120 682.0157 0.000000
0.982709 Mean dependent var 0.981268 S.D. dependent var 1397.512 Akaike info criterion 46872932 Schwarz criterion -232.2674 F-statistic 1.424850 Prob(F-statistic)
通过上表可以看出引入X1减小了解释参数的T值，并造成r^2和F值减小，而且X1的解释参数是负值于实际经济规律不符因而X1应舍去。
所以修正后的回归方程是 Y = 214.7412 + 0.431133*X3 （2.582851） （ 36.30516）
3异方差检验及修正:
3.1．异方差的检验：残差图
由图可知，存在异方差。
3.1．异方差的检验：goldfeld－quandt 检验
Dependent Variable: Y
Method: Least Squares
Date: 01/04/11 Time: 21:20 Sample: 1980 1989
Included observations: 10 Variable
X3 C R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
Coefficie
nt 0.342860 926.7197 Std. Error 0.029625 86.53264 t-Statistic 11.57345 10.70948 Prob. 0.0000 0.0000 1790.618 549.719
1 12.8753
4 12.9358
5 133.944
6 0.00000
3 0.943640 Mean dependent var 0.936595 S.D. dependent var 138.4212 Akaike info
criterion
153283.4 Schwarz criterion -62.37668 F-statistic 0.529959 Prob(F-statistic)
Dependent Variable: Y Method: Least Squares
Date: 01/04/11 Time: 21:21 Sample: 1997 2006
Included observations: 10 Variable X3 C R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 0.438632 2.277539 Std. Error 0.032989 1637.635 t-Statistic 13.29649 0.001391 Prob. 0.0000 0.9989 19717.7
3 9961.55
8 18.4056
8 18.4662
0 176.796
7 0.000000.956709 Mean dependent var 0.951298 S.D. dependent var 2198.373 Akaike info
criterion
38662752 Schwarz criterion -90.02840 F-statistic 1.501069 Prob(F-statistic) 1 在样本1980~1989的回归结果中∑e1^2=153283.4 然后在样本1997~2006的回归结果中 ∑e2^2=38662752
所以 F＝∑e2^2/∑e1^2=252.2305220265208 在给定a＝0.05条件下，F＝∑e2^2/∑e1^2=252.2305220265208>F(8 8)=3.44所以拒绝原假设，说明存在异方差。
3.2．异方差的修正：可行的最小二乘法
Ols的回归结果：
Dependent Variable: LOG(RESID^2) Method: Least Squares
Date: 01/04/11 Time: 21:53 Sample(adjusted): 1997 2006
Included observations: 10 after adjusting endpoints Variable
C LOG(X3) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
Coefficie
nt 3.917682 0.979322 Std. Error 13.00622 1.225009 t-Statistic 0.301216 0.799440 Prob. 0.7709 0.4471 14.3058
5 1.72412
5 4.14509
8 4.20561
5 0.63910
5 0.44712
0 0.073978 Mean dependent var -0.041775 S.D. dependent var 1.759769 Akaike info
criterion
24.77428 Schwarz criterion -18.72549 F-statistic 1.543652 Prob(F-statistic)
LOG(E^2)=3.917682+0.979322*Log(X3) (0.301216) (0.799440)
R^2=0.073978 说明拟合效果不好。但是仍然用
1/f(x)=1/exp(3.917682+0.979322*Log(X3)）作为权重进行异方差修正。 Dependent Variable: Y Method: Least Squares
Date: 01/04/11 Time: 22:39 Sample: 1980 2006
Included observations: 27
Weighting series: W2 Variable Coefficient C 810.5827
X3 0.38242
3 Weighted Statistics R-squared 0.93315
5
Adjusted 0.93048R-squared 2
S.E. of regression 270.338
5
Sum squared 1827073resid . Log likelihood -188.463
6
Durbin-Watson 0.48519stat 6 Unweighted Statistics R-squared 0.967126
Adjusted 0.96581R-squared 1
S.E. of regression 1888.03
8
Durbin-Watson 0.59379stat 0 Std. t-Statistic Prob. Error 40.95729 19.79092 0.0000 0.015344 24.92263 0.0000 Mean dependent var
S.D. dependent var
Akaike info criterion Schwarz criterion
F-statistic
2439.634 1025.317 14.10841 14.20440 621.1376
Prob(F-statistic) 0.0000
00 Mean dependent var
S.D. dependent var
Sum squared resid
9180.395 10211.00 89117174
此时的回归方程为 Y=810.5827 + 0.382423*X3 （19.79092）（24.92263）
R^2=0.933155 F=621.1376
4自相关检验
4.1自相关检验：Durbin-Watson
由表可知：d=0.485196。在显著水平=0.05下，查表 n=27，k=1时，dL＝1.316，dU＝1.469，，由于d=0.485196< DL，表明该模型中的误差序列存在正自相关。
4.2一阶自相关的修正：Cochrane-orcutt迭代法
Dependent Variable: Y Method: Least Squares
Date: 01/05/11 Time: 13:40 Sample(adjusted): 1981 2006
Included observations: 26 after adjusting endpoints Convergence achieved after 10 iterations Variable
C X3 AR(1) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Inverted AR Roots Coefficie
nt 183.4454 0.434089 0.406583 Std. Error 618.0290 0.018049 0.211140 t-Statistic 2.296823 24.05026 1.925655 Prob. 0.7693 0.0000 0.0666 9488.87
4 10284.1
2 17.3876
5 17.5328
2 695.361
3 0.00000
0 0.983731 Mean dependent var 0.982316 S.D. dependent var 1367.587 Akaike info
criterion
43016771 Schwarz criterion -223.0395 F-statistic 1.612835 Prob(F-statistic) .41 得到方程 Y=183.4454 + 0.434089*x3 (2.296823) (24.05026)
R^2= 0.983731 F=695.3613
五、结论：国家财政收入的影响因素有很多，随着中国经济的高速发展，社
会经济问题会越来越多，国家对于宏观经济的调控难度也会越来越大，而中国的经济结构调整也已经是势在必行的，在改革开放的三十年间，中国的财政收入结构也悄然的发生变化，正如本文中的分析结果显示，第一工业第二工业对于国家财政收入的影响是不明显的，而第三工业依然成为财政收入的主要影响因素，当然这个模型也不能否定第一第二工业对于国家财政做出的贡献，这模型的设立分析修正的过程中，由于随机误差的存在，这个模型只能提供一定的参考价值但并不是决定因素。
年份
国家财政第一工业生产总第二工业生产总值 第三工业生产总值 收入 1980 1159.93 1981 1175.79 1982 1212.33 1983 1366.95 1984 1642.86 1985 2004.82 1986 2122.01 1987 2199.35 1988 2357.24 1989 2664.9 1990 2937.1 1991 3149.48 1992 3483.37 1993 4348.95 1994 5218.1 1995 6242.2 1996 7407.99 1997 8651.14 1998 9875.95 1999 11444.08 2000 13395.23 2001 16386.04 2002 18903.64 2003 21715.25 2004 26396.47 2005 31649.29 2006 38760.2
值 1359.4 1545.6 1761.6 1960.8 2295.5 2541.6 2763.9 3204.3 3831 4228 5017 5288.6 5800 6882.1 9457.2 11993 13844.2 14211.2 14552.4 14472 14628.2 14609.9 16117.3
17381.717701 21412.734041 23070.437559 24737
2192 2255.5 2383 2646.2 3105.7 3866.6 4492.7 5251.6 6587.2 7278 7717.4 9102.2 11699.5 16428.5 22372.2 28537.9 33612.9 37222.7 38619.3 40557.8 44935.3 49069.1 53540.7
62436.312136 73904.311871 87364.57911 103162.02629
966.4 1061.3 1150.1 1327.5 1769.8 2556.2 2945.6 3506.6 4510.1 5403.2 5813.5 7227 9138.6 11323.8 14930 17947.2 20427.5 23028.7 25173.5 27037.7 29878.7 32254.3 35132.6
56004.726312 64561.292006 73432.866049 82971.968653
因篇幅问题不能全部显示，请点此查看更多更全内容