中国城镇居民2003年可支配收入分析 (2)

中国城镇居民2003年可支

配收入分析

摘要：本文通过对影响可支配收入因素的分析，并结合各种检验方法，得到计量经济模型，以此了解各个地区的发展程度且做出分析。

关键字：可支配收入个人所得税社会保障补贴

第一部分建模的目的及其经济意义

建立本模型的目的：通过对中国东北三省、长江中下游及沿海地区的城镇居民的人均可支配收入占总收入的比率的估计，可了解这些地区的经济发展状况。

其经济意义是：

1 通过对各个地区人均可支配收入占总收入比率的分析，可得各个地区的发展程度以及它们之间的差别；为各地区政府来年制定经济规划提供参考，分析各项利弊得失并找出症结所在，保证政策的合理性。

2 人均可支配收入占总收入的比率还可作为各地区政府工作绩效考核指标，形成各地区间的良性竞争。

3 该模型也可对企业的投资和经营提供参考，使优势资源得到合理配置。

第二部分数据的取得

模型所用数据均取自《2004中国统计年鉴》及《2004中国人口年鉴》。

现对所用数据做以下说明：

1 依照研究的目的，我们选择了17个省及直辖市作为研究地区来估计模型，它们分布在东北三省、长江中下游及沿海地区，这样减小了由地区性差异带来的误差。

2 所选项目包括：城镇居民人均可支配收入、城镇居民人均社会保障补贴、城镇居民人均个人所得税、城市人口等。

3 由于所得税的征收时间不长且年鉴中的数据多以年为统计单位，为了保证取得充足的

数据，我们选择了截面数据而非时间序列数据进行估计。

4 由于统计年鉴上福利补贴项目的数据是按各个城市的补贴总数来统计的，而模型中需要用到的是人平均数。因此，我们用补贴总数除以该地区城镇居民总人数，求得近似值来估计。（注：该福利补贴是指养老保险、住房公积等项目的加总，不考虑农村人口）

第三部分

模型建立

首先，在选择解释变量时，我们最初考虑到了通货膨胀率对可支配收入的影响，因为模型中的城镇居民可支配收入是一个名义收入，而从现实经济生活来看，实际可支配收入才能真正表现出居民的实际购买力，才是一个具有实际经济意义的变量。但是，我们加入这个解释变量时遇到了问题，因为实际可支配收入＝名义可支配收入*(1—通货膨胀率)，就目前中国的经济情况来看，居民对通货膨胀的敏感度不高，而且我们用的是截面数据，通货膨胀率对这个模型的影响可以忽略不计，因此在建立模型时我们剔除了这个解释变量。

其次，我们还考虑到了就业率对居民可支配收入的影响，一个地区的就业情况越好，那么该地区的居民收入也会越多，而可支配收入也会随之增加。但在收集资料的过程中我们发现就业率统计口径并不一致，而且本文模型所要求的是城镇居民的就业率，而统计数据是以一个地区的所有居民为基础的，因此我们不能采用它作为解释变量。

第三，我们主要是想模拟在一年之中中国东北三省、长江中下游及沿海地区的城镇人均可支配收入与其总收入、个人所得税和社会保障补贴之间的关系。

我们选择的被解释变量是：城镇人均可支配收入YD 我们选择的解释变量是：城镇人均总收入Y 城镇人均个人所得税T 城镇人均社会保障补贴E 我们所用的模型为：123YD C Y T E u βββ=++++ 经济意义如下：

⑴这里的城镇人均总收入是指城镇居民的劳动收入以及其他的非劳动收入，但其中不包括政府的补贴。因此，可支配收入YD 与其总收入Y 是成正比的关系：即Y 增加，YD 也应增加，也即是说系数1β应该为正。

⑵这里的T 是指城镇居民上缴的个人所得税。因此YD 与T 成反比的关系：即T 增加，

β应该为负。个人所得税和人均总收入之间可能存在多重共线性，YD应减少，即是说系数

2

这是因为国家在征收个人所得税时是以居民的总收入作为税基的，因此总收入的变化要引起个人所得税的变化，二者存在着密切的关联度。

⑶这里的E是指政府补贴给城镇居民的社会保障补贴。因此YD与E成正关系：即E增

β应该为正。政府补贴与人均总收入应该也存在一定程度上加，YD也应增加，即是说系数

3

的共线性。

第四、为了估计，我们选用的数据如表1：

表1 统计资料

第四部分

模型检验

⑴ 先对17个数据进行回归分析

用OLS 方法回归得到表2

Dependent Variable: YD Method: Least Squares Date: 06/03/05 Time: 16：00 Sample: 1 17

Included observations: 17

Variable Coefficient Std. Error t-Statistic Prob. C 496.4948 132.2305 3.754767 0.0024 Y 0.880863 0.009502 92.70286 0.0000 T 0.034601 0.016819 2.057219 0.0603 E

0.036798

0.157264

0.233986

0.8186 R-squared

0.999303 Mean dependent var 9199.028 Adjusted R-squared 0.999142 S.D. dependent var 2763.035 S.E. of regression 80.91209 Akaike info criterion 11.82693 Sum squared resid 85107.96 Schwarz criterion 12.02298 Log likelihood -96.52889 F-statistic 6215.012 Durbin-Watson stat

2.477990 Prob(F-statistic)

0.000000

表2

从表2中可以看到税收T 的参数2β的估计值2β∧

＝0.034601>0，这与我们开始所估计的有出入。究其原因我们发现，北京的数据与其他地区的数据差距太大，因此我们去掉了这个异常数据――北京的数据，而只采用了16个数据。

⑵ 对这16个数据进行回归分析