我国税收收入的多因素分析

我国税收收入的多因素分析

【摘要】税收是国家取得财政收入的一种重要工具，也是影响我国经济发展的一个很重要的因素。所以，可以通过对影响税收增长的主要因素进行分析，解释这些因素和税收收入之间存在的关系，以及其对税收收入的影响程度的大小；在此基础上，提出相应的发展对策，以促进我国税收收入的增长以及我国经济的全面发展。本文主要通过对影响我国税收收入的变量进行多因素分析，利用spss建立以税收收入为因变量y，以其它可量化影响因素——国民收入x1、财政支出x2、商品零售价格指数x3，为自变量的多元线性回归模型，对影响我国税收收入的多种因素进行数量化分析。

【关键词】税收收入；国民生产总值；财政支出；商品零售价格指数

1.研究背景

自1985年实行的利改税的税改以来，税收占财政收入的比重逐年上升，90年代已高达96%。而1994年实施的全面税制改革又使得税收收入有了新的变化。税收组织财政收入、调控经济运行和监督经济活动职能的发挥，成为国家非常关心的问题。

随着新千年的开始，我国的经济发展面临着巨大的机遇和挑战。在新经济背景下，基于知识和信息的产业发展迅猛，全球经济发展一体化日渐深入，中国成功加入wto。新形势下的经济发展是经济稳定和协调增长的结果，由于税收具有聚财与调控的功能，因而它在实现经济发展的过程中将发挥非常重要的作用，研究税收收入的

影响因素对我国有着重要的意义。对税收收入的主要影响因素加以分析，从结构上对税收收入的影响做出一个很好的了解，有助于我们运用政策工具对税收结构进行优化，从而使税收对经济发展发挥更大的促进作用。

2.影响因素的选取与建模

税收受制于经济发展，同时，税收对于实现经济发展具有重要作用。要实现经济的持续发展，必须要求与经济紧密关联的税收符合其发展的要求，即政府筹集的税收收入应尽可能的满足其实现职能的需要，同时又不至于损害经济的发展，影响人民生活水平。因此，我们需要对影响税收的各个因素或者说主要因素加以分析。

一般认为税收收入与国民收入、财政支出、商品零售价格指数有密切关系，首先我们通过散点图来观察一下。

（本文的研究数据主要来源于1980年-2010年的统计年鉴）从散点图可以判断税收收入与gdp、财政支出之间存在一定的线性关系，而税收与价格指数之间的关系不是很明显，那么我们检验一下这二者之间的偏相关关系（以gdp和财政支出为控制变量），结果如下：

表1 税收收入与价格指数偏相关系数检验表

controlling for .. 财政支出 gdp

价格指数税收收入

价格指数 1.0000 .4071

税收收入 1.0000 .4071

偏相关系数为0.4071，说明税收收入与价格指数有相关关系。所以可以建立一个以gdp、财政支出、商品零售价格指数为因变量，税收收入为自变量的回归方程：y=β0+β1*x1+β2*x2+β3*x3，其中，y为被解释变量税收收入，解释变量包括国名收入x1、财政支出x2，和商品零售价格指数x3。

3.变量数据的选取

我们是在若干假定之下进行回归的，这需要考虑方差齐次性与残差的正态性。

从图4的scatterplot散点图（以回归预测值为x轴，以标准化残差为y轴）看出，它的大部分都落在（-3，3）范围之内，就可以认为它满足方差齐次性；从图5的p-p概率图，和图6的残差直方图都可以明显看出残差满足正态性假设。

接下来我们就需要考虑奇异值和影响点的问题：

表2 奇异值数据表

case number std. residual 税收收入 predicted value

residual

28 3.043 49442.73 46225.6291 3217.1009

a dependent variable：税收收入

从表2-奇异值数据表中可以看出第28个观测值异常，但是从输出的数据mahal·distance，cook’s distance，centered value 值看，笔者认为没有影响点，所以让全部数据参与回归。

4.进行模型回归

采用逐步回归方法，由结果可以看出自变量gdp没能进入回归方程。

表3 拟合过程小结

model r r square adjusted r square std. error of the estimate

1 .996（a）.99

2 .992 1135.59934

2 .997（b）.99

3 .993 1057.10516

a predictors：（constant），财政支出

b predictors：（constant），财政支出，价格指数

c dependent variable：税收收入

在表3中，r为回归方程的复相关系数，r square为r2系数，adjusted r square即修正r2，最后一项为估计标准误差。由r2以及修正的r2值可以看出建立的回归方程比较好，且随着模型中变量个数的增加，r2系数值也在增加。

表4 方差分析表（anova）

model sum of squares df mean square f sig.

1

regression 4131601281.830 1 4131601281.830 3203.820 .000（a）

residual 33529232.669 26 1289585.872

total 4165130514.499 27

2

regression 4137193731.268 2 2068596865.634 1851.141 .000（b）

residual 27936783.231 25 1117471.329

total 4165130514.499 27

a predictors：（constant），财政支出

b predictors：（constant），财政支出，价格指数

c dependent variable：税收收入

由表4的方差分析表明，当回归方程包含不同的自变量时，其显著概率值均小于0.001，拒绝总体回归系数为0的原假设。因此，最终的回归方程应包括这两个变量，且方程拟合效果很好。

表5 回归系数表

model

unstandardized coefficients standardized coefficients t

sig.

collinearity statistics

b std. error beta tolerance vif

1

2

（constant）-597.128 286.684 -2.083 .047

财政支出 .939 .017 .996 56.602 .000 1.000 1.000 （constant）-8585.031 3580.631 -2.398 .024