我國財政收入與經濟增長之間關系的探討

　　摘要：隨著中國經濟的快速發展，預算支出規模不斷擴大。文章分析了1950-2010年中國經濟發展過程中預算支出規模的變化趨勢，并按照不同的時間順序，利用協整理論和因果關系檢驗理論對中國預算支出的經濟帶動作用進行了經驗分析，實證分析表明ARIMA模型在應用于我國財政收入的分析與預測方面，其短期預測精度較高。
　　關鍵詞：財政收入；經濟增長；ARIMA模型
　　一、引言
　　改革開放以來，我國基本建立起市場經濟體制，起到了優化配置資源的作用，我國的經濟總量和政府收入也迅速增長。這不禁讓人產生疑問，同在迅速增長的兩者之間是否存在關系呢？理論上，經濟增長決定政府財政收入，政府財政收人對經濟增長又有反作用。財政收入不僅是維持國家有效運轉的經濟基礎，而且是國家調節經濟的有效手段。從微觀上講，政府財政收入隨著企業生產產品、進行交易、提供服務和發生其他應稅行為的產生而產生；從宏觀上講，政府財政收入是社會總產出的重要組成部分。同時，稅制的完善化，既能將納稅人之間的稅負平衡，創造公平競爭的市場環境，又能大大地減小資源配置的扭曲程度，使之達到最小化，最終起到促進社會經濟效率提高的作用。但現實中經濟總量和政府收入又有什么樣的關系呢？本文中，我們將通過實證分析，來進行檢驗。
　　這篇文章將借國外學者中對預算支出與經濟增長的研究成果，首先介紹求和自回歸移動平均模型ARIMA（P，d，q）的建模方法及Eviews實現，接著分析eaTYQLMy66Qf2+Ff5xbuwQ==20實際50年代至21世紀初中國的預算支出和經濟增長變化趨勢，并運用協整理論和因果關系檢驗兩種分析方法，按照時間順序對中國預算支出的經濟帶動作用進行研究。同時，將ARIMA模型應用于我國財政收入的分析與預測，結果表明ARIMA是一種短期預測精度較高的預測模型。
　　二、ARIMA模型在預測我國財政收入中的應用
　　（一）研究目的
　　財政收入不僅能綜合反映國家的經濟活動總量，而且一個地區或國家的經濟發展水平都能在財政收入上得以體現。定量分析財政收入并做出較為準確的預測則可以為相關部門或企業制定規劃、實施措施提供可靠且有效的理論預測參考。
　　（二）ARIMA模型
　　ARIMA模型（Autoreg ressive Integrate Moving Average），簡記為ARIMA（P，d，q）模型。在模型中，預測對象隨時間推移而形成的數據序列被視為一個隨機序列，并用一定的數學模型來近似描述，一旦被識別就可以從時間序列的過去值和現在值來預測未來值。下面介紹具體的模型：
　　?覬（B）＝LdXt=θ（B）εt①
　　E（εt）＝0，Var（εt）＝σ2t，E（εtεs）＝0，s≠t
　　②
　　E（xtεt）=0，?坌s　　其中，LdXt中L是滯后算子，L（xt）=xt-1，即差分運算；?覬（B）=1-φ1L-…-φPLP即平穩可逆的ARIMA模型的自回歸系數多項式θ（B）=1-θ1L-…-θPLP；即平穩可逆的ARIMA模型的移動平滑系數多項式。
　　因此，LdXt＝■εt，{εt}為零均值白噪聲序列。
　　（三）時間序列分析
　　1.數據來源——國泰安數據庫
　　選取的是中國1950-2010年的財政收入數據，數據來源于國泰君安數據庫。
　　2.數據的處理——eviews6.0
　　（1）數據的平穩性分析
　　觀察時序圖，對我國財政收入進行趨勢分析。本文的分析主要選取了我國自1950年至2010年的財政收入數據，并將1950-2008年的數據Xt做出時序圖，并用后兩年（2009年和2010年）的數據做模型的預測檢驗。具體如圖1所示：
　　
　　從圖1可以看出，我國的財政收入呈現出明顯的增長趨勢的同時存在異方差，這說明該序列不是平穩序列，所以我們應對該序列進行平穩化處理。
　　（2）數據平穩化的處理
　　相關資料表明，可用對時間序列進行取對數處理的方法來消除異方差，此時序列變為logXt，記為Zt。再對Zt一階差分，以消除趨勢性，Zt的時序圖如圖1右邊所示。然后對上述序列利用自相關和偏自相關以及單位根來確定時間序列的平穩性和白噪聲。在其自相關圖可以看出，只有延遲1、6和10階的自相關系數大于兩倍標準，其他的都在兩倍標準差之內，上述實驗結果表明該序列具有短期相關性，且X～I（1）。
　　但是，ADF單位根的檢驗結果不是很好，說明對數據的僅僅一階差分不足更有效的置信區間內加強數據的擬合度。所以為使得檢驗結果中，以0.05的置信區間滿足平穩性，對數據進行一階差分后的以階自回歸過程以消除單位根。具體的ADF檢驗結果如表1所示。
　　又由表2的白噪聲檢驗可以看出，該序列為非白噪聲序列（延遲6階、12階的P值均小于0．05），經查閱相關資料來分析可知該序列為平穩非白噪聲序列，所以可以對其進行建模。
　　（3）建模分析
　　上述分析表明可以對數據進行模型識別、模型優化和參數估計。由自相關圖可知，除延遲1階、10階，其他的偏自相關系數都在兩倍標準差內，二者都是拖尾的，適合建立模型。經過反復嘗試及擬合，建立如下5個模型：ARIMA（1，10），ARIMA（1，6，10），ARIMA[1，1，（6）]，ARIMA[1，1，（6，10）]，ARIMA[1，1，（10）]，其中模型ARIMA[1，1，（6）]比較合適。而且，殘差序列的P值基本都大于0.05，不能拒絕殘差序列為白噪聲的假設。故ARIMA[