国家财政收入统计分析文献综述

文 献 综 述

1. 课题背景

国家财政收入，是指政府为履行其职能、实施公共政策和提供公共物品与服务需要而筹集的一切资金的总和。国家财政收入表现为政府部门在一定时期内(一般为一个财政年度)所取得的货币收入。国家财政收入是衡量一国政府财力的重要指标，政府在社会经济活动中提供公共物品和服务的范围和数量，在很大程度上决定于财政收入的充裕状况。

国家财政收入在现实生活中占据重要地位，尤其对国家各个方面的发展具有巨大作用。首先，国家通过财政可以有效地调节资源配置；其次，国家通过财政可以促进经济的发展；除此之外，国家通过财政可以有力地促进科学、教学、文化、卫生事业的发展，可以有利于促进人民生活水平的提高。财政还是巩固国家政权的物质保证。因此，对国家财政收入的研究具有必要且深刻的意义。

1. 研究意义

国家的财政收入是国家凭借政治权力获得的收入，充足的财政收入能够保证国家职能的实施，促进经济和社会发展；国家财政收入如果不足，会降低国家的宏观调控能力，最终也不利于经济的发展和财政收入的增加。但是，国家的财政收入如果不考虑社会各方面的发展水平，也会带来严重的后果。例如，征收的太多就会直接减少企业和个人的收入，对企业生产的扩大和个人购买力的增加产生不利影响，最终也将阻碍经济的发展和财政收入的增加。

所以，必须从经济和社会发展的需要综合考虑，在保证国家财政收入稳步增长的基础上，实现企业生产的持续发展和人民生活水平的不断提高。

在研究国家财政收入时，我们把财政收入按照收入形式分为：各项税收收入、企业收入、债务收入、国家能源交通重点建设基金收入、基本建设贷款归还收入、国家预算调节基金收入、其他收入等。

为了建立国家财政收入回归模型，我们以财政收入（亿元）为因变量，自变量如下：为农业增加值（亿元）；为工业增加值（亿元）；为建筑业增加值（亿元）；为人口数（万人）；为社会消费总额（亿元）；为受灾面积（万公顷）。据《中国统计年鉴》获得1995-2015年共21个年份的统计数据。

1. 相关知识

一元线性回归是一个主要影响因素作为自变量来解释因变量的变化，在现实问题研究中，因变量的变化往往受几个重要因素的影响，此时就需要用两个或两个以上的影响因素作为自变量来解释因变量的变化，这就是多元回归亦称多重回归。当多个自变量与因变量之间是线性关系时，所进行的回归分析就是多元线性回归。在实际经济问题中，多元线性回归普遍应用。多元线性回归的几种常用方法如下。

（一）建立多元线性回归模型

1. 多元线性回归模型的一般形式

设随机变量与一般变量，，...，的线性回归模型为：

（*）

式中，，，...，是p 1个未知参数，称为回归常数，，...，称为回归系数。称为被解释变量（因变量）。对于多元线性回归模型，。

1. 多元线性回归方程的基本假定

为了方便地进行模型的参数估计，对回归方程（*）有如下一些基本假定。

1. 解释变量，，...，是确定性变量，不是随机变量。
2. 随机误差项具有零均值和等方差，即：

=

1. 正态分布的假定条件为：

相互独立

1. 多元线性回归方程的解释

对一般情况下含有个自变量的多元线性回归而言，每个回归系数表示在回归方程中其他自变量保持不变的情况下，自变量每增加一个单位时因变量的平均增加幅度。

（二）模型拟合优度检验

在实际问题的研究中，实现并不能断定随机变量与变量，，...，之间确有线性关系。因此，在求出线性回归方程后，还需要对回归方程进行显著性检验。一般应用的统计检验方法为检验和检验。检验的主要方法为：

提出原假设：

构造检验统计量：

在正态假设下，当原假设成立时，服从自由度为的分布，表明随机变量与变量，，...，之间的关系由线性回归模型表示不合适。

1. 异方差性的检验和修正

由于实际问题是错综复杂的，因此在建立实际问题的回归分析模型时，经常会出现某一因素或某些因素随着解释变量观测值的变化而对被解释变量产生不同的影响，导致随机误差项产生不同方差。

当存在异方差时，参数向量的方差大于在同方差条件下的方差，如果用普通最小二乘法估计参数，将出现低估的真实方差的情况，进一步将导致高估回归系数的检验值，可能造成本来不显著的某些回归系数变成显著的。

修正异方差问题最常用的方法为残差图分析法。残差图分析法是一种直观、方便

的分析方法。它以为纵坐标，以其他适宜的变量为横坐标画散点图。常用的横坐标有三种选择：（1）以拟合值为横坐标；（2）以为横坐标；（3）以观测时间或序号为横坐标。一般情况下，当回归模型满足所有假定时，残差图上的个点的散布应是随机的，无任何规律。如果回归模型存在异方差性，残差图上的点的散布会呈现出一定的趋势。

1. 多重共线性

在具有多个变量的实际问题中，解释变量之间完全不相关的情形是非常少见的。客观的说，当某一机经济现象涉及多个影响因素时，这些影响因素之间大多有一定的相关性。当它们之间的相关性较弱时，我们一般就认为符合多元线性回归模型的要求；当这一组变量间有较强的相关性时，就认为是一种违背多元线性回归模型基本假设的情形。

对于多重共线性的诊断，常用方法为特征根判定法。

1. 主成分分析

对不满足模型基本假设的回归建模，可以用主成分回归的方法进行改进。主成分分析是用一种降维的思想，在损失很少信息的前提下把多个指标利用正交旋转变换转化为几个综合指标的多元统计分析方法。通常把转化生成的综合指标称为主成分，其中每个主成分都是原始变量的线性组合，且各个主成分之间互不相关。这样在研究复杂问题时就可以只考虑少数几个主成分且不至于损失太多信息，从而更容易抓住主要矛盾，揭示事物内部变量之间的规律性，同时使问题得到简化，提高分析效率。

1. 小 结

国家财政收入在现实生活中占据重要地位，尤其对国家各个方面的发展具有巨大作用。运用统计学的多元线性回归分析方法对影响国家财政收入的几个影响因素的研究具有深刻的现实意义。

参考文献

[1] 齐丽. 甘肃省居民消费价格指数统计分析[D]. 硕士学位论文 2011.

[2] 张英花. 中外消费价格指数统计方法比较研究[J]. 北京统计, 2001年1期.

[3] 王燕. 应用时间序列分析（第三版）[M]. 中国人民大学出版社.

[4] 王燕. 应用时间序列分析-基于R[M]. 中国人民大学出版社.

[5] 江苏省居民消费价格指数的GM(1,1)模型的统计分析[D]. 南京财经大学毕业论文.

[6] 梁景星. GM(1，1)灰色模型和ARIMA模型在我院季度入院人数预测中的比较分析[J]. 中国卫生统计，2014年2月第31卷一期：107-109.

[7] 王开友，陈定元. 灰色GM(1，1)模型建模的理论探讨[J]. 安庆师范学院学报（自然科学版），2008年8月第14卷3期.

[8] 赵金环，陈建强，郭立智. Excel在动态GM(1，1)模型预测及检验中的应用[J]. 青岛理工大学学报，第28卷4期.

[9] 汪淼，郑舒婷. 基于ARIMA模型的中国消费者价格指数时间序列分析[J]. 辽宁工程技术大学学报(自然科学版)，2010年S1期.

[10] 方燕, 尹元生. 基于VAR模型的居民消费价格指数传导机制研究[J]. 北京工商大学学报(社会科学版), 2009年1期.

[11] 郑建仁. 我国居民消费价格指数被低估的原因、危害与对策[J]. 经济纵横. 2007年17期.

[12] 张鸣芳，项燕霞，齐东军. 居民消费价格指数季节调整实证研究[J]. 财经研究. 2004年3期 .

[13] 现代数学手册编委会. 现代数学手册—随机数学卷[M]. 华中科技大学出版社. 1999.

[14] 魏宗舒. 概率论与数理统计教程［M］. 北京：高等教育出版社，1983.

[15] 孙晓祥，杜宇静. 吉林市居民消费价格同比指数的预测分析[J]. 吉林农业科技学院学报，2015年3期.

[16] 戴琳琳. 青岛市城镇居民消费价格指数影响因素的统计分析[J]. 中国电子商务, 2014年第10期:199-199.

[17] 王振龙. 时间序列分析[M]. 中国统计出版社，2002:202-208.

[18] 吴喜之，刘苗.应用时间序列分析（R软件陪同）[M]. 机械工业出版社.

[19] 张德丰. MATLAB概率与数理统计分析[M]. 机械工业出版社.

[20] 何晓群，刘文卿. 应用时间序列分析（第四版）[M]. 中国人民大学出版社.