我国税收收入预测模型的浅析与应用.docVIP

我国税收收入预测模型的浅析与应用 　　作者简介：李?（1993―），女，汉族，黑龙江省北安市人，学生，管理学学士，单位：东北石油大学工商管理专业，研究方向：税收收入预测模型的应用研究。 　　摘 要：税收作为地方财政收入的主要来源，同地区经济增长密切相关。目前，国内外学者关于税收收入预测的方法有很多，主要分为定性分析和定量预测两大类，本文在前期相关文献的基础上，重点对基于时间序列分析方法的统计模型在我国税收收入预测中的应用进行概括和总结，并在此基础上提出进一步研究的可能性。 　　关键词：VAR模型；ECM模型；税收收入预测；协整分析 　　一、税收收入预测的意义 　　具体而言，我国税收收入预测的功能主要体现在三个方面：第一，事前预测，为税务部门制定年度税收计划提供数据支撑。此外，立足于地区经济发展的实际情况，增强预见性，帮助税务工作者根据经济变化实时调整相应的政策。第二，事中管理。税收计划执行过程中，每一个季度、年度都可以通过增值税收入预测模型实时追踪税收计划完成进度，衡量增值税目标完成情况，为后续税源管理、税收征管等工作提供帮助。第三，事后反馈。税收收入预测是基于经济因素对增值税收入的影响，但于此同时增值税作为地区经济体系的组成部分，反作用于其他经济变量。通过对增值税收入的预测结果与同期增值税收入的真实数值比较分析，不仅可以发现非经济因素变量对增值税收入的影响，不断完善税收收入预测模型，还可以制定相应的政策措施在影响增值税的同时调节整个地区的经济状况。综上所述，税收收入预测是一个十分值得研究的课题，不仅有现实层面的意义，而且利用统计建模的思想对经济变量进行分析预测具有一定的理论研究意义。 　　二、税收预测在国内的研究现状 　　我国关于税收收入预测的研究从80年代后期开始，前后共经历三个阶段，第一阶段主要是定性分析，以数据图表为基础，重点分析税收同经济变量之间的关联性，以理论研究为主，方法性不高；第二阶段的研究开始引入计量经济学的方法，比如趋势性预测，常见的有以GDP为自变量的一元线性回归和多经济指标多元回归等，另外，曲线回归模型和指数回归模型应用于税收收入预测的研究方法也开始涌现。第三阶段从90年代后期开始，主要是把时间序列分析的方法应用到税收预测当中去，这一阶段的文献大都涉及到统计模型在税收预测中实证研究，结果表明，模型的预测精度高，拟合效果好，因此这类模型在实际工作中应用的可能性也比较大，在下文中会对两个典型的时间序列预测模型进行比较详细的阐述。第四阶段是各类新型统计方法应用到税收预测当中，比较典型的是计算机模拟方法的应用，比如组合预测的方法、纳税评估仿生模型等。另外，统计软件的应用也越来越广泛，常见的有常见的有E-VIEWS、SPSS、SAS、STATA等，方便我们进行数据处理、模型的构建与求解等。下文将对时间序列分析中两个典型的税收预测模型进行重点介绍： 　　三、自向量回归模型（VAR） 　　简单来说，向量自回归模型（VAR）是以变量的历史数据为依托，分析变量间相关关系构造时间序列变量回归方程。VAR模型同传统的回归模型相比，其优势在于VAR模型只需确定变量间相互关系就可以得到回归方程，方程中只含有相互关联的变量，避免主观界定解释变量和被解释变量而导致部分变量的缺失。VAR模型的E-views软件操作包括四步：变量的平稳性和单位根检验；对相关变量进行协整检验，采用OLS法（最小二承法）构建回归方程，检验残差项平稳性来确定变量间是否存在稳定的协整关系；第三步是Grange因果检验进一步验证变量间的因果关系；最后在上述检验的基础上建立税收收入自向量回归预测模型。由于VAR模型本身不依赖于任何经济理论，仅仅通过回归方程带入相关变量的滞后期取值就可以得到预测值，所以VAR模型的拟合效果一般比较好，模型的预测精度较高。 　　四、误差矫正模型（ECM） 　　误差矫正模型的构建理论是误差矫正机制，它的原理在于，时间序列变量当期偏差会在以后各期得到校正，短期而言，由于随机干扰项的存在，变量间的协整关系会存在偏差，因而需要根据偏差的大小对变量加以调整，回归方程中的误差矫正系数就代表的短期向长期的调整。 　　ECM预测模型回归方程的形式为*+。其中，表示被解释变量，表示解释变量，表示待估系数，为误差矫正系数，为误差项。为了降低数据间的差异性，通常对时间序列变量取对数，针对对数序列进行单位根检验（E-views中可采用ADF检验法）和协整检验，得到回归方程后对残差序列进行稳定性检验以保证回归方程的效果。误差矫正模型和VAR模型最大的差异在于VAR模型只局限于变量间的相关关系，在短期预测得到的结果的准确度比较高，但是长期来说，考虑到干扰项的存在，用误差矫正模型进行预测得到的效果会更好，可以通过误差矫正系数调整短期