環境税实证研究数据分析.docxVIP

环境税的双重效应在中国的实证检验——以湖北省的截面数据为例一、数据的选取由于我国目前没有真正意义上的环境税，我国现行资源税、耕地占用税、土地使用税、车船税和城市维护建设税等税种都部分的具有环境保护的功能。因此，本文在数据选取时将上述各税种作为我国准环境税体系，以湖北省的数据来分析环境税的双重红利效应。之所以选取湖北省的数据主要是基于以下两方面的考虑：第一，以湖北为代表的华中地区是我国目前经济发展速度较快的地区之一，现阶段仍面临着经济快速发展与保护生态环境的双重任务，且首要任务仍然是发展经济，在这一过程中如何做到经济发展与环境保护的共赢，避免走“先开发后保护”的老路，是摆在湖北省等中部地区的一道课题，如果通过环境税改可以实现这一共赢，这无疑将对这些地区今后的科学发展铺平道路。第二，湖北省目前大概城市化建设，尤其是省会城市武汉，目前光是在武汉地区的在建工程就达到12000多个，这种基础设施的建设将会使环境遭受难以修复的破坏，环境一旦遭受破坏将难以修复，如果通过环境税的征收实现其“双重红利效应”那么就可以在促进经济发展的同时保护自然环境不受严重的破坏，真正实现经济社会的全面协调可持续的发展。环境税体系所包含的各税种，P 表示工业污染强度，是由工业企业年排放的废水和固体废弃物的总和与工业企业的年增加值的比值组成，表示每亿元工业总产值所排放的废水量和固体废弃物排放量，数值越大，代表污染强度越强，反之则越小。之所以选择工业污染强度这一因变量指标，是由于我国的准环境税体系中的各税种的纳税主体主要来自企业，而污染物（废水、废气、固体废弃物）的排放主体是来自于工业企业。以工业污染强度来衡量，可以很好地反映现行准环境税税种对与污染物排放的抑制作用。更好地考察环境税的第一重效应，即减少环境污染的效应。GDP 代表国内生产总值二、一元线性回归模型的建立针对环境税双重红利效应的实证检验，考虑运用一元线性回归分析模型进行相关性检验。一般的，一元线性回归回归模型可以表示为，其中表示第 i 个个体在因变量 Y 上的取值，Y 是一个随机变量。Xi 表示第 I 名个体在自变量 X 上的取值。和是模型的参数，通常是未知的，需要根据样本的数据进行估计。ε 是随机误差项，也是一个随机变量，代表了不能由 X 表示的其他因素对 Y 的影响。当 ε 表示时间序列数时，X 和 Y 就表示时间序列数据。当 ε 表示非时间序数时，X 和 Y 被称为截面数据。ε 的变化是不可控的。 上述回归模型与回归方程都是针对总体而言的，是对总体特征的总结和描述。所以参数 β0和 βi也是总体的特征。但在实际研究中往往由于各种限制往往无法得到总体的回归方程，只能通过样本数据对总体参数 β0和 β1进行估计。这里就选用 2003-2012年的相关数据作为全部总体的一个样本，通过对样本数据的统计推断来建立对总体的认识。当利用样本统计量和代替总体回归方程中的和时，就得到了估计的回归方程或经验回归方程，其形式为:，同时，也可以得到观测值与估计值的差，称为残差，记作，它对应的是总体随机误差项 ε 以上对一元线性回归模型的一些基本概念进行了简要介绍，为了求得回归方程中的的和，通常采用最小二乘法（ordinary least squares,简称 OLS），该方法的的基本思路为：根据从总体中抽出的一个样本，在平面直角坐标系中找到一条直线，使得观测值和拟合值之残差的平方和（记作 e^2）最小。在这里我们运用统计软件stata进行回归得到和的值并作出具相应的估计方程。 回归模型的检验。线性回归模型的检验包括回归方程拟合度的检验：检验、回归方程的显著性检验：F 检验、回归系数的显著性检验：t 检验。就一元线性回归方程而言，F 检验与 t 检验是等效的，故这里只进行检验与 t 检验。涉及回归直线及回归模型的拟合优度问题（goodness of fit）评价，也就是判断直线与样本个观测点之间的接近程度，或者说因变量的差异能够被回归模型所解释的程度。在一般线性回归中，通常利用判定系数（cofficient of determination）作为拟合优度的度量指标。简称，的取值范围是[0，1]。越接近于 1 直线的拟合就越好。拟合优度越大,自变量对因变量的解释程度越高,自变量引起的变动占总变动的百分比高。的值也可以直接在stata软件中得出。 t-检验。t-检验是关于回归系数的显著性检验，用于解释方程包含的各个自变量分别对因变量y的解释作用。在回归模型的分析中，回归模型的判定系数度量了回归直线的拟合优度，但判定系数本身不能告诉我们估计的偏回归系数是否在统计上是显著的。如果某个解释变量对被解释变量的影响不显著，就可以从回归模型把它剔除，重建更简单的回归方程，使分析更精确。所以，我们在一元回归方程模型中对每个参数进