減稅降費(fèi)在降低宏觀稅負(fù)方面的政策效果分析

摘要：本文以我國1998年-2019年的宏觀稅負(fù)為研究數(shù)據(jù)，用1998年-2017年的數(shù)據(jù)運(yùn)用arma模型先預(yù)測了2018年和2019年的宏觀稅負(fù)值，又以1998年-2019年的數(shù)據(jù)運(yùn)用arma模型預(yù)測了2020年和2021年的宏觀稅負(fù)值，來檢驗(yàn)減稅降費(fèi)的在降低宏觀稅負(fù)方面的政策效果和其政策的時(shí)效性，結(jié)果表明減稅降費(fèi)的的確確能夠降低宏觀稅負(fù)，但其只能夠在政策實(shí)施當(dāng)年降低宏觀稅負(fù)，不適合作為長期降低宏觀稅負(fù)的財(cái)政政策。

關(guān)鍵詞：減稅降費(fèi);宏觀稅負(fù);政策效果;arma模型

1.研究背景意義

任何一項(xiàng)政策的實(shí)施必定伴隨著其作用，并且不止在一方面起作用，因此對其在不同領(lǐng)域效果的檢驗(yàn)必不可少。因此本文通過arma模型對18年和19年的宏觀稅負(fù)進(jìn)行預(yù)測，并與真實(shí)值作比較來驗(yàn)證18年和19年減稅降費(fèi)在降低宏觀稅負(fù)方面的政策效果是否顯著。并預(yù)測20年和21年的宏觀稅負(fù)，來分析減稅降費(fèi)在降低宏觀稅負(fù)方面的政策效果的長期效應(yīng)。

2.文獻(xiàn)綜述

關(guān)于減稅降費(fèi)的政策效果研究，很多學(xué)者都是從減稅降費(fèi)與企業(yè)稅負(fù)或成本角度去分析，并得出減稅降費(fèi)實(shí)實(shí)在在降低了企業(yè)稅負(fù)，也有學(xué)者研究減稅降費(fèi)與貧困地區(qū)全面脫貧之間的關(guān)系，得出減稅降費(fèi)促進(jìn)了貧困地區(qū)脫貧，等等，本文則研究了減稅降費(fèi)與宏觀稅負(fù)之間的關(guān)系，來分析減稅降費(fèi)在降低宏觀稅負(fù)方面的效果。

3.實(shí)證研究

3.1基本模型

自回歸移動平均模型又稱ARMA 模型，ARMA 模型中有兩個(gè)參數(shù)p和q，其中：p 代表預(yù)測模型中采用的時(shí)序數(shù)據(jù)本身的滯后數(shù)（lags），q 代表預(yù)測模型中采用的預(yù)測誤差的滯后數(shù)。其一般表達(dá)式如下：

y't=φ0+φ1y't-1+...+φpy't-p+εt+θ1εt-1+θ2εt-2+...+φqεt-q

其中，φ表示 AR 的系數(shù)，θ表示 MA 的系數(shù)。當(dāng)φ=0時(shí)，則為MA模型;當(dāng)θ=0時(shí)，則為AR模型。

3.2數(shù)據(jù)預(yù)處理

以我國1998年-2019年的宏觀稅負(fù)為本文的研究數(shù)據(jù)，其中用1998年-2017年的數(shù)據(jù)作訓(xùn)練，預(yù)測2018年和2019年的宏觀稅負(fù)值，并與實(shí)際值作比較，來分析減稅降費(fèi)政策效果。進(jìn)一步以1998年-2019年的數(shù)據(jù)做訓(xùn)練，預(yù)測未來三年的宏觀稅負(fù)。首先將1998年-2017年數(shù)據(jù)可視化，如圖一所示，從中我們可觀察到宏觀稅負(fù)在2013年之前呈增長趨勢，2013年驟然大幅降低，2014年-2017年趨于平緩且呈降低趨勢，但相比往年宏觀稅負(fù)較重。

3.3平穩(wěn)性檢驗(yàn)

使用單位根檢驗(yàn)法對數(shù)據(jù)進(jìn)行平穩(wěn)性檢驗(yàn)。ADF是一種常用的單位根檢驗(yàn)法，此方法的原假設(shè)是具有單位根，即非平穩(wěn)。對于一個(gè)平穩(wěn)的時(shí)序數(shù)據(jù)，就需要在給定的置信水平上顯著，拒絕原假設(shè)。本文通過python進(jìn)行平穩(wěn)性檢驗(yàn)的結(jié)果為p=0，因此原時(shí)間序列數(shù)據(jù)平穩(wěn)。

3.4模型求解

對殘差序列進(jìn)行 ADF 平穩(wěn)性檢驗(yàn)已經(jīng)符合平穩(wěn)性要求，繼而使用 ARMA 模型對殘差序列進(jìn)行計(jì)算。通過殘差自相關(guān)與偏自相關(guān)圖以及使用貝葉斯信息準(zhǔn)則（BIC）來選擇p和q的最優(yōu)參數(shù)。自相關(guān)圖和偏自相關(guān)圖如圖二所示：

自相關(guān)圖用來選擇參數(shù)p，若p超過置信區(qū)間，則表明前p個(gè)月的宏觀稅負(fù)影響當(dāng)前值;偏自相關(guān)圖用來選擇參數(shù) q，q 表示當(dāng)前月的宏觀稅負(fù)值值與前 q 期的隨機(jī)擾動有關(guān)。有圖二可知，自相關(guān)圖在滯后1階（lag1）時(shí)的偏自相關(guān)系數(shù)超出了置信邊界，說明當(dāng)期月的宏觀稅負(fù)與前1個(gè)月的宏觀稅負(fù)相關(guān);偏自相關(guān)圖在滯后1階（lag1）時(shí)的偏自相關(guān)系數(shù)超出了置信邊界，說明當(dāng)期月的宏觀稅負(fù)與前1個(gè)月的宏觀稅負(fù)的隨機(jī)擾動性相關(guān)。因此有以下模型可以供選擇：ARMA（0，1）、ARMA（1，0）、ARMA（1，1）。上述3種模型通常采用ARMA模型的赤池信息準(zhǔn)則（AIC）。增加自由參數(shù)的數(shù)目提高了擬合的優(yōu)良性，AIC 鼓勵(lì)數(shù)據(jù)擬合的優(yōu)良性但是盡量避免出現(xiàn)過度擬合的情況，故優(yōu)先考慮 AIC 值小的模型。綜合考慮AIC、BIC和漢南-昆信息準(zhǔn)則（HQIC）參數(shù)，通過python可以得出 ARMA（1，0）的為最佳模型。即基礎(chǔ)1998-2017年數(shù)據(jù)的AR（1）模型表達(dá)式為：

y't=0.1547+0.6209y't-1

3.5QQ圖

通過QQ圖和python求出p值=1.785317175431478e-24可知，擬合效果還不錯(cuò)。

3.6 2018-2019年模型預(yù)測

年份 預(yù)測值 真實(shí)值

2018 0.2631 0.173721

2019 0.3181 0.159449

由此表我們可看到預(yù)測值和真實(shí)值之間存在較大差距，且預(yù)測2018年和2019年宏觀稅負(fù)會增加，但現(xiàn)實(shí)卻完全相反，不僅真實(shí)值遠(yuǎn)小于預(yù)測值，而且宏觀稅負(fù)較往年比下降了，糾其原因，宏觀稅負(fù)的變化和財(cái)政政策密切相關(guān)，眾所周知18年我國實(shí)行了減稅降費(fèi)政策，19年進(jìn)一步加大了減稅降費(fèi)的力度，因此宏觀稅負(fù)的真實(shí)值遠(yuǎn)小于預(yù)測值，可見減稅降費(fèi)政策在降低宏觀稅負(fù)方面效果顯著，有效的降低了宏觀稅負(fù)。

3.7 2020-2022年模型預(yù)測

通過python軟件，得出1998年-2019年ARMA模型中的p=1，q=0，即AR（1）模型，基于1998年-2019年的AR（1）模型的表達(dá)式為：

y′t=0.1547+0.6237y′t-1

結(jié)果為2020年為0.2541，2021年為0.3132

從18年和19年的宏觀稅負(fù)真實(shí)值我們知道減稅降費(fèi)的的確確有利于降低宏觀稅負(fù)，但從20年和21年的預(yù)測結(jié)果可知，國家減稅降費(fèi)的經(jīng)濟(jì)效益會凸顯出來，為企業(yè)降低稅負(fù)的同時(shí)促進(jìn)了企業(yè)受益的快速增長，從而使得稅收進(jìn)一步增加，且增長速度可能大于國民經(jīng)濟(jì)的增長速度，因此導(dǎo)致稅收占GDP的比重進(jìn)一步增加。

4.結(jié)論

18年、19年的減稅降費(fèi)政策在降低宏觀稅負(fù)方面實(shí)施效果顯著，有利于在短期內(nèi)降低宏觀稅負(fù)，但在長期來說由于減稅降費(fèi)的經(jīng)濟(jì)效應(yīng)可能導(dǎo)致宏觀稅負(fù)的進(jìn)一步增加，因此如果需要在一個(gè)穩(wěn)定的較長時(shí)間內(nèi)持續(xù)降低宏觀稅負(fù)，減稅降費(fèi)不是合適的政策選擇。

參考文獻(xiàn)：

[1]何曉蓮.減稅降費(fèi)的成效與企業(yè)的財(cái)務(wù)策略研究[J].納稅，2020，14（05）：18+21.

[2]葉紅林，范正興，張一永，李永芳.云南省深度貧困地區(qū)減稅降費(fèi)政策效果調(diào)查——以昭通、普洱、迪慶、怒江四州市為例[J].時(shí)代金融，2020（04）：81-83.

[3]2020年減稅降費(fèi)：更實(shí)更細(xì)更有效[J].中國總會計(jì)師，2020（01）：172.

作者簡介：孫紫彥（1995-），女，山西晉城人，北京工商大學(xué)經(jīng)濟(jì)學(xué)院，財(cái)政系碩士研究生。