|
贸易政策，退税政策实施力度的大小会对贸易活动产生显著的影响。以当年的出口退税总额 除以出口总额即为平均退税率，是反映政策力度的主要指标。一般来说，当平均退税率提高， 出口企业可以从出口活动中获取更多的利润，从而推动更多的出口，而当出口退税率降低时， 企业从出口活动中获得的实际利润会降低，因而会起到制约出口的作用。我国是1985 年开 120 始实施出口退税政策的，并在1990 年代中后期、2004 年做过较大幅度的调整，近年来调整 更为频繁，既有总量上的调整，也有结构上的调整，以实现贸易的稳定增长。图1 为1985 年以来我国平均出口退税率的残差图，图2 为我国对美国的出口额在控制两国GDP 规模的 影响后的残差图1。 .02 .03 .04 .05 .06 .07 .08 86 88 90 92 94 96 98 00 02 04 06 08 10 -300 -200 -100 0 100 200 300 86 88 90 92 94 96 98 00 02 04 06 08 10 图1 我国历年的平均出口125 退税率 图2 剔除经济规模影响后的对美出口 Fig.1 China's average export tax rebate rate over the years Fig.2 China’s exports to the U.S. excluding the impact of the economical scale 从图中可以看出，在剔除中美两国经济规模的影响后的中国对美出口序列大致呈V 字 130 型，1985 年到2001 年一直呈下降趋势，2001 年后迅速上升，但受世界性需求紧缩的影响在 2007 年后又呈明显下降趋势。中国的出口退税变动也大致呈V 字型，1998 年前呈下降趋势， 1998 年后持续上升。但观察这两个V 字型图形，可以发现退税率的变动要明显早于出口额 的变动，出口额的变动大致要滞后2 到4 年。 我们通过构建多项式分布滞后模型具体分析这一滞后效应。基本模型为： t k i 0 t i t-i μ γ β α + + + + = Σ= X C T G E 135 t=1,2,…n (1) 模型中C 为常数项，μt 为回归误差项，其他变量的含义如下： X 为中国对美国出口额的增长率。在物理学中，惯性指物体保持原来运动状态的能力， 其大小取决于物体的质量；当物体加速时，惯性有使物体保持原有运动状态的倾向，以该物 体为坐标原点，则似乎有一个方向相反的力作用在该物体上，即为惯性力。惯性力的大小取 140 决于物体的加速度。在这里，我们将出口惯性理解为出口的增长率。 模型中T 为中国的平均出口退税率，平均出口退税率由当年退税总额除以出口总额得 出。平均退税率是模型的解释变量，用以说明外在冲击在多大程度上影响贸易额的变化，以 及这种影响持续的时间。 G 为中美两国GDP 增长率的乘积。这里假定，经济体规模及其增长速度是影响出口惯 145 性的主要因素，这与物理学里对惯性的描述一致，就是说，惯性是物体的属性，惯性大小取 1 影响中国对美出口的主要因素是两国的经济规模，使用两国的GDP 乘积为自变量对中国对美出口额进行 一元回归分析，自变量系数为0.0168，t 统计量为29.40984，在置信水平为1%时显著，R2 为0.973002，表 明模型拟合优度较高。尽管自变量和因变量均非平稳序列，而且模型DW 值仅为0.645006，说明变量之间 存在自相关，但自变量和因变量有线性关系，我们可以认为这是一个带趋势项的随机游走模型，可以通过 一元回归建模剔除这一确定性趋势项（两国经济规模）的影响。模型的残差即为在剔除两国经济规模影响 后的中国对美贸易增长序列。 决于物体的质量。因为贸易是国家间的经济行为，一个国家的出口是另一个国家的进口，两 国经济规模及经济增长速度，是影响双边贸易额的最主要因素。这里取两国经济增长率的乘 积来控制中美两国供给和需求变化对双边贸易额的影响。 E 为人民币对美元的汇率。一般认为，本币币值可以通过对进出口产品相对价格的影响 150 调节贸易量和国际收支，本币贬值具有抑制进口、促进出口的作用，而本币升值则会刺激进 口而抑制出口。但从理论上看，这种影响的大小并不确定，本币币值变化是否有效调节进出 口，还取决于进出口产品的需求弹性以及相关国家是否采取报复性措施等。从实践上看，人 民币对美元的汇率对当期进出口额的影响并不十分明显，但是，如果延后一期汇率变动数据， 则影响仍然是显著的。因此可以认为汇率对贸易的影响主要源自进出口交易对未来汇率变动 155 的预期。因此模型中汇率数据是t+1 期人民币对美元汇率的年平均值。 模型中αi 、β和γ为待估参数。其中αi 的估计是一个难点，本文采用阿尔蒙多项式法 进行估计，即在有限分布滞后模型滞后长度k 已知的情况下，滞后项系数可以看作是滞后期 i 的函数，如果以滞后项系数为纵轴，以滞后期i 为横轴，这些滞后项系数应该落在一条光 滑（或近似光滑）的曲线上，这一曲线可以由一个关于i 的次数较低的p 次多项式来逼近， 160 即 2 0 1 2 ... p i p a =θ +θi+θ i + +θ i (i=0,1,2…,k;p<k) (2) 将ai 代入式（1），并整理后得到： ( ) ( ) ( ) ( ) 0 1 2 1 1 2 3 2 2 2 2 1 2 3 1 2 3 t 2 3 2 3 2 3 t t t t t k t t t t k t t t t k k k p P t t t t k X C T T T T T T T kT T T T kT T T T kT G E θ θ θ θ β γ μ − − − − − − − − − − − − − − − = + + + + + + + + + + + + + + + + + + + + + + + L L L M L 令 1 1 2 2 1 2 3 1 1 2 3 2 3 Z = 2 3 t t t tk t t t t k k k p p t t t t k Z T T T T Z T T T kT T T T kT − − − − − − − + − − − − = + + + + = + + + + + + + + L L M L 165 则可以得到估计方程： t 0 0 1 1 2 2 PP t X =C+θZ +θZ +θZ +L+θ Z +βG+γE+μ (3) 估计参数θi，代入式（2），则可求出式（1）中的参数ai。 以上模型中中美贸易数据来源于联合国Comtrade 数据库；中美两国GDP 数据来自国研 170 网的国际货币基金组织数据；平均出口退税率由历年出口退税额除以出口总额得到， 1985-2008 年的出口退税额数据直接来自国研网数据中心, 2009 和2010 年出口退税额数据 来自国家税务总局网站；各年度出口额及出口增长率来自各年度中国统计年鉴；人民币对美 元汇率数据来自国研网金融统计数据库。 2.2 数据平稳性检验、滞后期选择及参数估计 175 首先对各变量进行单位根检验，判断数据的平稳性。结果显示，各变量X、T、G 均为 平稳系列，不存在单位根。人民币对美元汇率E 取其一阶差分值，亦是平稳序列。结果如 表1. 表1 各变量的单位根检验结果 Tab.1 Results of unit root test of each variable 变量 检验类型（C.T.L） ADF 检验值 5%临界值 结论 X （1,0,0） -3.637652 -2.991878 平稳 T （1,0,0） -3.022869 -2.986225 平稳 G （1,0,0） -4.757809 -2.991878 平稳 D(E) (1,1,0) -5.407397 -3.612199 平稳 注：（1）D()表示相应变量一阶180 差分的形式；（2）ADF 检验形式中，C 为截距项，其中1 表示存在，0 表示不存在；T 表示趋势项，取1 表示存在，取0 表示不存在；L 表示滞后阶数。 以下使用Eviews 软件中的PDL 模块对模型的各参数进行估计。多项式分布滞后模型首 先需要对滞后期数和多项式的次数及相关约束条件进行判断和确认。本文根据R2 准则、AIC 185 准则（施瓦茨信息准则）和SC 准则（赤池信息准则）来选取滞后期和多项式次数。对于小 样本模型，多项式次数一般取2 或3；为了避免遗漏相关信息量，滞后长度应该从最大的k 期开始，并且不对滞后形状加任何约束，看模型拟合情况进行确定（Davidson & Mackinnon， 1993）。但从经济意义上看，单个政策变量的远期影响是非常小的，因此这里取一个折中的 滞后期（10 个滞后期）进行测算。各种组合模拟结果如表2（没有附加端点限制条件)。 190 表2 各可能的模型结果 Tab.2 Possible results of the model 多项式次数=2 多项式次数=3 滞后期q Prob ( F- statistic) R 2 AIC SC Prob ( F- statistic) R 2 AIC SC 2 0.002793 0.518556 -0.886009 -0.589793 - - - - 3 0.004362 0.510007 -0.821242 -0.523685 0.006053 0.524258 -0.824388 -0.477238 4 0.000397 0.668001 -1.170421 -0.871986 0.001016 0.657969 -1.114407 -0.766233 5 0.000383 0.693622 -1.198225 -0.899505 0.001061 0.680946 -1.131791 -0.783285 6 0.001130 0.664725 -1.049170 -0.750926 0.001576 0.686417 -1.090835 -0.742884 7 0.001129 0.692375 -1.071633 -0.774842 0.001627 0.713771 -1.119621 -0.773366 8 0.000991 0.728804 -1.160778 -0.866703 0.002670 0.716432 -1.093828 -0.750740 9 0.268346 0.147102 -1.203135 -0.913414 0.380437 0.079121 -1.106807 -0.768799 10 0.017385 0.592503 -1.896755 -1.613535 0.041213 0.550866 -1.783915 -1.453492 从表2 看出，当多项式次数取2 时，滞后期取5 的模型效果为最佳。此时的Prob ( F195 statistic)最小,多取一期，R 2 值下降，AIC 和SC 值上升。因此，本文将滞后期确定为5，多 项式次数确定为2。 考虑到上述模型中常数项C 的值非常小，且对应的P 值均不显著，因此在模型估计时 忽略常数项。 上述模型中我们没有加任何约束，现在我们对其系数分别加以约束使其滞后的近端、远 200 端或两端接近于零，得到结果是： a.无约束的模型：调整后的R2 =0.675587，DW=1.456453，其中变量PDL01、PDL02 和 PDL03 的P 值不显著； b.系数近端点约束的模型：调整后的R2 =0.689149，DW=1.527405，各变量的P 值基本 显著； 205 c.系数远端点约束的模型：调整后的R2 =0.657943，DW=1.480949，其中变量PDL01 和 PDL02 的P 值不显著； d.系数两端约束的模型：调整后的R2 =0.670646，DW=1.342800，其中各变量的P 值都 显著。 从上面4 个模型来看，明显地，对系数进行近端约束的效果是最好的。其中，调整后的 210 R2 为0.689149，拟合优良度最高，各系数的P 值基本都小于0.05，AIC 和SC 值也是4 个 模型中的最小。因此，选择近端约束对模型进行估计。模型的估计结果如表3。 表3 模型估计结果 Tab.3 The estimated result of the model 自变量 系数 标准差 T值 概率 G 10.05234 4.376711 2.296779 0.0355 D(E) 0.002366 0.000402 5.882031 0.0000 PDL01 1.123471 0.547457 2.052162 0.0569 原创学术论文网Tag：代写论文 代写硕士论文 代写MBA论文 |
 |
 |
 |
 |
 |
 |
 |
