时间序列财政支出

吉林省财政支出状况的分析一、引言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。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。财政支出是指在市场经济条件下，政府为提供公共产品和服务，满足社会共同需要而进行的财政资金的支付。对于我国的各个省份，财政收入是保障地区经济发展的重要手段。财政支出包括对公共事业的建设投资，也与人民的生活息息相关。研究吉林省财政支出对于提高该省经济发展水平和综合实力有着很重要的意义。二、吉林省财政支出的现状分析（一）财政资金供给范围不规范改革开放以来，财政统收的局面已被打破，但传统的政府包揽一切的分配思想和财政统支的局面仍保持着。财政资金的供给范围未能做出大的整，缺乏明确、科学的界定。一方面财政支出严重越位，即支出范围过宽，包揽了许多既包不了又包不好的事务，如经营性投资支出过大、各种补贴过滥、各类事业费庞杂、财政供养人员过多、负担过重等。另一方面，财政支出又严重缺位，即财力过于分散，支出重点不明确，使得在应由财政供给的市场失灵的领域出现保障不足和无力保障的情况，如对社会保障的支持严重不足。（二）财政支出结构按照财政支出的性质分类,财政支出通常分为购买性支出和转移性支出。购买性支出,也称为生产性支出,是政府购买日常政务活动所需的或用于进行国家投资所需的商品和服务的支出。这些支出项目的目的和用途尽管有所不同,但有一个共同点:政府付出了资金,也相应地获得了商品和服务,并运用这些商品和服务,来履行政府的各项职能。也就是说,在这类支出安排中,政府如同其他经济主体一样,在从事等价交换的活动。之所以称这类支出为购买性支出,是因为这类支出反映了公共部门要占用社会经济资源的要求,由政府部门运用这些资源,就排除了私人部门运用它们的可能性。目前在吉林省,购买性支出主要包括以下方面:基本建设支出、增拨企业流动资金、挖潜改造资金和科技三项费用、地质勘探费、工交商业部门事业费、支援农村生产支出和各项农业事业费、文科卫事业费、国防费及行政事业费等。转移性支出,又称为非生产性支出,直接表现为资金的无偿的、单方面的转移,这类支出主要指政府部门用于养老金、补贴、债务利息、失业救济金等方面的支出。这些支出的目的和用途尽管也有不同,但都有一个共同点:政府付出了资金,但并无任何资源可得。在这里,不存在任何交换的问题。这些财政支出并不反映公共部门占用社会资源的要求,相反,转移只是在社会成员之间的资源再分配,公共部门只充当中介人的作用。转移性支出主要指抚恤和社会福利救济费及政策性补贴支出以及国内外债务付息支出等。三、实证分析本文用于分析的数据来源于《吉林统计年鉴2013》，样本数据为1991-2012年的年度数据,财政支出的数据均按当年价格计算。下表列出了1991—2012年吉林省财政支出。表11990—2012年吉林省财政支出表年份财政支出（亿元）年份财政支出（亿元）199171.672002326.43199279.122003362.62199380.022004409.231994103.112005507.781995104.592006631.121996120.92007718.361997145.532008883.761998167.7520091180.121999190.120101479.212000234.6220111787.252001260.6720122201.74（一）时间序列平稳性分析1．时序图检验图1吉林省财政支出序列时序图图1为吉林省财政支出的时序图，以吉林省财政支出为X，年份为Y做时序图。由图可知前后趋势波动幅度不同，且向右上方倾斜，说明序列存在一定的增长趋势，同时存在异方差，该序列为非平稳序列，需要进行平稳化处理。首先对X取自然对数lnx消去异方差，再对lnx进行二阶差分，消去趋势性，做时序图如图2。表2消除异方差后的数据年份lnx年份lnx19914.27207220025.78821619924.37096620035.89335519934.38227720046.01427719944.63579620056.23004819954.65004820066.44749619964.79496420076.57697119974.98038220086.78418619985.12247520097.07337119995.2475520107.29926320005.45796720117.48843320015.56325520127.697003图2吉林省财政支出序列二阶差分时序图由时序图可以看出，差分后为没有显著地非平稳特征。2．自相关图检验为了进一步识别该序列的平稳性，采用自相关图检验如图3所示。图3吉林省财政支出序列自相关图由图3可知，延迟1阶之后，自相关系数都落在2倍标准差范围以内，根据自相关系数的这个特点可以判断该序列具有短期相关性，进一步确定序列平稳，而且自相关系数始终在零值附近波动。这是一个很典型的短期相关的样本自相关图。由时序图和样本自相关图的性质，可以认为该序列平稳。表3ADF检验结果ADFTestStatistic-7.7660871%CriticalValue*-2.70575%CriticalValue-1.961410%CriticalValue-1.6257*MacKinnoncriticalvaluesforrejectionofhypothesisofaunitroot.AugmentedDickey-FullerTestEquationDependentVariable:D(XT)Method:LeastSquaresDate:07/03/14Time:09:25Sample(adjusted):19952012Includedobservations:18afteradjustingendpointsVariableCoefficientStd.Errort-StatisticProb.X(-1)-2.3973050.308689-7.7660870.0000D(X(-1))0.4893840.1680582.9119920.0102R-squared0.909479Meandependentvar-0.012378AdjustedR-squared0.903821S.D.dependentvar0.192538S.E.ofregression0.059711Akaikeinfocriterion-2.694157Sumsquaredresid0.057047Schwarzcriterion-2.595227Loglikelihood26.24741F-statistic160.7539Durbin-Watsonstat2.032880Prob(F-statistic)0.000000ADF检验的结果：如表3，单位根统计量ADF=-7.766087都小于EVIEWS给出的显著性水平1%-10%的ADF临界值，所以拒绝原假设，该序列是平稳的。（二）时间序列纯随机性检验（Q统计量、LB统计量）由图3，Q统计量的原假设为X的1期，2期……k期的自相关系数均等于0，备择假设为自相关系数中至少有一个不等于0，由于Q统计量对应的P值都5%的显著性水平,即序列不是纯随机序列,为非白噪声序列。（三）模型识别表4模型识别标准自相关系数偏相关系数模型定阶拖尾P阶截尾AR(p)模型Q阶截尾拖尾MA（q）模型拖尾拖尾ARMA(P,Q)模型由于图1的模型识别效果不明显，因此对该时间序列进行差分，得到二阶差分后的自相关和偏自相关函数图，即图2。由此可知序列是平稳序列，在此基础上进行模型识别。由于自相关图第一个值显著不为零（在虚线外），从第二个值开始落在虚线以内，可以认为其出现一个峰值后截尾，而自相关图呈现缓慢衰减特征，故据此特征判断该时间序列为ARIMA（3,2,0）和ARIMA(0,2,1)模型。（四）参数估计根据差分后序列的自相关图和偏自相关图的性质，判断该时间序列为ARIMA（3,2,0）和ARIMA(0,2,1)模型。下面对两个模型进行参数估计来判断模型的拟合效果表5ARIMA(0，2，1)模型参数估计结果DependentVariable:XMethod:LeastSquaresDate:07/03/14Time:09:37Sample(adjusted):19932012Includedobservations:20afteradjustingendpointsConvergenceachievedafter23iterationsBackcast:1992VariableCoefficientStd.Errort-StatisticProb.MA(1)-0.8388430.115510-7.2620560.0000R-squared0.543599Meandependentvar0.005484AdjustedR-squared0.543599S.D.dependentvar0.109149S.E.ofregression0.073739Akaikeinfocriterion-2.327876Sumsquaredresid0.103310Schwarzcriterion-2.278090Loglikelihood24.27876Durbin-Watsonstat2.522855InvertedMARoots.84由表5的参数估计结果可以得到该模型的口径为：ttBx)0.8388431（表6ARIMA(3，2，0)模型参数估计结果DependentVariable:XMethod:LeastSquaresDate:07/03/14Time:09:54Sample(adjusted):19962012Includedobservations:17afteradjustingendpointsConvergenceachievedafter2iterationsVariableCoefficientStd.Errort-StatisticProb.AR(1)-0.9992070.238587-4.1880230.0009AR(2)-0.7879060.277425-2.8400690.0131AR(3)-0.3209620.204799-1.5672020.0394R-squared0.567611Meandependentvar0.011431AdjustedR-squared0.505841S.D.dependentvar0.079511S.E.ofregression0.055894Akaikeinfocriterion-2.771943Sumsquaredresid0.043738Schwarzcriterion-2.624906Loglikelihood26.56152F-statistic9.189120Durbin-Watsonstat1.648151Prob(F-statistic)0.002826InvertedARRoots-.21-.71i-.21+.71i-.59由表6的参数估计结果可以得到该模型的口径为：3232320962.0787905.0999207.0111)1(1BBBSBBB（五）模型检验1.模型的显著性检验模型的显著性检验主要是检验模型的有效性，即是看它提取的信息是否充分。所以模型的显著性检验即为残差序列的白噪声检验。两个模型的残差序列的自相关和偏自相关图如图4图5所示。图4ARIMA(0,2,1)图5ARIMA(3,2,0)自相关和偏自相关图残差序列白噪声检验结果显然，两个模型拟合统计量的P值基本都显著大于于显著性水平0.05，残差序列为白噪声序列，这个序列信息提取完全。系数显著性水平显示参数显著。两个模型拟合效果好。2．参数的显著性检验参数的显著性检验就是要检验每