lecture10 Fiscal Policy 5

5.Barro (1979)'s Tax Smoothing Model

        在给定政府支出时,假定政府最小化当前的超额收税压力

        在取消总量税的情况下,政府应当寻求最小化其比例税的福利损失,这些福利损失被假定为递增且凸的关于平均税率的时变函数

        特别地,设政府的主观效用函数为:\min_{\{\tau_t,B_{t+1}\}}\mathbb{E}_0[\sum_{t=0}^\infty\beta^t(\frac{1}{2}\tau_t^2)]

        有预算约束:B_{t+1}=RB_t+G_t-\tau_tY_t\quad(61)

    其中\mathbb{E}_0是政府在零时刻可获得信息上的条件期望,\beta是政府的主观折旧率,\tau_t是比例税率,B_t是政府借贷,G_t是政府支出,Y_t是真实GDP,R是利率

        根据Ghosh (1995),假定Y_t增长率n为常数,则等式(61)可写为:

Rb_t+g_t-\tau_t=(1+n)b_{t+1}\quad(62)

        构造拉格朗日函数:

L=\mathbb{E}_0\{\sum_{t=0}^\infty\beta^t[-\frac{1}{2}\tau_t^2+\lambda_t((1+n)b_{t+1}-Rb_t-g_t+\tau_t)]\}

        一阶条件为:\begin{align*}\tau_t&=\lambda_t\\(1+n)\lambda_t&=\beta R\mathbb{E}_t\lambda_{t+1}\end{align*}

        意味着:\tau_t=\frac{\beta R}{1+n}\mathbb{E}_t\tau_{t+1}\quad(63)

        采用约束\frac{\beta R}{1+n}=1,我们有Barro的结论,即最优比例税率应满足随机游走模型

        由等式(62)迭代得跨时预算约束:

\sum_{j=0}^\infty(\frac{1+n}{R})^jg_{t+j}+Rb_t=\sum_{j=0}^\infty(\frac{1+n}{R})^j\tau_{t+j}\quad(64)

        则有Barro (1979)的永恒政府支出理论:

\tau_t=(1-\beta)R[b_t+\frac{1}{R}\sum_{j=0}^\infty(\frac{1+n}{R})^j\mathbb{E}_tg_{t+j}]\quad(65)


        假定政府支出满足AR(1)过程,即:

g_t=(1-\rho_g)\overline{g}+\rho_g g_{t-1}+\varepsilon_t\quad(66)

    其中\rho_g\in[0,1]\varepsilon_t\sim i.i.d.\mathcal{N}(0,\sigma^2),我们有:

\begin{align*}\mathbb{E}_tg_{t+j}&=(1-\rho_g^j)\overline{g}+\rho_g^jg_t\\\rho_g^j\varepsilon_t&=(\mathbb{E}_t-\mathbb{E}_{t-1})g_{t+j}\end{align*}

        简化n=0,将(66)代入(65),得:

\tau_t=(R-1)[b_t+\frac{1-\rho_g}{(R-1)(R-\rho_g)}\overline{g}+\frac{1}{R-\rho_g }g_t]

        进而有:\Delta \tau_t=\frac{R-1}{R-\rho_g}\varepsilon_t\quad(67)

        政府赤字为:

def_t=b_{t+1}-b_t=(R-1)b_t+g_t-\tau_t=\frac{1-\rho_g}{R-\rho_g}(g_t-\overline{g})\quad(68)

        即政府赤字与政府支出正相关


        考虑两种特殊情况:

    ①政府支出冲击是永久的,即\rho_g=1,比如教育保障和医疗保障支出

        则有\Delta\tau_t=\varepsilon_t,def_t=0,说明政府最好用税收吸收永久冲击的支出

    ②政府支出冲击是片刻的,即\rho_g=0,比如失业补助和自然灾害支出

        则有\Delta\tau_t=\frac{R-1}{R}\varepsilon_t,def_t=\frac{1}{R}\varepsilon_t,说明冲击的\frac{R-1}{R}由税收吸收,\frac{1}{R}由债务吸收,因为R\rightarrow1,所以冲击主要由债务吸收


        对等式(66)使用滞后算子,得:g_t=\frac{1-\rho_g}{1-\rho_gL}\overline{g}+\frac{1}{1-\rho_gL}\varepsilon_t

        进而有:\Delta g_t=\frac{1}{1-\rho_gL}\varepsilon_t-\frac{1}{1-\rho_gL}\varepsilon_{t-1}=\varepsilon_t+(\rho_g-1)\sum_{j=0}^\infty\rho_g^j\varepsilon_{t-j-1}

var(\Delta g_t)=[1+(\rho_g-1)^2\sum_{j=0}^\infty\rho_g^{2j}]\sigma^2=[1+\frac{(\rho_g-1)^2}{1-\rho_g^2}]\sigma^2=\frac{2}{1+\rho_g}\sigma^2

        设比例税率的波动率与政府支出的波动率之比为\mu,则有:

\mu=\frac{sd(\Delta\tau_t)}{sd(\Delta g_t)}=\frac{R-1}{R-\rho_g}\sqrt{\frac{1+\rho_g}{2}}

        假定\rho_g=0.5,R=1.04,得预期值\mu=0.064,然而数据中\mu=0.76,说明该模型未能正确预测比例税率与政府支出的相对波动率

        由等式(68)\rho=corr(def_t,g_t)=1,反而在数据中\rho=0.57,说明该模型未能正确预测政府赤字与政府支出的关系

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 212,657评论 6 492
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 90,662评论 3 385
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 158,143评论 0 348
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,732评论 1 284
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 65,837评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,036评论 1 291
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,126评论 3 410
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,868评论 0 268
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,315评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,641评论 2 327
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,773评论 1 341
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,470评论 4 333
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,126评论 3 317
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,859评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,095评论 1 267
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,584评论 2 362
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,676评论 2 351