影响我国教育经费投入因素的实证分析及对策研究

　　摘要：如何建设教育强国，促进我国教育事业发展，教育经费的投入显得尤为重要。教育经费的投入，在很大程度上影响着教育未来的发展。本文在前人研究的基础上，收集相关数据并利用EViews软件对模型进行参数估计和检验，对影响我国教育经费投入因素进行实证分析并提出可供参考的政策意见。
　　关键词：教育经费投入 计量经济检验 一元线性回归模型 修正Frisch法
　　一、引言
　　早在1993年国务院颁布的《中国教育改革和发展纲要》中，明确指出“逐步提高国家财政性教育经费支出占国民生产总值的比例，在本世纪末达到4%”。国家财政性教育支出占GDP比例4%的指标，是世界上衡量一个国家教育水平的一个基础线。因此，经费投入问题一直是人们关注的焦点。
　　二、文献综述
　　目前国内学者对此课题研究现状，田民政（2013）采用运用灰色关联分析法研究影响我国教育经费投入的实证因素。胡瑞文、王红（2014）进行细致研究，揭示我国教育发展战略目标实现的投入保障条件和经费投入的关系。徐瑾辉（2009）认为，国家教育发展的好与否在很大长度上取决于我国政府投入的教育经费是否充足。本文采用面板数据从静态和动态两方面进行分析影响我国教育经费投入的影响因素，更进一步分析各相关因素对教育经费的作用。
　　三、我国教育经费投入问题的描述性分析及研究方法
　　本文采用国家统计局权威数据对我国教育经费投入问题进行详细的研究。因素包括，教育经费、GDP、城乡居民储蓄存款年底余额总计、人口、居民消费价格以及每十万人口平均在校生数等。研究问题覆盖面全面，能够清晰的反映出影响我国教育经费投入的实证影响因素，并得出结论及可行性建议。
　　（一）近年我国教育经费投入增长趋势
　　自2004年开始，我国教育经费投入呈现不断增加的态势，增长速度加快。由2004年的72425989万元增长到2012年的303647200万元，增幅为319%。由此我们可以得出，在优先发展教育的战略思想的指导下，我国教育经费投入逐年上升。
　　（二）我国教育经费投入占GDP比重情况
　　将我国每年的教育经费投入除以GDP，观察其所占GDP的比重是否到达4%。对于教育经费投入是否达到GDP的4%，还需作进一步考量。国家统计数据显示，2004-2013年随着我国GDP的快速增长，我国教育经费投入量也随之增加。由2004年最初始的2.79%增长到2011年的3.93%，直到2012年才达到国家财政性教育经费占GDP的4%的目标。截止2013年达到4.3%。结合现状，西方发达国家教育经费投入占该国GDP的比重都高于4%。例如2013年，美国教育经费投入占GDP的比重达7.3%，而我国只有4.30%。这表明，我国与其他国家相比仍相差甚远。由此我们得出的结论是我国教育经费投入存在不足。
　　（三）研究方法
　　本论文利用实证分析的方法，建立一元线性回归模型，结合计量经济学中修正Frisch法进行分析变量间是否存在多重共线性问题并加以修正。以及采用最小二乘法（OLS）作回归估计，得出一元线性回归模型。分析各解释变量对被解释变量教育经费的影响程度并得出我国教育经费投入的影响因素并提出可行性建议。
　　四、我国教育经费投入影响因素实证分析
　　（一）数据及变量选择
　　本文对我国教育经费投入问题进行计量分析，共选取以下变量。被解释变量Y是教育经费投入， X[1]为GDP， X[2]为城乡居民储蓄存款年底余额总计， X[3]为人口， X[4]为居民消费价格， X[5]为每十万人口平均在校生数。
　　（二）模型选择
　　在一元选择模型中，当X[i]发生变化时，按照一定规律影响另一变量Y[i]，而Y[i]的变化并不影响X[i]。亦即X[i]的变化是Y[i]变化的原因，X[i]与Y[i]之间具有因果关系。又因为模型中只有一个解释变量，变量间的关系又是线性关系，正符合此论文研究的问题。所以建立一元线性回归模型[Yi=β0+β1X1+β2X2+β3X3+β4X4+β5X5+μi]进行分析。用[Yi]代表被解释变量，[X]表示解释变量，[β]为待定系数，[μi]为随机误差项。
　　（三）回归结果分析
　　1、数据相关性分析
　　相关分析是研究随机变量之间的相关关系的一种统计方法。对于[X1；X；2X3；X4；X5]是否对[Yi]存在相关关系，需做进一步的验证。研究变量之间的相关程度，用相关系数[r]来描述。我们借助EViews8进行变量相关性分析。
　　表1的相关系数矩阵显示，[Y]和[X1；X2；X3]之间的相关系数均大于0.9，接近于1，由此可以确定变量之间存在正向高度相关关系。[Y]和[X4]的相关系数为0.33，有理由认为[Y]和[X4]之间存在低度相关的关系。[Y]和[X5]的相关系数为-0.04，[r<0]，可知[Y]与[X5]存在负相关关系。综上所述，[X1]、[X2]、[X3]与[Y]之间存在正向高度相关关系，[X4]与[Y]之间存在低度相关关系，[X5]与[Y]之间存在负相关关系。
　　2、修正Frisch法
　　在很大程度上，由于参数估计量的标准差较大，从而使参数的显著性[t]检验增加了接受零假设的可能性，而出现多重共线性问题。为此，我们需要借助逐步回归法进行修正，增加分析问题的准确性。我们借助EViews8软件对数据进行最小二乘估计。
　　由表2可知：
　　[Y∧=-216.2928+0.007199X1+0.002382X2+0.075918X3+0.009974X4+0.010634X5]
　　（-1.43） （2.14） （0.47） （4.93） （2.38） （1.77）