林秀梅（2002）建立了不同税种和GDP的增长模型，通过研究税种结构对经济增长的影响，认为税收收入应该与GDP同步增长，才能发挥调控宏观经济的作用。
郭庆旺等（2004）利用中国1995-2002年的面板数据模型分析了不同地区税收负担对经济影响的个体差异。他们认为，税负影响的地区差异很明显，东部地区的平均税负对经济增长有促进作用，而中西部地区的平均税负对经济增长则具有抑制作用。边际宏观税率每增加1个百分点，经济增长率便会下降0.027个百分点，同时他们认为，税收收入的过快增长将严重降低税后产出-资本比。
郭庆旺、吕冰洋（2004）发现，从中国东部地区到中部地区再到西部地区，税收弹性值递减。第三产业的兴起有利于税收收入增长，特别是有利于企业所得税收入的增长，东部地区在产业结构调整中受益远高于中西部地区。
申嫦娥（2006）采用汉森-萨缪尔森模型，用实证分析的方法说明了当前区域税负主要受人均GDP、城市化程度和产业结构状况等因素的影响，改变目前区域税负差异的途径在于税收制度改革，削减以流转税为主的间接税的比重，提高直接税的比重。
当然，也会有学者得出税收收入对经济增长存在正效应的结论，如路云（2005）在新古典增长函数的基础上加入税收因素，建立模型Y=F（K，L，T），在对中国1988－2002年的数据进行回归得出中国现阶段税收收入对经济增长具有正效应的结论。
可以看出，国内文献对中国税收收入与经济增长的关系的实证研究并没有得到一致的结论，一些文献之间甚至存在根本上的分歧，比如间接税对于经济增长是具有正向影响、基本没有影响还是存在负向影响，结论是五花八门的。
五、本书能做些什么
从选题的领域，到模型的建立，再到研究方法的使用，希望能在本书中能有一些创新之处。
中印比较
在财政学领域，特别是税收领域，做比较研究的文献还是有的，这些研究中最多的是将中国和美国的税收制度做比较，其次是中港澳间的比较，还有一些是中韩两国之间的比较。可以看到，这些比较都是拿中国和发达国家或者地区来进行比较。当然，将中国和发达国家或地区比较，对中国可以有借鉴作用，但是，发达国家或地区的经验是否适合中国这样的发展中国家的土壤呢？是否将接近的发展中国家拿来做比较分析，得出的结论更有说服力呢？那么，当我想翻阅中国和印度间比较的文献作为参考时，发现只有一篇与“中印”“税收”有关童锦治、朱斌：《中印地方税制度比较分析》，《涉外税务》2008年第4期。即使将搜索范围放宽到整个财政学领域时，也只有为数不多的如比较两国间财政分权的几篇文献。那么我将在本书中首次比较分析在中国和印度发展过程中税收收入增长和经济增长的关系，探索在中国和印度这样的发展中国家中税收收入增长对经济增长的作用机制，为两国进一步的税收制度改革提供理论支持和经验借鉴。
用实证比较
目前可看到的比较仅仅停留在比较税收制度本身，更多地是比较政策、制度，如直接税与间接税的比较，而分析多是单纯的描述、统计。那么我想突破传统的描述型的比较分析，通过深入的实证研究，看税收收入增长与经济增长之间的相互关系，用实证检验给出定性分析的结论。这样得出的结论，说服力更强。
模型上创新
在前人做得较多的税收收入与经济增长这一领域，研究也是集中于描述与统计分析，少有计量实证，在有实证分析的文献中，实证分析也只是以基本的多元回归方程来做基本的检验。而本书中的实证研究是深入的实证研究，所谓“深入”，是从建立模型开始的。
在做实证分析时，本书中所使用的模型也是以经典的内生增长理论模型为基础的。但是现有的经典模型只是简单地说了经济增长理论，对于税收收入对经济增长的影响讨论不够，而我想将税收收入作为一个变量，内生地引入增长模型，建立一个全面地研究税收收入与经济增长关系的框架，说明税收收入影响经济增长的变量、机制和传导路径，给出税收收入影响经济增长的基本理论依据和解释。所以我将在模型中加入了资本税和政府购买支出变量，将经典模型进一步发展。
定量分析
单就实证分析上来说，文中将要做的定性分析其实并不新鲜，只是在用于分析的模型上有所创新发展，就研究的主旨来说，前人已做过，无非是结论各异。那么在本书当中，当确定了研究对象二者之间确有关系的基础上，我还想找出更进一步的科学的结论——税收收入增长和经济增长之间到底是一个怎样的关系？将问题形象一点也就是说，去年多征收1元钱的税收，今年的GDP增长（或减少）几元钱？
这就是本书在定性分析基础上要做的定量分析。这样明确的结论应当是首次出现。
用BP神经网络做动态预测
除了回顾历史，有的时候我还妄想预测未来。
本书基于税收收入和经济增长的关系，试图对未来五年的GDP的增长趋势做出预测，方法则是首次在经济增长研究领域利用BP神经网络反向传播网络（Back‐PropagationNetwork，简称BP）是将Widrow‐Hoff学习规则泛化，对非线性可微分函数进行权值训练的多层前向网络。BP网络称的“反向”是指误差的反向传播，实际上它的主要“信息流”（数据流）仍然是前向的。BP网络是应用最为广泛的一类人工神经网络。据统计，80%左右的人工神经网络模型是采用BP网络或它的变形。BP网络是前向网络的核心，同时亦体现了人工神经网络模型最精华的部分。BP网络现已成功地应用于模式识别、预测预估、图像与语音变换、数据压缩以及自动控制等领域。建立税收收入和GDP的关系模型，在税收收入对经济增长有显着效应的前提下，假设未来的税收收入增长率保持在之前一个时间段（比如假定为19年间）的平均水平，在这种假设下，计算未来3年的税收收入量，带入BP神经网络模型，从而得到GDP未来年的预测值。
同时，根据已有研究，对未来税收收入增长率进行调整（比如经济乐观，税收收入增长率提高；或者经济悲观，税收收入增长率降低），然后根据这个调整后的税收收入增长率，计算未来3年的税收收入量，再带入BP神经网络模型，从而得到GDP未来3年的预测值。
这时候我们就能看到，在税收收入影响下的GDP的预测值和不受税收收入影响的GDP的预测值会出现怎样的差别。
我们还可以对中国和印度的GDP时间序列进行模型模拟，选取合适的模型，分析两国之间GDP发展前景的差异。
再有，如果说中国的税收收入增长对经济增长出现了负效应，那么从什么时候开始出现的负效应呢？而如果说中国的税收收入增长对经济增长一直以来是有正效应的，那么，增长到什么程度就会出现负效应呢？那么，应当通过怎样的改革来解决或者预防这一问题，让税收政策持续促进经济增长？恐怕这更具有现实意义。
试图解答这些问题的话也可以使用BP神经网络，在GDP的增长率与税收收入增长率之间建立模型，寻找GDP增长率可能出现的下降点，和对应的税收收入增长率，即在这个税收收入增长率下，税收收入增长对经济增长的作用开始为负。这也是现有的文献中所没有做过的新尝试。
六、结构和主要内容
全文共分为七章，各章的主要内容如下：
第一章，阐述了本书选题的背景、意义，界定了与主题紧密相关的几个重要概念，综述了本书理论模型的基础——几大重要的经典理论模型，包括古典经济理论的税收增长理论，凯恩斯学派的税收增长理论，新古典学派的税收增长理论，以及供给学派的税收增长理论，以及国内外关于税收收入对经济增长影响的研究的最新动态，并介绍了全书的结构和主要内容。
第二章，我们将中国的税收收入增长与经济增长的状况、印度的税收收入增长与经济增长的状况分别展示出来，并从表象上去判断两国间二者之间的关系。
第三章，主要进行实证检验，来验证历史过程所呈现出来的表象在计量经济学上是否真实。在这一章中，我们先后使用了Granger因果检验、单位根和协整检验模型来逐步深入地讨论在中印两国中税收收入总量与GDP总量之间的关系。如果两者之间存在关系，那么接着就要用VAR检验来进行定量分析，这样不但能够与Granger检验结果做一对照，还能看到两者之间的关系具体被量化到一个怎样的程度。
第四章，主要描述在税收收入总量增长背后的两国税制结构演变进化的历程以及各自形成的税种结构，并做出比较，从而寻找其中的不同之处，进而，对应着两国GDP增长的史实，思考税种结构的差异与经济增长的差异之间的关系。
第五章，主要是用实证检验的方法来确定在两国间，直接税收入和间接税收入对GDP增长的影响是否真有不同，有何不同。在这一章中，我们所使用的检验方法仍为Granger因果检验和VAR模型检验，两种检验方法的目的、原理已经在第三章中阐明，在本章中，我们将直接分析检验结果。
第六章，比较并预测中国和印度税收收入增长与经济增长的关系。在前几章中我们探求了税收收入与GDP在特定时点时的关系，如当年的税收收入总量与滞后1年、滞后2年的GDP总量间的关系，那么长期内两国间税收收入增长与GDP增长之间关系的总趋势会是怎样的？这样的趋势能否一直保持下去呢？在中国是否存在税收收入增长拖累经济增长的事实？能否预测出税收收入增长率到怎样的程度，经济增长率会出现转折？这一章则试图使用多项式拟合和BP神经网络等模型定量探讨以上问题，这也是首次在经济增长研究领域使用BP神经网络模型。
第七章，是本书的结论和对未来的展望。这一章首先对全书要点进行总结，接着对书中涉及到的一些问题做更进一步的思考。