王路 王萬揚(yáng)

【摘要】本文旨在通過設(shè)計一個稅收BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，通過優(yōu)化運(yùn)算方法，提高稅收收入預(yù)測的準(zhǔn)確性。首先選擇影響稅收預(yù)測的7個變量進(jìn)行數(shù)據(jù)去重處理后，輸入BP神經(jīng)網(wǎng)絡(luò)，然后利用BP網(wǎng)絡(luò)模型對變量數(shù)據(jù)進(jìn)行訓(xùn)練，根據(jù)訓(xùn)練結(jié)果發(fā)現(xiàn)，采用PCA-BPNN模型的稅收預(yù)測精度更高，達(dá)到了提高稅收收入預(yù)測準(zhǔn)確度的要求。

【關(guān)鍵詞】BP神經(jīng)網(wǎng)絡(luò);營商環(huán)境;稅收預(yù)測

1?引言

稅收營商環(huán)境的建設(shè)，無論是“放管服”還是“互聯(lián)網(wǎng)+稅務(wù)”的決策，都離不開對稅收收入的預(yù)測和評估。針對稅收預(yù)測，目前主要采用BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的方法。早在20世紀(jì)80年代，神經(jīng)網(wǎng)絡(luò)就被國外學(xué)者Rumelhart提出，該研究成果的公開發(fā)表標(biāo)志著神經(jīng)網(wǎng)絡(luò)模型用于預(yù)測研究的開始。相繼王迪構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)稅收預(yù)測模型，為稅務(wù)分析提供了靈活的運(yùn)算方法。余楊、王時繪通過比對Cubic模型、線性回歸模型、ARIMA模型3個單一預(yù)測模型和組合模型對貴州省稅收收入進(jìn)行預(yù)測的誤差進(jìn)行實(shí)證研究，再次證明了BP模型在稅收預(yù)測領(lǐng)域具有較強(qiáng)的實(shí)用性和科學(xué)性。但傳統(tǒng)BP算法存在明顯的缺陷：誤差收斂速度慢、學(xué)習(xí)時間過長、學(xué)習(xí)過程易陷入局部極小值、網(wǎng)絡(luò)泛化能力差、構(gòu)建網(wǎng)絡(luò)結(jié)構(gòu)缺乏統(tǒng)一原則等，這些缺陷直接制約BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)精度，影響網(wǎng)絡(luò)的應(yīng)用效果，導(dǎo)致稅收預(yù)測結(jié)果不夠準(zhǔn)確。

本文針對傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的缺陷，運(yùn)用主成分分析（PCA）和BP神經(jīng)網(wǎng)絡(luò)（BPNN）相結(jié)合的方法建立稅收預(yù)測模型并進(jìn)行實(shí)證分析，運(yùn)算結(jié)果表明，采用PCA-BPNN模型的稅收預(yù)測精度更高，達(dá)到了提高稅收收入預(yù)測準(zhǔn)確度的要求。

2?方法

2.1BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)做稅收預(yù)測主要包括：①將所選變量數(shù)據(jù)樣本輸入神經(jīng)網(wǎng)絡(luò)，②采用反向傳播算法對變量數(shù)據(jù)的權(quán)值和偏差進(jìn)行重復(fù)的訓(xùn)練，使輸出的數(shù)據(jù)與期望值相接近，當(dāng)網(wǎng)絡(luò)輸出層的誤差平方和小于指定的誤差時標(biāo)志著訓(xùn)練完成，保存神經(jīng)網(wǎng)絡(luò)的權(quán)值和偏差。

2.2主成分分析法

在BP神經(jīng)網(wǎng)絡(luò)運(yùn)算中，變量數(shù)據(jù)太多會增加運(yùn)算的復(fù)雜性，降低模型的運(yùn)算效率，影響運(yùn)算準(zhǔn)確度。在稅收預(yù)測方面，影響稅收的數(shù)據(jù)變量有多個方面，而且變量之間存在有一定的關(guān)聯(lián)性。當(dāng)兩個變量之間有一定相關(guān)關(guān)系時，意味著數(shù)據(jù)存在重疊，增加運(yùn)算過程和難度。本文采用的主成分分析方法是基于稅收預(yù)測的原始變量，將重復(fù)的變量（關(guān)系緊密的數(shù)據(jù)變量）刪掉，建立盡可能少的新變量，保障這些變量是兩兩不相關(guān)的，而且這些新變量在反映稅收的變量方面盡可能保持原有的數(shù)據(jù)，其目的在于簡化神經(jīng)網(wǎng)絡(luò)運(yùn)算過程。

3?PCA-BPNN稅收預(yù)測模型

3.1數(shù)據(jù)的選擇

基于文獻(xiàn)研究，影響稅收預(yù)測的變量主要包括國內(nèi)生產(chǎn)總值（GDP）、全社會固定資產(chǎn)投資總額（TFA）、進(jìn)出口總額（IMP）、財政支出（PFE）、社會消費(fèi)品零售總額（TRS）、國民生產(chǎn)總值（GNP）、貨幣供應(yīng)量（MS）七大因素。本文選擇1995—2016年的國家統(tǒng)計局?jǐn)?shù)據(jù)分析稅收增長的因素，構(gòu)建稅收收入預(yù)測模型。其中篩選1995—2013年的數(shù)據(jù)作為訓(xùn)練樣本，將2014—2016年的數(shù)據(jù)作為對照樣本。

3.2主成分分析

利用SPSS軟件，對所選的樣本數(shù)據(jù)進(jìn)行關(guān)聯(lián)性分析。相關(guān)系數(shù)矩陣如表1所示：各數(shù)據(jù)變量間存在關(guān)聯(lián)，即所選變量之間存在重復(fù)因子，因此有必要對所選因子進(jìn)行主成分分析去重，只保留貢獻(xiàn)率較高的稅收預(yù)測主成分因子。

根據(jù)表1的主成分特征值與貢獻(xiàn)率可知，國內(nèi)生產(chǎn)總值（GDP）、全社會固定資產(chǎn)投資總額（TFA）的貢獻(xiàn)率高達(dá)98%以上，即認(rèn)為這2個主成分的綜合指標(biāo)基本涵蓋了原數(shù)據(jù)的全部內(nèi)容。

3.3PCA-BPNN稅收預(yù)測模型實(shí)現(xiàn)

根據(jù)表1結(jié)論，本文選擇國內(nèi)生產(chǎn)總值（GDP）和全社會固定資產(chǎn)投資總額（TFA）兩個主成分因子對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行運(yùn)算，以2014—2016年的稅收額作為本模型預(yù)測值。為了驗(yàn)證本PCA-BPNN模型相較于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的結(jié)果差異，本文另選擇了兩個參照模型——傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型和稅收實(shí)際值。分別將BPNN于PAC-BPNN這兩個模型的預(yù)測結(jié)果與實(shí)際值進(jìn)行對比，對比結(jié)果見表2。

3.4結(jié)果分析

根據(jù)表3可發(fā)現(xiàn)，相較于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法，PAC-BPNN模型的預(yù)測結(jié)果與實(shí)際值更接近。故可以認(rèn)為PCA-BPNN的預(yù)測精度高于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)。在整個對比過程中，PCA-BPNN模型利用主成分分析方法減少了重復(fù)變量，只保留貢獻(xiàn)率較高的稅收預(yù)測主成分因子，大大降低了自變量之間的相關(guān)性，實(shí)現(xiàn)對稅收預(yù)測變量的降維化處理。因此得出結(jié)論：采用主成分分析法和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的模型，對稅收預(yù)測效果良好，預(yù)測數(shù)據(jù)更接近實(shí)際值，本PCA-BPNN模型具有實(shí)用性。

4?結(jié)束語

根據(jù)傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法存在的缺陷，本文運(yùn)用主成分分析（PCA）方法和BP神經(jīng)網(wǎng)絡(luò)（BPNN）相結(jié)合建立稅收預(yù)測模型并進(jìn)行實(shí)證分析，根據(jù)訓(xùn)練結(jié)果發(fā)現(xiàn)，該模型的稅收預(yù)測值更接近實(shí)際值，預(yù)測精度高于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)，達(dá)到了準(zhǔn)確預(yù)測稅收收入的要求。

參考文獻(xiàn)：

[1]余楊，王時繪.稅收預(yù)測的數(shù)學(xué)模型[J].湖北大學(xué)學(xué)報，2012，34（1）.

[2]劉天舒.BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)研究及應(yīng)用[D]. 東北農(nóng)業(yè)大學(xué).