人工神经网络结合灰度关联分析用于吉林省地方税收收入预测研究

张勇　赵晓辉

摘要：本文针对影响吉林省地方税收收入的相关国民经济指标，利用灰度关联分析对主要经济指标进行关联分析，确定影响税收收入的主要因素和次要因素，并利用吉林省1980年-2012年的地方财政的税收收入，结合人工神经网络技术建立了吉林省地方税收收入的预测模型。仿真结果表明，模型的预测效果较好，泛化能力较强，其内部验证均方差（RMSECV）和预测平均相对误差（RME）两个评价指标分别达到0.7125及0.0367，能够为科学、准确的税收预测及税收计划的制定提供一定理论依据和技术支持。

关键词：税收收入；灰度关联分析；人工神经网络；预测模型

中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2015）20-0145-01

目前，绝大部分学者对于税收收入预测采用统计技术[1-4]，但统计建模方法仅局限于一些特定的函数关系， 而实际税收应用问题中的自变量与因变量有着更复杂的非线性关系，这些统计的方法在实际应用中并不能取得很好的预测效果。因此，为建立高效的税收预测模型，首先要确定在诸多社会经济因素及税收政策中哪些是影响税收的主要因素，哪些是次要因素，在此基础之上，通过人工神经网络来建立影响税收的主要因素与税收之间的非线性预测模型。

1 实验数据

本文以吉林省1980年-2012年相关国民经济指标为主要依据建立税收收入的预测模型，其具体数据来源于吉林省统计年鉴。

2 灰度关联分析

我国学者邓聚龙教授于1982 年首先提出灰色系统理论，目前已经广泛应用在

农业和社会经济等领域，并取得了显著成就[5，6]。而税收收入与现行的税收政策以及国民经济发展等诸多因素均有密切关系，其关系表征为非线性特征[7，8]，这其中就包含了许多难以辨别的“灰”的知识。因此，在建立税收预测模型之前，首先对影响税收收入的国民经济指标进行灰色关联度分析，旨在找出影响税收收入的主要因素。

2.1 基于灰度关联的影响税收收入主、次要因素分析

以税收收入有关的10个国民经济指标为子序列，以吉林省地方财政税收收入作为母序列，经过计算，得到的它们的关联系数及关联序如表1所示。 从表1列出的关联序可知，对于税收收入来说，与第三产业总值、城乡储蓄存款年末余额、固定资产投资总额、第一产业总值、社会销售品零售总额、进出口总额的关联系数相对较高，因此选择模型的输入时作为主要因素考虑，而与零售物价总指数、第二产业总值、财政支出、职工平均工资四个指标关联度相对较小，在建模时作为次要因素考虑。

表1 吉林省地方财政税收收入所对应的关联度及关联序

[子序列＼&与母序列的关联度＼&固定资产投资总额＼&X1＼&G（1，1）=0.821＼&财政支出＼&X2＼&G（1，2）=0.716＼&城乡储蓄存款年末余额＼&X3＼&G（1，3）=0.830＼&零售物价总指数＼&X4＼&G（1，4）=0.741＼&职工平均工资＼&X5＼&G（1，5）=0.620＼&第一产业总值＼&X6＼&G（1，6）=0.820＼&第二产业总值＼&X7＼&G（1，7）=0.723＼&第三产业总值＼&X8＼&G（1，8）=0.856＼&社会消费品零售总额＼&X9＼&G（1，9）=0.819＼&进出口总额＼&X10＼&G（1，10）=0.812＼&关联序：X8 > X3 > X1 > X6 > X9 > X10 >

X4 > X7 > X2 > X5＼&]

3 利用人工神经网络建模

实验中，采用三层的BP网络，利用上述灰度关联分析法选取的影响税收收入的六个主要经济指标，以吉林省1980年-2012年共计33年的主要经济指标作为仿真实验的样本数据，即模型的输入向量个数为6个，输出向量个数为1个，样本数为33个，学习算法采用学习速率最快、适用于中小型网络的trainlm算法，同时，考虑到样本数量比较少，为提高模型的预测精度，采用交叉检验的方法，建立了吉林省税收收入的人工神经网络预测模型。

4 结果分析

为了验证模型的预测准确性，采用内部验证均方差（RMSECV）和预测平均相对误差（RME）两个评价指标对模型进行评价。两个评价指标的计算如公式（1）与公式（2）所示。经计算，在预测模型中剔除四个奇异点（1994年-1997年）后，其模型的RMSECV为0.7125，RME为0.0367。

5 结论

本文在分析影响吉林省历年（1980年-2012年）的地方财政税收收入的相关国民经济指标的基础之上，应用灰度关联分析对相关国民经济指标进行了关联分析，并选取其中关联度较大的6个主要经济指标作为样本输入数据，并结合人工神经网络建立了吉林省地方财政税收收入的预测模型。经计算，模型的评价指标均相对较好，模型的预测效果较好，泛化能力较强。因此，利用灰度关联分析结合人工神经网络可以对税收收入进行预测，从而为科学、准确的税收预测及税收计划的制定提供了一定理论依据和技术支持。

参考文献：

[1] 尚红云. 2005 年中国税收收入预测模型比较[J]. 统计与信息论坛， 2008， 23（3）： 27-31.

[2] 孙元， 吕宁. 地方财政一般预算收入预测模型及实证分析[J]. 数量经济技术经济研究， 2007（1）： 38-45.

[3] 郭艳. 湖南省税收收入预测模型及其实证检验与经济分析[C]. 中南大学， 2009.

[4] 汪寅. 基于税源数据挖掘的税收分析预测研究[C]. 北京工业大学， 2010.

[5] 孙智勇， 刘星. 税收增长预测的灰色理论模型研究[J]. 重庆大学学报（社会科学版）， 2010，16（3）： 41-45.

[6] 邓聚龙. 灰色系统基本方法[M]. 武汉： 华中工学院出版社， 1987： 23-33.

[7] 张文珍. 基于BP 神经网络的税收收入预测模型[J]. 中外企业家， 2009（11）： 80-82.

[8] 张绍秋， 胡跃明.基于BP神经网络的税收预测模型[J]. 华南理工大学学报（自然科学版）， 2006，34（6）：55-58.