吉林省税收经济分析与预测研究

刘迪 于昌平 陈雷 张师

摘要：税收分析与预测是吉林省税收管理工作的重要内容，税收预测可以为政府下一期财政预算的编制提供参考，也可以作为税收计划的制定和下级考核标准的重要依据，还是开展风险防控、预测税收流失工作的前提。本文首先基于2009—2017年吉林省税收数据进行分析，采用主成分分析法，研究了吉林省税收收入的影响因素，基于BP神经网络建立了吉林省税收预测模型，并采用吉林省数据对本文的预测模型进行有效性验证。通过本文研究可以得出，该模型可以准确预测吉林省税收，且2018年吉林省税收会呈增长趋势。

关键词：税收;预测;神经网络;主成分分析

中图分类号：F810.42文献标识码：A文章编号：1008-4428（2019）01-0066-03

一、 引言

税收分析与预测是吉林省税收管理工作的重要内容，税收的准确预测具有重要意义。首先，税收预测可以为政府下一期财政预算的编制提供参考，也是对政府预算进行分析、讨论与调整的依据;其次，税收预测也可以作为税收计划的制定和下级考核标准的重要依据;此外，税收预测还是开展风险防控、预测税收流失工作的前提。

发达国家对税收预测的工作十分重视，经济合作发展组织（Organization for Economic Co-operation and Development，OECD）、国际货币基金组织（International Monetary Fund，IMF）以及国外各大高校纷纷对税收预测技术进行了相关研究。

目前，我国税收预测研究尚处于起步阶段，由于税收与人口、国内生产总值（Gross Domestic Product GDP）、人均收入等因素存在着复杂的关系，不易建立较为准确的数学模型，因此大部分税收预测工作还基于经验判断的定性分析。

目前，国内外关于税收预测的方法已经取得了一些进展，美国新泽西州采用了季节调整时间序列预测了该州的税收情况，并作出了相应的政策调整;荷兰的税务官员曾指出，采用最小二乘法比较适用于荷兰的税收经济预测。

进入21世纪以来，随着人工智能技术的发展，神经网络、支持向量机不断被学者们应用到预测分析中，马来西亚学者Jusoh M分析了马来西亚的税收经济影响因素，在此基础上采用神经网络算法建立了税收预测模型，但并未采用实测数据对模型予以验证;上海大学通信与信息工程学院的学者们采用神经网络建立了税收预测模型，结合蚁群算法对模型参数进行优化，通过数据分析验证了其预测方法的有效性。支持向量机相比于神经网络算法，其预测精度稍差，但有学者通过采用粒子群算法对模型进行了优化，提高了预测精度。

本人在2017年12月采用BP神经网络算法，研究了吉林省GDP预测模型，并采用历年数据验证了模型的有效性。BP神经网络相比于其他算法，预测精度较高，因此，采用BP神经网络对吉林省税收进行预测较为合理。

二、 吉林省税收经济影响因素分析

吉林省国税局公布的2009—2017年全省税收数据绘成走势图如圖1所示。

从图1可以看出，吉林省税收总体呈增长趋势，在2015年有所下降，在2016年又呈上升趋势。以2015年为例，税收收入各部分占比如图2所示。

从图2可以看出，增值税、消费税、企业所得税占总税收的96%左右，这三项税收收入的多少直接决定了总税收收入。

在2017年新增城建税，2017年各项税收收入占比如图3所示，可以看出增值税、消费税、企业所得税仍然为总税收收入的主体。

根据文献[11-13]的研究，本文将人口、GDP、城镇居民人均可支配收入、农村居民人均可支配收入、人民币兑美元汇率、全社会消费品零售总额作为影响吉林省税收的因素。采用主成分分析法对吉林省税收经济影响因素分析，各主成分系数分别为：-0.1736（人口）、0.3563（GDP）、0.3838（城镇居民人均可支配收入）、0.3801（农村居民人均可支配收入）、-0.0104（人民币兑美元汇率）、0.3916（全社会消费品零售总额）。可以看出，人民币兑美元汇率的主成分系数较小，因此可以认为人民币兑美元汇率对吉林省税收没有影响。

三、 基于BP神经网络的吉林省税收预测

反传（Back Propagation，BP）神经网络最早由哈佛大学的P.Werbos和斯坦福大学的James Mc-Clelland等人最早提出的，是多层映射网络，采用最小均方差的学习方式。时至今日，仍然是最普及和最广泛应用的网络，具有工作良好、容易学习的优点。

根据对吉林省税收经济影响因素的分析，采用前一年的税收、人口、GDP、城镇居民人均可支配收入、农村居民人均可支配收入以及全社会消费品零售总额作为BP神经网络的输入量，输出量为吉林省税收增长率。设置隐含层神经元5个，训练精度0.0001。

采用2009—2015年的税收、人口、GDP、城镇居民人均可支配收入、农村居民人均可支配收入以及全社会消费品零售总额作为BP神经网络的输入训练数据，采用2010—2016年的税收增长率作为输出训练数据，训练神经模型，数据如表1所示，误差变化曲线如图4所示。

将2016年的税收、人口、GDP、城镇居民人均可支配收入、农村居民人均可支配收入以及全社会消费品零售总额作为BP神经网络的输入，对2017年的税收增长率进行预测，得出2017年税收增长率为23.74%，税收为14849220万元，2017年税收实际增长率为21.55%，税收为14586222万元，表明本文的方法可以较为准确地预测吉林省税收经济。

采用2009—2016年的税收、人口、GDP、城镇居民人均可支配收入、农村居民人均可支配收入以及全社会消费品零售总额作为BP神经网络的输入训练数据，采用2010—2017年的税收增长率作为输出训练数据，训练神经模型，预测2018年税收情况，误差变化曲线如图5所示。预测得到2018年税收增长率为5.05%，税收为15322826.2万元。

四、 结论

税收分析与预测是吉林省税收管理工作的重要内容，税收的准确预测具有重要意义。本文在研究国内外相关发展现状的基础上，对吉林省税收经济分析与预测展开研究，可以得出以下结论：

吉林省税收收入中，增值税、消费税和企业所得税占总税收收入的95%以上。通过主成分分析，可以得出影响吉林省税收收入的影响因素主要包括人口、GDP、城镇居民人均可支配收入、农村居民人均可支配收入以及全社会消费品零售总额。通过本文基于BP神经网络的吉林省税收预测结果可知，本文方法可以有效对吉林省的税收经济进行预测，2018年吉林省税收将继续增长。

参考文献：

[1]Shnaider E， Kandel A. The use of fuzzy set theory for forecasting corporate tax revenues[J]. Fuzzy Sets & Systems，1989，31（2）：187-204.

[2]Zhang M， Cui J. Study on monthly central tax revenues forecasting models based on time series methods[J]. Journal of Systems Science & Mathematical Sciences，2008，28（11）：1383-1390.

[3]Whiteman C H. Bayesian Prediction Under Asymmetric Linear Loss： Forecasting State Tax Revenues in Iowa[M]. Modelling and Prediction Honoring Seymour Geisser. Springer New York，1996：149-166.

[4]王铮，刘海燕，刘丽.中国东中西部GDP溢出分析[J].经济科学，2003，25（1）：5-13.

[5]Court N J T. Annual report of the presiding judge of the tax court of New Jersey for the year ended June 30[J]. Tax Count，2014（11）：1-17.

[6]Scitovski R， Jukic' D. A method for solving the parameter identification problem for ordinary differential equations of the second order[J]. Applied Mathematics & Computation，1996，74（2-3）：273-291.

[7]Jusoh M， Nor N G， Zaidi M. Estimating factors affecting tax evasion in Malaysia： A neural network method analysis[J]. Prosiding Persidangan Kebangsaan Ekonomi Malaysia Ke VII，2012，2.

[8]Mao S， Wan W， Wang R， et al. The application of ant colony algorithm and artificial neural network in tax assessment[C]. International Conference on Audio Language and Image Processing. IEEE，2010.

[9]Li-Xia L， Yi-Qi Z， Liu X Y. Tax forecasting theory and model based on SVM optimized by PSO[J]. Expert Systems with Applications，2011，38（1）：116-120.

[10]劉迪，韩松岩，张师.基于BP神经网络的吉林省GDP预测研究[J].市场周刊（理论研究），2018（1）：62-63.

[11]吴迪，许桓凤.影响我国税收收入增长的因素分析——基于1981-2014年的时间序列数据[J].科技经济导刊，2017，（16）：263.

[12]申焕婷.我国税收收入影响因素的实证分析[J].经贸实践，2017（23）：12.

[13]福州市地方税务局课题组.税收预测方法的比较借鉴研究[J].税收经济研究，2014（3）：57-63.