徐子卿

[摘 要]本文以貴州省1995-2017年的地方財(cái)政一般預(yù)算收入及其他相關(guān)經(jīng)濟(jì)指標(biāo)數(shù)據(jù)為樣本，通過(guò)Adaptive-Lasso變量選擇法來(lái)分析影響貴州省地方財(cái)政收入的關(guān)鍵因素，再用灰色預(yù)測(cè)模型篩選出的各指標(biāo)2018-2019年的值，最后建立BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)2018-2019年貴州省地方財(cái)政一般預(yù)算收入，得到預(yù)測(cè)效果良好。

[關(guān)鍵詞]財(cái)政收入;Adaptive-Lasso;灰色神經(jīng)網(wǎng)絡(luò)

[中圖分類(lèi)號(hào)]F323.6 [文獻(xiàn)標(biāo)識(shí)碼]A

地方財(cái)政收入是地方政府履行自身職能，有效調(diào)節(jié)地方資源配置、促進(jìn)經(jīng)濟(jì)穩(wěn)定發(fā)展的重要依據(jù)。合理有效地調(diào)配財(cái)政收入，可以使得地方政權(quán)更為便利地處理政府與人民之間的利益關(guān)系，從而促進(jìn)地方經(jīng)濟(jì)合理有序地發(fā)展。因而對(duì)地方財(cái)政收入進(jìn)行有效預(yù)測(cè)并對(duì)其影響因素進(jìn)行全面而深入的分析，對(duì)地方政權(quán)合理改善財(cái)政收支、正確處理地方財(cái)政與經(jīng)濟(jì)的關(guān)系具有非常重要的現(xiàn)實(shí)意義。

對(duì)財(cái)政收入影響因素及其預(yù)測(cè)的研究已有很多學(xué)者進(jìn)行過(guò)，從現(xiàn)有文獻(xiàn)來(lái)看，他們大多采用傳統(tǒng)統(tǒng)計(jì)的方法，使用多元統(tǒng)計(jì)或時(shí)間序列的方法建立財(cái)政收入與其影響因素之間的預(yù)測(cè)模型。本文擬采用Adaptive-Lasso變量選擇法來(lái)解決自變量選擇這一問(wèn)題，并以此來(lái)對(duì)地方財(cái)政收入的影響因素進(jìn)行分析，最后采用灰色神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)地方財(cái)政收入進(jìn)行預(yù)測(cè)。

1 模型構(gòu)建

1.1 Adaptive—Lasso變量選擇模型

1996年Tibshiranni提出了Lasso方法，在一定程度上解決了變量選擇的主觀性問(wèn)題，并使其可以與參數(shù)估計(jì)同時(shí)進(jìn)行，但其也有一定的局限性。Hui ZOU（2006）提出了一種通過(guò)在不同系數(shù)上增添不同權(quán)重的Adaptive-Lasso方法，其定義如下：

式中，λ為非負(fù)正則參數(shù)，稱(chēng)為懲罰項(xiàng)，權(quán)重，j=1，2，...，p，為由普通最小二乘法得出的系數(shù)。

1.2 灰色預(yù)測(cè)模型

灰色模型（Gray Model，GM）是時(shí)間數(shù)據(jù)序列建立系統(tǒng)的動(dòng)態(tài)模型。設(shè)變量X （0）={X （0）（i），i=1，2...，n}為一非負(fù)單調(diào)序列，以此來(lái)建立灰色預(yù)測(cè)模型：

首先對(duì)X （0）進(jìn)行一次累加得到一次累加序列

X （1）={X （1）（k），k=1，2...，n}。其次對(duì)X （1）建立下述一階線性微分方程：。（也被稱(chēng)為GM（1，1）模型。）

對(duì)上式微分方程求解，得：。

因以上模型所得到的是一次累加量，還需將其所得數(shù)據(jù)累減簡(jiǎn)化為，最后得到的灰色預(yù)測(cè)模型為：

1.3 BP神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)實(shí)質(zhì)上是一種多層感知器，分為輸入層、隱層以及輸出層，層與層之間通過(guò)諸多節(jié)點(diǎn)相互連接，通過(guò)賦予每個(gè)節(jié)點(diǎn)特定的函數(shù)以及不同的權(quán)重來(lái)調(diào)節(jié)網(wǎng)絡(luò)輸出。神經(jīng)網(wǎng)絡(luò)是一種具有“自主學(xué)習(xí)”能力的算法，其可以通過(guò)大量的樣本數(shù)據(jù)來(lái)不斷調(diào)整權(quán)值以此來(lái)訓(xùn)練模型提高模型精度，而B(niǎo)P神經(jīng)網(wǎng)絡(luò)即是所使用權(quán)值調(diào)整方法基于BP算法（誤差反向傳播法）的神經(jīng)網(wǎng)絡(luò)。具體的BP算法步驟參考文獻(xiàn)。

2 實(shí)證分析

2.1 變量選擇

本文選取貴州省地方財(cái)政一般預(yù)算收入（y）作為因變量，且在前人所做研究的基礎(chǔ)之上初步選取以下因素作為自變量：全社會(huì)固定資產(chǎn)投資總額（X1）、地區(qū)生產(chǎn)總值（X2）、居民消費(fèi)水平（X3）、第三產(chǎn)業(yè)與第二產(chǎn)業(yè)產(chǎn)值比（x4）、居民消費(fèi)價(jià)格指數(shù)（X5）、社會(huì)消費(fèi)品零售總額（X6）、年末總?cè)丝冢╔7）、就業(yè)人口（X8）、城鎮(zhèn)居民人居可支配收入（X9）、城鎮(zhèn)居民人均消費(fèi)性支出（X10）、工業(yè)增加值（X11）、國(guó)內(nèi)旅游收入（X12）。

2.2 數(shù)據(jù)來(lái)源及預(yù)處理

本文數(shù)據(jù)均來(lái)源于《貴州統(tǒng)計(jì)年鑒》（1995-2017）及國(guó)家統(tǒng)計(jì)局官方網(wǎng)站（1995-2017），因原始數(shù)據(jù)集中部分變量存在缺失值，本文采用拉格朗日插值法對(duì)缺失值進(jìn)行補(bǔ)充。

2.3 Adaptive-Lasso變量選擇

本文使用Python編制的LARS算法程序來(lái)計(jì)算Adaptive-Lasso估計(jì)系數(shù)，得結(jié)果如下：

由表1可以看出，地區(qū)生產(chǎn)總值以及第三產(chǎn)業(yè)與第二產(chǎn)業(yè)產(chǎn)值比這兩個(gè)因素的系數(shù)為0，即在模型建立的過(guò)程中這兩個(gè)變量被剔除了，這是因?yàn)榈貐^(qū)生產(chǎn)總值與二三產(chǎn)業(yè)產(chǎn)值比以及工業(yè)增加值存在明顯的多重共線性，而對(duì)貴州省來(lái)講工業(yè)增加值對(duì)財(cái)政收入的貢獻(xiàn)率相對(duì)另外兩個(gè)變量較高，Adaptive-Lasso方法剔除了另外兩個(gè)變量而保留了工業(yè)增加值。

2.4 灰色神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)組合模型

對(duì)上述影響貴州省地方財(cái)政一般預(yù)算收入的各主要因素建立灰色預(yù)測(cè)模型，得部分結(jié)果如下：

將原始數(shù)據(jù)集及上述預(yù)測(cè)數(shù)據(jù)零均值標(biāo)準(zhǔn)化后，將原始數(shù)據(jù)集作為訓(xùn)練數(shù)據(jù)集建立3層BP神經(jīng)網(wǎng)絡(luò)模型，其參數(shù)設(shè)置為輸入層神經(jīng)元節(jié)點(diǎn)數(shù)為10，隱層神經(jīng)元節(jié)點(diǎn)數(shù)為12，輸出層神經(jīng)元節(jié)點(diǎn)數(shù)為1，誤差精度10-7，學(xué)習(xí)次數(shù)10000次。通過(guò)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型得到貴州省地方財(cái)政一般預(yù)算收入：2018年、2019年的預(yù)測(cè)值分別為1881.16億元、2070.01億元。由圖1貴州省地方財(cái)政一般預(yù)算收入真實(shí)值與預(yù)測(cè)值對(duì)比圖可知預(yù)測(cè)效果較好。

3 結(jié)論

本文利用Adaptive-Lasso變量選擇方法篩選影響貴州省地方財(cái)政一般預(yù)算收入的關(guān)鍵因素。由Adaptive-Lasso參數(shù)估計(jì)系數(shù)可以看出貴州省地方財(cái)政一般預(yù)算收入的主要影響因素有全社會(huì)固定資產(chǎn)投資總額、居民消費(fèi)水平、居民消費(fèi)價(jià)格指數(shù)、社會(huì)消費(fèi)品零售總額、年末總?cè)丝凇⒕蜆I(yè)人口、城鎮(zhèn)居民人居可支配收入、城鎮(zhèn)居民人均消費(fèi)性支出、工業(yè)增加值、國(guó)內(nèi)旅游收入。其中社會(huì)消費(fèi)品零售總額是貴州省地方財(cái)政一般預(yù)算收入最重要的影響因素，可見(jiàn)貴州省目前正處于一個(gè)社會(huì)消費(fèi)意愿強(qiáng)烈，消費(fèi)能力逐步提高的狀態(tài)，依靠消費(fèi)增長(zhǎng)帶動(dòng)財(cái)政收入增長(zhǎng)。其次工業(yè)增加值作為第二主要因素是因?yàn)橘F州礦產(chǎn)資源豐富，工業(yè)一直是貴州省的支柱產(chǎn)業(yè)。最后由灰色神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型得到的結(jié)果發(fā)現(xiàn)2017年之前的預(yù)測(cè)效果良好，但2017-2018年的貴州省地方財(cái)政一般預(yù)算收入增幅略高，不太符合目前地方財(cái)政收入增速放緩的大趨勢(shì)，結(jié)果有待改善。

[參考文獻(xiàn)]

[1] 余力.中國(guó)財(cái)政收入影響因素的統(tǒng)計(jì)分析[J].青海大學(xué)學(xué)報(bào)，2015（03）.

[2] 刑棉.季節(jié)性預(yù)測(cè)的組合灰色神經(jīng)網(wǎng)絡(luò)模型研究[J].系統(tǒng)工程理論與時(shí)間，2001（01）.

[3] 蔣宗禮.人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論[M].北京：高等教育出版社，2001.

[收稿日期]2019-01-07