基于BP神經(jīng)網(wǎng)絡優(yōu)化稅收預測的實證分析

王路 王萬揚

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

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

1?引言

稅收營商環(huán)境的建設，無論是“放管服”還是“互聯(lián)網(wǎng)+稅務”的決策，都離不開對稅收收入的預測和評估。針對稅收預測，目前主要采用BP神經(jīng)網(wǎng)絡訓練的方法。早在20世紀80年代，神經(jīng)網(wǎng)絡就被國外學者Rumelhart提出，該研究成果的公開發(fā)表標志著神經(jīng)網(wǎng)絡模型用于預測研究的開始。相繼王迪構(gòu)建的BP神經(jīng)網(wǎng)絡稅收預測模型，為稅務分析提供了靈活的運算方法。余楊、王時繪通過比對Cubic模型、線性回歸模型、ARIMA模型3個單一預測模型和組合模型對貴州省稅收收入進行預測的誤差進行實證研究，再次證明了BP模型在稅收預測領(lǐng)域具有較強的實用性和科學性。但傳統(tǒng)BP算法存在明顯的缺陷：誤差收斂速度慢、學習時間過長、學習過程易陷入局部極小值、網(wǎng)絡泛化能力差、構(gòu)建網(wǎng)絡結(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)絡的學習精度，影響網(wǎng)絡的應用效果，導致稅收預測結(jié)果不夠準確。

本文針對傳統(tǒng)BP神經(jīng)網(wǎng)絡的缺陷，運用主成分分析（PCA）和BP神經(jīng)網(wǎng)絡（BPNN）相結(jié)合的方法建立稅收預測模型并進行實證分析，運算結(jié)果表明，采用PCA-BPNN模型的稅收預測精度更高，達到了提高稅收收入預測準確度的要求。

2?方法

2.1BP神經(jīng)網(wǎng)絡

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

2.2主成分分析法

在BP神經(jīng)網(wǎng)絡運算中，變量數(shù)據(jù)太多會增加運算的復雜性，降低模型的運算效率，影響運算準確度。在稅收預測方面，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，增加運算過程和難度。本文采用的主成分分析方法是基于稅收預測的原始變量，將重復的變量（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)絡運算過程。

3?PCA-BPNN稅收預測模型

3.1數(shù)據(jù)的選擇

基于文獻研究，影響稅收預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）、進出口總額（IMP）、財政支出（PFE）、社會消費品零售總額（TRS）、國民生產(chǎn)總值（GNP）、貨幣供應量（MS）七大因素。本文選擇1995—2016年的國家統(tǒng)計局數(shù)據(jù)分析稅收增長的因素，構(gòu)建稅收收入預測模型。其中篩選1995—2013年的數(shù)據(jù)作為訓練樣本，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因子，因此有必要對所選因子進行主成分分析去重，只保留貢獻率較高的稅收預測主成分因子。

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

3.3PCA-BPNN稅收預測模型實現(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)絡進行運算，以2014—2016年的稅收額作為本模型預測值。為了驗證本PCA-BPNN模型相較于傳統(tǒng)BP神經(jīng)網(wǎng)絡的結(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)絡模型和稅收實際值。分別將BPNN于PAC-BPNN這兩個模型的預測結(jié)果與實際值進行對比，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)絡算法，PAC-BPNN模型的預測結(jié)果與實際值更接近。故可以認為PCA-BPNN的預測精度高于傳統(tǒng)BP神經(jīng)網(wǎng)絡。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變量，只保留貢獻率較高的稅收預測主成分因子，大大降低了自變量之間的相關(guān)性，實現(xiàn)對稅收預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)絡相結(jié)合的模型，對稅收預測效果良好，預測數(shù)據(jù)更接近實際值，本PCA-BPNN模型具有實用性。

4?結(jié)束語

根據(jù)傳統(tǒng)BP神經(jīng)網(wǎng)絡訓練方法存在的缺陷，本文運用主成分分析（PCA）方法和BP神經(jīng)網(wǎng)絡（BPNN）相結(jié)合建立稅收預測模型并進行實證分析，根據(jù)訓練結(jié)果發(fā)現(xiàn)，該模型的稅收預測值更接近實際值，預測精度高于傳統(tǒng)BP神經(jīng)網(wǎng)絡，達到了準確預測稅收收入的要求。

參考文獻：

[1]余楊，王時繪.稅收預測的數(shù)學模型[J].湖北大學學報，2012，34（1）.

[2]劉天舒.BP神經(jīng)網(wǎng)絡的改進研究及應用[D]. 東北農(nóng)業(yè)大學.