基于ELman神经网络的税收预测模型-统计与决策.docVIP

基于ELman神经网络的税收预测模型 （咸宁学院 数学系，湖北 咸宁 437005） 摘　要: 在分析影响税收主要因素的基础上,将反馈型ELman神经网络理论应用于税收的预测。首先对初始数据进行预处理,使其适应ELman神经网络学习的要求,然后建立基ELman神经网络的税收预测模型。采用实际数据对模型进行验证,并将其与传统的统计模型相比较,证明了基于ELman神经网络的税收预测模型有较高的精度和较强的实用性。 关键词: 税收预测; 预测模型; ELman网络 中图分类号: TP183; 文献标识码: A 　 1 引 言 税收预测是在充分分析影响税收收入因素的变化和相关税收历史资料的基础上,运用一定的预测理论、方法和模型,对未来税收收入的前景做出判断。科学、准确的税收预测对于税收计划的正确制定有着重要的意义。 近年来许多学者利用计量统计方法,通过建立税收收入( TAX)与国内生产总值( GDP)的代数函数关系式来进行税收收入的预测 。利用统计方法建立模型有严格的条件限制,所得到的模型只能是某种程度上的近似。 此外,统计建模方法仅局限于一些特定的函数关系,而实际问题中的自变量与因变量有着更复杂的关系,有时相同的自变量与因变量在不同条件下、不同时期可能会有不同的函数关系。 与计量统计方法相比，神经网络无需事先知道描述自变量与因变量之间的数学方程式，就可以以任意精度逼近任意连续的函数，神经网络的容错能力还允许输入样本中带有噪音这对于采集样本受各种条件限制的经济预测问题而言具有重要的意义 。关于采用传统的前馈网络模型是否能进行有效的时序预测,院士郑颖人指出:3层前向网络及反馈神经网络分别表示非线性自回归模型及非线性自回归移动平均模型。因此,进行税收预测建模时,存在一个选择网络模型的问题,不能一味采用3层前向BP网络,而从时序分析的角度看,采用反馈网络更合理一些。 本文尝试采用一种新型反馈网络—Elman网络，尝试建立反映GDP与TAX非线性映射关系的税收预测模型。在此网络中,信息在前向传递的同时还要进行反向传递,是一种典型的动态神经元网络。它是在BP网络基本结构的基础上,通过存储内部状态使其具备映射动态特征的功能,从而使系统具有适应时变特性的能力。 2　研究对象与数据的预处理 研究税收预测,多从宏观上研究税收收入TAX与国内生产总值GDP的关系。为确保数据的可比性,文中以某经济特区市1994～2003年的GDP与TAX的数据为研究对象 ,因为我国在1994年后实行“分税制”税收制度。本研究所用数据是有时间先后的时间序列数据。 由于时间跨度长,为了消除物价指数、通货膨胀的影响,必须对原始数据按当年价格进行转换。 为不影响模型的预测效果,在原始数据中扣除了海关代征税与证券交易印花税。然后在所得数据范围内,用式（1）对数据进行归一化处理,使样本数据落在[0，1]范围之内: （1） 式中: Xi 为待归一化的数据, Xi 表示对Xi 归一化后的数据, 和分别是 数据中的最小值和最大值.处理前后的数据见表1表1 1994—2003年某经济特区市的TAX与GDP数据 年份 TAX GDP 处理前/亿元 处理后 处理前/亿元 处理后 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 75.86 102.24 120.70 166.20 206.19 255.20 277.43 360.01 441.06 563.15 0 0.0083 0.0141 0.0284 0.0409 0.0563 0.0633 0.0892 0.1147 0.1530 615.19 795.70 950.04 1130.01 1289.02 1436.03 1665.24 1908.15 2239.41 2860.50 3260 0.1694 0.2261 0.2745 0.3311 0.3810 0.4272 0.4992 0.5754 0.6795 0.8745 1 其中2004年的3260是政府预测的数值。 3 Elman神经网络模型的建立和学习 文中采用三层Elman神经网络结构来建立GDP到TAX的非线性映射模型,模型的输入、输出量均为一个,分别为x(GDP值)和y(TAX值) ;通过反复训练最终确定网络隐层节点数为6,所设计的Elman神经网络的结构如图1。其中X1’,X6’分别是隐层神经元输出X1,X6的一步延迟. 图1 Elman网络结构 　 TAX为教师信号,采用BP算法进行权值修正。隐层采用双曲正切函数,输出层采用线性传递函数。选2004年的数据作为预测样本；1994～1996和1998～2002年的数据作为训练样本；1997和