基于BP神经网络优化税收预测的实证分析.docx

基于BP神经网络优化税收预测的实证分析

【摘要】本文旨在通过设计一个税收BP神经网络预测模型，通过优化运算方法，提高税收收入预测的准确性。首先选择影响税收预测的7个变量进行数据去重处理后，输入BP神经网络，然后利用BP网络模型对变量数据进行训练，根据训练结果发现，采用PCA-BPNN模型的税收预测精度更高，达到了提高税收收入预测准确度的要求。

【关键词】BP神经网络;营商环境;税收预测

1?引言

税收营商环境的建设，无论是“放管服”还是“互联网+税务”的决策，都离不开对税收收入的预测和评估。针对税收预测，目前主要采用BP神经网络训练的方法。早在20世纪80年代，神经网络就被国外学者Rumelhart提出，该研究成果的公开发表标志着神经网络模型用于预测研究的开始。相继王迪构建的BP神经网络税收预测模型，为税务分析提供了灵活的运算方法。余杨、王时绘通过比对Cubic模型、线性回归模型、ARIMA模型3个单一预测模型和组合模型对贵州省税收收入进行预测的误差进行实证研究，再次证明了BP模型在税收预测领域具有较强的实用性和科学性。但传统BP算法存在明显的缺陷：误差收敛速度慢、学习时间过长、学习过程易陷入局部极小值、网络泛化能力差、构建网络结构缺乏统一原则等，这些缺陷直接制约BP神经网络的学习精度，影响网络的应用效果，导致税收预测结果不够准确。

本文针对传统BP神经网络的缺陷，运用主成分分析（PCA）和BP神经网络（BPNN）相结合的方法建立税收预测模型并进行实证分析，运算结果表明，采用PCA-BPNN模型的税收预测精度更高，达到了提高税收收入预测准确度的要求。

2?方法

2.1BP神经网络

BP神经网络做税收预测主要包括：①将所选变量数据样本输入神经网络，②采用反向传播算法对变量数据的权值和偏差进行重复的训练，使输出的数据与期望值相接近，当网络输出层的误差平方和小于指定的误差时标志着训练完成，保存神经网络的权值和偏差。

2.2主成分分析法

在BP神经网络运算中，变量数据太多会增加运算的复杂性，降低模型的运算效率，影响运算准确度。在税收预测方面，影响税收的数据变量有多个方面，而且变量之间存在有一定的关联性。当两个变量之间有一定相关关系时，意味着数据存在重叠，增加运算过程和难度。本文采用的主成分分析方法是基于税收预测的原始变量，将重复的变量（关系紧密的数据变量）删掉，建立尽可能少的新变量，保障这些变量是两两不相关的，而且这些新变量在反映税收的变量方面尽可能保持原有的数据，其目的在于简化神经网络运算过程。

3?PCA-BPNN税收预测模型

3.1数据的选择

基于文献研究，影响税收预测的变量主要包括国内生产总值（GDP）、全社会固定资产投资总额（TFA）、进出口总额（IMP）、财政支出（PFE）、社会消费品零售总额（TRS）、国民生产总值（GNP）、货币供应量（MS）七大因素。本文选择1995—2016年的国家统计局数据分析税收增长的因素，构建税收收入预测模型。其中筛选1995—2013年的数据作为训练样本，将2014—2016年的数据作为对照样本。

3.2主成分分析

利用SPSS软件，对所选的样本数据进行关联性分析。相关系数矩阵如表1所示：各数据变量间存在关联，即所选变量之间存在重复因子，因此有必要对所选因子进行主成分分析去重，只保留贡献率较高的税收预测主成分因子。

根据表1的主成分特征值与贡献率可知，国内生产总值（GDP）、全社会固定资产投资总额（TFA）的贡献率高达98%以上，即认为这2个主成分的综合指标基本涵盖了原数据的全部内容。

3.3PCA-BPNN税收预测模型实现

根据表1结论，本文选择国内生产总值（GDP）和全社会固定资产投资总额（TFA）两个主成分因子对BP神经网络进行运算，以2014—2016年的税收额作为本模型预测值。为了验证本PCA-BPNN模型相较于传统BP神经网络的结果差异，本文另选择了两个参照模型——传统BP神经网络模型和税收实际值。分别将BPNN于PAC-BPNN这两个模型的预测结果与实际值进行对比，对比结果见表2。

3.4结果分析

根据表3可发现，相较于传统BP神经网络算法，PAC-BPNN模型的预测结果与实际值更接近。故可以认为PCA-BPNN的预测精度高于传统BP神经网络。在整个对比过程中，PCA-BPNN模型利用主成分分析方法减少了重复变量，只保留贡献率较高的税收预测主成分因子，大大降低了自变量之间的相关性，实现对税收预测变量的降维化处理。因此得出结论：采用主成分分析法和BP神经网络相结合的模型，对税收预测效果良好，预测数据更接近实际值，本PCA-BPNN模型具有实用性。

4?结束语

根据传统BP神经网络训练方法存在的缺陷，本文运用主成分分析（PCA）方法和BP神经网络（BPNN）相结合建立税收预测模型并