吉林省稅收經濟分析與預測研究

劉迪 于昌平 陳雷 張師

摘要：稅收分析與預測是吉林省稅收管理工作的重要內容，稅收預測可以為政府下一期財政預算的編制提供參考，也可以作為稅收計劃的制定和下級考核標準的重要依據，還是開展風險防控、預測稅收流失工作的前提。本文首先基于2009—2017年吉林省稅收數據進行分析，采用主成分分析法，研究了吉林省稅收收入的影響因素，基于BP神經網絡建立了吉林省稅收預測模型，并采用吉林省數據對本文的預測模型進行有效性驗證。通過本文研究可以得出，該模型可以準確預測吉林省稅收，且2018年吉林省稅收會呈增長趨勢。

關鍵詞：稅收;預測;神經網絡;主成分分析

中圖分類號：F810.42文獻標識碼：A文章編號：1008-4428（2019）01-0066-03

一、 引言

稅收分析與預測是吉林省稅收管理工作的重要內容，稅收的準確預測具有重要意義。首先，稅收預測可以為政府下一期財政預算的編制提供參考，也是對政府預算進行分析、討論與調整的依據;其次，稅收預測也可以作為稅收計劃的制定和下級考核標準的重要依據;此外，稅收預測還是開展風險防控、預測稅收流失工作的前提。

發達國家對稅收預測的工作十分重視，經濟合作發展組織（Organization for Economic Co-operation and Development，OECD）、國際貨幣基金組織（International Monetary Fund，IMF）以及國外各大高校紛紛對稅收預測技術進行了相關研究。

目前，我國稅收預測研究尚處于起步階段，由于稅收與人口、國內生產總值（Gross Domestic Product GDP）、人均收入等因素存在著復雜的關系，不易建立較為準確的數學模型，因此大部分稅收預測工作還基于經驗判斷的定性分析。

目前，國內外關于稅收預測的方法已經取得了一些進展，美國新澤西州采用了季節調整時間序列預測了該州的稅收情況，并作出了相應的政策調整;荷蘭的稅務官員曾指出，采用最小二乘法比較適用于荷蘭的稅收經濟預測。

進入21世紀以來，隨著人工智能技術的發展，神經網絡、支持向量機不斷被學者們應用到預測分析中，馬來西亞學者Jusoh M分析了馬來西亞的稅收經濟影響因素，在此基礎上采用神經網絡算法建立了稅收預測模型，但并未采用實測數據對模型予以驗證;上海大學通信與信息工程學院的學者們采用神經網絡建立了稅收預測模型，結合蟻群算法對模型參數進行優化，通過數據分析驗證了其預測方法的有效性。支持向量機相比于神經網絡算法，其預測精度稍差，但有學者通過采用粒子群算法對模型進行了優化，提高了預測精度。

本人在2017年12月采用BP神經網絡算法，研究了吉林省GDP預測模型，并采用歷年數據驗證了模型的有效性。BP神經網絡相比于其他算法，預測精度較高，因此，采用BP神經網絡對吉林省稅收進行預測較為合理。

二、 吉林省稅收經濟影響因素分析

吉林省國稅局公布的2009—2017年全省稅收數據繪成走勢圖如圖1所示。

從圖1可以看出，吉林省稅收總體呈增長趨勢，在2015年有所下降，在2016年又呈上升趨勢。以2015年為例，稅收收入各部分占比如圖2所示。

從圖2可以看出，增值稅、消費稅、企業所得稅占總稅收的96%左右，這三項稅收收入的多少直接決定了總稅收收入。

在2017年新增城建稅，2017年各項稅收收入占比如圖3所示，可以看出增值稅、消費稅、企業所得稅仍然為總稅收收入的主體。

根據文獻[11-13]的研究，本文將人口、GDP、城鎮居民人均可支配收入、農村居民人均可支配收入、人民幣兌美元匯率、全社會消費品零售總額作為影響吉林省稅收的因素。采用主成分分析法對吉林省稅收經濟影響因素分析，各主成分系數分別為：-0.1736（人口）、0.3563（GDP）、0.3838（城鎮居民人均可支配收入）、0.3801（農村居民人均可支配收入）、-0.0104（人民幣兌美元匯率）、0.3916（全社會消費品零售總額）。可以看出，人民幣兌美元匯率的主成分系數較小，因此可以認為人民幣兌美元匯率對吉林省稅收沒有影響。

三、 基于BP神經網絡的吉林省稅收預測

反傳（Back Propagation，BP）神經網絡最早由哈佛大學的P.Werbos和斯坦福大學的James Mc-Clelland等人最早提出的，是多層映射網絡，采用最小均方差的學習方式。時至今日，仍然是最普及和最廣泛應用的網絡，具有工作良好、容易學習的優點。

根據對吉林省稅收經濟影響因素的分析，采用前一年的稅收、人口、GDP、城鎮居民人均可支配收入、農村居民人均可支配收入以及全社會消費品零售總額作為BP神經網絡的輸入量，輸出量為吉林省稅收增長率。設置隱含層神經元5個，訓練精度0.0001。

采用2009—2015年的稅收、人口、GDP、城鎮居民人均可支配收入、農村居民人均可支配收入以及全社會消費品零售總額作為BP神經網絡的輸入訓練數據，采用2010—2016年的稅收增長率作為輸出訓練數據，訓練神經模型，數據如表1所示，誤差變化曲線如圖4所示。

將2016年的稅收、人口、GDP、城鎮居民人均可支配收入、農村居民人均可支配收入以及全社會消費品零售總額作為BP神經網絡的輸入，對2017年的稅收增長率進行預測，得出2017年稅收增長率為23.74%，稅收為14849220萬元，2017年稅收實際增長率為21.55%，稅收為14586222萬元，表明本文的方法可以較為準確地預測吉林省稅收經濟。

采用2009—2016年的稅收、人口、GDP、城鎮居民人均可支配收入、農村居民人均可支配收入以及全社會消費品零售總額作為BP神經網絡的輸入訓練數據，采用2010—2017年的稅收增長率作為輸出訓練數據，訓練神經模型，預測2018年稅收情況，誤差變化曲線如圖5所示。預測得到2018年稅收增長率為5.05%，稅收為15322826.2萬元。

四、 結論

稅收分析與預測是吉林省稅收管理工作的重要內容，稅收的準確預測具有重要意義。本文在研究國內外相關發展現狀的基礎上，對吉林省稅收經濟分析與預測展開研究，可以得出以下結論：

吉林省稅收收入中，增值稅、消費稅和企業所得稅占總稅收收入的95%以上。通過主成分分析，可以得出影響吉林省稅收收入的影響因素主要包括人口、GDP、城鎮居民人均可支配收入、農村居民人均可支配收入以及全社會消費品零售總額。通過本文基于BP神經網絡的吉林省稅收預測結果可知，本文方法可以有效對吉林省的稅收經濟進行預測，2018年吉林省稅收將繼續增長。

參考文獻：

[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]王錚，劉海燕，劉麗.中國東中西部GDP溢出分析[J].經濟科學，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，韓松巖，張師.基于BP神經網絡的吉林省GDP預測研究[J].市場周刊（理論研究），2018（1）：62-63.

[11]吳迪，許桓鳳.影響我國稅收收入增長的因素分析——基于1981-2014年的時間序列數據[J].科技經濟導刊，2017，（16）：263.

[12]申煥婷.我國稅收收入影響因素的實證分析[J].經貿實踐，2017（23）：12.

[13]福州市地方稅務局課題組.稅收預測方法的比較借鑒研究[J].稅收經濟研究，2014（3）：57-63.