基于BP神經網絡優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神經網絡預測模型，通過優化運算方法，提高稅收收入預測的準確性。首先選擇影響稅收預測的7個變量進行數據去重處理后，輸入BP神經網絡，然后利用BP網絡模型對變量數據進行訓練，根據訓練結果發現，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。

【關鍵詞】BP神經網絡;營商環境;稅收預測

1?引言

稅收營商環境的建設，無論是“放管服”還是“互聯網+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神經網絡訓練的方法。早在20世紀80年代，神經網絡就被國外學者Rumelhart提出，該研究成果的公開發表標志著神經網絡模型用于預測研究的開始。相繼王迪構建的BP神經網絡稅收預測模型，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模型在稅收預測領域具有較強的實用性和科學性。但傳統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、網絡泛化能力差、構建網絡結構缺乏統一原則等，這些缺陷直接制約BP神經網絡的學習精度，影響網絡的應用效果，導致稅收預測結果不夠準確。

本文針對傳統BP神經網絡的缺陷，運用主成分分析（PCA）和BP神經網絡（BPNN）相結合的方法建立稅收預測模型并進行實證分析，運算結果表明，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神經網絡

BP神經網絡做稅收預測主要包括：①將所選變量數據樣本輸入神經網絡，②采用反向傳播算法對變量數據的權值和偏差進行重復的訓練，使輸出的數據與期望值相接近，當網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，保存神經網絡的權值和偏差。

2.2主成分分析法

在BP神經網絡運算中，變量數據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，影響稅收的數據變量有多個方面，而且變量之間存在有一定的關聯性。當兩個變量之間有一定相關關系時，意味著數據存在重疊，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（關系緊密的數據變量）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據，其目的在于簡化神經網絡運算過程。

3?PCA-BPNN稅收預測模型

3.1數據的選擇

基于文獻研究，影響稅收預測的變量主要包括國內生產總值（GDP）、全社會固定資產投資總額（TFA）、進出口總額（IMP）、財政支出（PFE）、社會消費品零售總額（TRS）、國民生產總值（GNP）、貨幣供應量（MS）七大因素。本文選擇1995—2016年的國家統計局數據分析稅收增長的因素，構建稅收收入預測模型。其中篩選1995—2013年的數據作為訓練樣本，將2014—2016年的數據作為對照樣本。

3.2主成分分析

利用SPSS軟件，對所選的樣本數據進行關聯性分析。相關系數矩陣如表1所示：各數據變量間存在關聯，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。

根據表1的主成分特征值與貢獻率可知，國內生產總值（GDP）、全社會固定資產投資總額（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據的全部內容。

3.3PCA-BPNN稅收預測模型實現

根據表1結論，本文選擇國內生產總值（GDP）和全社會固定資產投資總額（TFA）兩個主成分因子對BP神經網絡進行運算，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BP神經網絡的結果差異，本文另選擇了兩個參照模型——傳統BP神經網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果與實際值進行對比，對比結果見表2。

3.4結果分析

根據表3可發現，相較于傳統BP神經網絡算法，PAC-BPNN模型的預測結果與實際值更接近。故可以認為PCA-BPNN的預測精度高于傳統BP神經網絡。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性，實現對稅收預測變量的降維化處理。因此得出結論：采用主成分分析法和BP神經網絡相結合的模型，對稅收預測效果良好，預測數據更接近實際值，本PCA-BPNN模型具有實用性。

4?結束語

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

參考文獻：

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

[2]劉天舒.BP神經網絡的改進研究及應用[D]. 東北農業大學.