基于BP神經網絡的 “三公”經費支出研究

李紫文

(上海理工大學 管理學院， 上海 200093)

2011年中央行政單位、事業單位和其他單位的“三公”經費支出已達到93.64億元。在所有部門中，國家稅務總局以近21億的“三公”經費支出而位列榜首，其中公務用車購置及運行費近14億、公務接待費近7億。此次的“三公”經費公開引起了社會廣泛關注。2012年底中央出臺了八項規定。自此，中央各部門認真貫徹落實中央“八項規定”精神和厲行節約的要求，壓縮公務用車購置及運行維護費和公務接待費。近幾年，中央各部門嚴控“三公”經費支出，加強和規范公務用車配備使用管理，進一步規范公務接待活動，嚴控接待費開支范圍，壓縮“三公”經費效果顯著。基于以上背景，本文以國家稅務總局系統為研究對象，研究其2011—2018年的“三公”經費實際支出情況以及“三公”經費預決算差距情況，并通過全國31個省區市地方稅務局的數據建立一個“三公”經費支出預測模型，為“三公”經費的預算提供一定參考。

近幾年圍繞“三公”經費的研究主要為分析“三公”經費管理存在的問題并給出相關建議。張志紅通過分析“三公”經費居高不下的原因，給出了削減“三公”經費支出的對策[1]。李占樂通過研究政府“三公”經費公開的意義和現狀，給出了完善和推進政府“三公”經費公開的對策建議[2]。張琦等選擇2011年商務部“三公”經費公開案例，剖析了在網絡化環境下，中國預算制度變遷對政府財務信息傳導機制的影響[3]。梁勇等通過高?！叭苯涃M監管問題原因分析，提出加強其監管的有效措施[4]。謝柳芳等人通過分析“三公”經費披露的本質，指出應構建完整的披露體系和審計監控體系[5]。邵理團從行政事業單位內控的視角對“三公”經費的問題進行探究[6]。王明龍從公開預決算接受監督、嚴格管理公務卡消費制度以及慎重選擇供應商等方面提出一些具體的“三公”經費管理的對策[7]。夏海利利用218個地級市政府的橫截面數據實證分析了財政透明度對市本級“三公”經費變化率的影響[8]。綜上，少有針對“三公”經費的定量分析，將“三公”經費與機器學習結合的研究更加鮮有。

本文首先手工搜集國家稅務總局“三公”經費數據并對其近幾年的實際支出做了趨勢分析和差異解釋。其次，將機器學習與“三公”經費支出相結合，根據數據內部規律，建立神經網絡輸入和輸出的映射關系，由此構造出一個“三公”經費支出預測模型，以期提高“三公”經費預算準確度。

1 國稅局系統“三公”經費支出分析

1.1 樣本選擇與數據來源

“三公”經費指的是公用經費中的因公出國(境)費、公務接待費、公務用車購置及運行費。數據來源于國家稅務總局網站和中國31個省區市的地方稅務局網站以及地方政府網站中公布的財政預決算信息。對于國家稅務總局的數據，選取了2011—2018年的“三公”經費預決算數據；對于地方稅務局的數據，首先收集了31個省區市在各地方稅務局網站和政府網站中已公布的“三公”經費預決算數據，然后剔除了因當年政策或偶發事件導致變化較大的個別年份的數據，保證了數據的整體一致性。

1.2 國稅系統“三公”經費實際支出情況分析

對“三公”經費的實際總支出進行分析，國稅系統2011—2018年實際支出見表1，支出變化如圖1所示。

表1 國稅系統“三公”經費支出 單位：萬元

圖1 國稅系統“三公”經費支出變化趨勢

由表1和圖1可知，在國稅系統“三公”經費實際支出總額上，2012年與2011年相比變化不大，但從2013年開始逐年降低。原因是2012年底中央出臺了八項規定，由此各部門開始真正展開“三公”經費的控制?？傮w而言，“三公”經費在2011年支出總額是203 842.15萬元，經過2013—2016年較大程度的下降，以及2017和2018年較緩程度的下降，在2018年“三公”經費支出總額削減至68 843.79萬元，即“三公”經費支出經過7年的控制，削減了66.23%。具體來看，因公出國(境)費近幾年變化不大，近幾年“三公”經費實際支出的連續下降主要體現在公務用車購置及運行費和公務接待費上。通過圖1可以明顯看出，公務接待費在2014年下降明顯，這也導致了“三公”經費總支出在2014年明顯下降。由此可知，在公務接待方面，此前一直存在很大程度的鋪張和浪費。

1.3 國稅系統“三公”經費預決算差距分析

國稅系統2011—2018年“三公”經費預決算數據見表2，預決算差距趨勢如圖2所示。由表2和圖2可知“三公”經費預決算差距在2011和2012年并不明顯，自2013年開始逐年變大，在2017年和2018年達到最大。

圖2 “三公”經費預決算總支出

表2 國稅系統2011—2018年“三公”經費總支出 單位：萬元

因公出國(境)預決算總支出、公務用車購置及運行費預決算總支出以及公務接待費預決算總支出分別如圖3、圖4和圖5所示。

圖3 因公出國(境)預決算總支出

圖4 公務用車購置及運行費預決算總支出

圖5 公務接待費預決算總支出

由圖3可知，2015年因公出國(境)決算數相比于2014年突然增加了139.12萬元，增長11.2%，主要是因為當年國際稅收交流合作任務增加所導致。而從2016年開始，決算數開始下降，主要是因為此后國際稅收交流合作任務支出減少了。

由圖4可知，2016年之前，公務用車購置及運行費的預決算間的差距比較穩定，2016年之后預決算差距逐漸拉大，這主要是因為2016年以后國稅系統按屬地原則推進公務用車制度改革，逐步減少了公務用車數量，公務用車運行維護費也相應減少。

由圖5可知，公務員接待費自2013年開始大幅度的下降，在2015年預決算差距達到最大值，這主要是因為國家稅務總局系統嚴格開展公務接待管理，因而公務接待批次、人次相應減少，同時也嚴格控制公務接待費開支標準，所以公務接待費支出也相應減少了。

綜上所述，通過近幾年的嚴格管控，“三公”經費的支出整體呈下降趨勢，自2013年，“三公”經費的預決算差距也逐步增大，因此為了合理預測“三公”經費的實際支出，為財政預算提供參考，縮小“三公”經費預決算之間的差距，本文采用神經網絡算法，利用BP神經網絡對收集到的70個地方稅務局的“三公”經費實際支出數據進行學習，最終精確預測各稅務局下一年度的“三公”經費支出，為下一年“三公”經費的預算提供參考。

2 基于神經網絡的“三公”經費支出預測模型

2.1 BP神經網絡

人工神經網絡模擬的是生物的神經系統結構，由大量的單個簡單神經元也即處理單元相互連結組成的動態系統，該系統具有非線性自適應能力。它模仿大腦的信息處理機理，可以對新事物進行學習和記憶，同時也能對數據進行計算和智能處理。因此不需要任何先驗公式，便能從樣本數據中自動歸納規則，獲得樣本數據的內在規律。當問題內部各因素是非線性映射關系時，人工神經網絡可對其進行識別和推理，經過多次學習后，最終達到能對問題進行分類和預測的效果。因此在面臨模糊問題和模式特征不明確的問題時，可考慮利用人工神經網絡對問題進行求解。前饋型神經網絡(BP神經網絡)是目前應用最為廣泛且發展最為迅速的人工神經網絡之一。這種網絡是單向多層結構，網絡的第一層為輸入層，中間為隱層，最后一層是輸出層，如圖6所示。

圖6 BP神經網絡模型

BP神經網絡中神經元的運作公式為

(1)

Oj=fj(netj)

(2)

(3)

式中：wij為神經元i到神經元j的連接權值；xi為神經元j的輸入；θj為神經元j的閾值；Oj為神經元j的輸出；fj(x)為神經元j輸入與輸出之間的轉換函數，此處為能夠較好適應線性和非線性應用問題的Sigmoid函數，簡稱為S型轉換函數。BP神經網絡學習時的誤差公式為

(4)

式中，ej=oj-yj為網絡輸出與期望輸出的差。為了讓網絡經過不斷地學習樣本數據后最終學會樣本，需要每一次樣本輸出與期望輸出之間的E都盡可能地小，這通過調整網絡每一層的連接權來實現。調整權值可選用梯度下降算法。

BP網絡學習過程的算法步驟如下：

1)確定神經網絡的結構和參數，包括輸入層、隱含層和輸出層神經元個數和允許的誤差范圍等。

2)對權值和閾值進行初始化。

3)輸入樣本的各指標值和期望輸出。

4)計算樣本的隱含層和輸出層神經元的實際輸出。

5)計算實際輸出與期望輸出的差值, 求輸出層及隱含層的誤差。

6)根據誤差進行反向傳播, 對權值進行修正。

7)當誤差值在允許誤差的范圍內時結束學習，否則轉向步驟4)。

神經網絡的應用可全部在MATLAB軟件中的神經網絡工具箱實現，神經網絡工具箱具備從建立網絡到訓練網絡到對網絡進行仿真的全部函數。具體函數的介紹見表3。

表3 MATLAB神經網絡函數

2.2 “三公”經費支出預測模型

2.2.1 學習樣本和仿真樣本的確定

在神經網絡學習樣本的確定上，以實際獲取的全國31個省區市的地方稅務局近幾年的“三公”經費實際支出數據為樣本庫，選擇前70個樣本數據作為BP神經網絡的學習樣本，選擇后5個樣本數據作為BP神經網絡的測試樣本。

2.2.2 模型的構建與仿真

2.2.2.1 確定輸入神經元和輸出神經元的個數

BP神經網絡層數為3層，將“三公”經費的3個指標當年的實際支出作為網絡輸入層的神經元，即輸入神經元個數為3。輸出神經元是“三公”經費下一年的實際支出總額，即輸出神經元個數為1。隱層神經元的個數通?？捎蓛煞N確定方法，參考公式為

(5)

n1=log2n

(6)

式中：輸入神經元個數為n，輸出神經元個數為m；a是常數且a∈[1,10]。隱層神經元個數不能過多，否則網絡訓練速度慢，且精度低。所以綜合輸入輸出神經元個數和參考公式，將隱層神經元個數初步定為4個。若在后續訓練中誤差較小則無須調整，否則需調整隱層神經元的個數。

2.2.2.2 確定BP神經網絡的函數

BP神經網絡選取的函數見表4。

表4 BP神經網絡函數的選擇

2.2.2.3 進行網絡訓練和仿真計算

將70個樣本的“三公”經費各指標當年實際支出作為輸入數據導入MATLAB中，將70個樣本的“三公”經費下一年實際總支出作為輸出數據，將剩余5個樣本作為測試樣本。訓練過程如圖7所示，結果如圖8所示，由圖8可知，經過每一代訓練，誤差不斷減小，在訓練到第9代的時候，效果最好，誤差接近目標值，整個收斂過程較快，由此也可判斷隱含層的神經元個數為4是合適的。

圖7 神經網絡訓練過程

圖8 神經網絡訓練結果

2.2.2.4 仿真結果分析

通過訓練好的網絡，對5個測試樣本進行仿真后，樣本的網絡輸出分別為2.131 1、1.592 4、0.343 8、2.852 4、2.480 2。將網絡輸出與實際支出進行對比，結果如表5和圖9所示。由圖9可知，通過神經網絡進行預測的結果與實際支出結果非常接近，說明將BP神經網絡用于“三公”經費實際支出的預測較為精準。

表5 輸出結果對比

圖9 輸出結果對比

3 結論

通過對2011—2018年的國稅系統“三公”經費支出情況進行分析，可以看出“三公”經費的支出整體呈下降趨勢，2018年“三公”經費支出總額相比2011年已削減了66.23%。因此在“三公”經費的控制上仍應嚴格限制，繼續認真貫徹落實中央“八項規定”精神和厲行節約的要求，壓縮公務用車購置及運行維護費和公務接待費。

針對“三公”經費的預決算差距逐漸增大的問題，構建了“三公”經費支出預測神經網絡，該網絡充分利用了歷年財政數據，預測的準確度較高，大大縮小了“三公”經費預決算之間的差距。因此在預算編制時，各部門也應充分利用財政歷史數據，結合神經網絡等各種數據挖掘技術，不斷提高預算編制的準確性和合理性。