第 1 章 绪 论
1.1税收收入预测的研究意义
税收的一项很重要的职能就是为国家经济服务，它是增加国家财政收入的重要手段。税收收入是我国财政收入的重要组成部分，尤其在市场经济条件下，我国财政收入的很大一部分来自于它。国家预算既要考虑政府运转、宏观调控、基本建设支出的需要，又要量入为出，因而不得不以税收为根据[1]。税务单位的一个重要任务就是根据往年的税务情况制定未来的税收征收调整计划，税收计划的正确制定需要税收预测的结果作为参考。税收预测简单说就是使用现有的一些税收历史数据来对以后几年的税收情况进行估算。税收收入预测是在是对税收历史数据收集、影响因素分析以及国家宏观经济调控的共同作用下工作的，税收计划的制定要以税收预测为参考依据。税收预测是用一些数理统计方法结合推理规则对税收的未来趋势及征收情况进行分析的工作。它对于分析税源变化情况，促进征收管理具有重要作用。税收收入预测是税收管理的重要部分之一，它能够帮助税管人员更有效、更好的安排税收计划和预见未来的税收情况。它能够很好的帮助税管人员制定税收计划，也是领导进行科学决策的重要依据。但是要提高收入预测的准确率往往也是计统工作的难点。总而言之，税收预测能够很好的帮助处理税收与经济发展之间的关系，对更好的分配税收征收任务以及帮助税收计划管理有很重要的意义。因此研究如何尽快在当前经济形势下找到有效的税收预测手段，进而掌握税收收入的主动性，成为本文研究工作的重点。
1.2国内外研究现状
截止目前，国内外许多的学者已投入到税收预测研究方面的工作，总结如下：国外对税收收入估算和预测的研究工作开始于上世纪 60 年代，最开始主要是研究由税收努力指数扩展出去的税收收入情况。税收努力指数是指税收实际收入对潜在税收收入的比率[1]。税收努力指数可以告知政府从何处入手解决预算问题及帮助政府确定最优税收规模。在国家制定财政预算时，可以借助参考税收努力指数来调整和解决预算的不合理。一般的策略是在国家预算赤字的情况下适当增加一些税收来解决问题，反之则要减少预算支出。制定最优税收规模可为国际上的其他国家的税收规模确定提供参考，国际上各国的税收规模合理与否主要是通过税收努力指数来衡量。自上世纪 70 年代以来，各学者不断对税收努力指数和税收收入进行预测，计算出这四十年来的税收收入估测序列和税收努力指数，给税收收入的度量指标提供良好的数据基础。国外在税收政策分析方面，研究的一些税收模型大致总结如下：1976 年，美国的学者富勒顿.肖文.怀利在对美国的税收超额征收情况以及税收扭曲情况进行分析研究后建立了美国的 CGE 模型。1980 年，荷兰的研究者们在研究了荷兰生产消费等部门的税率变化对国内税收的影响后，分析并建立了用于荷兰税收政策分析的 Keller 模型。1980 年，澳大利亚的 Piggot 模型。通过对模型的各个参数进行设置，分析在全国范围内或者按各个职能部门类别减少征税及减少补贴后对国家经济的影响。1983 年，美国的学者分析了将税收用通货膨胀进行指数化后的效果，研究并建立了 Siemrod 模型用于分析美国税收政策。
我国在税收收入预测模型方面的研究，主要有以下：1998 年，程毛林在《我国税收增长的影响因素和预测分析》[2]中定性分析影响税收收入增长的因素，指出税收收入主要受经济、税制结构、税收政策的影响，建立了税收收入预测的简单线性模型、灰色模型、时间序列模型和组合预测模型。1999 年，张伦俊在《税收预测模型的拟合与分析》[3]中利用计量统计方法，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。2000 年，刘新利在图书《税收分析概论》[4]中提出用投入产出法进行税收收入的预测。2003 年，人大常委会预算工作委员会在考虑到税收收入情况与影响税收的影响因素之间关系的前提下，决定对原先建立的税收预测模型进行进一步推广和改进，将预测模型用在海关关税这一特定领域建立海关关税预测模型，还把原先的模型进行扩展建立了全国税收预测模型。2002 年，田永青在《基于 RBF 神经网络建立税务预测模型的研究》[5]中用比较前沿的 RBF 神经网络建立税务预测模型。
第 2 章 税收收入预测的一般方法
地方政府的一项重要工作就是为地方的税收收入建立科学的预测体系。目前，我国用于经济预测的模型很多，但是用什么模型对地方税收进行预测从可以得到较好的预测结果是个值得研究的问题。因而，通过合理、科学的预测方法和技术结合财政经济以及税收经济理论建立相应的地方税收预测模型，对国家和地方政府编制合理的预测报告从而对宏观经济进行调控、监测税源稳定情况等有重要的意义和作用。本章对传统的时间序列模型、回归序列模型以及神经网络模型分别进行简要介绍。
2.1 时间序列分析模型
2.1.1 时间序列预测法相关原理
时间序列一般是某个统计变量的数据序列，是按时间有序的且会随时间变化。时间序列一般是由趋势变动、循环变动、季节变动以及不规格变动这几项组成。时间序列预测模型一般包括以下 3 步：1、收集历史样本数据，按一定的序列进行编制并稍加统计、分类。2、时间序列的每期数据都是多个因素共同作用的结果，应对时间序列各因素间的关系进行分析。3、求时间序列的长期趋势(tT )、季节变动(tS )、循环变动(tC )和不规则变动(tR )的值，近似估计时间序列的数学模型，对于模型系数的求取可通过一些现有的方法。时间序列预测法是一种比较古老的算法，研究时间较长，按研究的对象多少、时间的连续性不同、时间的统计特性以及时间序列的分布规律有不同的分类。
第 3 章 单项预测模型用在福建税收预测分析.....23
3.1 时间序列模型用在福建税收预测....... 23
3.1.1 加权平均法用于福建税收预测分析..... 23
3.1.2 一次指数平滑法用于福建税收预测分析....... 25
3.2 多元回归模型用在福建税收预测 ........ 28
3.2.1 一元回归法用于福建税收预测分析..... 28
3.2.2 多元回归法用于福建税收预测分析..... 30
3.3 人工神经网络用于福建税收预测分析......... 33
3.4 本章小结 ........ 36
第 4 章 福建税收收入的组合预测模型.......37
4.1 福建税收收入组合预测体系..... 37
4.2 组合预测模型及权值向量确定 ............ 39
4.3 组合预测模型用于福建税收预测分析......... 40
4.4 本章小结....... 44
第 5 章 模型对比及对比结果分析.....45
5.1 三个模型对比结果........... 45
5.2 模型的对比结果分析....... 47
5.3 本章小结....... 50
结论
本文从实证检验结合理论模型的角度，分别用时间序列分析、回归分析以及人工智能领域的人工神经网络对福建省的税收收入建立单项预测模型。每个模型都是先介绍模型的一些理论知识，并选择一到两个方法详细介绍，并用在福建的税收预测中。最后在三个模型中各选取一个优异的方法用在后续进行组合模型构建以及预测结果分析比较。实证检验数据采用1995 年-2005 年的福建税收数据。税收预测的精确度，很大程度取决于影响因素。由 BP 神经网络和回归分析法的比较高准确率的预测结果可知，通过阅读参考文献选取的居民消费水平、城乡储蓄存款年末余额、农业总产值、社会消费品零售总额、固定资产投资总量、进出口总额、财政支出总量、职工工资总额以及省内生产总值等影响因素是正确的、合理的。
时间序列模型和回归模型在实践和研究中比较受研究者的亲睐，本文也将这两种模型用在福建的税收预测检验，但都存在一定的局限性。时间序列预测模型只能利用单个变量去分析因变量，而税收收入是由多种影响因素共同决定的，因而时间序列模型的预测效果往往精度不高而且稳定性不好。回归模型能综合考虑因变量的各个影响因素，但是要明确各因素与因变量之间的关系式很困难，很多情况下是没法用线性关系表示的，而且还要对各影响因素进行相关性分析以筛选部分变量。人工神经网络是一种模仿生物体的神经系统对外在物体刺激所做的反应的仿生机制，它能够逼近任意非线性的输入输出关系。它是用训练样本对神经网络进行不断训练直到达到一定的结束条件，训练得到的网络具有具有很强的自动学习和问题处理能力。人工神经网络是一个可处理非线性问题的模型，它能够在样本不完整、有噪声点或者参数有些许问题的情况下对样本进行训练学习得到稳定的输出结果，比较适用于背景或映射规则较为复杂的问题。因而，将神经网络用在福建的税收预测是比较适宜的。
虽然从本文的工作中可知，利用神经网络模型可很好的对福建的税收进行预测，但是从建模的过程和预测的结果可以看出，不同预测方法所需条件不同、适用范围不同、建模的复杂程度也不同，应根据实际情况选择最恰当的预测方法并在必要的时候做一定的调整。在实际处理问题的过程中，为了提高效率、降低计算的复杂程度，牺牲一些精度上的要求是很有必要的，不能一味要求精度。福建作为沿海开放城市，由于经济结构和享受的政策不同于其它的城市，税收收入结构也会有所不同、税收收入的变化因素多而且频繁，对影响因素分析不到位就可能很大程度影响模型的预测精度。因而要充分考虑福建的经济情况，抽取福建税收收入的影响因素，从而建立预测模型，并随时间历史的进展对采用的预测方法做相应的调整[11]。第 4 章在对几个单项预测模型学习研究后，通过非负最优权重法计算各模型的权重，构建福建税收的组合模型。组合预测模型的核心思想就是结合各个不同的模型以达到提高预测精度和改善模型拟合能力的目的，它能最大限度地反映各种因素的综合影响。单项预测方法往往只是侧重于问题的某个或某几个方面只反映部分因素的影响，组合预测则是将各个模型有机的结合在一起，综合各个模型的优点，可以得到比单项预测方法更科学的预测结果[8]。本文对组合预测模型用福建的税收数据进行验证，从实验上证明第 4 章建立的组合预测模型相比于单项预测模型是优越的。
参考文献
[1] 郭艳, 王国富. 湖南省税收收入预测模型及其实证检验与经济分析[D]. 湖南:中南大学,2009.
[2] 程毛林. 我国税收增长的影响因素和预测分析[J]. 扬州大学税务学院学报,1998, 2: 8-21.
[3] 张伦俊. 税收预测模型的拟合与分析[J]. 数理统计与管理, 1999, 18(2): 5-8.
[4] 刘新利. 税收分析概论[M]. 北京: 中国税务出版社, 2000.
[5] 田永青, 杨斌, 朱仲英. 基于 RBF 神经网络建立税务预测模型的研究[J]. 计算机工程, 2002, 28(5): 22-25.
[6] 王乃静, 李国锋. 协整理论在税收预测中的应用研究[J]. 山东经济, 2002, 6:007.
[7] 王家新, 张伦俊. 2004 年我国税收与经济增长的协调关系[J]. 财贸经济, 2005,5: 43-45.
[8] 李凯扬, 韩文秀. 财政收入的组合预测[J]. 天津大学学报 (自然科学与工程技术版), 2003, 1.
[9] 郭秀, 路勇. 构建一种地方财政收入的预测模型[J]. 价值工程, 2004, 3: 036.
[10] 孙元, 吕宁. 地方财政一般预算收入[J]. 数量经济技术经济研究, 2007 (1).