基于改進(jìn)的bp神經(jīng)網(wǎng)絡(luò)稅收預(yù)測模型的研究

《基于改進(jìn)的bp神經(jīng)網(wǎng)絡(luò)稅收預(yù)測模型的研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在工程資料-天天文庫。

1、基于改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)稅收預(yù)測模型的研究劉東麗史衛(wèi)亞河南工業(yè)大學(xué)摘要：因?yàn)槎愂諗?shù)據(jù)的非線性、冗余性等特點(diǎn)，傳統(tǒng)的稅收預(yù)測模型的精度都不高。為了提高稅收預(yù)測的精度，提出了一種主成分分析和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的稅收預(yù)測模型。首先利用主成分分析法對影響稅收的8個(gè)因子進(jìn)行處理，消除重復(fù)的信息，結(jié)果保留了2個(gè)主成分作為神經(jīng)網(wǎng)絡(luò)的輸入，達(dá)到了降維的目的，加快了網(wǎng)絡(luò)訓(xùn)練的收斂速度。然后用BP網(wǎng)絡(luò)對樣本進(jìn)行訓(xùn)練，仿真結(jié)果表明，通過不同模型之間的對比，發(fā)現(xiàn)PCA-BPNN模型的預(yù)測精度更高，可用性更好，是一種高效的預(yù)測方法。關(guān)鍵詞：主成分分析;BP神經(jīng)網(wǎng)絡(luò);稅收預(yù)測;作者簡介：劉東麗，女，漢，河南省商丘市

2、，碩士研究生，主要研究方向是機(jī)器學(xué)習(xí)作者簡介：史衛(wèi)亞，男，漢，河南哲周口市，副教授，碩士研究生導(dǎo)師，主要研究領(lǐng)域是機(jī)器學(xué)習(xí)、人工智能和模式識(shí)別1.引言稅收預(yù)測是政府預(yù)算的第一步，同時(shí)也是期末進(jìn)行財(cái)政分析以及制定下期財(cái)政預(yù)算的前提。長期以來，稅收預(yù)測一直是我國稅收計(jì)劃中的重要組成部分，因此，精確、科學(xué)的稅收預(yù)測對正確制定稅收計(jì)劃有著重耍的意義。目前，國內(nèi)外學(xué)者對稅收預(yù)測的研究方法主要有:基于線性回歸、時(shí)間序列分析方法和神經(jīng)網(wǎng)絡(luò)方法m等。利用線性冋歸法建立模型有嚴(yán)格的條件限制，它僅適用于具有特定的函數(shù)關(guān)系。而實(shí)際問題屮的b變量和因變量的關(guān)系更為復(fù)雜，稅收的影響因子也是多方而的，且各因子之間

3、呈現(xiàn)的是非線性的特點(diǎn)，因此該方法預(yù)測的精度不高m。由于神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、自適應(yīng)和較強(qiáng)地非線性映射能力，且理論體系和學(xué)習(xí)機(jī)制比較完善，成為目前使用較廣泛的一種算法模型。但傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)存在極易陷入局部極小值、收斂速度慢、網(wǎng)絡(luò)穩(wěn)定性較差等缺點(diǎn)，導(dǎo)致預(yù)測結(jié)果也不理想[3][4]。本文針對傳統(tǒng)稅收預(yù)測方法存在的問題，提出了一種主成分分析和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的稅收預(yù)測模型。結(jié)果表明，該模型具有一定的可用性。1.主成分分析和BP神經(jīng)網(wǎng)絡(luò)2.1主成分分析法在稅收預(yù)測中，影響稅收的因子是多方面的，且這些因子之間存在著高度的相關(guān)性，乂由于輸入變量數(shù)目較多，進(jìn)而會(huì)影響稅收預(yù)測模型的精度和程序運(yùn)行的效率，

4、主成分分析法可以很好地解決這個(gè)問題。主成分分析法是將原來眾多具有一定相關(guān)性的指標(biāo)重新組合成一組新的線性無關(guān)的綜合指標(biāo)m。運(yùn)用主成分分析法，不僅可消除數(shù)據(jù)間的冗余，保留原變量的主要信息且變量之間兩兩相互獨(dú)立，同時(shí)還能實(shí)現(xiàn)簡化輸入變量維數(shù)的目的。即用少量的變量來代替原來的全部變量，且乂能涵蓋原數(shù)據(jù)的大部分內(nèi)容。2.2BP神經(jīng)網(wǎng)絡(luò)由于BP神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)地自適應(yīng)、自學(xué)習(xí)、非線性映射能力，II理論體系和學(xué)習(xí)機(jī)制比較完善，成為目前使用最廣泛的一種神經(jīng)網(wǎng)絡(luò)算法模型。一個(gè)典型的BP神經(jīng)網(wǎng)絡(luò)包括三層:輸入層、隱含層、輸出層，各層之間全連接，同層之間無連接M。該網(wǎng)絡(luò)的主要特點(diǎn)是信號(hào)前向傳遞，誤差反向傳播

5、。在前向傳播中，輸入信號(hào)從輸入層經(jīng)隱含層逐層處理，直至輸出層，若實(shí)際值與期望值誤差較大，就會(huì)轉(zhuǎn)入誤差反向傳播階段。這吋會(huì)按照誤差梯度下降的方法從輸出層經(jīng)各個(gè)隱含層并逐層不斷地調(diào)整各神經(jīng)元的連接權(quán)值和閾值，反復(fù)迭代，直到網(wǎng)絡(luò)輸出的誤差減少到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止m。2.PCA-BPNN的稅收預(yù)測3.1BPNN模型指標(biāo)體系的建立因?yàn)橛绊懚愂盏囊蛩厥嵌喾矫娴?，在參考已有文獻(xiàn)的棊礎(chǔ)上，本文挑選丫具有代表性的八個(gè)主要指標(biāo)，分別為：國內(nèi)生產(chǎn)總值（XI）、固定資產(chǎn)投資（X2）、進(jìn)出口總額（X3）、財(cái)政支出總額（X4）、社會(huì)消費(fèi)品零售總額（X5）、城鄉(xiāng)存儲(chǔ)存款年末余額（X6）、第一產(chǎn)業(yè)增加值（X7）、

6、商品零售價(jià)格指數(shù)（X8）。木文選取1995—2012年的數(shù)據(jù)作為訓(xùn)練樣本，2013—2015年的數(shù)據(jù)作為測試樣本。（數(shù)據(jù)源于《屮國統(tǒng)計(jì)年鑒》）。由于數(shù)據(jù)變化范圍波動(dòng)較大，因此，為了得到較好的訓(xùn)練效果，需耍對樣本數(shù)據(jù)進(jìn)行預(yù)處理。本文選用線性函數(shù)轉(zhuǎn)換法對數(shù)據(jù)進(jìn)行歸一化[8],計(jì)其中，x是原數(shù)I據(jù).是歸一化后的數(shù)據(jù)，、分別是原數(shù)據(jù)中的最大值和最小值。本文選用3層BP神經(jīng)網(wǎng)絡(luò)建立預(yù)測模型。隱含層轉(zhuǎn)移傳輸函數(shù)采用Sigmoid函數(shù)，輸出層傳遞函數(shù)釆用線性函數(shù)。為提高網(wǎng)絡(luò)的穩(wěn)定性，設(shè)定學(xué)習(xí)算法為LM算法。3.2主成分分析本文使用SPSS22軟件，對樣本數(shù)據(jù)進(jìn)行相關(guān)性分析，相關(guān)系數(shù)見表1。由表1知:

7、各變量間存在很大程度的和關(guān)性，即它們存在信息的重復(fù)，有必要對影響稅收的因子進(jìn)行主成分分析消除冗余，只保留貢獻(xiàn)率較大的影響因子。由表2知，前兩個(gè)主成分的貢獻(xiàn)率已達(dá)到98.779%,即前兩個(gè)主成分的綜合指標(biāo)基本涵蓋了原數(shù)據(jù)的全部內(nèi)容。表1相關(guān)系數(shù)矩陣下載原表表2主成分特征值和貢獻(xiàn)率下載原表3.3PCA-BPNN的實(shí)現(xiàn)從表2知，可以用這兩個(gè)成分作為輸入對BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練，稅收為模型預(yù)測值。為了驗(yàn)證PCA-BPNN模型的好壞，木文選取了參比模型，時(shí)間序