r語言課程設(shè)計(jì)--bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)財(cái)政收入

1、<p><b>　　摘要</b></p><p>　　隨著社會(huì)的不斷發(fā)展，經(jīng)濟(jì)制度在不斷建立與完善，財(cái)政工作不僅面臨著機(jī)遇，而且也面臨著重大的挑戰(zhàn)。這主要體現(xiàn)在：一方面國(guó)家宏觀經(jīng)濟(jì)調(diào)控需要財(cái)政職能的履行，另一方面，當(dāng)下經(jīng)濟(jì)發(fā)展迅速，目前的一些財(cái)政工作已經(jīng)難以再滿足其發(fā)展需求。因此，政府更加期望通過財(cái)政工作的預(yù)見性來輔助相關(guān)財(cái)政政策的制定實(shí)施，因此，財(cái)政收入預(yù)測(cè)是當(dāng)前社會(huì)一個(gè)迫切需要

2、的研究課題。</p><p>　　本文選取了1999年到2013年的財(cái)政數(shù)據(jù)，包括財(cái)政收入表和四種稅收表，數(shù)據(jù)主要來源于廣州市統(tǒng)計(jì)局的統(tǒng)計(jì)年鑒與泰迪智能科技有限公司。本文旨在分析財(cái)政收入的影響因素及預(yù)測(cè)情況。在研究財(cái)政收入影響因素之前，首先分析了四種稅收的主要影響因素，因?yàn)槎愂赵谪?cái)政收入中所占比重很大，并且稅收與地方財(cái)政收入政策的制定息息相關(guān)，因此本文細(xì)化了稅收因素的分析，主要運(yùn)用SAS軟件，通過典型相關(guān)分析模型

3、分別找到了影響四種稅收的主要因素，另外也分別找出了影響全市稅收的主要區(qū)域。稅收的細(xì)分研究，看似與文章脫節(jié)，實(shí)際上為廣州市制定相應(yīng)稅收的政策都提供了一定的理論依據(jù)。接著進(jìn)行了本文的研究重點(diǎn)，即關(guān)于財(cái)政收入的預(yù)測(cè)，首先運(yùn)用SAS軟件通過主成分分析，成功將財(cái)政收入的17個(gè)指標(biāo)降維，篩選出10個(gè)主要影響財(cái)政收入的指標(biāo)。最后，運(yùn)用MATLAB 軟件，通過BP神經(jīng)網(wǎng)絡(luò)[5]進(jìn)行了預(yù)測(cè)，得到了2014與2015年的財(cái)政收入的預(yù)測(cè)值，并且與真實(shí)值對(duì)比，

4、發(fā)現(xiàn)預(yù)測(cè)結(jié)果與真實(shí)值并不是相差很大。本文成功的建立了財(cái)政收入的預(yù)測(cè)模型，為廣州市制定相應(yīng)的財(cái)政政策都提供了一定的理論依據(jù)。</p><p>　　關(guān)鍵詞： 財(cái)政預(yù)測(cè) 典型相關(guān) 主成分分析 BP神經(jīng)網(wǎng)絡(luò) </p><p><b>　　Abstract</b></p><p>　　With the cont

5、inuous development of the society, the economic system is constantly established and perfected, and financial work is not only faced with opportunities, but also faces major challenges. This is mainly reflected in: on th

6、e one hand, the national macroeconomic control needs the financial function of the implementation, on the other hand, the current rapid economic development, some of the current financial work has been difficult to meet

7、their development needs. Therefore, the governm</p><p>　　This paper chooses the fiscal data from 1999 to 2013, including the fiscal revenue statement and four tax forms. The data mainly come from the Statist

8、ical Yearbook of Guangzhou Municipal Bureau of Statistics and Teddy Intelligent Technology Co., Ltd. This paper aims to analyze the influencing factors and forecasting of fiscal revenue. Before studying the influencing f

9、actors of fiscal revenue, the paper first analyzes the main influencing factors of the four kinds of taxes, because the tax revenu</p><p>　　Key words: financial forecasting typical correlation princip

10、al component analysis BP neural network</p><p><b>　　目錄</b></p><p><b>　　摘要I</b></p><p>　　AbstractII</p><p><b>　　目錄1</b></

11、p><p><b>　　§1緒論2</b></p><p>　　1.1研究背景及意義2</p><p>　　1.2研究問題概述3</p><p>　　1.3研究思路和行文框架3</p><p>　　§2稅收的相關(guān)分析5</p><p>　　2.1數(shù)

12、據(jù)的準(zhǔn)備5</p><p>　　2.2數(shù)據(jù)預(yù)處理5</p><p>　　2.4稅收相關(guān)關(guān)系的求解與結(jié)果分析11</p><p>　　2.5本章總結(jié)17</p><p>　　§3財(cái)政收入的主要因素分析18</p><p>　　3.1數(shù)據(jù)準(zhǔn)備18</p><p>　　3.2主成

13、分分析模型的建立18</p><p>　　3.3財(cái)政收入主要因素的求解與結(jié)果分析19</p><p>　　3.3本章總結(jié)22</p><p>　　§4 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)財(cái)政收入23</p><p>　　4.1數(shù)據(jù)準(zhǔn)備23</p><p>　　4.2 BP神經(jīng)網(wǎng)絡(luò)模型建立23</p>

14、<p>　　4.3財(cái)政收入預(yù)測(cè)的求解與結(jié)果分析26</p><p>　　4.4本章總結(jié)29</p><p><b>　　§5研究結(jié)論30</b></p><p><b>　　參考文獻(xiàn)31</b></p><p><b>　　致謝32</b><

15、;/p><p><b>　　§1緒論</b></p><p>　　1.1研究背景及意義</p><p>　　財(cái)政收入體現(xiàn)了一個(gè)國(guó)家財(cái)力及經(jīng)濟(jì)發(fā)展?fàn)顩r。國(guó)家職能的履行需要財(cái)政收入作為保障基礎(chǔ)，財(cái)政收入對(duì)國(guó)家的發(fā)展至關(guān)重要。地方財(cái)政收入是國(guó)家財(cái)政收入的重要構(gòu)成部分，要了解國(guó)家財(cái)政收入則需先了解地方財(cái)政收入。政府的財(cái)政支出及其政府在公共服務(wù)上做

16、出的政策性的決策極大程度的需要參考財(cái)政收入。</p><p>　　隨著我國(guó)財(cái)政管理體系的不斷發(fā)展變化，目前采用的是分稅制管理，地方財(cái)政收入的構(gòu)成變的多樣化。地方財(cái)政收入為一般公共預(yù)算收入與政府性基金收入之和。政府性基金收入比較穩(wěn)定，每年的基金收益率基本上都是固定的，且占財(cái)政收入的比重較小。一般公共預(yù)算收入占財(cái)政收入的比重很大，有稅收收入和非稅收收入構(gòu)成，且稅收收入在一般公共預(yù)算中的比例也是很高的。另外財(cái)政收入與財(cái)

17、政支出是相對(duì)應(yīng)的，財(cái)政收入的目的是為了做更好的分配與支出。財(cái)政收入為國(guó)家積累資金，保證了國(guó)家職能的履行，對(duì)實(shí)現(xiàn)國(guó)家職能做出了重要貢獻(xiàn)。正確的處理好財(cái)政收入利益分配問題對(duì)黨的宏觀調(diào)控以及政策實(shí)行優(yōu)化公共服務(wù)設(shè)施等起著關(guān)鍵性的影響。</p><p>　　1.1.1財(cái)政收入預(yù)測(cè)研究現(xiàn)狀</p><p>　　針對(duì)財(cái)政收入預(yù)測(cè)的研究課題國(guó)外的研究比國(guó)內(nèi)的早一些，模型方法相對(duì)來說較為成熟。早期通過一些

18、計(jì)量經(jīng)濟(jì)模型的建立，主要使用最小二乘法和工具變量法進(jìn)行參數(shù)估計(jì)，進(jìn)而實(shí)現(xiàn)預(yù)測(cè)，在不久后被相關(guān)學(xué)者發(fā)現(xiàn)有較大的預(yù)測(cè)誤差，又發(fā)現(xiàn)了一種新的計(jì)量經(jīng)濟(jì)預(yù)測(cè)方法向量自回歸模型，用來處理非穩(wěn)定的宏觀經(jīng)濟(jì)數(shù)據(jù)。后期一些新的預(yù)測(cè)方法也逐漸發(fā)展起來，并且取得不錯(cuò)的成果。</p><p>　　目前也有較多國(guó)內(nèi)學(xué)者在財(cái)政預(yù)測(cè)這方面也做了諸多研究，預(yù)測(cè)方法更是多樣化。大多數(shù)學(xué)者采用時(shí)間序列，多元回歸分析，灰色預(yù)測(cè)等預(yù)測(cè)方法。鄭鵬輝,單銳

19、,陳靜[1]運(yùn)用了時(shí)間序列ARMA模型預(yù)測(cè)了財(cái)政收入，為相關(guān)部門政策的制定提供了理論參考。閆菲菲，馬曉天，李海迪，王 濤[2]先用主成分分析法找出影響財(cái)政收入的主要影響因素，再根據(jù)時(shí)間序列進(jìn)行預(yù)測(cè)。翟世杰，杜啟花[3]采用了回歸分析分別，并且建立了擬合曲線對(duì)GDP和財(cái)政收入進(jìn)行了預(yù)測(cè)。張新燕[4]運(yùn)用了時(shí)間序列，神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，最后做了比較得出精確度較高的預(yù)測(cè)模型為神經(jīng)網(wǎng)絡(luò)模型?？偟膩碚f，我國(guó)的財(cái)政收入預(yù)測(cè)的研究成果也是相當(dāng)可觀的，同

20、時(shí)相比國(guó)外的研究還不是很成熟，因此發(fā)展空間也會(huì)更大一點(diǎn)。</p><p>　　BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的研究意義</p><p>　　神經(jīng)網(wǎng)絡(luò)從開創(chuàng)以來就備受關(guān)注，它是人工智能化領(lǐng)域的一項(xiàng)重要研究，能模仿人腦結(jié)構(gòu)與功能來處理信息，它的應(yīng)用領(lǐng)域非常廣泛，而預(yù)測(cè)則是它的主要功能之一。因?yàn)樯窠?jīng)網(wǎng)絡(luò)有較好的非線性處理特點(diǎn)，而大多數(shù)非線性問題的預(yù)測(cè)都需要神經(jīng)網(wǎng)絡(luò)來進(jìn)行預(yù)測(cè)。而一般的預(yù)測(cè)方法，例如灰色預(yù)測(cè)，時(shí)

21、間序列等預(yù)測(cè)方法在處理非線性問題都有其局限性，且預(yù)測(cè)周期短，且只是單線預(yù)測(cè)，不能夠從多維的角度出發(fā)預(yù)測(cè)多個(gè)變量的結(jié)果，而神經(jīng)網(wǎng)絡(luò)恰好彌補(bǔ)了這些單線預(yù)測(cè)的缺陷，況且多數(shù)的預(yù)測(cè)結(jié)果顯示，神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的精確度較其它的預(yù)測(cè)方法要高很多。</p><p><b>　　1.2研究問題概述</b></p><p>　　本文主要的研究問題就廣州市的財(cái)政收入做預(yù)測(cè)。所有的數(shù)據(jù)選取來自廣

22、州市統(tǒng)計(jì)局。所選取的數(shù)據(jù)為1999年2013年的地方財(cái)政收入，其指標(biāo)為一般預(yù)算收入，增值稅， 營(yíng)業(yè)稅，企業(yè)所得稅，個(gè)人所得稅，城市維護(hù)建設(shè)稅，房產(chǎn)稅，印花稅，城鎮(zhèn)土地使用稅，車船稅，契 稅，國(guó)有資本經(jīng)營(yíng)收入，行政事業(yè)性收費(fèi)收入， 罰沒收入，專項(xiàng)收入，其他收入，政府性基金收入，上級(jí)補(bǔ)助收入，消費(fèi)稅和增值稅稅收返還收入和所得稅基數(shù)返還收入。地方財(cái)政收入的地域劃分又涉及廣州市區(qū)，增城市，從化市的財(cái)政收入。另外因?yàn)槎愂赵谪?cái)政收入中占的比例較大，

23、且它對(duì)財(cái)政收入有著很大的影響，因此，本文又細(xì)分了稅收的研究。選取了四種稅收，即增值稅， 營(yíng)業(yè)稅，企業(yè)所得稅，個(gè)人所得稅，每一種稅收的它的相關(guān)指標(biāo)也都在附表中顯示。關(guān)于稅收的細(xì)分，主要是為了研究每種稅收的宏觀經(jīng)濟(jì)變量組與該種稅收的區(qū)域變量組的相關(guān)關(guān)系以及影響每種稅收的宏觀變量指標(biāo)和稅收的區(qū)域變量組中的主要影響區(qū)域。本文的最重要的研究問題是關(guān)于2014年與2015年的廣州市財(cái)政收入的預(yù)測(cè)。</p><p>　　1.3

24、研究思路和行文框架</p><p>　　本文的研究思路是先細(xì)分稅收，通過典型相關(guān)分析，找到每種稅收的宏觀經(jīng)濟(jì)變量組與該種稅收的區(qū)域變量組的相關(guān)關(guān)系以及影響每種稅收的宏觀變量指標(biāo)和稅收的區(qū)域變量組中的主要影響區(qū)域。其次再通過對(duì)廣州市的財(cái)政收入做主成分分析，找到影響廣州市財(cái)政收入的主要影響因素，最后再根據(jù)這些主要的影響指標(biāo)，利用BP神經(jīng)網(wǎng)絡(luò)來進(jìn)行預(yù)測(cè)，最終得到2014年與2015年的廣州市的財(cái)政收入的預(yù)測(cè)值。<

25、/p><p>　　本文具體的行文安排如下:第1章是緒論，從財(cái)政收入預(yù)測(cè)及神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的研究意義及現(xiàn)狀出發(fā)說明研究本文的必要性，另外本章還介紹了問題概述，本文的研究思路及行文框架。第二章主要是稅收的相關(guān)分析，主要包括數(shù)據(jù)的預(yù)處理，及典型相關(guān)模型的介紹及建模步驟，最后并求解模型得到結(jié)果。第三章為財(cái)政收入的主要因素分析，主要通過建立主成分分析的模型來求解得到影響財(cái)政收入的關(guān)鍵因素。第四章為本文的重點(diǎn)，是關(guān)于用BP神經(jīng)網(wǎng)絡(luò)來

26、預(yù)測(cè)財(cái)政收入，主要通過對(duì)BP神經(jīng)網(wǎng)絡(luò)的介紹與模型的建立求解來得到2014年與2015年的預(yù)測(cè)結(jié)果。第五章為研究結(jié)論與，主要是針對(duì)本文所做的分析做一個(gè)總結(jié)，分析了本文研究的創(chuàng)新點(diǎn)。第六章為參考文獻(xiàn)，列舉本文所參考的文獻(xiàn)成果。</p><p><b>　　§2稅收的相關(guān)分析</b></p><p><b>　　2.1數(shù)據(jù)的準(zhǔn)備</b><

27、;/p><p>　　本章選取的數(shù)據(jù)為1999年到2013年的關(guān)于稅收的數(shù)據(jù)，根據(jù)稅收相關(guān)的各項(xiàng)指標(biāo)整理為四個(gè)表增值稅，營(yíng)業(yè)稅，個(gè)人所得稅，企業(yè)所得稅，數(shù)據(jù)來源為泰迪智能科技。</p><p><b>　　2.2數(shù)據(jù)預(yù)處理</b></p><p>　　本文數(shù)據(jù)并不是很完整，在進(jìn)行分析前，先對(duì)數(shù)據(jù)預(yù)處理。原始數(shù)據(jù)有一些空缺值，而這些空缺值可能由于采樣的

28、某種因素導(dǎo)致，可能會(huì)影響結(jié)果，故我們用EXCEL采用移動(dòng)平均法進(jìn)行插補(bǔ)空缺值。</p><p>　?。?）對(duì)個(gè)人所得稅表的填補(bǔ)</p><p>　　首先對(duì)個(gè)人所得稅這個(gè)表的空缺值用移動(dòng)平均法來填補(bǔ)。其結(jié)果如下</p><p>　　圖2.1：移動(dòng)平均法填補(bǔ)城鎮(zhèn)非私營(yíng)單位從業(yè)人員數(shù)空缺值</p><p>　　由圖可知，缺失值我們選擇了200000

29、0。</p><p><b>　　最終填補(bǔ)情況如下</b></p><p>　　表2.1：城鎮(zhèn)非私營(yíng)單位從業(yè)人員填補(bǔ)</p><p>　　（2）對(duì)企業(yè)所得稅表的缺失值填補(bǔ)</p><p>　　國(guó)有及國(guó)有控股工業(yè)企業(yè)虧損面的缺失值填補(bǔ)</p><p>　　圖2.2：移動(dòng)平均法填補(bǔ)國(guó)有控股工業(yè)企業(yè)虧損

30、面缺失額</p><p>　　已知預(yù)測(cè)值的函數(shù)為 </p><p>　　要填補(bǔ)其空缺的預(yù)測(cè)值，需要將其所需預(yù)測(cè)的點(diǎn)帶入預(yù)測(cè)值函數(shù)。</p><p>　　故可知其規(guī)模以上國(guó)有及國(guó)有控股工業(yè)企業(yè)虧損面填補(bǔ)值為30.63，31.40。</p><p>　　建筑業(yè)企業(yè)利潤(rùn)總額缺失值填補(bǔ)</p><p>　　圖2.3：移動(dòng)平

31、均法填補(bǔ)建筑業(yè)企業(yè)利潤(rùn)總額缺失額</p><p>　　有圖知其建筑業(yè)企業(yè)利潤(rùn)總額填補(bǔ)值為99863。</p><p>　　限額以上連鎖店(公司)零售額缺失值填補(bǔ)</p><p>　　圖2.4：移動(dòng)平均法填補(bǔ)零售額缺失值</p><p>　　有圖知限額以上連鎖店(公司)零售額填補(bǔ)值為317653,446732.3,628263.4。</p

32、><p>　　綜上，企業(yè)所得稅的缺失值填補(bǔ)如下圖</p><p>　　表2.2企業(yè)所得稅表的缺失值填補(bǔ)表</p><p>　?。?）增值稅表的缺失值填補(bǔ)</p><p>　　批發(fā)零售業(yè)增加值出現(xiàn)了缺失值，做移動(dòng)平均處理來填補(bǔ)</p><p>　　圖2.5：移動(dòng)平均法填補(bǔ)批發(fā)零售業(yè)增加值的缺失值</p><

33、;p>　　有上圖圖可知，缺失值填補(bǔ)為1394237，1669872，2000000，2395393，2868953。</p><p>　　故增值稅填補(bǔ)情況如下圖</p><p>　　表2.3增值稅表的缺失值填補(bǔ)</p><p>　　2.3典型相關(guān)分析模型的建立</p><p>　　2.3.1典型相關(guān)分析的簡(jiǎn)介</p>&l

34、t;p>　　典型相關(guān)分析[19]最先是由霍特林提出的，主要是用來研究?jī)山M變量的相關(guān)性，是多元統(tǒng)計(jì)分析的一個(gè)重要方法。它的思想跟大多數(shù)統(tǒng)計(jì)分析的思想方法一致，即采取降維的思想方法，達(dá)到用少數(shù)的綜合變量來解釋兩個(gè)變量組的依賴關(guān)系的目的。目前典型相關(guān)分析應(yīng)用已經(jīng)十分廣泛，在諸多領(lǐng)域都有涉足，尤其是在預(yù)測(cè)分析這方面用到的也是極多。</p><p>　　2.3.2典型相關(guān)分析的基本步驟</p><

35、p>　　先求相應(yīng)的典型相關(guān)[19]變量和典型相關(guān)系數(shù)</p><p>　　假設(shè)已經(jīng)有兩組標(biāo)準(zhǔn)化的隨機(jī)變量與，即均值，方差；均值，方差；如果</p><p><b>　　； </b></p><p><b>　　它的相關(guān)系數(shù)矩陣為</b></p><p><b>　　其中，，， &

36、lt;/b></p><p><b>　　實(shí)際上，要找</b></p><p>　　使，的相關(guān)系數(shù)達(dá)到最大，由于對(duì)任意常數(shù)，，，，都有</p><p><b>　　那就設(shè)</b></p><p>　　故。在和的情況下，使得</p><p>　　達(dá)到最大的與分別與，構(gòu)成新

37、的變量。</p><p>　　是第1對(duì)典型變量，它的相關(guān)系數(shù) 是第1典型相關(guān)系數(shù)。假若兩組變量的相關(guān)關(guān)系不能被一對(duì)變量完全反映，就能夠定義第2對(duì)典型變量</p><p>　　這時(shí)不僅要令，還要求，，和，有了這些條件的共同作用，才使得</p><p>　　達(dá)到最大。通常，對(duì)第j對(duì)典型變量有如下定義：</p><p>　　把定義為第j對(duì)典型變量，

38、它的系數(shù)向量與可使達(dá)到最大，并且滿足下列條件</p><p>　　在上式中，i=1，2，…,j-1，這時(shí)記 為第j對(duì)典型相關(guān)系數(shù)。</p><p>　　典型相關(guān)變量與典型相關(guān)系數(shù)的求法</p><p>　　在這里主要應(yīng)用了拉格朗日乘子法，從j=1開始，逐一求，。下列對(duì),的求法做一簡(jiǎn)單描述，并且規(guī)定R是正定矩陣。記</p><p>　　，為拉格

39、朗日乘子，用，表示僅僅是為了方便計(jì)算。分別對(duì)，求偏導(dǎo)，然后再令其為0，進(jìn)而與約束條件聯(lián)立，則，要滿足以下方程</p><p>　　在上述方程組的前2個(gè)式子兩邊左分別乘和，并且利用后面兩個(gè)式子</p><p>　　因?yàn)椋杂?。根?jù)上述方程組及的非奇異性知</p><p><b>　　將它代入方程組，有</b></p><p&

40、gt;　　另外，根據(jù)的非奇異性知</p><p><b>　　(1)</b></p><p>　　記作，式（1）說明是的特征根，對(duì)應(yīng)的特征向量是。又因?yàn)?，，故是與的相關(guān)系數(shù)，若要令它達(dá)到最大，則一定是的最大特征根，是最大特征根所對(duì)應(yīng)的特征向量；</p><p>　　從而可由求出。第1典型相關(guān)系數(shù)是的最大特征根的算術(shù)根。</p>&

41、lt;p>　　實(shí)際上也可以證明是的最大特征根對(duì)應(yīng)的特征向量。因?yàn)榕c有相同的非零特征根，所以此時(shí)求出的和直接從求出的是一致的。</p><p>　　同理可知是的第2大的特征根對(duì)應(yīng)的特征向量，可以由下式得出</p><p>　　一般情況下可以求出的r個(gè)非零特征根，則是這些特征根的特征向量，分別記作，從而</p><p>　　式中，j=1,2，…,r，用，作為系數(shù)可

42、以構(gòu)成第j對(duì)典型變量，。</p><p>　　第j對(duì)典型變量所對(duì)應(yīng)的相關(guān)系數(shù)是的算術(shù)根，這就是第j個(gè)典型相關(guān)系數(shù)了，j=1,2，…,r，這里。</p><p>　　實(shí)際上，R一般是未知的，所知道的也只是的n個(gè)樣本。</p><p>　　所以只能從這些樣本去估計(jì)和，然后R中相應(yīng)的未知參數(shù)矩陣再由相應(yīng)的估計(jì)量所代替，因此一定要特別考慮矩陣的非零特征根及其相應(yīng)的特征向量，

43、相關(guān)的計(jì)算過程可按照上面的討論來進(jìn)行。</p><p>　　2.4稅收相關(guān)關(guān)系的求解與結(jié)果分析</p><p>　　（1）個(gè)人所得稅的主要因素的典型相關(guān)分析</p><p>　　個(gè)人所得稅的宏觀經(jīng)濟(jì)指標(biāo)變量組由組成，個(gè)人所得稅的區(qū)域變量組由組成。</p><p>　　兩組變量進(jìn)行典型相關(guān)分析。如下圖變量說明</p><p&

44、gt;　　表2.4個(gè)人所得稅的變量說明</p><p>　　用SAS軟件進(jìn)行典型相關(guān)分析，SAS代碼見附錄（1）</p><p>　　標(biāo)準(zhǔn)化典型相關(guān)系數(shù)如下圖</p><p>　　表2.5：宏觀經(jīng)濟(jì)指標(biāo)變量組標(biāo)準(zhǔn)化典型相關(guān)系數(shù)</p><p>　　表2.6: 個(gè)人所得稅的區(qū)域變量組標(biāo)準(zhǔn)化典型相關(guān)系數(shù)</p><p>　

45、　故可以得到個(gè)人所得稅的宏觀經(jīng)濟(jì)指標(biāo)變量組的方程和個(gè)人所得稅的區(qū)域變量組方程分別如下</p><p>　　結(jié)果：典型相關(guān)方程系數(shù)的大小反映著原始變量與典型變量之間的關(guān)系，由兩個(gè)典型相關(guān)方程可知，個(gè)人所得稅的宏觀經(jīng)濟(jì)指標(biāo)的典型相關(guān)變量主要是有決定，說明影響個(gè)人所得稅的主要因素為城市居民年人均可支配收入，地區(qū)生產(chǎn)總值，第二產(chǎn)業(yè)增加值。個(gè)人所得稅的區(qū)域變量的參數(shù)指標(biāo)的典型相關(guān)變量主要是有 (廣州市區(qū)的個(gè)人所得稅)決定，

46、而受增城市，從化市的個(gè)人所得稅的影響不大。</p><p>　　（2）企業(yè)所得稅的主要因素的典型相關(guān)分析</p><p>　　企業(yè)所得稅的宏觀經(jīng)濟(jì)指標(biāo)變量組由組成，企業(yè)所得稅的區(qū)域變量組由組成。</p><p>　　兩組變量進(jìn)行典型相關(guān)分析。如下圖變量說明</p><p>　　表2.7：企業(yè)所得稅變量說明</p><p&g

47、t;　　用SAS軟件進(jìn)行典型相關(guān)分析，SAS代碼見附錄(2)</p><p>　　標(biāo)準(zhǔn)化典型相關(guān)系數(shù)如下圖</p><p>　　表2.8：企業(yè)所得稅的宏觀經(jīng)濟(jì)指標(biāo)變量組標(biāo)準(zhǔn)化典型相關(guān)系數(shù)</p><p>　　表2.9：企業(yè)所得稅的區(qū)域變量組標(biāo)準(zhǔn)化典型相關(guān)系數(shù)</p><p>　　故可以得到企業(yè)所得稅的宏觀經(jīng)濟(jì)指標(biāo)變量組的方程和企業(yè)所得稅的區(qū)域

48、變量組方程分別如下</p><p>　　結(jié)果：由兩個(gè)典型相關(guān)方程可知，企業(yè)所得稅的宏觀經(jīng)濟(jì)指標(biāo)的典型相關(guān)變量主要是由，，，，決定。說明影響個(gè)人所得稅的主要因素為第二產(chǎn)業(yè)增加值，第三產(chǎn)業(yè)增加值，全社會(huì)固定資產(chǎn)投資額，規(guī)模以上工業(yè)企業(yè)盈虧相抵后的利潤(rùn)總額，建筑業(yè)總產(chǎn)值。企業(yè)所得稅的區(qū)域變量的參數(shù)指標(biāo)的典型相關(guān)變量主要是有 (從化市區(qū)的企業(yè)所得稅)決定。</p><p>　?。?）典型相關(guān)分析營(yíng)

49、業(yè)稅的主要影響因素</p><p>　　營(yíng)業(yè)稅的宏觀經(jīng)濟(jì)指標(biāo)變量組由 組成，營(yíng)業(yè)稅的區(qū)域變量組由組成。</p><p>　　兩組變量進(jìn)行典型相關(guān)分析。如下圖變量說明</p><p>　　表2.10：營(yíng)業(yè)稅的變量說明</p><p>　　用SAS軟件進(jìn)行典型相關(guān)分析，SAS代碼見附錄(3)</p><p>　　標(biāo)準(zhǔn)化典型

50、相關(guān)系數(shù)如下圖</p><p>　　表2.11：營(yíng)業(yè)稅的宏觀經(jīng)濟(jì)指標(biāo)變量組標(biāo)準(zhǔn)化典型相關(guān)系數(shù)</p><p>　　表2.12營(yíng)業(yè)稅的區(qū)域變量組標(biāo)準(zhǔn)化典型相關(guān)系數(shù)</p><p>　　故可以得到營(yíng)業(yè)稅的宏觀經(jīng)濟(jì)指標(biāo)變量組的方程和營(yíng)業(yè)稅的區(qū)域變量組方程分別如下</p><p>　　結(jié)果：由兩個(gè)典型相關(guān)方程可知，營(yíng)業(yè)稅的宏觀經(jīng)濟(jì)指標(biāo)的典型相關(guān)變量主

51、要是由，決定。說明影響營(yíng)業(yè)稅的主要因素為公路客運(yùn)量，建筑業(yè)總產(chǎn)值。營(yíng)業(yè)稅的區(qū)域變量的參數(shù)指標(biāo)的典型相關(guān)變量主要是有 (廣州市的營(yíng)業(yè)稅)決定。</p><p>　?。?）增值稅的主要因素的典型相關(guān)分析</p><p>　　增值稅的宏觀經(jīng)濟(jì)指標(biāo)變量組由組成，增值稅的區(qū)域變量組由組成。</p><p>　　兩組變量進(jìn)行典型相關(guān)分析。如下圖變量說明</p>&

52、lt;p>　　表2.13：增值稅的變量說明</p><p>　　用SAS軟件進(jìn)行典型相關(guān)分析，SAS代碼見附錄(4)</p><p>　　標(biāo)準(zhǔn)化典型相關(guān)系數(shù)如下圖</p><p>　　表2.14：增值稅的宏觀經(jīng)濟(jì)指標(biāo)變量組標(biāo)準(zhǔn)化典型相關(guān)系數(shù)</p><p>　　表2.15：增值稅的區(qū)域變量組標(biāo)準(zhǔn)化典型相關(guān)系數(shù)</p>&l

53、t;p>　　故可以得到增值稅的宏觀經(jīng)濟(jì)指標(biāo)變量組的方程和增值稅的區(qū)域變量組方程分別如下</p><p>　　結(jié)果：由兩個(gè)典型相關(guān)方程可知，增值稅的宏觀經(jīng)濟(jì)指標(biāo)的典型相關(guān)變量主要是由 (工業(yè)增加值)決定，說明影響增值稅的主要因素為工業(yè)增加值。增值稅的區(qū)域變量的參數(shù)指標(biāo)的典型相關(guān)變量主要是有(廣州市區(qū)的增值稅)，(從化市的增值稅)決定，說明廣州市區(qū)與從化市區(qū)的增值稅對(duì)全市的增值稅影響比較大。</p>

54、<p><b>　　2.5本章總結(jié)</b></p><p>　　本章節(jié)通過典型相關(guān)分析，分別找到了影響四種稅收的主要因素，另外也分別找出了影響全市稅收的主要區(qū)域。</p><p>　　個(gè)人所得稅的宏觀經(jīng)濟(jì)指標(biāo)的典型相關(guān)變量主要是有城市居民年人均可支配收入，地區(qū)生產(chǎn)總值，第二產(chǎn)業(yè)增加值決定；企業(yè)所得稅的宏觀經(jīng)濟(jì)指標(biāo)的典型相關(guān)變量主要是由第二產(chǎn)業(yè)增加值，第三

55、產(chǎn)業(yè)增加值，全社會(huì)固定資產(chǎn)投資額，規(guī)模以上工業(yè)企業(yè)盈虧相抵后的利潤(rùn)總額，建筑業(yè)總產(chǎn)值決定；營(yíng)業(yè)稅的宏觀經(jīng)濟(jì)指標(biāo)的典型相關(guān)變量主要是由公路客運(yùn)量，建筑業(yè)總產(chǎn)值決定；增值稅的宏觀經(jīng)濟(jì)指標(biāo)的典型相關(guān)變量主要是由工業(yè)增加值決定。</p><p>　　個(gè)人所得稅的區(qū)域變量的參數(shù)指標(biāo)的典型相關(guān)變量主要是有廣州市區(qū)的個(gè)人所得稅決定，而受增城市，從化市的個(gè)人所得稅的影響不大；企業(yè)所得稅的區(qū)域變量的參數(shù)指標(biāo)的典型相關(guān)變量主要是有從

56、化市區(qū)的企業(yè)所得稅決定；營(yíng)業(yè)稅的區(qū)域變量的參數(shù)指標(biāo)的典型相關(guān)變量主要是有廣州市的營(yíng)業(yè)稅決定；增值稅的區(qū)域變量的參數(shù)指標(biāo)的典型相關(guān)變量主要是有廣州市區(qū)的增值稅，從化市的增值稅決定，說明廣州市區(qū)與從化市區(qū)的增值稅對(duì)全市的增值稅影響比較大。</p><p>　　這為廣州市制定相應(yīng)的經(jīng)濟(jì)政策都提供了一定的依據(jù)，因此，本章節(jié)看似與全文脫節(jié)，其實(shí)對(duì)廣州市的財(cái)政收入具有十分重要的研究意義。</p><p&g

57、t;　　§3財(cái)政收入的主要因素分析</p><p><b>　　3.1數(shù)據(jù)準(zhǔn)備</b></p><p>　　本章選取的數(shù)據(jù)為廣州市的地方財(cái)政收入，數(shù)據(jù)為1999年到2013年，數(shù)據(jù)來源廣州市統(tǒng)計(jì)局統(tǒng)計(jì)年鑒。</p><p>　　由地方財(cái)政收入表發(fā)現(xiàn)，從1999年到2004年有農(nóng)業(yè)稅，而2005到2013年沒有農(nóng)業(yè)稅這一指標(biāo)，經(jīng)過查閱資

58、料，了解到廣州市在2004年取消了農(nóng)業(yè)稅，只在從化市收取農(nóng)業(yè)稅，到2005年已經(jīng)完全取消農(nóng)業(yè)稅，故我們忽略掉農(nóng)業(yè)稅這一指標(biāo)。</p><p>　　稅收返還補(bǔ)助=消費(fèi)稅和增值稅稅收返還收入+所得稅基數(shù)返還收入，故我們將消費(fèi)稅和增值稅稅收返還收入和所得稅基數(shù)返還收入這兩個(gè)指標(biāo)合并為一個(gè)指標(biāo)。</p><p>　　3.2主成分分析模型的建立</p><p>　　3.2.1

59、主成分分析的簡(jiǎn)介</p><p>　　主成分分析是一種降維的的分析方法，它旨在把多個(gè)變量變?yōu)樯贁?shù)的幾個(gè)互不相關(guān)的綜合變量，這幾個(gè)綜合變量即為提取的主成分，是原始變量的線性組合，因而能夠有效的反映原始變量的大部分信息。</p><p>　　3.2.2主成分分析的基本步驟</p><p>　　主成分分析[19]共有5大步驟</p><p>　　標(biāo)

60、準(zhǔn)化原始指標(biāo)數(shù)據(jù)，p維的隨機(jī)向量 ,其中n個(gè)樣品</p><p>　　，當(dāng)?shù)臅r(shí)候，來構(gòu)造樣本矩陣，對(duì)樣本元進(jìn)行如下處理</p><p><b>　　其標(biāo)準(zhǔn)化變換為：</b></p><p><b>　　式中 , </b></p><p>　　可求得標(biāo)準(zhǔn)化矩陣Z。</p><

61、p>　　求標(biāo)準(zhǔn)化矩陣Z的相關(guān)系數(shù)矩陣</p><p>　　式中  </p><p>　　求解樣本相關(guān)矩陣R的特征方程，可以得到個(gè)特征根,然后再確定主成分并且按照以下原則</p><p>　　來確定值，進(jìn)而使得信息的利用率可以達(dá)到85%以上，對(duì)每個(gè),j解方程組，可得到單位特征向量。</p><p>　?。?）把標(biāo)準(zhǔn)化

62、后的那些指標(biāo)變量轉(zhuǎn)化為主成分，</p><p>　　U1記為第一主成分,U2記為第二主成分,…,Up則記為第p主成分。</p><p>　?。?）由主成分的特征向量選出特征方程。</p><p>　　3.3財(cái)政收入主要因素的求解與結(jié)果分析</p><p>　　查閱資料與驗(yàn)證核實(shí)，我們發(fā)現(xiàn)財(cái)政預(yù)算收入=一般預(yù)算收入+基金預(yù)算收入。故進(jìn)行主成分分

63、析時(shí)我們除去財(cái)政收入，一般預(yù)算收入與基金預(yù)算收入這三個(gè)指標(biāo)后再進(jìn)行分析。</p><p>　　考慮到政策及其他因素的變化對(duì)財(cái)政收入的影響，因此選取近7年的數(shù)據(jù)來進(jìn)行主成分分析。用SAS 來進(jìn)行主成分分析，找到主成分，其SAS 程序見附錄（5）</p><p>　　用2007年到2013年的數(shù)據(jù)共17個(gè)指標(biāo)來進(jìn)行主成分分析：</p><p>　　表3.1：地方財(cái)政收入

64、表的變量說明</p><p>　　樣本相關(guān)矩陣特征方程的特征根如下</p><p>　　表3.2：樣本相關(guān)矩陣特征方程的特征根</p><p>　　由特征值的累積貢獻(xiàn)率值，看出第三個(gè)特征值的累積貢獻(xiàn)率84.24%，幾乎85%，故我們選取3個(gè)主成分。</p><p><b>　　圖3.1：碎石圖</b></p>

65、<p>　　由陡坡圖與方差解釋，選取3個(gè)主成分。</p><p>　　3個(gè)主成分的特征向量得出3個(gè)特征方程</p><p><b>　　圖3.2：特征向量</b></p><p><b>　　圖3.2：特征向量</b></p><p>　　其主成分的方程如下：</p>&

66、lt;p>　　由主成分U1的方程我們可以知道，影響主成分U1的因素指標(biāo)有、、、、 即增值稅，營(yíng)業(yè)稅，企業(yè)所得稅，房產(chǎn)稅，行政事業(yè)性收費(fèi)收入。</p><p>　　由主成分U2的方程我們可以知道，影響主成分U2的因素指標(biāo)有，,即城鎮(zhèn)土地使用稅，車船稅，契稅。</p><p>　　由主成分U3的方程我們可以知道，影響主成分U3的因素指標(biāo)有，即個(gè)人所得稅，其他收入。</p>

67、<p><b>　　3.3本章總結(jié)</b></p><p>　　綜上對(duì)3個(gè)主成分的特征方程進(jìn)行分析，得到、 、 、、，十個(gè)關(guān)鍵因素，即影響財(cái)政收入的主要宏觀經(jīng)濟(jì)指標(biāo)為增值稅，營(yíng)業(yè)稅，企業(yè)所得稅，個(gè)人所得稅，房產(chǎn)稅，城鎮(zhèn)土地使用稅，車船稅，契稅，行政事業(yè)性收費(fèi)收入，其他收入。</p><p>　　§4 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)財(cái)政收入</p>

68、<p><b>　　4.1數(shù)據(jù)準(zhǔn)備</b></p><p>　　本章所用到的數(shù)據(jù)為第三章通過所選主成分分析選出的10個(gè)指標(biāo)所組成的數(shù)據(jù)，具體數(shù)據(jù)見附表</p><p>　　4.2 BP神經(jīng)網(wǎng)絡(luò)模型建立</p><p>　　4.2.1 BP神經(jīng)網(wǎng)絡(luò)的簡(jiǎn)介</p><p>　　BP神經(jīng)網(wǎng)絡(luò)[5]是目前引用最廣泛

69、的神經(jīng)網(wǎng)絡(luò)模型之一，主要應(yīng)用在預(yù)測(cè)，識(shí)別，控制優(yōu)化等方面。BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)，包括輸入層，隱含層，輸出層，主要是一種非線性映射關(guān)系，它也是一種誤差逆?zhèn)鞑ニ惴?。它的這種網(wǎng)絡(luò)結(jié)構(gòu)，是遵從有導(dǎo)師訓(xùn)練的學(xué)習(xí)方式，它的訓(xùn)練方式為最速下降法，為了要達(dá)到誤差最小，則需要不斷地反向調(diào)整網(wǎng)絡(luò)的閾值和權(quán)值。</p><p>　　4.2.2 BP神經(jīng)網(wǎng)絡(luò)的基本原理與步驟</p><p>　　（1）BP神經(jīng)網(wǎng)

70、絡(luò)[5]基本原理</p><p>　　首先需要通過輸入層的神經(jīng)元來輸入信號(hào)，其次必須通過隱含層，傳輸信號(hào)給輸出層，接著要經(jīng)過非線性變換，進(jìn)而產(chǎn)生特定的輸出信號(hào)，輸入向量X和期望輸出量t被包含在每個(gè)訓(xùn)練樣本中，網(wǎng)絡(luò)輸出值Y和期望輸出值t它們之間所產(chǎn)生的偏差，需要先調(diào)整輸入層的神經(jīng)元節(jié)點(diǎn)與隱含層的神經(jīng)元節(jié)點(diǎn)旳聯(lián)接強(qiáng)度及它們之間的權(quán)值 ，再通過調(diào)節(jié)隱含層神經(jīng)元節(jié)點(diǎn)與輸出層神經(jīng)元節(jié)點(diǎn)之間的聯(lián)接強(qiáng)度以及它們的閾值，才能讓誤

71、差沿著梯度的方向逐步下降，接下來需要不斷地進(jìn)行網(wǎng)絡(luò)訓(xùn)練，只有當(dāng)達(dá)到目標(biāo)誤差的時(shí)候，訓(xùn)練才能終止，這個(gè)時(shí)候，已經(jīng)可以確定網(wǎng)絡(luò)的權(quán)值和閥值。最后一步就是利用訓(xùn)練好的網(wǎng)絡(luò)來進(jìn)行預(yù)測(cè)。</p><p>　　圖4.1：BP神經(jīng)網(wǎng)絡(luò)圖示</p><p>　　BP神經(jīng)網(wǎng)絡(luò)模型主要有5種，分別是作用函數(shù)模型、輸入輸出模型、誤差計(jì)算模型和學(xué)習(xí)模型。</p><p><b>

72、　　節(jié)點(diǎn)輸出模型</b></p><p>　　節(jié)點(diǎn)輸出模型主要有兩種，如下：</p><p><b>　　隱節(jié)點(diǎn)輸出模型：</b></p><p><b>　　輸出節(jié)點(diǎn)輸出模型：</b></p><p>　　式中，f是非線性函數(shù)；q是神經(jīng)元的閾值。</p><p>

73、;<b>　　（2）誤差計(jì)算模型</b></p><p>　　誤差計(jì)算模型是反映神經(jīng)網(wǎng)絡(luò)的期望輸出和計(jì)算輸出之間的誤差大小的函數(shù)，它的形式如下：</p><p>　　式中，是第i節(jié)點(diǎn)的期望輸出值；是第i節(jié)點(diǎn)計(jì)算輸出值。</p><p><b>　?。?）作用函數(shù)模型</b></p><p>　　作用

74、函數(shù)是用來反映下層輸入對(duì)上層節(jié)點(diǎn)刺激脈沖強(qiáng)度的函數(shù)，通常又叫作刺激函數(shù)，大多情況下用在(0,1)內(nèi)連續(xù)取值的Sigmoid函數(shù)中，作用函數(shù)，也即刺激函數(shù)的形式如下：</p><p><b>　　（4）自學(xué)習(xí)模型</b></p><p>　　在神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)中，通常情況下能夠得到連接上層神經(jīng)元節(jié)點(diǎn)和下層神經(jīng)元節(jié)點(diǎn)之間的權(quán)重矩陣，并且可以通過對(duì)誤差不斷的修正使得滿足達(dá)

75、到系統(tǒng)的目標(biāo)誤差。BP神經(jīng)網(wǎng)絡(luò)的有導(dǎo)師的學(xué)習(xí)方式，通常需要設(shè)定期望值。而無師的學(xué)習(xí)方式，僅僅只需要輸入輸出模式。</p><p>　　神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)模型為：</p><p>　　式中，h是學(xué)習(xí)因子；是輸出節(jié)點(diǎn)i的計(jì)算誤差；是輸出節(jié)點(diǎn)j的計(jì)算輸出；是動(dòng)量因子。</p><p>　?。?）BP神經(jīng)網(wǎng)絡(luò)模型的步驟</p><p>　　BP神經(jīng)網(wǎng)絡(luò)

76、能學(xué)習(xí)和存貯大量的映射關(guān)系，具有相當(dāng)強(qiáng)的記憶功能。它能夠在映射模式位置的情況下通過學(xué)習(xí)與訓(xùn)練得出具有模型參數(shù)的數(shù)學(xué)模型。它是一個(gè)有導(dǎo)師的學(xué)習(xí)過程，在誤差給定的情況下，它通過逆?zhèn)鞑ゲ粩嗟恼{(diào)整網(wǎng)絡(luò)的參數(shù)，使得誤差達(dá)到目標(biāo)所設(shè)定的誤差。</p><p><b>　　它有5大步驟：</b></p><p>　　第一步：首先需要設(shè)置參數(shù)，主要包括它的輸入矩陣，目標(biāo)輸出矩陣、隱含

77、層的神經(jīng)元個(gè)數(shù)、輸出層的神經(jīng)元個(gè)數(shù)、預(yù)期平均誤差、以及各層的權(quán)值和閾值等。通常情況下目標(biāo)輸出可以從歷史數(shù)據(jù)中來獲得；關(guān)于預(yù)期平均誤差，它僅僅代表著預(yù)測(cè)輸出值與真實(shí)輸出值的擬合度的高低，與此同時(shí)，這個(gè)誤差與訓(xùn)練次數(shù)也有關(guān)系，如果它的誤差小，那么相應(yīng)的訓(xùn)練次數(shù)就比較多；隱含層神經(jīng)元個(gè)數(shù)并不是越多越好，如果隱含層的神經(jīng)元個(gè)數(shù)越多，收斂速度會(huì)慢，很容易導(dǎo)致陷入局部極小，也會(huì)導(dǎo)致學(xué)習(xí)過程發(fā)生震蕩。因此，一般情況下，隱含層的數(shù)量多少還要視情況而定，

78、選取的原則要使運(yùn)行的結(jié)果相對(duì)穩(wěn)定。輸出層的神經(jīng)元個(gè)數(shù)一般就是目標(biāo)輸出的個(gè)數(shù)。各層神經(jīng)元之間的連接就稱為各層的權(quán)值，各層神經(jīng)元之間的閾值就作為修正參數(shù)。</p><p>　　第二步：規(guī)格化處理。樣本數(shù)據(jù)作為輸入層神經(jīng)元，一個(gè)學(xué)習(xí)周期包括所有樣本計(jì)算，為提高網(wǎng)絡(luò)的收斂速度，數(shù)據(jù)進(jìn)行歸一化，即按照（1）轉(zhuǎn)換為(-1,1)之間的值，其中x是樣本數(shù)據(jù)。</p><p>　　第三步：用樣本所給數(shù)據(jù)對(duì)神

79、經(jīng)網(wǎng)絡(luò)進(jìn)行相關(guān)計(jì)算。首先通過輸入層神經(jīng)元按照式子（2）計(jì)算出隱含層神經(jīng)元的輸入，式子中h代表隱含層，k代表第k個(gè)樣本， 代表第i個(gè)輸入層神經(jīng)元與第h個(gè)隱含層神經(jīng)元之間所連接的權(quán)值， 代表隱含層第h個(gè)神經(jīng)元的閾值。在完成計(jì)算隱含層輸入之后可以通過可導(dǎo)函數(shù)，如式（3）所示的這種形式,得出隱含層的輸出；另外，可以把第一層隱含層的輸出矩陣作為下一隱含層的輸入矩陣，經(jīng)過反復(fù)計(jì)算，直至所有的隱含層全部計(jì)算完。</p><p>

80、;　　第四步：把最后一層隱含層的輸出矩陣作為輸出層神經(jīng)元的輸入矩陣，并且按照式子（4）來求輸出層的輸入矩陣，式中代表第k個(gè)樣本的輸出層的輸出矩陣,代表最后一層隱含層的第h個(gè)神經(jīng)元與輸出層的第o個(gè)神經(jīng)元之間的聯(lián)接權(quán)值,代表著第h個(gè)神經(jīng)元的值,代表著輸出層第o個(gè)神經(jīng)元的閾值。然后再通過式子（5）處理之后得到輸出層的輸出矩陣。將輸出層的輸出矩陣與經(jīng)過樣本歸一化處理后的目標(biāo)輸出按照式子（6）求得相應(yīng)的誤差，并且得出它的樣本誤差，式子中代表著第j

81、個(gè)樣本的第i個(gè)輸出的誤差,代表著第j個(gè)樣本的第i個(gè)預(yù)期的輸出,代表著第j個(gè)樣本的第i個(gè)實(shí)際輸出。此時(shí)可以按照式（7）,式（8）求得輸出層誤差和輸入層誤差。在完成樣本計(jì)算之后，就可以進(jìn)入下一個(gè)樣本的計(jì)算，一直到所有的樣本全部計(jì)算完畢，這個(gè)周期的訓(xùn)練才能算是結(jié)束。</p><p>　　第五步：在完成本周期的樣本訓(xùn)練之后，把所有的樣本誤差都根據(jù)式子（9）求和，然后再平均，可以得出實(shí)際的平均誤差。進(jìn)而再用實(shí)際的平均誤差與

82、事先設(shè)定好的預(yù)期平均誤差做比較，當(dāng)預(yù)期平均誤差小于實(shí)際的平均誤差時(shí)，才能計(jì)算出修改后的權(quán)值。</p><p>　　最終，不斷重復(fù)進(jìn)行，一直到,只有當(dāng)滿足這個(gè)條件時(shí)，訓(xùn)練才能算完成。進(jìn)而輸入本期的數(shù)據(jù)，就可以實(shí)現(xiàn)預(yù)測(cè)過程。</p><p>　　4.3財(cái)政收入預(yù)測(cè)的求解與結(jié)果分析</p><p>　　已經(jīng)知道了廣州市財(cái)政收入的10個(gè)主要影響因素，即增值稅，營(yíng)業(yè)稅，企業(yè)所

83、得稅，個(gè)人所得稅，房產(chǎn)稅，城鎮(zhèn)土地使用稅，車船稅，契稅，行政事業(yè)性收費(fèi)收入，其他收入</p><p>　　將這10個(gè)指標(biāo)作為輸入，</p><p>　　表4.1：神經(jīng)網(wǎng)絡(luò)訓(xùn)練的輸入指標(biāo)</p><p>　　將廣州市全市的財(cái)政收入，一般預(yù)算收入，政府性基金收入作為輸出，分別記為y1，y2，y3</p><p>　　表4.2：神經(jīng)網(wǎng)絡(luò)訓(xùn)練的輸出指

84、標(biāo)</p><p>　　運(yùn)用MATLAB 來進(jìn)行BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)，編程見附錄（6）。其中財(cái)政收入預(yù)測(cè)的自變量為10個(gè)，因變量為3個(gè)，因此本文選取10個(gè)輸入神經(jīng)元，3個(gè)輸出神經(jīng)元。關(guān)于隱含層的神經(jīng)元的個(gè)數(shù)，經(jīng)過多次的擬合實(shí)驗(yàn)，發(fā)現(xiàn)當(dāng)隱含層神經(jīng)元個(gè)數(shù)為4時(shí)預(yù)測(cè)結(jié)果最穩(wěn)定。</p><p>　　隱含層為4個(gè)的預(yù)測(cè)結(jié)果</p><p>　　在神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)中，我們?cè)O(shè)置的誤

85、差參數(shù)均方誤差為0.00065神經(jīng)網(wǎng)絡(luò)每一次的預(yù)測(cè)運(yùn)行結(jié)果都不盡相同。取其中一次預(yù)測(cè)結(jié)果作為說明下圖是神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的訓(xùn)練過程，</p><p>　　圖4.2：神經(jīng)網(wǎng)絡(luò)訓(xùn)練的各個(gè)參數(shù)顯示</p><p>　　該圖顯示了神經(jīng)網(wǎng)絡(luò)訓(xùn)練輸入，輸出，隱含層所含的神經(jīng)元的個(gè)數(shù)及</p><p><b>　　訓(xùn)練參數(shù)的設(shè)置。</b></p>&

86、lt;p>　　圖4.3：神經(jīng)網(wǎng)絡(luò)訓(xùn)練表現(xiàn)</p><p>　　此圖為神經(jīng)網(wǎng)絡(luò)訓(xùn)練的過程，均方誤差逐漸修正到目標(biāo)誤差值。</p><p>　　圖4.4：神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程梯度下降法</p><p><b>　　圖4.5：數(shù)據(jù)擬合</b></p><p>　　采用梯度下降法的網(wǎng)絡(luò)訓(xùn)練過程</p><p

87、>　　下面是5次預(yù)測(cè)的結(jié)果，取其平均值</p><p>　　作為14年與15年的預(yù)測(cè)結(jié)果</p><p>　　表4.3：5次預(yù)測(cè)結(jié)果</p><p>　　表4.4：平均預(yù)測(cè)結(jié)果</p><p>　　表4.5：預(yù)測(cè)值與真實(shí)值的比較</p><p>　　相對(duì)誤差表示誤差的大小，用來反映預(yù)測(cè)值與真實(shí)值的偏離程度的大小，

88、反映預(yù)測(cè)模型的好壞。通過表4.5可知，由相對(duì)誤差可知，預(yù)測(cè)值與真實(shí)值比較而言，結(jié)果并不是相差很大，預(yù)測(cè)結(jié)果還是很可觀的。</p><p><b>　　4.4本章總結(jié)</b></p><p>　　本章主要通過BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)得到2014與2015年的地方財(cái)政收入，一般預(yù)算收入，政府性基金收入的預(yù)測(cè)值，與真實(shí)值相比并不是相差很大，本文的財(cái)政收入預(yù)測(cè)模型還是可以的。<

89、;/p><p><b>　　§5研究結(jié)論</b></p><p>　　本文旨在分析財(cái)政收入的影響因素及預(yù)測(cè)情況，主要運(yùn)用了主成分分析法找到了影響財(cái)政收入的10個(gè)因素，又通過神經(jīng)網(wǎng)絡(luò)來進(jìn)行預(yù)測(cè)，得到2014與2015年的財(cái)政收入預(yù)測(cè)值，與真實(shí)值相比較，預(yù)測(cè)結(jié)果比較可觀。另外，本文關(guān)于財(cái)政收入的影響因素的分析，細(xì)化了稅收的影響因素的分析，因?yàn)槎愂赵谪?cái)政收入中所占比重

90、很大，且稅收與地方財(cái)政收入政策的建立息息相關(guān)，因此又通過典型相關(guān)分析，對(duì)稅收的兩個(gè)典型變量組進(jìn)行了分析，分別找到了影響四種稅收的主要因素，另外也分別找出了影響全市稅收的主要區(qū)域。這為廣州市制定相應(yīng)的經(jīng)濟(jì)政策都提供了一定的依據(jù)，因此，本文對(duì)稅收的細(xì)致分析，看似與全文脫節(jié)，其實(shí)對(duì)廣州市的財(cái)政收入政策的實(shí)施頒布具有十分重要的研究意義。</p><p>　　本文的創(chuàng)新之處在于，參考了多篇文獻(xiàn)，并且結(jié)合以往數(shù)學(xué)建模，數(shù)據(jù)挖

91、掘的經(jīng)驗(yàn)，建立了財(cái)政收入的預(yù)測(cè)模型，對(duì)廣州市財(cái)政收入相關(guān)政策的實(shí)施制定提供一定的理論依據(jù)。</p><p><b>　　參考文獻(xiàn)</b></p><p>　　[1] 鄭鵬輝 時(shí)間序列在我國(guó)財(cái)政收入預(yù)測(cè)中的應(yīng)用 1673 -8012( 2008) 02 -0015 -04</p><p>　　[2]閆菲菲，馬曉天，李海迪，王 濤 基于數(shù)據(jù)挖掘技

92、術(shù)的廣州市 財(cái)政收入分析與預(yù)測(cè) 1000 －5617(2016)01 －0031 －03</p><p>　　[3]翟世杰 杜啟花 投資額與 GDP 和財(cái)政收入的回歸分析及預(yù)測(cè)1004-7069（2009）-11-0133-02</p><p>　　[4]張新燕 四川省財(cái)政一般收入預(yù)測(cè)與分析 2007</p><p>　　[5]司守奎,孫璽菁.數(shù)學(xué)建模算法與應(yīng)用.北

93、京：國(guó)防工業(yè)出版社.2011.08.</p><p>　　[6]甘勤濤,聶永川,王微,胡仁喜等,MATLAB 2012數(shù)學(xué)計(jì)算與工程分析入門到精通.北京:機(jī)械工業(yè)出版社.2011.12.</p><p>　　[7]何鄧嬌.廣州市財(cái)政收入影響因素的實(shí)證研究.[A]經(jīng)濟(jì)研究導(dǎo)刊.2014.(15).P104-121.</p><p>　　[8]廣州市經(jīng)濟(jì)研究院"

94、;宏觀經(jīng)濟(jì)形勢(shì)分析與預(yù)測(cè)"課題組.2001年廣州經(jīng)濟(jì)形勢(shì)分析與預(yù)測(cè).珠江經(jīng)濟(jì).2001(5).P12-13.</p><p>　　[9]廣州經(jīng)濟(jì)形勢(shì)分析與預(yù)測(cè)課題組.2007_2008年廣州經(jīng)濟(jì)形勢(shì)分析與預(yù)測(cè).SOUTH CHINA REVIEW.2008(1).P04-23.</p><p>　　[10]廣州市統(tǒng)計(jì)局:《廣州統(tǒng)計(jì)年鑒2013》,中國(guó)統(tǒng)計(jì)出版社2013年7月.&l

95、t;/p><p>　　[11]統(tǒng)計(jì)數(shù)據(jù)主要來源于廣州統(tǒng)計(jì)信息網(wǎng) </p><p>　　[12]馬民杰.廣州經(jīng)濟(jì)社會(huì)發(fā)展與決策的若干問題.廣州研究.1986.(05).P20-23.</p><p>　　[13]江道平.宏觀經(jīng)濟(jì)預(yù)測(cè)_財(cái)政風(fēng)險(xiǎn)評(píng)估與財(cái)政風(fēng)險(xiǎn)控制決策研究.碩士論文.2014.05.P9-28.</p><p>　　[14]沈立鴻.基于

96、數(shù)據(jù)挖掘的中小地稅機(jī)構(gòu)稅收預(yù)測(cè)系統(tǒng)分析與設(shè)計(jì).碩士論文.2013.10.P6-15.P41-43.</p><p>　　[15]朱鑫榕.數(shù)據(jù)挖掘方法及其在我國(guó)財(cái)政管理領(lǐng)域的應(yīng)用.[A]經(jīng)濟(jì)問題2015（1）.P64-68.</p><p>　　[16] Wolfgang Karl Härdle,Léopold Simar, Applied Multivariate St

97、atistical Analysis (3ed) [M], Springer, 2012.</p><p>　　[17] 吳淦洲. 基于特征提取與神經(jīng)網(wǎng)絡(luò)的音樂分類方法[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí),2014,44(5): 94-</p><p><b>　　100.</b></p><p>　　[18]顧學(xué)闖.影響財(cái)政預(yù)算平衡的幾個(gè)非經(jīng)濟(jì)因素.財(cái)經(jīng)

98、廣場(chǎng).P46-47.</p><p>　　[19] Wolfgang Karl Härdle,Léopold Simar, Applied Multivariate Statistical Analysis (3ed) [M], Springer, 2012.</p><p><b>　　致謝</b></p><p>　　時(shí)

99、光匆匆，轉(zhuǎn)眼間，大四的生活即將結(jié)束，我們也要畢業(yè)了…曾經(jīng)很期待又很害怕的畢業(yè)終究還是來了。</p><p>　　回首大學(xué)4年，雖然說在某些方面自己做的還不夠好，但是整體來說大學(xué)還是收獲很多的，尤其是在學(xué)業(yè)，數(shù)據(jù)分析，專業(yè)競(jìng)賽等方面都獲得了不錯(cuò)的成績(jī)。這些成績(jī)的獲得，少不了各位老師的諄諄教導(dǎo)與同學(xué)的探討學(xué)習(xí)，也少不了建模協(xié)會(huì)帶給我的提升。首先，很感謝xx等諸位老師對(duì)我學(xué)業(yè)的幫助以及生活上的關(guān)心照顧，另外，在這里，要

100、特別感謝班主任xx老師，xx老師對(duì)我還說不僅是良師還是益友，不僅在學(xué)業(yè)上給予我?guī)椭c教導(dǎo)，而且在生活中能夠像朋友一樣傾聽我的煩惱與疑惑，并且給予我很大的鼓勵(lì)與幫助，大學(xué)里真的很慶幸能夠遇到xx老師。除此之外，還要特別感謝我的協(xié)會(huì)—數(shù)學(xué)建模與競(jìng)賽協(xié)會(huì)，給予我對(duì)統(tǒng)計(jì)與金融數(shù)學(xué)這個(gè)專業(yè)的無限熱愛之情，也讓我在數(shù)學(xué)數(shù)據(jù)分析這方面有了很大的提升。</p><p>　　本文是在xx老師的指導(dǎo)下認(rèn)真完成的，在論文前期，xx老師