《月度税收收入预测方法之比较.ppt》由会员分享，可在线阅读，更多相关《月度税收收入预测方法之比较.ppt（26页珍藏版）》请在三一文库上搜索。
1、2019/2/25,月度税收收入预测方法之比较 潘雷驰,2019/2/25,导论,常用方法的评价： 1、季节模型 2、指数平滑 3、回归 4、ARIMA 5、BP神经网络 6、支持向量机,传统时间序列方法,统计学方法,机器学习方法,2019/2/25,一数据的特征,江苏地税,2019/2/25,1、4、7、10月 3、6、9、12月 2006年9月、10月、11月,2019/2/25,“S”形,2019/2/25,宁夏国税,2019/2/25,2019/2/25,预测方法及其结果,（一）指数平滑方法 指数平滑方法可以通过调整对时间序列中包含的短期趋势的估计，自动追踪数据的变化，实现对短期变动趋
2、势的预测。该方法又包括：一次指数平滑、二次指数平滑、多参数无季节趋势指数平滑和多参数有季节趋势指数平滑。因为月度收入数据的季节性和强烈的时间趋势，这里选用多参数有季节趋势指数平滑法，并使用乘积模型。,2019/2/25,我们使用2000年1月-2008年12月数据建立Holter-Winter季节乘积模型，利用2009年1月-4月数据验证模型的效果。计算软件是Eviews6.0。,2019/2/25,表一 指数平滑方法预测结果,2019/2/25,（二）ARIMA方法 在分析之前，首先对税收收入数据取自然对数，以平滑数据的波动。对数据平滑处理后绘制自相关分析图，以判定数据是否具有明显的季节趋势
3、，以及确定自回归阶数p和移动平均阶数q。,2019/2/25,2019/2/25,对税收收入自然对数值逐期差分，并以12个月为步长进行季节差分，获得新序列称之为“季节调整后税收收入自然对数值”,2019/2/25,2019/2/25,第二次季节差分后自相关图,2019/2/25,模型的形态为，ARIMA（p，1，q）（1，1，1）12。最终根据AIC和BIC值，以及参考预测精度确定模型为ARIMA（3，1，3）（1，1，1）12。计算软件是Eviews6.0。,2019/2/25,表二 ARIMA方法预测结果,2019/2/25,（三）BP神经网络方法 选择时间趋势项、税收收入前期值作为输入元
4、，实际的月度税收收入为输出元。隐含层层数设定为4，终止误差设定为 。在运算中，我们发现随着隐含层层数的增加和终止误差设定值的降低，会提高预测的精度，但是增加的隐含层过多、终止误差设定过低是没有意义的，预测精度不会改变。,2019/2/25,经过计算，模型的最终形态确定为输入元为时间趋势项和前一期税收收入，输出元为实际税收收入，因为其他形态的模型不能显著提高预测精度。计算软件是R2.9.0。,2019/2/25,表三 神经网络方法预测结果,2019/2/25,（四）支持向量机方法 反复比较模型的预测精度后，支持向量机模型自变量设置为时间趋势项和前一期税收收入，因变量为月度实际税收收入，模型的co
5、st值设置为40000， 值设置为0.001，即使将cost值设置再增加100倍， 值设置再降低10倍，依然不改变预测精度。计算软件是R2.9.0。,2019/2/25,表四 支持向量机方法预测结果,2019/2/25,三简短的小结,在对月度数据进行预测时，多参数含季节趋势的指数平滑方法、含季节调整的ARIMA方法效果比较接近而且预测精度较高，BP神经网络方法和支持向量机方法效果比较接近，但是预测精度很低。因此，在使用月度税收收入进行预测时，选择多参数含季节趋势的指数平滑方法、含季节调整的ARIMA方法是比较合适的选择。,2019/2/25,这里使用多参数含季节趋势的指数平滑方法、含季节调整的ARIMA方法预测江苏地税2009年5月税收收入合计数为分别为126.53亿元，134.51亿元，二者相差8亿元左右。,2019/2/25,当然对于这个问题的讨论并没有结束，实际上我们已经看到月度税收数据实际上可以分成三类：1、“1、4、7、10”月收入数据，这些月份收入数据主要受到季缴因素形成的时间序列；2、“3、6、9、12”月份数据构成受到“收入组织方式”因素影响的时间序列；3、“2、5、8、11”月份数据。相对来说，这三类数据内部结构和变动趋势更加接近，在月度预测时候，可以考虑分别三类数据实现预测，而不是将三类波动趋势不一致的数据放在一起。,2019/2/25,谢谢！,