税收预测是在充分分析影响税收收入因素的变化和相关税收历史资料的基础上,运用一定的预测理论、方法和模型,对未来税收收入的前景做出判断。科学、准确的税收预测对于税收计划的正确制定有着重要的意义。
近年来许多学者利用计量统计方法,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 。利用统计方法建立模型有严格的条件限制,所得到的模型只能是某种程度上的近似。 此外,统计建模方法仅局限于一些特定的函数关系,而实际问题中的自变量与因变量有着更复杂的关系,有时相同的自变量与因变量在不同条件下、不同时期可能会有不同的函数关系。
与计量统计方法相比,神经网络无需事先知道描述自变量与因变量之间的数学方程式,就可以以任意精度逼近任意连续的函数,神经网络的容错能力还允许输入样本中带有噪音这对于采集样本受各种条件限制的经济预测问题而言具有重要的意义 。关于采用传统的前馈网络模型是否能进行有效的时序预测,院士郑颖人指出:3层前向网络及反馈神经网络分别表示非线性自回归模型及非线性自回归移动平均模型。因此,进行税收预测建模时,存在一个选择网络模型的问题,不能一味采用3层前向BP网络,而从时序分析的角度看,采用反馈网络更合理一些。
采用三层Elman神经网络结构来建立GDP到TAX的非线性映射模型,模型的输入、输出量均为一个,分别为x(GDP值)和y(TAX值) ;通过反复训练最终确定网络隐层节点数为6,所设计的Elman神经网络的结构如图1。其中X1’,X6’分别是隐层神经元输出X1,X6的一步延迟.
以Matlab神经网络工具箱为仿真建模工具,取学习速率为0.5,期望误差(均方误差)为 0.00001 ,用输入数据x=[0.1694,0.2261,0.2745,0.3810,0.4272,0.4992,0.5754,0.6795]
和期望输出数据T=[0,0.0083,0.0141,0.0409,0.0563,0.0633,0.0892,0.1147]来训练网络, Elman网络在第576步训练时达到期望误差,训练误差下降曲线如图2所示
图2 Elman网络训练误差下降曲线