论文部分内容阅读
征收个人所得税作为国家财政收入的重点来源之一,不仅能保证国家稳定的财政收入,而且能起到收入再分配、缩小贫富差距的作用。A区是重庆市的一个区县,其经济水平与税收水平均处于重庆市的中等偏下水平,对A区个人所得税的预测研究有助于为A区地税局提供财政预算,并为政府调整经济结构提供参考。同时,可将A区税收预测模型推广至重庆市其他区县,乃至整个重庆市的个人所得税预测。然而,已有税收预测研究主要分为传统的时间序列预测与回归预测两个方向,两者都存在一定的弊端。时间序列分析预测法暂不考虑外界具体因素的影响,预测误差较大。回归预测通常将GDP、GNP等经济指标作为影响因素,忽略了历史的税收对现在的税收存在着一定的影响,且预测时间点的影响因素值如GDP、GNP需要通过时间序列预测而得,经过两次模型的迭代,造成了误差的传播。本文把因子分析和NARX动态神经网络结合应用于A区个税预测。目标在于探索一种新的能够有效预测个人所得税的预测模型。NARX神经网络的输入是滞后的外部数据和滞后的目标数据,输出为当前目标数据。因此本文首先计算A区个人所得税的12个分税目的综合因子得分;再将滞后4阶的因子得分与滞后4阶的个人所得税拼接,作为NARX神经网络的输入特征,输出为当前个人所得税。这里的滞后因子4通过不断调整求得,当滞后因子为4时,预测误差最小。这样既考虑到各分税目对个人所得税的影响,也考虑到历史个税的影响。实验表明引入综合因子得分的NARX预测模型比传统的ARIMA预测模型预测误差更低,NARX模型的平均误差绝对值百分比为2.6%,而ARIMA模型的平均误差绝对值百分比为13.3%。从NARX预测模型与ARIMA预测模型的对比结果可以看出,NARX模型对于非线性数据的拟合效果也更优。由于A区个人所得税从2006年到2016年的个所得税数据并不是线性增长的,在2012年和2014年出现了大幅度的降低,NARX预测模型则能较好地拟合这种波动,而ARIMA模型在面对这种波动时效果较差。