简述BP神经网络的模型构造及其在税收预测中的运用方法-税收论文发表
摘要：关于简述BP神经网络的模型构造及其在税收预测中的运用方法的税收论文发表：税收收入预测的解析模型难以精确建立，基于多层前传神经网络，采用BP算法训练建立了税收预测模型，该模型具有收敛精度高、收敛速度快、泛化性能好的优点。研究表明，采用神经网络结构及其学习技术建立高精度非线性税收预测模型切实可行，具有推广应用价值。
关键词：税收；预测；非线性；神经网络
引言
税收收入的增长与变化受多方面因素的影响，一方面，税收收入变化与税收政策强相关；另一方面，又随着经济的增长而增长，如，国民生产总值、财政支出总量、固定资产投资总量、社会消费品销售量、进出口额、职工工资额等许多因素，同时也存在着由未知不确定因素引起的随机波动。税收收入预测可以使用统计技术，统计技术中所使用的负荷模型一般分为时间序列模型和回归模型。时间序列模型的缺点在于不能充分利用对税收收入密切相关的国民生产总值等因素，导致预测的数据不准确和不稳定。回归模型虽然考虑了国民生产总值等因素，但需要预知国民生产总值等因素与税收收入间的精确解析关系，而这存在很大困难。众所周知，多层前向神经网络具有逼近任意非线性输入输出关系的能力，基于神经网络建立非线性税收预测模型是一种新的思路。有鉴于此，本文基于BP神经网络建立了税收预测模型，研究表明该模型具有收敛精度高、收敛速度快、泛化性能好的优点，具有推广应用价值。
一、BP神经网络的模型及算法[1]
1.BP神经网络模型人工神经网络是一种模拟人脑信息处理方法的非线性系统，能够模拟生物神经系统真实世界及物体之间所作出的交互反应。人工神经网络处理信息是通过信息样本对神经网络的训练，使其具有人的大脑记忆、辨识能力，完成各种信息处理功能。它具有良好的自学习、自适应、联想记忆、并行处理和非线性转换的能力，避免了复杂的数学推导，在样本缺损和参数漂移的情况下仍能保证稳定的输出。它比较适合于一些信息十分复杂、知识背景不十分清楚和推理规则不明确问题的分析与处理。作为人工神经网络的一种，误差反向传播（BP）网络是多层前馈型神经网络，其神经元的传递函数是S型函数，输出量为0到1之间的连续量，它可以实现从输入到输出的任意非线性映射。即f∶Rn→Rm，（fX）=Y对于给定的样本集合，输入xi∈Rn和输出yi∈Rm，i=1，2，…，p，可以认为存在某一映射f，使得（fxi）=yi，根据以下Kolmogorov定理可知，BP网络可以在任意误差内逼近任意连续函数。Kolmogorov定理：给定任一连续函数f∶Un→Rm，（fX）=Y，Un是n维单位立方体，f可以精确地由一个三层前馈神经网络实现，此神经网络的第一层处有n个处理单元，中间层有2n+1个处理单元，输出层有m个处理单元。
2.三层结构BP神经网络的算法典型的BP网络是一个由输入层、输出层和一个中间隐含层三个神经元层次构成的模型，各层次的神经元间形成全互连连接，同层次内的神经元间没有连接。对于输入信号，要向前传播到隐含层神经元，经作用函数变换后，再把隐含层神经元的输入信号传播到输出层神经元。三层前馈型神经网络模型学习算法如下:（1）初始化，对所有联接权重赋予随机任意值，并对阈值设定初值。（2）给定最初的学习数据，即给出经预处理的训练样本集{xml}和相应的期望输出集{yml}，其中m，l分别表示样本数和输入向量数。（3）计算各层的输出Opi。对于输入层，其输入与输出相同，即Opi=xpi，其中xpi为第p个样本的第i个值；对于隐含层和输出层，神经元的输出操作特性为:Opj=（f∑（wjiOpi-θ）j）=（fnetp）j其中Opi为神经元j当前输入，Opj为其输出，（fx）是一个非线性可微非递减函数，一般取S形函数及其变种函数，即（fx）=11+e-bx，其中b为常数。（4）计算各层误差。输出层：δpi=（ypj-Op）j（1-Op）jOpj隐含层和输入层：δ′pl=Op（l1-Op）lkΣpkwpk（5）反向传播，修正权重和阈值。输出层：wij（t+1）=wij（t）+δpjOpj，θp（jk+1）=θp（jk）+ηδpj隐含层：v（ljt+1）=vlj（t）+δ′plOpl，θp（lk+1）=θp（lk）+ηδ′pl其中η为学习速度。（6）更新学习数据，重新随机选取一个模式对，返回到步骤（2）直至网络全局误差函数E小于预先设定的拟合误差，网络训练结束。（7）学习数据终止的话，返回（2）。（8）更新学习次数，进行下一次学习循环。（9）假如不满足设定的学习次数，则返回（2）。
二、基于BP神经网络的税收预测建模
本文参考文献[2]进行相关模型变量的选择，根据影响因素的大小、资料的可比性及预测模型的要求等原因，选择农业总产值、社会消费品零售总额、进出口总额、职工工资总额、固定资产投资总量、居民消费水平、全国城乡储蓄存款年末余额、国内生产总值、财政支出总量等九项指标作为神经网络的输入变量。1.数据的获取数据为从《中国统计年鉴》取得的1981年到2001年的数据，单位为亿元，见表1。
2.神经网络模型的建立本文所基于BP神经网络建立的税收预测模型如图1所示。
图1中，选择9个经济指标作为输入变量，根据经验选择19个隐层神经元且其传递函数采用S型正切函数，输出神经元为税收收入且其传递函数采用S型对数函数。历年的税收收入为网络训练的目标。在MATLAB环境下，调用其神经网络工具箱函数对所建立的神经网络进行训练的指令为：net=newf（fminmax（P），[19，1]，{'tansig'，'logsig'}，'trainlm'）;net=train（net，P，T）;上述指令中{P，T}为训练样本，trainlm为选用的Levenberg_MarquardtBP训练函数。
3.数据的预先处理由表1可见，1981—1984年的税收收入增长较稳定，但1984—1985年的税收收入相差很大，而输入变量的变化却不大，这表明政策的因素有较大作用；从1985年以后的税收收入增长又比较平稳，故在选择样本时舍弃1984年以前的数据而选择1985—2001年的数据作为样本。为检验所建立的模型是否具有泛化性，本文选取1990年1年的数据作为测试样本以检验网络的泛化能力，其余样本作为训练样本。同时，为便于比较，所有数据在输入神经网络进行训练前都要进行归一化处理，归一化处理的方法很多，本文采用x赞=x-xminxmax-xmin=进行归一化处理。
4.网络的训练本文设置最大训练次数为2000次，http://www.010lunwen.com训练的目标误差设为1e-12，学习率为0.1。基于MATLAB编程对网络进行训练，一般在1000步以内就可达到训练精度从而结束训练。隐层神经元的个数对网络训练的收敛速度具有重要的影响，但其最佳值的选取目前主要依赖于经验。本文分别选取15，19，25，32个隐层神经元对网络进行训练，发现隐层神经元为15个时不但收敛速度快，且通过测试样本的检验发现其误差也很小（一般<5%）。故本文最终选择网络的隐层神经元个数为15个。其训练过程的收敛特性如图2所示。这里，1990年的税收收入作为测试样本的目标数据为2 821.86，训练好的神经计算的实际值为2828.97，两者的误差仅为0.25%，检验效果很满意，同时，该网络模型可很好地用于税收收入的预测。
结论
本文基于BP神经网络建立了高精度、非线性的税收预测模型。本文的研究表明：在自然科学领域已得到广泛应用的神经网络建模技术应用于税收预测精确建模是切实可行的；在基于BP网络的税收预测模型中隐层神经元的个数对其收敛速度具有重要的影响，应进行优化；为防止网络训练的过适应，即训练结果模型对训练样本很适合，而对其他数据则有误差较大的情况出现，可以用测试样本监测网络训练时的情况，防止训练时出现使用训练样本时输出误差与目标误差越来越小，而使用测试样本数据检验时出现误差越来越大的趋势，一旦出现这种趋势就停止训练；事实上，如何进一步提高网络的学习速度值得深入研究。应该指出，考虑到税收政策因素的重要影响及神经网络训练本身的特点，应根据税收政策因素的实际情况选取最近时间的一组样本进行训练。
参考文献
[1]王慧.BP神经网络的高技术企业技术创新能力评价[J].科技管理研究，2007，（11）.
[2]漆莉莉.税收收入统计预测模型与经济分析[J].税务研究，2005，（1）.
[3]飞思科技产品研发中心.神经网络理论与MATLAB 7实现[M].北京：电子工业出版社.
[4]许力.智能控制与智能系统[M].北京：机械工业出版社.
