文摘
税收是一个典型的时间序列数据,这是受到经济和政治因素的相互作用和影响,并动态和高度非线性特征。正确的税收预测的关键是预测算法的选择。传统的税收预测方法,如因素评分法,因子回归方法,和系统调整方法,在实际工作有一定的指导作用,但仍有许多缺点,比如从样本数据的分布和大小限制,难以把握经济系统的非线性现象。Grey-Markov链模型的组合形成的灰色预测和马尔可夫链预测不仅可以揭示时间序列数据的总体发展趋势,但也预测其状态变化模式。基于之前的研究工作的总结和分析,阐述了税收预测的研究现状和意义,阐述了发展背景、现状,以及未来的挑战Grey-Markov链模型,介绍了灰色预测模型和马尔可夫链模型的基本原理,构造Grey-Markov链模型,分析了模型的残余误差和后验误差测试,进行Grey-Markov链模型的分析,进行灰色预测模型建设和政府部门,实现了转移概率矩阵的计算和确定税收预测价值,论述了应用Grey-Markov链的税收预测模型,最后进行了仿真实验和结果分析。研究结果表明,与单独的灰色预测相比,马尔可夫链预测,和其他常用的时间序列预测方法,Grey-Markov链模型增加税收的准确性预测平均2.3 - -13.1%。这表明Grey-Markov链的结合预测模型可以充分利用时间序列数据所提供的信息的税收分析和预测。它不仅可以避免的影响经济、政治、和人的主观因素,也有简单的计算,更高的精度,更强的实用性。本文的研究结果为进一步的研究提供一个参考Grey-Markov链模型的分析和应用的税收预测。
1。介绍
税收预测是一个科学的管理工作,使一个相对明确的判断未来税收收入的前景。基于一个完整的理解的因素影响税收收入和税收历史数据的变化,这个管理工作是实现通过使用统计和数学方法和严密的推理和计算(1]。因此,加强税务组织税收预测具有十分重要的意义,更好的完成税收任务,为科学的税收决策和管理提供服务。Grey-Markov链模式不仅考虑经济的依赖现象在时间序列上,还考虑了随机波动的干扰和高准确率预测短期经济运行的趋势,其中包括目标变量建立模型解释变量的函数。以前的工作也提出了许多税收预测方法,如因素评分法、因子回归方法,和系统调整方法2]。这些方法在实际工作有一定的指导作用,但是仍然存在许多缺点,如样本数据的分布和样本大小的限制。然而,传统的线性宏观经济模型很难把握经济系统中的非线性现象,这将不可避免地导致错误(3]。税收数据是一个典型的时间序列数据,动态和高度非线性的特点,这是受到经济和政治因素的相互作用和影响。因此,正确的税收预测的关键是预测算法的选择(4]。
灰色预测模型是一组微分方程,给出的数学模型,可用于观察、分析和预测系统研究的发展变化。灰色预测的优势在于短期预测,但缺点在于穷人长期预测和挥发性数据系列的配件(5]。Grey-Markov链模型有效地减少一个疲软的影响预测由多个弱预测,提高了预测的准确性。这种预测方法适用的还原方法Grey-Markov链模型的支持向量回归机,消除冗余的属性。结合灰色预测和马尔可夫链形成Grey-Markov链预测模型不仅可以揭示发展的一般趋势和变化的数据序列,还可以预测国家的法律6]。马尔可夫链预测方法是独一无二的解决没有后果的预测。两者的结合不仅可以避免考虑其他影响因素,但也使预测更科学和实用7]。使用Grey-Markov链模型的基本思想是首先建立灰色模型预测并发现其预测曲线;然后使用平滑预测曲线为基准划分的动态区间;计算点的马尔可夫转移概率矩阵和预测其未来状态;得到预测值区间,区间的中点;最后得到精度较高的预报值(8]。
基于之前的研究工作的总结和分析,阐述了税收预测的研究现状和意义,阐述了发展背景、现状,以及未来的挑战Grey-Markov链模型,介绍了灰色预测模型和马尔可夫链模型的基本原理,构造Grey-Markov链模型,分析了模型的残余误差和后验误差测试,进行Grey-Markov链模型的分析,进行灰色预测模型建设和政府部门,实现了转移概率矩阵的计算和确定税收预测价值,论述了应用Grey-Markov链的税收预测模型,最后进行了仿真实验和结果分析。本文的研究结果为进一步的研究提供一个参考Grey-Markov链模型的分析和应用的税收预测。具体章节安排如下:部分2介绍了灰色预测模型和马尔可夫链模型的基本原则;部分3Grey-Markov链模型进行分析;部分4论述了应用税收预测Grey-Markov链模型;部分5进行模拟实验及其结果分析;部分6是结论。
2。方法和原则
2.1。灰色预测模型
为非平稳的随机过程有一定变化趋势随着时间的推移,其状态的边界和内涵也在不断改变。出于这个原因,应考虑动态的划分标准。这一标准应符合基本的时序预测对象的变化趋势。由于原始数据列一个是一个非平稳的随机序列符合马尔可夫链的特点,它可以分为n州,任何状态一个我表示为 在哪里b我是一个参数决定根据税收数据预测;c(一个)是一个非平稳的时间序列的函数;d我是惯性因素;e我是灰色的元素,它将随时间变化;也就是说,国家是动态的。
当看着一行一个我,有两个或两个以上的相同和类似的最大值一个我;标准是直到矩阵中的每一行有两个或两个以上的相同和类似的最大值。一个函数符合n阶马尔可夫nonflat税收随机序列,某种状态f我(一个我)可以表示为 在哪里x是状态转移概率的步骤;从国家转移的样本的数量吗一个我州在一个步骤;h我(一个我是样品的总数h我状态;k是一个系数根据需要选择。
确定系统的未来状态转换后,它还决定了相对价值变化区间的预测价值。中间的间隔可以用作相对价值l我(一个我)的预测价值系统在未来的时间: 在哪里米(一个我)状态的转移概率一个我国家一个我+米通过米一步一步过渡;o(一个我)的次数一个我达到国家一个我+米通过米一步一步过渡;p(一个我)是时间响应系数。
因为随机波动和原始数据可能不能完全反映真实的内部法律、原始数据必须在建模之前预处理使它显示出内部的法律。预测表的制备方法是选择几个期间接近预测的日期并采取相对应的行向量的初始状态转移矩阵对应转换步骤的数量根据距离形成新的概率矩阵预测日期。总结新的概率矩阵的列和国家对应的最大数量转换步骤是未来可能的状态。然而,对于非平稳的随机过程,某些变化趋势随着时间的推移,国家的边界和内涵正在发生改变。出于这个原因,应该考虑动态的划分标准(5]。这一标准应符合基本的时序预测对象的变化趋势。获得的数据列在实际问题建模通常nonequally间隔序列,和等距的灰色模型不再适用。因此,现实意义研究的预测模型,该模型适用于数据系列大型随机波动,可以克服的困难nonequal间距。序列的建模过程与相等的间距是相似的,并且它可以更好地反映在给定的数据列不是很长。
2.2。马尔可夫链模型
灰色模型预测模型的本质是积累原始数据序列,这样生成的数据序列显示了一定的法律,和相应的曲线可以用一个典型的近似曲线。如果问(一个我)是国家一个我通过米步骤,原始数据样本的数量转移到状态一个我+米和状态转移矩阵B(一个我)从原始数据获得的样品状态一个我:
状态转移矩阵B(一个我)反映了过渡各州之间的法律系统;| |B(一个我)| |反映状态的概率一个我转移到状态一个我+米通过米步骤。
因为所有的数据,可用于评估的过程预测模型的准确性是其准确性序列,如果精度指标可以完全描述精度的特征序列,认为这些可以合理地描述精度指标预测模型。根据数理统计的知识,稳定指数C(一个我)如下:
稳定指数C(一个我)反映了分散度的精度数据分布和标志的精度稳定性预测模型。如果时间序列D(一个我)可以表示为一个线性函数的周期值和随机项:
时间序列D(一个我)一个自回归序列,上述公式是一个n阶自回归模型,和真正的参数被称为自回归系数。随机项一个我是一个互相独立的白噪声序列,它服从正态分布的均值为0,方差的一个。
灰色预测模型是一组微分方程数学模型。灰色模型可以用来观察、分析和预测系统研究的发展变化。根据灰色模型预测的数量,可分为一阶多变量预测模型和一个一阶预测模型。灰色模型预测模型的本质是积累并生成原始数据列表,以便生成的数据列表显示了一定的法律。相应的曲线可以用一个典型的近似曲线,然后近似曲线可以作为模型来预测模型的价值,它可以使减少累积预测系统(9]。从上面的灰色模型的预测过程中,可以看出预测几何图形本质上是一个光滑曲线单调增加或减少单调,它只能反映时间序列的总体变化趋势。的想法改进灰色模型的马尔可夫链是第一个把许多动态区间基于平滑预测曲线;其次,马尔可夫转移概率矩阵计算根据时间点落入每个状态区间;最后,未来的状态区间的中点预测值是获得最终的精度较高的预报值。
3所示。Grey-Markov链模型的分析
3.1。Grey-Markov链模型的建设
系统的各种状态转换的统计法律反映在状态转移概率矩阵。通过检查状态转移概率矩阵,未来可以预测系统的发展变化。在税收预测模型需要列表预测表。表的制备方法是选择最接近预测年根据预测的距离。转移矩阵的对应转换步骤的数量,该模型需要相对应的行向量的初始状态形成新的概率矩阵。新的概率矩阵的列向量是总结,和国家对应的最大数量是预测的系统状态转移步骤。因此,如何使用科学的方法来整理原始数据,找到法律的变化是一个有意义的研究系统的理解真正的脸。自适应滤波模型重量和平均时间序列数据根据给定的权重,然后根据预测结果调整权重来减少错误,不断过滤噪声对预测结果的影响,并反复调整权重,以减少错误直到找到最好的重量。图1显示了Grey-Markov链模型的框架建设的税收预测。
由于税收收入预测是与很多因素有关,为了澄清的内部关系和发展规则系统中的各种因素,本文采用Grey-Markov链模型优化的选择影响税收收入的相关经济指标,采用灰色关联分析方法分析了税收收入。进行定量分析和筛选macrofactors收入的影响因素,税收评估许多因素的影响,以及未来发展中值得关注的因素是寻求。
对训练样本集E,一个我输入变量的值,问我对应的输出值,n是训练样本的数量。回归的问题是找到一个从输入空间到输出空间的映射。Grey-Markov链模型的目标之一是寻求回归函数E(一个我): 在哪里F(一个我)输入变量的重量一个我;G(一个我)输入变量的阈值一个我;H(一个我)是敏感的损失函数的输入变量一个我;我(一个我)是复杂的重量平衡模型的参数;r的重量参数训练误差项。
当政府部门是不合适的,没有原始数据在某种状态下,E(一个我)=E(一个我+米)= 0。从这个状态转移概率矩阵J(一个我)是预测未来状态:
一般来说,只有一步转移概率矩阵J(一个我)被认为是,但当未来的状态是很难确定的,有必要检查多步转移概率矩阵J(一个我+米)。转移概率反映了各种随机因素的影响程度,马尔可夫链是适合大型随机波动数据预测问题,它可以弥补灰色预测的局限性。
Grey-Markov链模型分析是衡量因素之间的相关性程度根据程度的相似或差异发展的因素,是一种定量分析的发展动态过程(10]。但对于一个特定的问题,应该选择什么样的预测模型和什么样的序列算子应该引入应该基于充分的定性分析。事实上,在总税收的灰色系统的发展,随着时间的流逝,一些随机扰动或驱动因素将继续进入系统,和系统的开发将先后受到它的影响。因此,通过不断添加新的数据和删除旧数据,建模序列将更好地反映当前系统的特点,以及预测的准确性将会更大。
3.2。残油、后验误差测试
马尔可夫链的上述特点决定它的预测是基于状态之间的转移概率来推断未来系统的发展变化。转移概率反映了各种随机因素的影响程度,马尔可夫链是适合大型随机波动数据预测问题,在这一点上,可以弥补灰色预测的局限性。然而,马尔可夫链的预测对象也需要一个稳定的过程均值相等。税收总额的预测问题是一个非平稳的随机过程,展示了一个特定的变化趋势随时间(11]。使用灰色模型以适应的耕地总量的时间序列数据,找出其变化趋势可以弥补马尔可夫链预测的局限性。做长期预测时,预测的值通常是高或低,所以拟合数据系列的大型随机波动率差,预测精度低(图2)。灰色系统预测模型建立的模块生成的时间序列数据的积累。剩余测试过滤器的随机量可能混合在原始序列,寻找一些隐含的规律上下波动的时间序列,并获得一个新的系列较弱的随机性和强化规律。后验误差测试还可以挖出原始序列的固有特征,可以从建立灰色预测模型的过程。
计量经济学理论假设的研究时间序列预测是由一个随机过程。如果随机过程的随机特性不随时间而变化,可以将时间序列建模的确定性系数方程和方程的系数可以用过去的数据系列的和传统的回归技术。这里涉及一个重要的概念是奇点的时间序列12]。如果一个时间序列必须被转换为一个固定的和可逆的时间序列差异后,据说时间序列有奇异点。
假设每个对象在时间序列数据的属性值K特点,等价关系K可以确定建立知识体系;因此,经济指标的依赖一个我税收因素可以在此基础上计算: 在哪里年代(一个我)是条件属性的集合;t(一个我)是决策属性的集合;u(一个我)是条件属性的属性值的对象一个我;是税收指数的变化特征;α功能设置;和β是权重系数。
Grey-Markov链的移动平均过程模型试验是无条件稳定的,但它通常是希望输入过程和输出过程可以互相表达,所以滞后多项式的根l(一个我)需要在单位圆外,可通过推导: 在哪里求和秩序;y我是学习常数;n权重的数量;z是平滑参数;米(x,y)是隐层的阈值;O(x,y)是求和问题的非平稳时间序列的自回归移动平均模型。
判断和测试时间序列是否平稳,该模型可以使用自相关系数或时间序列的单位根检验。的非平稳时间序列的差分序列通常是固定的,这就是为什么模型是传统上建立的区别。然而,这种解决问题的方法的缺点,因为差别也缓和了有价值的信息。的非平稳的时间序列将摧毁传统的正态分布假设回归技术,和非平稳的时间序列的回归将会导致荒谬的结果,这是虚假回归问题。因此,当建立计量经济模型,固定时间序列的测试是非常必要的。
4所示。Grey-Markov链模型在税收预测中的应用
4.1。灰色模型建设和国家部门
质量预测模型的预测对象数据的准确性密切相关。它是不可能确定的质量预测模型从单一数据情况下,但这只是意味着某种预测模型不适合在这种情况下。预测系统是不断发展的,历史信息系统有一定的影响的研究对象,和信息的接近预测的年龄是更有价值的发展和变化趋势研究体系。正向传递过程中,输入信息从输入层到输出层通过隐藏层计算一层一层地,和每一层的神经元状态只影响下一层神经元的状态。如果没有获得所需的输出在输出层,计算输出层的误差变化值,然后转向反向传播,将误差信号沿原来的连接路径通过网络修改每一层的神经元的权重直到到达预期的目标。因此,分类的基础属性值表征;也就是说,每个属性的属性值被替换为一个特征值和数据驱动属性值可能会太多的特征值(图3)。太多的特征值会使相关规则的形成非常复杂和缓慢的计算,因此,新模型可以结合数据信息和经验来确定预测属性特征值。
(一)
(b)
月度税务数据可以被看作是一个随机时间序列形成。通过分析的随机性、平稳性和季节性时间序列上的税值,这些单月税值之间的相关性或依赖关系是描述一个数学模型,从而达到的目的利用过去和现在的税值信息预测未来税收情况。一旦确定的模型,它能预测未来值从过去和现在的时间序列值。经济预测的过程中,Grey-Markov链模型不仅考虑经济的依赖现象在时间序列上,还考虑了随机波动的干扰和预测准确率高的短期经济运行的趋势。这个税收预测价值是基于当前海关监管水平和税收征管水平不变或有所改善,矿业由税收样本数据本身的信息,并利用数理统计分析方法建立理论预测模型获得的预测价值。一旦实际的外部环境和条件的变化,如国家实施宏观调控,过度的货币升值,汇率的巨大变化和调整对外经济政策,它将对税收预测的结果有一定的影响(13]。
Grey-Markov链模型主要是基于外延的类比的方向和程度的变化时间序列,或者直接延伸过去未来,以预测的税收水平可能达到下一期或多期。从长期的角度来看,税收现象的动态系列不断上升或下降,这是税收的持续发展的客观规律。预测建模涉及到目标变量建立模型解释变量的函数;两种类型的预测建模任务分类和回归,用于预测离散目标变量和预测连续目标变量,分别。关联分析是用来发现模式描述强关联特性数据。发现模式通常表达含义的形式规则或特征子集(14]。由于搜索空间是指数,关联分析的目标是有效地提取最有趣的模式。聚类分析旨在发现密切相关的观察,以便观察组属于同一集群的尽可能相似而属于不同簇的观察。异常检测算法的目标是找到真正的异常,避免误将正常对象标记为异常点。换句话说,一个好的异常探测器必须具有较高的检测率和较低的误警率。
4.2。计算转移概率矩阵和决心的预测价值
Grey-Markov链的平均绝对百分比误差模型的平均绝对百分误差低于前三个体税收预测模型;的均方百分比误差Grey-Markov链模型的平均平方误差百分率低于前三个体税收预测模型。这个结果表明,Grey-Markov链模型有一个良好的税收预测效果的两个测试指标下平均绝对百分比误差和均方百分比误差(图4)。组合预测模型比单一预测模型具有更好的稳定性,可以更好地适应不同的声音睡觉预测环境(15]。不同的单一预测模型的精度,往往有很大的差异和单个预测模型不能涵盖所有税收的有效信息。但如果只是丢弃的一些方法,将丢失一些有用的结论。一般来说,组合预测可以充分利用有用信息的单个预测模型提高预测的准确性和全面性。建立一个准确和动态税收预测模型基于可靠的模型是一个确保税收政策成为科学的先决条件。它还将提供一个科学合理的财政预算的制定依据和宏观调控。
税收数据预测的过程中,许多属性是经常使用,但并不是所有的属性都是同样重要的预测结果。太多的冗余属性将导致过多的计算和参数方法主要是应用在实践中。参数的方法需要建设一个显式的函数形式,通常意味着线性关系的假设,而实际的问题主要是一种非线性关系。在Grey-Markov链模型中,税收预测的准确性nonequally间隔序列从2015年的0.98下降到2020年的0.05,而非平稳的随机过程从2015年的0.89下降到2020年的0.50(图5)。的依赖和重要性在灰色模型过程中样本集的属性来获得一系列减少属性。数据预测使用获得的训练模型来预测测试样本和预测的准确性。这种预测方法适用的还原方法Grey-Markov链模型的支持向量回归机,消除冗余的属性。其中,条件属性和决策属性之间的依赖关系是通过测量它们之间的信息熵,这样他们可以相比。它准确地反映了条件属性和决策属性之间的相互依赖程度,以便更准确地判断一个属性是一个重要的属性。通过属性的处理,减少某些属性和培训模式的可靠性也得到保证。
(一)
(b)
(c)
Grey-Markov链模型通常将获得全面的指标划分为主要组件,其中最大的比例被称为第一主成分,第二大比例的一个叫做第二主成分,等等。每个主成分的线性组合的原始指标和主成分彼此不相关。通过主成分分析,可以将多个指标和因变量之间的关系,在不损失太多信息,获取更多的新和新的信息。它强调数据之间的相似点和不同点,是处理高维数据的一般方法。对于原始数据,Grey-Markov链模型使用一些变换来提取数据之间的固有特点,其中之一是实现通过线性变换(16]。通常有必要找到税基或机构税基相应税收类型和相应的经济指标的预测价值必须得到。即使是正确的适合模型,收入预测的准确性取决于预测的准确性独立变量,如经济指标。在过去的时期,如果经济结构和税收政策发生重大变化,这将是更难调整历史数据,并将直接影响预测的准确性。
5。仿真实验和结果分析
5.1。仿真实验设计
本文选择在中国某些省份的税收收入从2000年到2020年的实验数据并使用Grey-Markov链模型进行验证性实验的税收预测。根据影响因素的大小,数据的可比性,以及预测模型的要求,以下10个指标(每一指标单位10000元)选为影响税收的指标体系:第一产业增加值,第二产业增加价值,第三产业增加值、农业生产总值、工业生产总值、固定资产投资、社会消费品零售总额、总销售的商品,对外贸易进出口总额,平衡城乡居民的储蓄存款。根据统计年鉴获得每一个指标的数据,将数据分为两个部分,从2000年到2015年的数据作为训练数据,和从2015年到2020年的数据作为测试数据。
Grey-Markov链模型识别模式或关系数据。与预测模型、描述性的模型提供了一种探索分析数据的属性,而不是预测新的属性。在一个时间序列,数据的属性值是随时间不断变化的。在正常情况下,这些数据可以得到相等的时间间隔。时间序列分析有三个基本功能:第一,使用距离度量来确定不同时间序列的相似性;第二,研究时间序列图的结构来确定时间序列的行为;第三,使用历史时间序列图的数据预测未来的值(17]。分类是用来预测数据对象的类别,也就是说,使用现有的信息来预测未知的事件。例如,预测纳税人是否会逃避或者逃税、偷税漏税的水平(图6)。时间序列通常是由两个基本要素:一个是变量的时间反映的经济现象,另一个是该指数反映的经济现象,其索引值。一种可行的方法是收集大量的与税收相关的数据在不同的时期。除了税收数据,以下数据,影响税收收入也应该收集并结合Grey-Markov链模型;它可以进行基于各种以前的数据。
(一)
(b)
5.2。结果分析
不同的模型选择最好的矩形特征区分正负样本。每个特性的弱分类器分类函数的最优阈值,这样最少的是分类错误的样本。Grey-Markov链模型的优点是,它使用加权训练数据而不是随机选择的训练样本,结合弱分类器,并使用加权投票机制,而不是平均投票机制。预示的预测误差值小于弱预测值的平均预测误差值,并预示的预测结果是更好的18]。这表明Grey-Markov链模型有效地减少一个疲软的影响预测由多个弱预测,提高了预测的准确性。在培训期间,Grey-Markov链模型与训练集训练数据。培训后,系统自动验证的示例数据集数据输入神经网络的验证。验证集的输入后,会得到一个错误。该系统将判断这个错误多次迭代后已经稳定。如果它不减少或增加,模型将停止训练训练集来防止过度学习。因此,预示税收Grey-Markov链模型的预测方法具有良好的预测效果,是一种可行的税收预测方法。
实际的经济系统是一个离散的非线性系统。非线性混沌动力学模型更适合研究经济系统,它可以更准确地揭示经济体系的操作规律。与统计测量方法相比,Grey-Markov链模型不需要知道的数学方程描述自变量和因变量提前,可以以任意精度逼近任意连续函数(19]。Grey-Markov链的容错模型输入样本,还允许噪音为经济预测问题具有重要意义,样本的收集是受各种条件的限制。
政府部门是基于预测的价值Y(k),和四个平行曲线的上下两侧,每两个相邻曲线之间的地区是一个状态。的非平稳随机序列符合马尔可夫链分为4个州:
由于时间跨度长,为了消除价格指数和通货膨胀的影响,原始数据必须转换根据今年的价格。为了不影响模型的预测效果,海关税收和证券交易印花税从原始数据中扣除。关于是否传统的前馈网络模型可用于有效的时间序列预测,三层转发网络和Grey-Markov链模型代表的非线性自回归模型和非线性自回归移动平均模型,分别(图7)。因此,税收预测建模时,有一个问题,选择一个网络模型。模型不能盲目采用三层网络。从时间序列的角度分析,它是更合理的使用反馈网络(20.]。
(一)
(b)
(c)
(d)
的差别税收预测因变量的选择使得税收预测分为总预测和个人预期。总预测使用总税收收入作为因变量,而个人预测使用营业税,所得税和财产税作为因变量。因变量的选择的差异也会导致改变自变量和因变量之间的关系,因为任何相关经济因素之间的关系作为一个独立变量和因变量在本质上是不同的。选择不同范围的税收收入作为因变量使税收预测分为综合预测和局部或区域预测(21]。自变量和因变量之间的关系之间的模型也不同综合预测不同区域之间和区域预测和预测。在理想Grey-Markov链模型,选定的变量应该用税收收入高度相关,所选择的变量是相互独立的,和其余的模型倾向于零;也就是说,所有相关因素基本上是总结的模型(图8)。要求所选变量基本上是不可能是完全独立的。然而,当选择的变量之间的相关性可以被要求尽可能低。只有这样才能解释变量的唯一性和可靠性解释因变量是保证。
(一)
(b)
6。结论
Grey-Markov链结构模型,分析模型的残余误差和后验误差测试,进行Grey-Markov链模型的分析,进行灰色预测模型建设和政府部门,实现了转移概率矩阵的计算和确定税收预测价值,论述了应用Grey-Markov链的税收预测模型,最后进行了仿真实验和结果分析。的依赖和重要性在灰色模型过程中样本集的属性来获得一系列减少属性。数据预测使用获得的训练模型来预测测试样本和预测的准确性。Grey-Markov链模型主要是基于外延的类比的方向和程度的变化时间序列,或者直接延伸过去未来,以预测的税收水平可能达到在接下来的时期。关于是否传统的前馈网络模型可用于有效的时间序列预测,三层转发网络和Grey-Markov链模型代表的非线性自回归模型和非线性自回归移动平均模型,分别。税收数据使用获得的训练模型来预测测试样本获取预测的准确性。研究结果表明,与单独的灰色预测相比,马尔可夫链预测,和其他常用的时间序列预测方法,Grey-Markov链模型增加税收的准确性预测平均2.3 - -13.1%。这表明Grey-Markov链的结合预测模型可以充分利用时间序列数据所提供的信息的税收分析和预测。它不仅可以避免的影响经济、政治、和人的主观因素,也有简单的计算,更高的精度,更强的实用性。本文的研究结果为进一步的研究提供一个参考Grey-Markov链模型的分析和应用的税收预测。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。