资源描述：
《经济增长税收收入增长相关性分析》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。
1、-成绩江西财经大学2010 ～2011 学年第二 学期期末考试论文题目：我国地区经济增长与税收收入增长的相关性分析及对策研究课程编码06452选课班A01课程名称税收统计任课教师涂雄苓62 1111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111学号0082261姓名刘起辉学院金融与统计学院专业统计学考试时间2011年6月9日星期四.---江西财经大学2010～2011第2学期课程论文考试评分表课程名称及代码：064
2、52提交时间：6.9学生姓名刘起辉学号0082261成绩学院金融与统计学院任课教师涂雄玲题目我国地区经济增长与税收收入增长的相关性分析及对策研究项目评分点评分理由得分选题（0～10分）价值难度论点（15分）确定性新颖性论据（30分）阅读范围调研观察资料运用分析推理结论（15分）合理性说服力写作（30～40分）结构表达规范注：教师提供选题者，选题项不予评分 任课教师：.---基于支持向量机的税收预测模型的研究摘要:针对税收收入预测不稳定、非线性、动态开放性的特点,提出了支持向量机(SVM)的税收收入预测方法,并将该方法用于某市国税系统的实际税收收入情况进行预测,和传统回归方法比较说明所提出的
3、税收收入预测方法是可行和有效的。关键词:支持向量机;税收;预测ForecastingmodeloftaxbasedonSVMAbstract:Becausethetaxforecastingisanuncertain,nonlinear,dynamicandcomplicatedsystem,itisdifficulttodescribesuchanonlinearcharacteristicsofthissystembytraditionalmethods,sothetaxforecastingisnotaccuratelyforecasted.Anoveltaxmethodispresen
4、tedinwhichanimprovedsupportvectormachines(SVM)algorithmisapplied.Applyingthepresentedmethodtoactualtaxforecasting,thecomparisonamongtheforecastedresultsandthetrueshowthatthepresentedmethodisfeasibleanddefectiveKeywords:supportvectormachines;tax;forecasting引言税收预测就是以充分掌握影响税收收入变动的因素和税收历史资料.---为基础,以统计方法
5、、数学方法为手段,经过严密的推理和计算,对未来税收收入的前景做出比较确定的判断的一项科学管理工作。其目的在于推测和预见税源、税收和税务工作未来的发展变化趋势。因此,税收预测工作对于加强组织收入工作,更好地完成税收任务,为领导的科学决策和管理提供服务等,都具有重大意义。目前,估算税收收入方法主要有因素计分法、因素回归法、系数调整法和人工神经网络方法等。由于这些方法有的适用于大范围、多样本数据的处理,有的适用于较模糊情况的处理,有的则适用于一些不可比事件的量化处理。在实际情况中,必须进行深入细致的定性与定量分析,选择最适合税收特点的计算方法和模型方法。2O世纪7O年代,Vapnik等人提出统计学习
6、理论,并用其研究有限样本的机器学习理论,为有限样本尤其是小样本情况下机器学习提供了有力的理论依据,到2O世纪9O年代中期,随着其理论的不断发展和成熟,也由于神经网络等学习方法在理论上缺乏实质性进展,统计学习理论开始受到越来越广泛的重视,并在此理论框架下产生了支持向量机(supportvectormachine,SVM)这一新的通用机器学习方法。目前,SVM已经在模式识别中取得了良好的应用效果,广泛应用于文本识别、语音识别、人脸识别。近年来,人们又发展了回归型支持向量机,它可以任意精度逼近非线性函数,具有全局极小值点,收敛速的快。与人工经网络方法相比,SVM不存在容易陷于局部最优等问题,并且提高
7、了泛化能力,因此有较大的优越性。针对税收收入预测的特点,时间、GDP等多重因素对税收收入的影响一直制约着预测精度的提高,本文根据XX市国税系统税收特点,提出了基于支持向量机(SVM)进行税收收入预测,为税收分析提供了新思路。.---支持向量机(SVM)的基本原理1SVM的基本思想支持向量机(SVM)的基本思想是通过用内积函数定义的非线性变换将输入空间变换到一个高维空间,在这个高维空间中寻找输入变量
