论文总字数：18359字

摘 要

财政收入一般是指用来衡量一个国家和地区整体经济的实力和地方政府财力的重要经济指标。在目前我国现行的分税制度和财政管理的体制下，地方的财政收入不但仅仅是一个国家和地方财政收入的重要来源和组成部分，而且同时还具有其相对独立的经济构成和内容。财政收入不仅直接关系到中国特色社会主义经济的发展和进步以及人民群众基本生活水平的改善和提高，也直接关系到如何正确处理协调国家、单位和企业个人三者之间和中央与地方两级政府共同利益的分配关系，还直接关系到不同经济对象的合理负担的问题。

苏州自古以来一直就是我国江南经济和文化的中心地带，历史悠久，有着深厚的文化底蕴，地理位置紧贴着上海，共享长三角经济圈发展的良机。本文选取了苏州市1998年至2018年的财政收入数据以及与其相关的15个影响因素数据。首先对这些财政收入数据特征的相关性进行分析。然后，使用Lasso回归方法和交叉验证对原始特征进一步筛选，只保留下相对重要的特征。接着，对单个特征建立灰色预测模型，得到各个特征值的预测值。最后，将灰色预测模型和支持向量回归预测模型相结合，对苏州市2019和2020年的财政收入进行预测。

关键词：财政收入预测 Lasso回归 灰色预测 支持向量回归预测

ABSTRACT

Fiscal revenue is an important indicator to measure the economic strength and financial resources of a region. Under the current fiscal management system of tax sharing system in China， local fiscal revenue is not only an important part of national fiscal revenue， but also has its relatively independent content. Fiscal revenue is not only related to the development of social economy and the improvement of people's living standards， but also to the correct handling of the relationship between the interests of the state， units and individuals and between the central and local levels， as well as the reasonable burden of different objects.

Suzhou has been the center of Jiangnan culture since ancient times. It has a long history and profound cultural heritage. Its geographical location is close to Shanghai， sharing the good opportunities for the development of the Yangtze River Delta economic circle. This paper selects the fiscal revenue data of Suzhou from 1999 to 2018 and the related data of 13 influencing factors. First， this paper analyzes the correlation of these financial revenue data characteristics. Second， the Lasso regression method is used to further screen the original features and only keep the important features. Third， the gray prediction model is established for a single feature to get the prediction value of each feature value. Finally， combining the grey prediction model and the support vector regression prediction model， the paper forecasts the fiscal revenue of Suzhou in 2019 and 2020.

Key words: fiscal revenue forecast; Lasso regression; grey forecast; support vector regression forecast

目录

摘要 I

ABSTRACT II

目录 III

一、 绪论 1

1.1 研究目的和意义 1

1.2 研究现状 1

1.3 研究内容及方法 3

二、 财政收入预测模型理论概述 4

2.1 Lasso回归方法 4

2.1.1 Lasso回归方法的概念 4

2.1.2 Lasso回归方法的基本原理 4

2.1.3 Lasso回归方法的特点 5

2.2 灰色预测模型 5

2.2.1 灰色预测模型的概念 6

2.2.2 灰色预测模型的基本原理 6

2.2.3 灰色预测模型的特点 7

2.3 支持向量回归SVR预测模型 7

2.3.1 SVR算法的基本原理 7

2.3.2 SVR算法的特点 9

三、 实证分析 10

3.1 数据抽取 10

3.2 数据预处理 12

3.2.1 相关性分析 12

3.2.2 Lasso回归 13

3.3 灰色预测 15

3.4 支持向量回归预测 15

3.5 分析与建议 19

四、 总结与展望 19

5.1 总结 19

5.2 不足与展望 20

参考文献 20

致谢 21

绪论

研究目的和意义

财政收入资金，在概念上来举例，就是不同级别的人民政府在履行其必要职责义务的时候，还有在国家相关的公众政策要求下，为了方便和人民生活密切相关的公众生活用品以及广大人民群众所需要的社会服务，而为了满足这一需求而自我进行资金筹款的一系列财政金额数目的总和。一定时期内，不同级别的人民政府部门收到的用于人民的一般货币收入总额就是政府财政收入的表现。衡量一个国家或地区的整体经济发展实力和该地区政府的整体财务实力的重要指标是其财政收入。在经济社会的一切经济管理活动中，在很大程度上，财政收入越是充裕，政府提供人民需要的公共物品及服务的范围越是广，数量越是多。

在目前我国现行的分税制度和财政管理体制下，地方的财政收入不但是一个国家财政收入的重要组成部分，而且实际上具有其相对独立的基本构成和内容。为了加强地方政府宏观调控的能力，合理的地方财政政策的实施离不开对地方财政收入的精确统计分析和有效的预测，较准确地预测未来一段时间内的地方财政收入，为中央和地方的财政收入和任务的合理确定和分配安排提供了科学的决策理论依据，也为政府和监管部门的日常工作和管理提供了更有效的决策参考。因此，运用机器学习算法对地方财政收入进行预测分析是非常有必要的。

研究现状

对于地方财政收入的预测和实证分析可以从不同的经济角度通过建立不同的预测模型和方法来进行探索和研究，国内许多的学者都在致力于这一方面的探索和研究，取得了累累硕果。成军（2003）^[1]采用定性（专家判断等）与定量（现代预测方法等）相结合的方式，构造出了一个系统动力学预测模型，该模型可以自动完成地方财政收入指标及结构预测，选择了双极形函数BP网络相关预测模型是地方税收收入与对应经济相关因素的最佳关系模型，实证研究的是河北省2001年财政收入分析预测。杨玉生和韦邦荣（2006）^[2]对1953年至2003年中国财政收入与GDP之间的关系进行了实证分析，其中运用到了协整理论，研究发现中国财政收入与GDP之间存在着长期均衡的协整关系和短期动态调整机制，并且两者之间互相促进。张新燕（2007）^[3]将自组织数据挖掘方法、时间序列方法和神经网络方法进行比较分析，发现自组织数据挖掘方法是预测四川省县级财政一般收入一种较好的方法。崔志坤和朱秀变（2010）^[4]对影响财政收入规模的因素进行了研究，运用了简单的一元线性回归预测模型以及AR时间序列预测模型，对我国的财政收入进行了预测并且分析了当时国际金融危机产生的影响。赵海华（2016）^[5]对RBF神经网络和无偏GM(1，1)灰色预测模型进行分析，在两者建模优点的基础上，结合了回归分析的思想，提出了多因素财政收入预测模型，并且用安徽省的财政数据作为实证样本，对所构建的模型进行检验分析。杨世娟，卢维学和方辉平（2016）^[6]选择影响财政收入的几个显著因素是通过逐步回归的方法，采用灰色预测模型对样本的数量进行扩张是由于灰色预测模型在小样本量数据中的优势，在BP神经网络的基础上，对数据进行了训练和测试，对安徽省2015年和2016年的财政收入进行预测。经过对历史数据的分析，袁瑞萍，李俊韬和田志勇（2016）^[7]利用灰色预测理论，对于丰台科技园区财政收入的预测，建立了GM(1，1)灰色预测模型，为了提高预测的精度，用GM(1，1)残差模型对GM(1，1)灰色预测模型进行修正，通过模型的后验差比值和预测结果的对比分析，发现了GM(1，1)残差模型的预测精度比GM(1，1)灰色预测模型提高了不少，更能够满足科技园区财政收入预测的实际要求。许楠（2017）^[8] 用EVIEWS软件进行编程，利用求和自回归移动平均模型ARIMA，对我国的财政收入进行分析预测。蒋锋，张婷和周琰玲（2018）^[9]考虑到地方财政收入影响因素复杂的非线性关系，提出了一种组合预测方法：Lasso-GRNN神经网络模型，用青海省海西州1994年至2016年的地方财政收入以及其他相关数据为例进行了实证研究，研究发现Lasso-GRNN神经网络模型的预测效果在收敛速度以及预测精度上都好于Lasso-BP和Lasso-RBF神经网络模型。于辉（2018）^[10]使用基于深度学习思想的深层神经网络，深层感知器模型DMLP来解决常规BP神经网络的一些缺陷，建立基于灰色DMLP财政收入预测模型，并且用西安市财政收入及影响因素的统计数据对组合模型进行了检验。舒服华（2018）^[11]利用灰色GM(1，N)预测模型预测了河北省的财政收入总额，通过这个模型，不仅分析对象本身随着时间的动态变化可以清晰地反映出来，而且整个系统的变化规律能够被理解领会。

请支付后下载全文，论文总字数：18359字