運(yùn)用時間序列模型預(yù)測未來的稅收變化,對稅收收入的組織、規(guī)劃和決策具有重要的意義。為探索一種更為有效的方法來提高季節(jié)性行業(yè)的消費(fèi)稅預(yù)測準(zhǔn)確率,文章采用基于可分解（趨勢+季節(jié)+節(jié)假日）的Prophet模型,對2014—2019年不同排量乘用車消費(fèi)稅數(shù)據(jù)進(jìn)行訓(xùn)練和測試,并運(yùn)用2019年7—12月的乘用車消費(fèi)稅數(shù)據(jù)進(jìn)行推算預(yù)測和實(shí)證分析,三類不同排量乘用車預(yù)測的平均誤差分別為24.97%、5.70%、39.85%;若剔除12月,則平均誤差分別為2.86%、4.90%、8.48%。這就給分行業(yè)分品目的稅收預(yù)測提供了一種新思路。 

【文章來源】：稅收經(jīng)濟(jì)研究. 2020,25(01)北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

品目3序列擬合和預(yù)測

(4)Visually Inspect Forecasts:以可視化的方式反饋整個預(yù)測結(jié)果。當(dāng)問題反饋給分析師后,分析師考慮是否進(jìn)一步調(diào)整和構(gòu)建模型。實(shí)驗流程如圖2,將原始數(shù)據(jù)集進(jìn)行預(yù)處理,分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù),對Prophet預(yù)測模型進(jìn)行訓(xùn)練和測試,完成訓(xùn)練后可用于乘用車消費(fèi)稅的預(yù)測。

實(shí)驗流程如圖2,將原始數(shù)據(jù)集進(jìn)行預(yù)處理,分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù),對Prophet預(yù)測模型進(jìn)行訓(xùn)練和測試,完成訓(xùn)練后可用于乘用車消費(fèi)稅的預(yù)測。四、實(shí)證結(jié)果分析

【參考文獻(xiàn)】：
期刊論文
[1]基于小波ARMA模型的增值稅銷項稅額預(yù)測[J]. 王靜靜,高山,崔玉衛(wèi),周平根.  稅務(wù)研究. 2019(10)
[2]大數(shù)據(jù)背景下基于ARMA模型的增值稅銷項稅額預(yù)測[J]. 賴慧慧.  稅務(wù)研究. 2019(02)
[3]利用神經(jīng)網(wǎng)絡(luò)模型預(yù)測吉林省國稅收入之探討[J]. 劉巖.  稅務(wù)與經(jīng)濟(jì). 2014(02)
[4]支持向量機(jī)在稅收預(yù)測中的應(yīng)用研究[J]. 張玉,尹騰飛.  計算機(jī)仿真. 2011(09)
[5]基于BP神經(jīng)網(wǎng)絡(luò)稅收模型的經(jīng)濟(jì)分析[J]. 沈存根.  揚(yáng)州大學(xué)稅務(wù)學(xué)院學(xué)報. 2010(03)
[6]基于支持向量機(jī)方法對非平穩(wěn)時間序列的預(yù)測[J]. 王革麗,楊培才,毛宇清.  物理學(xué)報. 2008(02)
[7]基于支持向量機(jī)的稅收預(yù)測模型的研究[J]. 常青,劉強(qiáng).  計算機(jī)工程與設(shè)計. 2007(07)



本文編號：3606605