地方財(cái)政收入是區(qū)域國(guó)民經(jīng)濟(jì)發(fā)展?fàn)顩r的綜合反映,相關(guān)部門制定有效的財(cái)政政策和加強(qiáng)地方財(cái)政收入的監(jiān)督管理都離不開(kāi)財(cái)政收入的預(yù)測(cè)。河北省地理位置優(yōu)越,環(huán)京津、臨渤海,經(jīng)濟(jì)的發(fā)展推動(dòng)了地方財(cái)政收入的增長(zhǎng)�，F(xiàn)今隨著京津冀協(xié)同發(fā)展重要戰(zhàn)略的開(kāi)展,河北省迎來(lái)了有利的發(fā)展機(jī)會(huì),精準(zhǔn)的財(cái)政收入預(yù)測(cè)在提高決策管理水平和促進(jìn)國(guó)民經(jīng)濟(jì)協(xié)調(diào)快速發(fā)展方面有十分重要的應(yīng)用價(jià)值。建立科學(xué)合理的預(yù)測(cè)機(jī)制,提出更創(chuàng)新有效的預(yù)測(cè)方法,這對(duì)于建設(shè)河北經(jīng)濟(jì),促進(jìn)社會(huì)發(fā)展具有重要的意義。本文在分析已有預(yù)測(cè)方法的特點(diǎn)和不足基礎(chǔ)上,以河北省1994²017年的地方財(cái)政收入及其他相關(guān)經(jīng)濟(jì)指標(biāo)數(shù)據(jù)為樣本,首先,利用Adaptive-Lasso模型、隨機(jī)森林模型分別對(duì)影響河北省地方財(cái)政收入的因素進(jìn)行選擇。其次,將各自篩選出的變量進(jìn)行XGboost回歸預(yù)測(cè)建模,同時(shí)與不進(jìn)行任何變量篩選建立出的模型進(jìn)行比較,以平均絕對(duì)誤差及R方為衡量標(biāo)準(zhǔn),結(jié)果發(fā)現(xiàn):隨機(jī)森林方法篩選出變量后再進(jìn)行XGboost建模擬合出的模型平均絕對(duì)誤差小于另外兩種模型,預(yù)測(cè)效果好,而同時(shí)R方大于另外兩種模型,擬合效果好。最后,依據(jù)隨機(jī)森林方法篩選出的9... 

【文章來(lái)源】：河北經(jīng)貿(mào)大學(xué)河北省

【文章頁(yè)數(shù)】：46 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 國(guó)內(nèi)外研究現(xiàn)狀述評(píng)
    1.4 研究?jī)?nèi)容與組織結(jié)構(gòu)
    1.5 技術(shù)路線圖
    1.6 創(chuàng)新點(diǎn)
2 預(yù)備知識(shí)
    2.1 Adaptive-Lasso變量選取
    2.2 隨機(jī)森林
    2.3 XGboost方法
    2.4 灰色預(yù)測(cè)
    2.5 神經(jīng)網(wǎng)絡(luò)
    2.6 本章小結(jié)
3 河北省地方財(cái)政收入影響因素的分析
    3.1 數(shù)據(jù)的理解
        3.1.1 數(shù)據(jù)來(lái)源
        3.1.2 河北省地方財(cái)政收入的影響因素描述說(shuō)明
    3.2 河北省地方財(cái)政收入及影響因素的描述性分析
    3.3 河北省地方財(cái)政收入及影響因素的相關(guān)分析
    3.4 模型建立和實(shí)證分析
        3.4.1 Adaptive-Lasso變量選取
        3.4.2 隨機(jī)森林變量選取
        3.4.3 XGboost回歸建模
    3.5 本章小結(jié)
4 河北省地方財(cái)政收入的未來(lái)3期預(yù)測(cè)模型
    4.1 單個(gè)影響因素的灰色預(yù)測(cè)
    4.2 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)
    4.3 本章小結(jié)
5 結(jié)論及展望
    5.1 結(jié)論與建議
        5.1.1 河北省地方財(cái)政收入預(yù)測(cè)結(jié)論
        5.1.2 河北省地方財(cái)政收入政策建議
    5.2 展望
參考文獻(xiàn)
作者簡(jiǎn)歷
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于ARIMA和GM（1,1）模型的煤炭市場(chǎng)需求預(yù)測(cè)研究[J]. 姜春海,閆振好,宋志永.  產(chǎn)業(yè)經(jīng)濟(jì)評(píng)論(山東大學(xué)). 2019(03)
[2]基于逐步回歸篩選的回歸組合預(yù)測(cè)模型[J]. 王自成,朱家明,陳華友.  統(tǒng)計(jì)與決策. 2019(17)
[3]基于BP神經(jīng)網(wǎng)絡(luò)誤差校正的ARIMA組合預(yù)測(cè)模型[J]. 吳曉峰,楊穎梅,陳垚彤.  統(tǒng)計(jì)與決策. 2019(15)
[4]基于CEEMD-SVM組合模型的快遞業(yè)務(wù)量預(yù)測(cè)[J]. 李辰穎.  統(tǒng)計(jì)與決策. 2019(12)
[5]基于灰色預(yù)測(cè)和徑向基網(wǎng)絡(luò)的人口預(yù)測(cè)研究[J]. 徐麗麗,李洪,李勁.  計(jì)算機(jī)科學(xué). 2019(S1)
[6]基于灰色神經(jīng)網(wǎng)絡(luò)組合模型的稅收預(yù)測(cè)[J]. 周香連.  市場(chǎng)周刊. 2019(06)
[7]高度重視減稅降費(fèi)中地方財(cái)政的可持續(xù)性問(wèn)題[J]. 許生.  財(cái)政科學(xué). 2019(04)
[8]武漢市財(cái)政收入分析預(yù)測(cè)模型探究[J]. 張強(qiáng),董雪.  現(xiàn)代信息科技. 2019(02)
[9]基于灰色-BP神經(jīng)網(wǎng)絡(luò)的福州市年平均氣溫預(yù)測(cè)模型[J]. 林耿,鄭紫微.  河南工程學(xué)院學(xué)報(bào)(自然科學(xué)版). 2018(04)
[10]基于灰色RBF神經(jīng)網(wǎng)絡(luò)的空氣質(zhì)量預(yù)測(cè)[J]. 方彥.  中國(guó)科技信息. 2018(22)



本文編號(hào)：3041870