基于数据挖掘技术的温州市财政收入的影响因素分析及预测
Analysis and Prediction of Influencing Factors of Fiscal Revenue in Wenzhou Based on Data Mining Technology
DOI: 10.12677/ASS.2017.612212, PDF,  被引量    国家自然科学基金支持
作者: 庄亮亮, 黄辉林*, 吴 统:温州大学数学与信息科学学院,浙江 温州
关键词: Lasso回归GM (1 1)BP神经网络财政收入Lasso Regression GM (1 1) BP Neural Network Financial Revenue
摘要: 本文首先建立了Lasso变量选择模型,挑选出了影响温州市财政收入的四个关键性因素,即在岗职工工资总额、城镇居民人均消费性支出、地区生产总值和税收。在此基础上,分别针对这四个影响因素建立GM (1, 1)模型,得到它们2016~2018年的预测值。最后,我们通过训练合适的BP神经网络模型,给出了温州市财政收入在2016~2018年的预测值。
Abstract: This paper established a Lasso model, which selects four key factors affecting the financial reve-nue of Wenzhou, such as the total wages of staff and workers, per capita consumption expenditure of urban residents, GDP and tax. On this basis, we also get the forecast values of above four factors especially from 2016 to 2018 by using GM (1, 1) model. Finally, we give the forecast values of financial revenue of Wenzhou from 2016 to 2018 by building an appropriate BP neural network model.
文章引用:庄亮亮, 黄辉林, 吴统. 基于数据挖掘技术的温州市财政收入的影响因素分析及预测[J]. 社会科学前沿, 2017, 6(12): 1510-1519. https://doi.org/10.12677/ASS.2017.612212

参考文献

[1] 丁文斌. 北京市地方财政收入与GDP的协整关系分析[J]. 北京统计, 2003(8): 48-51.
[2] 韦邦荣, 杨玉生. 中国财政收入与GDP之间关系的协整分析与误差修正模型研究[J]. 统计与信息论坛, 2006(1): 49-53.
[3] 梁蕾. 我国财政收入与GDP之间协整关系的分析[J]. 华北电力大学学报(社会科学版), 2009(1): 62-64.
[4] 郭秀, 路勇. 构建一种地方财政收入的预测模型[J]. 价值工程, 2004, 23(3): 98-100.
[5] 张伦俊. 税收预测模型的拟合与分析[J]. 数理统计与管理, 1999(1): 5-8.
[6] 程毛林, 张伦俊. 多元非线性经济预测模型的建立方法[J]. 统计与决策, 2005(5): 20-21.
[7] 白萍. 影响我国财政收入的多元回归线性模型[J]. 统计与决策, 2005(5): 92-94.
[8] 孙元, 吕宁. 地方财政一般预算收入预测模型及实证分析[J]. 数量经济技术经济研究, 2007(1): 38-45.
[9] 范敏, 石为人, 梁勇林, 等. 组合预测模型在地方财政收入预测中的应用[J]. 重庆大学学报, 2008, 31(5): 536-540.
[10] 崔志坤, 朱秀变. 中国近期及中期财政收入预测分析[J]. 统计与决策, 2010(11): 112-115.
[11] 聂少林, 杜卓, 於良, 等. 辽宁地方财政收入现状及增长预测[J]. 地方财政研究, 2011(2): 43-47.
[12] 刘心竹, 李昊, 刘青青, 等. 我国地方财政收入影响因素的实证分析[J]. 中国集体经济, 2012(9): 84-85.
[13] 王辉, 宋翔, 庄园. 影响我国财政收入的主要因素的实证分析[J]. 新经济, 2015(10): 16-17.
[14] 许林. 地方财政收入的影响因素分析——以重庆市为例的实证研究[J]. 特区经济, 2006(09): 277-278.
[15] Tibshirani, R. (1996) Regression Shrinkage and Selection via the Lasso. Journal of the Royal Statistical Society: Series B, 58, 267-288.
[16] Hastie, T., Tibshirani, R. and Friedman. F. (2008) The Elements of Statistical Learning, Data Mining, Inference, and Prediction. 2nd Edition, Springer, New York.
[17] 刘思峰, 曾波, 刘解放, 等. GM (1, 1)模型的几种基本形式及其适用范围研究[J]. 系统工程与电子技术, 2014, 36(3): 501-508.