推荐税收收入预测方法讲义.ppt

税收收入预测方法税收收入预测方法计划财务科计划财务科 邹玉燕邹玉燕2011年年9月月11.税收预测方法概论税收预测方法概论2.月（季）税收收入预测月（季）税收收入预测3.年度税收收入预测年度税收收入预测4.小结小结2什么是税收收入预测什么是税收收入预测v税收收入预测有广义和狭义两个概念税收收入预测有广义和狭义两个概念v从狭义上说是对一个国家（地区）在未来某一时期可能的税收收入的测算，是根据相关的历史资料和数据对未来税收收入趋势的推测v从广义上讲，税收收入预测还应包括税收收入测算和税收收入估算前者是指在税收政策、制度或征管方式发生变化和调整的情况下对税收收入量的影响的推算后者是通过摸清税源或税基的特征，按现行税收政策的征收要求对税收收入能力加以推断3税收收入预测的困难税收收入预测的困难v经济因素：经济波动、结构调整v政策因素：税制、税率的改变v征管因素 4预测模式预测模式5预测方法预测方法v单一模型预测 ：使用单一的预测方法来进行税收收入预测v混合模型预测 ：将多种预测方法结合使用，进行税收收入预测 v分类预测：可以对各税种、各行业的税收收入进行单独的收入预测，再综合为总收入的预测值6常用统计学方法常用统计学方法v季节比率法季节比率法 v线性回归预测法：线性回归预测法：利用与税收具有线性趋势的一个或多个影响因素，进行一元或多元线性回归。

v非线性预测法：非线性预测法：对于一些不具有线性关系的影响因素，用线性回归显然是不合理的，此时，可以采用非线性预测，例如对数回归v时间序列预测法：时间序列预测法：根据历史资料，利用时间序列模型建立税收收入的趋势模型在趋势比较明显而且稳定的情况下，用作短期预测的效果较好，但不宜用作长期预测7常用机器学方法常用机器学方法v神经网络模型神经网络模型 ：人工神经网络是对人脑或自然神经网络若干基本特性的抽象和模拟人工神经网络以对大脑的生理研究成果为基础，其目的在于模拟大脑的某些机理与机制，实现某个方面的功能 v支持向量机模型支持向量机模型 ：：将实际问题通过非线性变换转换到高维的特征空间，在高维空间中构造线性决策函数来实现原空间中的非线性决策函数，巧妙地解决了维数问题，并保证了有较好的推广能力，而且算法复杂度与样本维数无关 8季节比率法季节比率法v分析判断月（季）地税收入是否呈季节性变动分析判断月（季）地税收入是否呈季节性变动9方法、步骤方法、步骤v整理被研究现象若干年的月度资料或季度资料，编整理被研究现象若干年的月度资料或季度资料，编制成平行的时间数列动制成平行的时间数列动 v计算各年同期的平均数（如果是月度资料，计算各计算各年同期的平均数（如果是月度资料，计算各年同一月份的平均数；如果是季度资料，则计算各年同一月份的平均数；如果是季度资料，则计算各年同一季度的平均数）年同一季度的平均数） v计算各年总的月（或季）平均数计算各年总的月（或季）平均数 v将各年同月（或季）的平均数与总的月（或季）平将各年同月（或季）的平均数与总的月（或季）平均数对比，即得各月（或季）的季节比率均数对比，即得各月（或季）的季节比率10季节比率法预测案例季节比率法预测案例1•以以2001—2011上半年全市地税收入季度数据，上半年全市地税收入季度数据，预测预测2011年三、四季地税收入为例，说明季年三、四季地税收入为例，说明季节比率的测定方法。

节比率的测定方法11季节比率法案例年份一季度二季度三季度四季度平均2001年-83.610.618.57.22002年10.2-0.70.2-38.6-12.62003年11.412.631.722.518.52004年42.213.641.619.427.32005年21.33018.430.825.42006年26.314.833.42925.32007年39.942.625.226.733.62008年313323.823.528.12009年14.813.932.229.321.82010年3139.647.211.131.7季平均21.119.525.71519.8季节比106.5798.48129.875.7610012预测结果预测结果1v以以2011年一季度（年一季度（138482万元）预测万元）预测v三季度地税收入三季度地税收入=一季度地税收入一季度地税收入/一季度季节比率一季度季节比率×三季度季节比率三季度季节比率=138482÷106.57%×129.8%=168668万元万元v类似，四季度地税收入类似，四季度地税收入=98446亿元亿元v预计预计2011年全年地税收入：年全年地税收入：540666万元万元 13预测结果预测结果2v以以2011年二季度（年二季度（135070万元）预测万元）预测v三季度地税收入三季度地税收入=二季度地税收入二季度地税收入/二季度季节比率二季度季节比率×三季度季节比率三季度季节比率=135070÷98.48%×129.8%= 178027万元万元v类似，四季度地税收入类似，四季度地税收入=103908万元万元v预计预计2011年全年地税收入：年全年地税收入：555487万元万元 14季节比率法预测案例季节比率法预测案例2•以以2005—2011上半年丰城地税收入季度数据，上半年丰城地税收入季度数据，预测预测2011年三、四季地税收入为例，说明季节年三、四季地税收入为例，说明季节比率的测定方法比率的测定方法15季节比率法预测案例季节比率法预测案例年份一季度二季度三季度四季度平均2005年2971.6-19.350.727.42006年10.917.258.48237.62007年34.735.132.739.935.92008年32.938.134.42231.32009年6.421.135.428.822.92010年363415.127.527.8季平均24.435.123.540.530.4季节比80.26115.4677.3133.2210016预测结果预测结果1v以以2011年一季度（年一季度（22149万元）预测万元）预测v三季度地税收入三季度地税收入=一季度地税收入一季度地税收入/一季度季节比率一季度季节比率×三季度季节比率三季度季节比率=22149÷80.26%×77.3%=21332万元万元v类似，四季度地税收入类似，四季度地税收入=36764万元万元v预计预计2011年全年地税收入：年全年地税收入：106995万元万元17预测结果预测结果2v以以2011年二季度（年二季度（26750元）预测元）预测v三季度地税收入三季度地税收入=二季度地税收入二季度地税收入/二季度季节比二季度季节比率率×三季度季节比率三季度季节比率= 26750÷115.46%×77.3%=17909万元万元v类似，四季度地税收入类似，四季度地税收入=30865万元万元v预计预计2011年全年地税收入：年全年地税收入：97673万元万元 18时间序列法时间序列法v时间序列时间序列v同一现象在不同时间上的相继观察值排列而成的数列 v排列的时间可以是年份、季度、月份或其他任何时间形式19时间序列分类v平稳序列平稳序列 v基本上不存在趋势的序列，各观察值基本上在某个固定的水平上波动 。

v或虽有波动，但并不存在某种规律，而其波动可以看成是随机的 v非平稳序列非平稳序列v有趋势的序列：线性的，非线性的v有趋势、季节性和周期性的复合型序列20•随机时间序列模型的建模理论和方法以平稳性为基础，非平稳性时间序列可以通过一次或多次差分的方式变成平稳性时间序列v现实生活中，多数时间序列是非平稳的受各种因素影响，时间序列很难长期停留在同一水平上 21时间序列法案例•以以2001—2010年全市地税收入年度数据，利用年全市地税收入年度数据，利用移动平均法预测移动平均法预测2011年全是地税收入年全是地税收入22时间序列法案例年份税收收入分析工具预测值预测标准误差2001年62752　　2002年54862　　2003年6500060871.33333　2004年8275267538　2005年10374983833.6666714664.380732006年130042105514.333320245.927412007年173722135837.666728480.693142008年222461175408.333337642.097822009年27094222237544750.901822010年35691728344057652.916832011年　313929.550851.4929923时间序列法案例24预测结果v2011年全市地税收入预测完成313920万元v预测误差50851万元v2011年全市地税收入预测范围为：v 313920±5085125季节性季节性ARIMA模型模型 v在某些时间序列中，存在明显的周期性变化。

v这种周期是由于季节性变化（包括季度、月度、周度等变化）或其他一些固有因素引起的 v这类序列称为季节性序列比如一个地区的气温值序列（每隔一小时取一个观测值）中除了含有以天为周期的变化，还含有以年为周期的变化v在经济领域中，季节性序列更是随处可见如季度时间序列、月度时间序列、周度时间序列等26统计软件统计软件vSASvSPSS vS-PlusvSYSTAT vSTATA vEview vR（已成为主流软件）（已成为主流软件）27预测方法的选择预测方法的选择v哪些方法好？没有标准答案v需要具体问题具体分析v选择哪种方法取决于数据v针对某个层级/税种比较有效的方法，并不一定必然地适用于其他层级/税种28季节比率季节比率v优点：优点：v简单、实用v缺点缺点v跨年度预测不准确v适用问题适用问题v周期性明显的数据（月（季）税收数据），而且稳定29时间序列时间序列™优点：优点：™能找到数据本身的变化趋势™适合周期性明显的数据™短期预测效果好™缺点：缺点：™要求较多数据™适用问题：适用问题：™趋势比较明显，而且稳定30线形回归线形回归™优点：优点：™模型简洁，参数经济意义清晰™参数估计简单™理论成熟、丰富™ 缺点：缺点：™线性假设在实际问题中几乎不成立™多重共线性问题™ 适用问题：适用问题：™解释变量少、线性关系强、多重共线性不明显31神经网络神经网络™优点：优点：™拟合度高™非线性™缺点：缺点：™黑盒子，模型无法解释™容易过拟合™适用问题：适用问题：™高度非线性关系的数据32预测结果的调整预测结果的调整™主观调整：主观调整：™专家经验™其他辅助信息™自适应调整：自适应调整：™对过去数年数据进行事后预测，根据预测精度的误差趋势，计算调整参数33预测不等于决策预测不等于决策v预测模型不是一成不变的v预测模型需要人的干预v预测模型需要不断的改进v没有万能的预测方法v预测不是替决策者作出决策v预测结果是供决策者参考的34税收预测的发展税收预测的发展v目前我们主要是从历史税收数据出发预测税收收入。

v以后，要将经济因素、税制的改变、征收力度的加强等考虑进去v其中有些因素是可以量化的，有些是难以量化的v如何为这些影响因素建立合适的数学模型，并用于税收收入预测是下一步需要重点考虑的研究方向35税收预测的发展税收预测的发展v税收收入预测是一个复杂系统，而我国的税收收入预测则是一个更为复杂的问题v西方国家的税收制度已经非常成熟、稳定，而且有较长的历史数据积累v我国的税收制度还在不断完善和改进中，历史数据也不十分完整v这就需要我们长期地跟踪研究、进一步收集数据、不断改进模型和方法36总结总结谢谢大家！！！谢谢大家！！！37。