徐子卿

[摘 要]本文以貴州省1995-2017年的地方財政一般預算收入及其他相關(guān)經(jīng)濟指標數(shù)據(jù)為樣本，通過Adaptive-Lasso變量選擇法來分析影響貴州省地方財政收入的關(guān)鍵因素，再用灰色預測模型篩選出的各指標2018-2019年的值，最后建立BP神經(jīng)網(wǎng)絡(luò)模型預測2018-2019年貴州省地方財政一般預算收入，得到預測效果良好。

[關(guān)鍵詞]財政收入;Adaptive-Lasso;灰色神經(jīng)網(wǎng)絡(luò)

[中圖分類號]F323.6 [文獻標識碼]A

地方財政收入是地方政府履行自身職能，有效調(diào)節(jié)地方資源配置、促進經(jīng)濟穩(wěn)定發(fā)展的重要依據(jù)。合理有效地調(diào)配財政收入，可以使得地方政權(quán)更為便利地處理政府與人民之間的利益關(guān)系，從而促進地方經(jīng)濟合理有序地發(fā)展。因而對地方財政收入進行有效預測并對其影響因素進行全面而深入的分析，對地方政權(quán)合理改善財政收支、正確處理地方財政與經(jīng)濟的關(guān)系具有非常重要的現(xiàn)實意義。

對財政收入影響因素及其預測的研究已有很多學者進行過，從現(xiàn)有文獻來看，他們大多采用傳統(tǒng)統(tǒng)計的方法，使用多元統(tǒng)計或時間序列的方法建立財政收入與其影響因素之間的預測模型。本文擬采用Adaptive-Lasso變量選擇法來解決自變量選擇這一問題，并以此來對地方財政收入的影響因素進行分析，最后采用灰色神經(jīng)網(wǎng)絡(luò)預測模型對地方財政收入進行預測。

1 模型構(gòu)建

1.1 Adaptive—Lasso變量選擇模型

1996年Tibshiranni提出了Lasso方法，在一定程度上解決了變量選擇的主觀性問題，并使其可以與參數(shù)估計同時進行，但其也有一定的局限性。Hui ZOU（2006）提出了一種通過在不同系數(shù)上增添不同權(quán)重的Adaptive-Lasso方法，其定義如下：

式中，λ為非負正則參數(shù)，稱為懲罰項，權(quán)重，j=1，2，...，p，為由普通最小二乘法得出的系數(shù)。

1.2 灰色預測模型

灰色模型（Gray Model，GM）是時間數(shù)據(jù)序列建立系統(tǒng)的動態(tài)模型。設(shè)變量X （0）={X （0）（i），i=1，2...，n}為一非負單調(diào)序列，以此來建立灰色預測模型：

首先對X （0）進行一次累加得到一次累加序列

X （1）={X （1）（k），k=1，2...，n}。其次對X （1）建立下述一階線性微分方程：。（也被稱為GM（1，1）模型。）

對上式微分方程求解，得：。

因以上模型所得到的是一次累加量，還需將其所得數(shù)據(jù)累減簡化為，最后得到的灰色預測模型為：

1.3 BP神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)實質(zhì)上是一種多層感知器，分為輸入層、隱層以及輸出層，層與層之間通過諸多節(jié)點相互連接，通過賦予每個節(jié)點特定的函數(shù)以及不同的權(quán)重來調(diào)節(jié)網(wǎng)絡(luò)輸出。神經(jīng)網(wǎng)絡(luò)是一種具有“自主學習”能力的算法，其可以通過大量的樣本數(shù)據(jù)來不斷調(diào)整權(quán)值以此來訓練模型提高模型精度，而BP神經(jīng)網(wǎng)絡(luò)即是所使用權(quán)值調(diào)整方法基于BP算法（誤差反向傳播法）的神經(jīng)網(wǎng)絡(luò)。具體的BP算法步驟參考文獻。

2 實證分析

2.1 變量選擇

本文選取貴州省地方財政一般預算收入（y）作為因變量，且在前人所做研究的基礎(chǔ)之上初步選取以下因素作為自變量：全社會固定資產(chǎn)投資總額（X1）、地區(qū)生產(chǎn)總值（X2）、居民消費水平（X3）、第三產(chǎn)業(yè)與第二產(chǎn)業(yè)產(chǎn)值比（x4）、居民消費價格指數(shù)（X5）、社會消費品零售總額（X6）、年末總?cè)丝冢╔7）、就業(yè)人口（X8）、城鎮(zhèn)居民人居可支配收入（X9）、城鎮(zhèn)居民人均消費性支出（X10）、工業(yè)增加值（X11）、國內(nèi)旅游收入（X12）。

2.2 數(shù)據(jù)來源及預處理

本文數(shù)據(jù)均來源于《貴州統(tǒng)計年鑒》（1995-2017）及國家統(tǒng)計局官方網(wǎng)站（1995-2017），因原始數(shù)據(jù)集中部分變量存在缺失值，本文采用拉格朗日插值法對缺失值進行補充。

2.3 Adaptive-Lasso變量選擇

本文使用Python編制的LARS算法程序來計算Adaptive-Lasso估計系數(shù)，得結(jié)果如下：

由表1可以看出，地區(qū)生產(chǎn)總值以及第三產(chǎn)業(yè)與第二產(chǎn)業(yè)產(chǎn)值比這兩個因素的系數(shù)為0，即在模型建立的過程中這兩個變量被剔除了，這是因為地區(qū)生產(chǎn)總值與二三產(chǎn)業(yè)產(chǎn)值比以及工業(yè)增加值存在明顯的多重共線性，而對貴州省來講工業(yè)增加值對財政收入的貢獻率相對另外兩個變量較高，Adaptive-Lasso方法剔除了另外兩個變量而保留了工業(yè)增加值。

2.4 灰色神經(jīng)網(wǎng)絡(luò)預測組合模型

對上述影響貴州省地方財政一般預算收入的各主要因素建立灰色預測模型，得部分結(jié)果如下：

將原始數(shù)據(jù)集及上述預測數(shù)據(jù)零均值標準化后，將原始數(shù)據(jù)集作為訓練數(shù)據(jù)集建立3層BP神經(jīng)網(wǎng)絡(luò)模型，其參數(shù)設(shè)置為輸入層神經(jīng)元節(jié)點數(shù)為10，隱層神經(jīng)元節(jié)點數(shù)為12，輸出層神經(jīng)元節(jié)點數(shù)為1，誤差精度10-7，學習次數(shù)10000次。通過BP神經(jīng)網(wǎng)絡(luò)預測模型得到貴州省地方財政一般預算收入：2018年、2019年的預測值分別為1881.16億元、2070.01億元。由圖1貴州省地方財政一般預算收入真實值與預測值對比圖可知預測效果較好。

3 結(jié)論

本文利用Adaptive-Lasso變量選擇方法篩選影響貴州省地方財政一般預算收入的關(guān)鍵因素。由Adaptive-Lasso參數(shù)估計系數(shù)可以看出貴州省地方財政一般預算收入的主要影響因素有全社會固定資產(chǎn)投資總額、居民消費水平、居民消費價格指數(shù)、社會消費品零售總額、年末總?cè)丝?、就業(yè)人口、城鎮(zhèn)居民人居可支配收入、城鎮(zhèn)居民人均消費性支出、工業(yè)增加值、國內(nèi)旅游收入。其中社會消費品零售總額是貴州省地方財政一般預算收入最重要的影響因素，可見貴州省目前正處于一個社會消費意愿強烈，消費能力逐步提高的狀態(tài)，依靠消費增長帶動財政收入增長。其次工業(yè)增加值作為第二主要因素是因為貴州礦產(chǎn)資源豐富，工業(yè)一直是貴州省的支柱產(chǎn)業(yè)。最后由灰色神經(jīng)網(wǎng)絡(luò)預測模型得到的結(jié)果發(fā)現(xiàn)2017年之前的預測效果良好，但2017-2018年的貴州省地方財政一般預算收入增幅略高，不太符合目前地方財政收入增速放緩的大趨勢，結(jié)果有待改善。

[參考文獻]

[1] 余力.中國財政收入影響因素的統(tǒng)計分析[J].青海大學學報，2015（03）.

[2] 刑棉.季節(jié)性預測的組合灰色神經(jīng)網(wǎng)絡(luò)模型研究[J].系統(tǒng)工程理論與時間，2001（01）.

[3] 蔣宗禮.人工神經(jīng)網(wǎng)絡(luò)導論[M].北京：高等教育出版社，2001.

[收稿日期]2019-01-07