摘"要：文章預(yù)測(cè)了海南省未來(lái)財(cái)政收入的發(fā)展趨勢(shì)，為當(dāng)?shù)卣玫靥幚碡?cái)政和經(jīng)濟(jì)、改善財(cái)政收支情況提供參考和理論依據(jù)。文章選取海南省2008—2021年的財(cái)政收入數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，建立GM（1，1）-SVM組合模型預(yù)測(cè)海南省未來(lái)四年的財(cái)政收入值。結(jié)果表明：GM（1，1）-SVM組合模型能夠很好地?cái)M合海南省財(cái)政收入的變化趨勢(shì)并進(jìn)行預(yù)測(cè)，該模型在預(yù)測(cè)精度和擬合效果上均優(yōu)于GM（1，1）模型、SVM模型、灰色神經(jīng)網(wǎng)絡(luò)模型，其預(yù)測(cè)結(jié)果具有實(shí)際應(yīng)用價(jià)值。

關(guān)鍵詞：財(cái)政收入；GM（1，1）模型；支持向量機(jī)；組合模型

中圖分類號(hào)：F224;F812.2""文獻(xiàn)標(biāo)識(shí)碼：A"文章編號(hào)：1005-6432（2025）01-0029-06

DOI：10.13939/j.cnki.zgsc.2025.01.008

1"引言

地方財(cái)政收入的有效預(yù)測(cè)是加強(qiáng)地方宏觀經(jīng)濟(jì)管理和提高決策水平的前提與基礎(chǔ)［1］。但地方財(cái)政收入會(huì)受到政府的相關(guān)政策、經(jīng)濟(jì)發(fā)展?fàn)顩r以及價(jià)格變動(dòng)等多種因素的影響，使得傳統(tǒng)財(cái)政收入預(yù)測(cè)模型的準(zhǔn)確度不高［2］。財(cái)政收入不但有明顯的非線性、關(guān)聯(lián)性，同時(shí)又有一定的隨機(jī)性，因此，對(duì)地區(qū)財(cái)政收入預(yù)測(cè)時(shí)，使用單一的模型或算法來(lái)描述財(cái)政收入變化規(guī)律和對(duì)其進(jìn)行準(zhǔn)確的預(yù)測(cè)是比較困難的［3］。需要將各種預(yù)測(cè)方法結(jié)合起來(lái)，綜合考慮各種單一預(yù)測(cè)方法的優(yōu)點(diǎn)，將不同的單一預(yù)測(cè)方法進(jìn)行組合以實(shí)現(xiàn)不同類型、不同層次信息和知識(shí)的集合，從而減少預(yù)測(cè)誤差［4］。

目前，廣泛應(yīng)用于財(cái)政收入預(yù)測(cè)的單一預(yù)測(cè)模型有很多，例如GM（1，1）模型［5］、灰色馬爾可夫模型［6］、支持向量機(jī)模型［7］、ARIMA模型［8］和神經(jīng)網(wǎng)絡(luò)模型［9］等。其中灰色GM（1，1）模型基于小樣本數(shù)據(jù)進(jìn)行預(yù)測(cè)，建模所需信息少，運(yùn)算方便、簡(jiǎn)單，廣泛應(yīng)用于各個(gè)領(lǐng)域［10-12］；支持向量機(jī)（support"vector"machines，SVM）作為機(jī)器學(xué)習(xí)領(lǐng)域的熱門研究方法，因其結(jié)構(gòu)簡(jiǎn)單、泛化能力較好，能夠解決小樣本、高維度以及非線性的問(wèn)題，已成為公共衛(wèi)生［13］、空氣質(zhì)量［14］和水利工程［15］等領(lǐng)域的重要預(yù)測(cè)模型；神經(jīng)網(wǎng)絡(luò)模型具有極強(qiáng)的非線性逼近能力、抗干擾性能力、收斂速度快、動(dòng)態(tài)性好等優(yōu)點(diǎn)，通過(guò)增加參比樣本的數(shù)量和隨著時(shí)間不斷推移，能夠?qū)崿F(xiàn)動(dòng)態(tài)追蹤比較和更深層次的學(xué)習(xí)［16］。但單一預(yù)測(cè)模型存在一定局限性，為了提高模型對(duì)海南省未來(lái)財(cái)政收入預(yù)測(cè)的準(zhǔn)確性，打破單一預(yù)測(cè)模型的局限性，文章分別建立GM（1，1）-SVM模型和灰色BP神經(jīng)網(wǎng)絡(luò)模型，SVM在處理非線性數(shù)據(jù)時(shí)表現(xiàn)出色，而GM（1，1）模型通常用于線性和趨勢(shì)分析，通過(guò)將二者結(jié)合，GM（1，1）-SVM模型可以更好地處理包含非線性關(guān)系的數(shù)據(jù)集，也提高了模型的適用性和準(zhǔn)確性［17］。神經(jīng)網(wǎng)絡(luò)方法可以以任意精度逼近一個(gè)非線性函數(shù)，而GM（1，1）模型不適合逼近復(fù)雜的非線性函數(shù)，但卻能較好地預(yù)測(cè)參數(shù)變化的總體趨勢(shì)，GM（1，1）模型中的累加生成是序列呈單調(diào)增長(zhǎng)趨勢(shì)，比較適合神經(jīng)網(wǎng)絡(luò)進(jìn)行擬合。灰色神經(jīng)網(wǎng)絡(luò)模型結(jié)合了兩種單一預(yù)測(cè)模型的優(yōu)勢(shì)，不僅可以彌補(bǔ)單一預(yù)測(cè)模型各自的缺點(diǎn)，還可以有效改善模型預(yù)測(cè)結(jié)果的準(zhǔn)確性［18］。文章通過(guò)建立單一預(yù)測(cè)模型和組合預(yù)測(cè)模型進(jìn)行比較，選用最優(yōu)的模型預(yù)測(cè)海南省未來(lái)幾年的財(cái)政收入，進(jìn)一步探究海南省財(cái)政收入的發(fā)展趨勢(shì)，從而為海南省財(cái)政支出的合理安排、資源調(diào)配以及相關(guān)政策的制定提供一定的理論參考依據(jù)。

2"實(shí)證方法

2.1"數(shù)據(jù)來(lái)源

地方財(cái)政收入指的是地方一般公共預(yù)算收入，地方一般公共預(yù)算收入分為稅收收入和非稅收收入。文章選取2008—2021年地方一般公共預(yù)算收入作為研究數(shù)據(jù)，數(shù)據(jù)均來(lái)源于海南省統(tǒng)計(jì)年鑒。

2.2"研究方法

2.2.1"GM（1，1）模型

灰色預(yù)測(cè)法是一種利用少量的不完全信息，對(duì)其進(jìn)行數(shù)學(xué)建模，并做出預(yù)測(cè)的方法，其中最常用的是GM（1，1）模型［19］。具體建模步驟如下：

第一步：假設(shè)原始序列：X（0）={x（0）（1），"x（0）（2），"…，"x（0）（n）}，"x（0）（k）≥0，"k=1，"2，"…，"n。

第二步：通過(guò)對(duì)原始序列依次進(jìn)行一階累加得到X（1）={x（1）（1），"x（1）（2），"…，"x（1）（n）}，其中，x（1）（k）=∑ki=1x（0）（i），"k=1，"2，"…，"n。

第三步：累加后的生成序列與原始序列之間滿足灰微分方程。

dX（1）dt+αX（1）=μ

式中，μ為內(nèi)生控制灰數(shù)，α為發(fā)展系數(shù)。

第四步：構(gòu)造矩陣B和數(shù)據(jù)向量Y，采用最小二乘法算出發(fā)展灰數(shù)和內(nèi)生控制灰數(shù)，得出GM（1，1）預(yù)測(cè)模型。

x（1）（k+1）=x（0）（1）－μαe－αk+μα

k=0，"1，"2，"…，"n

第五步：對(duì)GM（1，1）預(yù)測(cè)模型進(jìn)行殘差檢驗(yàn)、關(guān)聯(lián)度檢驗(yàn)和后驗(yàn)差檢驗(yàn)，檢驗(yàn)通過(guò)則可用該模型進(jìn)行預(yù)測(cè)。

2.2.2"SVM預(yù)測(cè)模型

SVM在解決小樣本預(yù)測(cè)問(wèn)題方面起到越來(lái)越重要的作用，是一種基于統(tǒng)計(jì)學(xué)習(xí)的機(jī)器學(xué)習(xí)方法。其原理可以被解釋為以結(jié)構(gòu)風(fēng)險(xiǎn)最小化理論為基礎(chǔ)，來(lái)提高模型的泛化能力，利用非線性映射算法，將低維空間中線性不可分割的樣本，轉(zhuǎn)換成在高維空間中線性可分割的樣本，并在高維空間中構(gòu)建回歸估計(jì)函數(shù)，從而得到全局中的最優(yōu)解［17］。

假設(shè)時(shí)間序列為{xt}，"t=1，"2，"…，"n，"前T個(gè)數(shù)據(jù)用于預(yù)測(cè)模型訓(xùn)練，后n-T個(gè)數(shù)據(jù)用于測(cè)試。以m（嵌入維數(shù)）為滑動(dòng)窗口，得到n-m個(gè)Rm中的點(diǎn)Xk={xk-m，"xk-m+1，"…，"xk-1}及其映射yk=xk組成的樣本數(shù)據(jù)對(duì){Xk，"yk}，"k=m+1，"m+2，"…，"n，"其中Xk∈Rm是輸入變量，yk∈R是期望輸出變量。在選取最優(yōu)回歸超平面的過(guò)程中需引入非線性映射［20］。

f（X）=WT（X）+b

式中，W為權(quán)重向量，（X）為將輸入向量X從輸入空間映射到更高維空間的非線性映射函數(shù)，b為偏差量。

為在一定程度上解決無(wú)法完成嚴(yán)格分類、過(guò)擬合等問(wèn)題，提高模型泛化能力，將最優(yōu)回歸超平面轉(zhuǎn)化為二次規(guī)劃問(wèn)題，具體公式如下：

minW，"b，"eQ=12WTW+C∑ni=m+1e2is.t."yi=WT（Xi）+b+ei

式中，Q代表優(yōu)化目標(biāo)，W為權(quán)重向量，12WTW指泛化能力，C∑ni=1e2i為懲罰項(xiàng)，C為懲罰系數(shù)。

作拉格朗日函數(shù)，即：

L（W，"b，"e，"a）=Q－∑ni=1ai［WT（Xi）+b+ei－yi］

式中，ai為拉格朗日乘數(shù)。

根據(jù)優(yōu)化理論，筆者利用拉格朗日函數(shù)對(duì)W、"b、"e、"a求偏導(dǎo)構(gòu)建方程求解，最終可得到回歸方程為：

f（X）=∑ni=1aiK（Xi，"X）+b

式中，K（Xi，"X）為核函數(shù)。K（Xi，"X）=exp－‖Xi，"X‖22δ2，"δ表示核函數(shù)的寬度參數(shù)［20-21］。

2.2.3"GM（1，1）-SVM組合模型

選取GM（1，1）與SVM兩種單一模型構(gòu)建GM（1，1）-SVM組合模型，組合模型的表達(dá)式為：

Y＾i=∑2j=1WjX＾ij

式中，Y＾i為第i年的組合預(yù)測(cè)值，Wj為第j種方法的權(quán)重系數(shù)，X＾ij為第j種方法第i年的一般公共預(yù)算收入預(yù)測(cè)值。

構(gòu)建組合模型最重要的是要選擇合適的權(quán)重計(jì)算方法來(lái)確定單一模型的權(quán)重，傳統(tǒng)的權(quán)重確定方法有等權(quán)重法、方差倒數(shù)法、算數(shù)平均法和最小二乘法等［22-23］，其中最小二乘法是一種最優(yōu)組合模型權(quán)重確定方法，其研究最多、最為深入［23］，筆者采用最小二乘法來(lái)確定GM（1，1）模型和SVM模型的權(quán)重系數(shù)。

假設(shè)Z為組合預(yù)測(cè)的相對(duì)誤差平方和，則有：

Z=∑ni=1E2i=∑ni=1Xi－∑2j=1WjX＾ijXi2

式中，Ei為組合模型第i年地方一般公共預(yù)算收入預(yù)測(cè)值的相對(duì)誤差，Xi為第i年的實(shí)際一般公共預(yù)算收入，Wj為第j種方法的權(quán)重系數(shù)。

最終，可以轉(zhuǎn)化為以相對(duì)誤差平方和最小化為準(zhǔn)則的線性組合預(yù)測(cè)模型的最優(yōu)化問(wèn)題。

minZ=∑ni=1E2i=∑ni=1Xi－∑2j=1WjX＾ijXi2s.t."∑ni=1Wj=1，"Wj≥0

2.3"模型評(píng)價(jià)指標(biāo)

為了更加科學(xué)準(zhǔn)確地評(píng)價(jià)和比較三個(gè)模型的預(yù)測(cè)精度，文章采用平均絕對(duì)百分比誤差（MAPE）和決定系數(shù)（R2）作為文章的模型精度評(píng)價(jià)指標(biāo)，對(duì)比四個(gè)模型的平均絕對(duì)百分比誤差和決定系數(shù)，選出最優(yōu)預(yù)測(cè)模型。平均絕對(duì)百分比誤差、決定系數(shù)（R2）計(jì)算公式如下：

MAPE=1n∑ni=1Yi－Y＾iYi×100%

R2=1－1n∑ni=1（Yi－Y＾i）21n∑ni=1（Y＾i－Y-i）2

式中，Yi是真實(shí)值，Y＾i是預(yù)測(cè)值，Y-i為真實(shí)值的平均值，MAPE越小，說(shuō)明模型精度越高，R2越大，越接近于1，說(shuō)明模型擬合程度越好［19］。

3"結(jié)果分析

3.1"基本情況

2008—2021年海南省地方一般公共預(yù)算收入從144.86億元增長(zhǎng)到921.16億元，年均增長(zhǎng)率為15.29%。其中2021年全省一般公共預(yù)算收入921.16億元，邁上900億元新臺(tái)階，增長(zhǎng)率為12.88%，超全國(guó)平均水平2個(gè)百分點(diǎn)。

2017年海南省財(cái)政收入是674.11億元，同比增長(zhǎng)5.7%；2018年是752.67億元，同比增長(zhǎng)11.7%；2019年是814.14億元，同比增長(zhǎng)8.2%；2020年和2021年分別較上一年同比增長(zhǎng)了0.24%、12.88%。海南省財(cái)政收入近五年雖然都呈現(xiàn)上升趨勢(shì)，但上升的幅度極不穩(wěn)定。

3.2"GM（1，1）模型預(yù)測(cè)分析

通過(guò)Matlab"2022b軟件編寫程序，采用最小二乘法算出發(fā)展灰數(shù)α和內(nèi)生控制灰數(shù)μ，分別為α=-0.0955，μ=281.8998，故GM（1，"1）預(yù)測(cè)模型為：

X（1）（k+1）=3096.68×e－0.0955k－2951.82

且灰色GM（1，1）模型均通過(guò)檢驗(yàn)，-α=0.0955lt;0.3，所以GM（1，1）模型可用于中長(zhǎng)期預(yù)測(cè)。

GM（1，1）模型在殘差檢驗(yàn)中平均相對(duì)誤差為0.111，模型精度等級(jí)較低，為3級(jí)，勉強(qiáng)合格；其關(guān)聯(lián)度R=0.6716滿足P=0.5時(shí)的檢驗(yàn)準(zhǔn)則Rgt;0.60；后驗(yàn)差檢驗(yàn)中小誤差概率P=1，均方差比值C=0.1498，均方差比值和小誤差概率精度均為一級(jí)，故可判斷灰色GM（1，1）模型有較好的預(yù)測(cè)精度。

3.3"SVM模型預(yù)測(cè)分析

文章采用高斯核函數(shù)作為SVM預(yù)測(cè)模型的核函數(shù)。為選出最佳模型參數(shù)，在Matlab軟件中對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化后，調(diào)用fitrsvm函數(shù)，采用五折交叉驗(yàn)證法來(lái)區(qū)分SVM預(yù)測(cè)模型的訓(xùn)練集和測(cè)試集，即將數(shù)據(jù)集分為五個(gè)等份，選擇其中4份作為訓(xùn)練集，其余作為測(cè)試集，并用五折交叉驗(yàn)證法求出最佳參數(shù)。通過(guò)五折交叉驗(yàn)證得出的最佳懲罰參數(shù)C為10000，最佳核函數(shù)g的值為4.6416。也就是說(shuō)，用此最佳的懲罰函數(shù)C值和核函數(shù)g，SVM預(yù)測(cè)模型的精度最高。同時(shí)進(jìn)行模型檢驗(yàn)。模型檢驗(yàn)指標(biāo)結(jié)果中擬合優(yōu)度R2高達(dá)0.991，接近于1，預(yù)測(cè)值與真實(shí)值之間的MAPE為0.044，表明SVM預(yù)測(cè)模型有較高的預(yù)測(cè)精度。

3.4"GM（1，1）-SVM組合模型預(yù)測(cè)分析

組合預(yù)測(cè)模型指的是將不同的預(yù)測(cè)模型結(jié)合在一起，將不同的預(yù)測(cè)模型所提供的信息進(jìn)行整合，并將其以合適的權(quán)重平均形式進(jìn)行計(jì)算，從而得到一個(gè)組合的預(yù)測(cè)模型。采用平均絕對(duì)百分比誤差和決定系數(shù)R2為模型檢驗(yàn)指標(biāo)，通過(guò)Matlab"2022b軟件以相對(duì)誤差平方和最小化為目標(biāo)函數(shù)計(jì)算出組合權(quán)重為0.01和0.99，即具體模型為：

Y＾i=0.01X＾iGM+0.99X＾iSVM

用GM（1，1）-SVM組合預(yù)測(cè)模型對(duì)海南省的地方一般公共預(yù)算收入進(jìn)行預(yù)測(cè)分析，預(yù)測(cè)效果如表1和圖1所示。GM（1，1）-SVM組合模型預(yù)測(cè)得到的海南省一般公共預(yù)算收入預(yù)測(cè)值與真實(shí)值之間的整體偏離較小，GM（1，1）-SVM模型的預(yù)測(cè)值變化曲線與實(shí)際值的變化也幾乎完全吻合，表明GM（1，1）-SVM模型預(yù)測(cè)效果非常好。

楊世娟（2016）［1］采用灰色BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)安徽省財(cái)政收入，為了檢驗(yàn)文章GM（1，"1）-SVM組合模型的預(yù)測(cè)效果，將GM（1，"1）-SVM組合模型與GM（1，"1）、"SVM單一模型以及灰色BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行比較，將城鎮(zhèn)居民人均可支配收入、一般公共預(yù)算支出、工業(yè)總產(chǎn)值、居民消費(fèi)價(jià)格指數(shù)、地區(qū)生產(chǎn)總值、戶籍人口數(shù)、第三產(chǎn)業(yè)增加值、從業(yè)人數(shù)、貨物進(jìn)出口總額、出口總額、進(jìn)口總額、社會(huì)消費(fèi)品零售總額這12個(gè)變量作為灰色BP神經(jīng)網(wǎng)絡(luò)模型中的輸入變量，以財(cái)政收入數(shù)據(jù)這一項(xiàng)指標(biāo)的數(shù)據(jù)作為模型輸出變量，最后得到四種模型預(yù)測(cè)效果比較結(jié)果見(jiàn)表2。

由表2可知，四個(gè)模型的決定系數(shù)R2均大于0.9，接近于1，支持了預(yù)測(cè)結(jié)構(gòu)的可靠性，也說(shuō)明四個(gè)模型的擬合效果都比較好。傳統(tǒng)灰色GM（1，1）預(yù)測(cè)模型的平均絕對(duì)百分比誤差最大，為0.111，高于SVM預(yù)測(cè)模型，相比較而言，SVM模型的預(yù)測(cè)能力更好。組合預(yù)測(cè)模型GM（1，1）-SVM和灰色BP神經(jīng)網(wǎng)絡(luò)的平均絕對(duì)百分比誤差分別為0.043和0.046，均小于兩個(gè)單一模型，且GM（1，1）-SVM模型的平均絕對(duì)百分比誤差最小。另外，在四個(gè)預(yù)測(cè)模型中，GM（1，1）-SVM模型的擬合優(yōu)度最大，為0.993，擬合效果最好。因此，相較于兩個(gè)單一模型和灰色BP神經(jīng)網(wǎng)絡(luò)模型，由GM（1，1）-SVM模型預(yù)測(cè)得到的海南省一般公共預(yù)算收入預(yù)測(cè)值與真實(shí)值之間的整體偏離較小，預(yù)測(cè)精度和擬合效果均高于其他預(yù)測(cè)模型，可以用GM（1，1）-SVM模型預(yù)測(cè)海南省財(cái)政收入。從圖2四種模型實(shí)際值與預(yù)測(cè)值的對(duì)比中可以看出，四種模型預(yù)測(cè)值變化曲線與實(shí)際值的變化一致，GM（1，1）-SVM組合模型預(yù)測(cè)值和真實(shí)值幾乎完全吻合，圖2也驗(yàn)證了選擇GM（1，1）-SVM模型預(yù)測(cè)海南省財(cái)政收入的合理性和有效性。

圖2"四種模型預(yù)測(cè)結(jié)果對(duì)比

3.5"海南省一般公共預(yù)算收入未來(lái)四年預(yù)測(cè)結(jié)果

用GM（1，1）-SVM組合模型來(lái)預(yù)測(cè)海南省2022—2025年的一般公共預(yù)算收入，結(jié)果如圖3所示。雖然個(gè)別點(diǎn)擬合偏差較大，但整體預(yù)測(cè)效果好。海南省2008—2021年財(cái)政收入總體上呈上升趨勢(shì)，但近幾年的增長(zhǎng)率減緩，且2020年的地方財(cái)政收入相對(duì)于2019年基本持平，增長(zhǎng)率下降了8%，這是因?yàn)楹Ｄ鲜〖叭珖?guó)先后爆發(fā)多起新冠疫情，對(duì)海南經(jīng)濟(jì)發(fā)展造成影響，尤其是“0801”疫情導(dǎo)致海南省經(jīng)濟(jì)活動(dòng)基本停滯［24］，2020年海南省的GDP增長(zhǎng)率為3.5%，相比2019年減少了2.3%，且其他影響該地區(qū)財(cái)政收入的指標(biāo)如城鎮(zhèn)居民年人均可支配收入、工業(yè)增加值、財(cái)政支出、第二產(chǎn)業(yè)增加值相比2019年均處于較低的水平，因此2020年海南省財(cái)政收入受這些因素的影響導(dǎo)致下降。2021年，海南省財(cái)政收入同比增長(zhǎng)12.9%，這是因?yàn)楹Ｄ弦咔榉揽胤€(wěn)步推進(jìn)，全省經(jīng)濟(jì)快速?gòu)?fù)蘇，經(jīng)濟(jì)發(fā)展韌性和活力增強(qiáng)，GDP同比增長(zhǎng)11.2%，貨物進(jìn)出口總額、社會(huì)消費(fèi)品零售總額、工業(yè)增加值較上一年均有大幅度增加。2022年一般公共預(yù)算收入預(yù)測(cè)值為891.45億元?！?022年海南省國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展統(tǒng)計(jì)公報(bào)》顯示，2022年海南省地方一般公共預(yù)算收入為832.4億元，相較于2021年同口徑下降2.9%，可能原因是自2020年以來(lái)，三年新冠疫情在一定程度上阻礙了海南省及全國(guó)經(jīng)濟(jì)的發(fā)展，從而導(dǎo)致海南省2022年地方一般公共預(yù)算收入大幅度下降。在自然發(fā)展?fàn)顟B(tài)下，海南省地方一般公共預(yù)算收入可接近891.45億元。因此，建議海南省著重從財(cái)政支出、工業(yè)、產(chǎn)業(yè)以及居民收入水平分配這幾個(gè)方面做出政策調(diào)整，完善財(cái)政分配體系，優(yōu)化工業(yè)投資結(jié)構(gòu)，加快產(chǎn)業(yè)結(jié)構(gòu)的升級(jí)換代，著力提升居民收入水平，完善消費(fèi)機(jī)制體制，激發(fā)居民消費(fèi)潛力，從而推動(dòng)經(jīng)濟(jì)的發(fā)展。

圖3"海南省地方一般公共預(yù)算收入預(yù)測(cè)結(jié)果

4"研究結(jié)論

文章基于海南省2008—2021年地方一般公共預(yù)算收入數(shù)據(jù)進(jìn)行建模，從而對(duì)海南省地方一般公共預(yù)算收入進(jìn)行分析和預(yù)測(cè)，得出以下三個(gè)結(jié)論。

4.1"GM（1，1）-SVM模型在地方一般公共預(yù)算收入預(yù)測(cè)上有很好的適用性

對(duì)比GM（1，1）模型、SVM模型、灰色BP神經(jīng)網(wǎng)絡(luò)模型和GM（1，1）-SVM組合模型的研究結(jié)果可知，GM（1，1）-SVM組合模型的平均絕對(duì)百分比誤差最小，擬合優(yōu)度R2最大，有效結(jié)合了GM（1，1）與SVM兩者的優(yōu)點(diǎn)，擁有更高的預(yù)測(cè)精度，能更好地處理地方一般公共預(yù)算收入預(yù)測(cè)中的隨機(jī)性因素，為地方一般公共預(yù)算收入中長(zhǎng)期預(yù)測(cè)提供一種卓有成效的預(yù)測(cè)方法。

4.2"海南省未來(lái)四年的地方一般公共預(yù)算收入總體呈增長(zhǎng)趨勢(shì)

由GM（1，1）-SVM組合模型預(yù)測(cè)出的海南省2022—2025年地方一般公共預(yù)算收入值分別為891.45億元、933.39億元、972.36億元和1008.26億元，其中2022年因受疫情嚴(yán)重影響財(cái)政收入較上一年有所下降，而今我國(guó)已戰(zhàn)勝疫情，海南省經(jīng)濟(jì)發(fā)展活力逐步恢復(fù)，加之海南自貿(mào)港的快速建設(shè)，到2025年海南地方一般公共預(yù)算收入有望突破1000億元大關(guān)。

4.3"海南省財(cái)政收入預(yù)測(cè)研究方法和過(guò)程可借鑒性強(qiáng)

文章所做的研究，能夠有效解決人們?cè)谶M(jìn)行預(yù)測(cè)時(shí)多憑經(jīng)驗(yàn)預(yù)算為主、主觀性強(qiáng)的問(wèn)題，為海南省進(jìn)行財(cái)政收入預(yù)測(cè)提供技術(shù)支持，提高了預(yù)算的科學(xué)性。同時(shí)，此方法也能應(yīng)用到經(jīng)濟(jì)或其他領(lǐng)域，為其他領(lǐng)域進(jìn)行預(yù)測(cè)提供預(yù)測(cè)方法和思路。

參考文獻(xiàn)：

［1］楊世娟，盧維學(xué)，方輝平.灰色系統(tǒng)與BP神經(jīng)網(wǎng)絡(luò)組合模型及其應(yīng)用［J］.統(tǒng)計(jì)與決策，2016（24）：82-84.

［2］范敏，石為人，梁勇林，等.組合預(yù)測(cè)模型在地方財(cái)政收入預(yù)測(cè)中的應(yīng)用［J］.重慶大學(xué)學(xué)報(bào)，2007（5）：536-540.

［3］郭崇慧，唐煥文.宏觀經(jīng)濟(jì)預(yù)測(cè)模型體系研究［J］.運(yùn)籌與管理，2001，10（4）：1-8.

［4］凌立文，張大斌.組合預(yù)測(cè)模型構(gòu)建方法及其應(yīng)用研究綜述［J］.統(tǒng)計(jì)與決策，2019，35（1）：18-23.

［5］袁瑞萍，李俊韜，田志勇.基于GM（1，1）殘差模型的科技園區(qū)財(cái)政收入預(yù)測(cè)［J］.數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2016，46（18）：109-114.

［6］劉培鈺.基于灰色馬爾可夫和RBF神經(jīng)網(wǎng)絡(luò)模型的地方財(cái)政收入預(yù)測(cè)［D］.湘潭：湘潭大學(xué)，2021.

［7］曹陽(yáng)，李清，李濤.基于非參數(shù)支持向量機(jī)的企業(yè)稅收風(fēng)險(xiǎn)識(shí)別模型［J］.統(tǒng)計(jì)與決策，2019，35（11）：171-174.

［8］田發(fā).“十四五”時(shí)期地方政府一般公共預(yù)算收支預(yù)測(cè)及應(yīng)對(duì)策略［J］.當(dāng)代財(cái)經(jīng)，2022（5）：38-50.

［9］齊浩，周存龍，柴澤琳，等.基于BP神經(jīng)網(wǎng)絡(luò)的拋漿沖擊后金屬基體表面粗糙度控制研究［J］.塑性工程學(xué)報(bào)，2023（9）：188-194.

［10］謝珮，韋波，李貞.基于GM（1，1）模型的廣西衛(wèi)生總費(fèi)用預(yù)測(cè)研究［J］.中國(guó)衛(wèi)生統(tǒng)計(jì)，2023，40（3）：386-388，392.

［11］付勇，喬宏霞，薛翠真，等.基于GM（1，1）模型對(duì)大體積混凝土抗凍性服役壽命進(jìn)行預(yù)測(cè)［J］.鐵道科學(xué)與工程學(xué)報(bào)，2023，20（8）：3151-3161.

［12］蔡紅霞，劉瀟霞，張文彬.2011—2016年中國(guó)惡性腫瘤發(fā)病和死亡趨勢(shì)分析及GM（1，1）模型預(yù)測(cè)［J］.現(xiàn)代腫瘤醫(yī)學(xué)，2023，31（5）：931-936.

［13］潘嬋，劉曉容，石相孜，等.基于機(jī)器學(xué)習(xí)構(gòu)建貴州省大學(xué)生非自殺性自傷行為的預(yù)測(cè)模型［J］.中國(guó)學(xué)校衛(wèi)生，2023，44（8）：1198-1202，1206.

［14］迪里努爾·牙生，王田宇，陳金車，等.基于機(jī)器學(xué)習(xí)的2016—2020年南京市ρ（O3）預(yù)報(bào)［J］.蘭州大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，59（3）：371-379.

［15］張才溢，傅蜀燕，歐斌，等.基于APSO和TWSVM的特高拱壩變形預(yù)測(cè)模型［J］.水利水電科技進(jìn)展，2023，43（4）：46-51.

［16］蔣鋒，張婷，周琰玲.基于Lasso-GRNN神經(jīng)網(wǎng)絡(luò)模型的地方財(cái)政收入預(yù)測(cè)［J］.統(tǒng)計(jì)與決策，2018，34（19）：91-94.

［17］鮑曉露，向國(guó)春，史盧少博，等.基于灰色GM（1，"1）-SVM組合模型的廣東省衛(wèi)生總費(fèi)用預(yù)測(cè)研究［J］.現(xiàn)代預(yù)防醫(yī)學(xué)，2022，49（5）：856-859.

［18］趙海華.基于灰色RBF神經(jīng)網(wǎng)絡(luò)的多因素財(cái)政收入預(yù)測(cè)模型［J］.統(tǒng)計(jì)與決策，2016（13）：79-81.

［19］徐國(guó)祥.統(tǒng)計(jì)預(yù)測(cè)和決策［M］.5版.上海：上海財(cái)經(jīng)大學(xué)出版社，2016.

［20］李航.統(tǒng)計(jì)學(xué)習(xí)方法［M］.北京：清華大學(xué)出版社，2012：95-135.

［21］SUYKENS"J"A"K，VANDEWALLE"J.Least"squares"support"vector"machine"classifiers［J］.Neural"processing"letters，1999（9）：293-300.

［22］李威.基于非參數(shù)組合預(yù)測(cè)模型的江西省GDP的實(shí)證分析［D］.贛州：江西理工大學(xué)，2022.

［23］李佩.組合預(yù)測(cè)模型的研究與應(yīng)用［D］.武漢：武漢理工大學(xué)，2017.