粗糙集和支持向量机在纳税评估中的应用研究

论文摘要

纳税评估目前对国内税务机关来说是一项全新的工作,而纳税评估模型的研究在学术界研究较少,主要有三个方面原因:一是国内强调税收是单向的权利和义务关系,强调国家征税权利,纳税人只有履行纳税义务,强调税收的强制性、固定性和无偿性;二是没有外部和内在动力促进税务行政效率的提高,税务管理是粗放式的管理,以完成指定的计划为目标,地方财政管理基本上是以支定收,财政预算缺乏监督;三是公共管理数据不透明,在获取研究数据方面有很大的难度。因而,本文首先从税收的起源和本质出发,对纳税评估的理论基础进行阐述;然后运用粗糙集理论对纳税评估指标进行约简,得到约简指标;最后用支持向量机对样本集进行分类预测,建立纳税评估模型。以社会契约论为基础的税收本质理论主要有交换说和公共需要论,它们是税收遵从理论的基础,强调税收的契约性、确定性和有偿性。税收要以人民授权为前提,也可说征税必须首先征得纳税人的同意,因而本质上的税收管理,实际上是纳税人的自我管理活动。基于此,税收遵从理论得以发展,主要是对纳税人税收遵从和不遵从现象进行研究。税收遵从理论主要关注两方面的问题:一是对税收遵从与不遵从的类型的研究;二是对遵从成本的研究。纳税评估就是以减少纳税人遵从成本为目的,从纳税人中筛选出税收不遵从纳税人进行重点管理。税务机关得以提高管理效率,降低管理成本;税收遵从的纳税人得以降低遵从成本。本文在前人用“结构模型”和主成分分析筛选纳税评估指标基础上,用粗糙集理论对纳税评估指标进行筛选,从19个会计指标中筛选出最能反映纳税人税收遵从情况的5个指标,经过经济意义的分析,5个指标分别代表纳税人4个方面的经营情况,可以作为纳税评估模型的指标集。然后,本文运用支持向量机建立纳税评估模型,在模型参数的选择优化过程中,利用网格搜索算法,研究支持向量机模型中的参数选择对模型预测效果的影响以及它们之间的相关关系,并选取其中一组分类精确度最好的参数组合构造最终的评估模型。本文还对离散化方法进行探讨,选用SOM神经网络对数据进行离散化处理。通过76户交通运输业纳税人的会计指标,建立纳税评估模型的应用研究,结果表明,粗糙集理论对纳税评估指标有较好的约简能力,根据约简后的指标,用SVM建立的纳税评估模型,对税收不遵从纳税人的判断有较好的泛化能力。因此,本文的研究可以直接运用于税务机关建立纳税评估模型,推动税务管理工作。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 研究背景
• 1.1.1 税收的起源
• 1.1.2 税收的本质
• 1.1.3 纳税人遵从理论
• 1.2 纳税评估的定义、特征及意义
• 1.2.1 纳税评估定义
• 1.2.2 纳税评估的基本特征
• 1.2.3 纳税评估的意义
• 1.3 研究思路及主要内容
• 1.3.1 研究的主要内容
• 1.3.2 研究思路
• 1.3.3 研究的数据来源
• 2 纳税评估模型综述
• 2.1 纳税评估模型研究现状
• 2.1.1 国内纳税评估模型研究现状
• 2.1.2 国外纳税评估模型研究现状
• 2.2 纳税评估模型文献综述
• 2.2.1 纳税评估指标选择文献综述
• 2.2.2 国内纳税评估模型文献综述
• 2.2.3 国外纳税评估模型文献综述
• 2.3 数据挖掘分类算法
• 2.3.1 分类算法概述
• 2.3.2 分类算法的种类和特征
• 2.4 选取粗糙集和支持向量机（SVM）的主要依据
• 2.4.1 粗糙集的特点
• 2.4.2 支持向量机的特点
• 2.4.3 税收数据及指标的特点
• 3 粗糙集和支持向量机简介
• 3.1 知识表达系统
• 3.1.1 知识、知识库与划分
• 3.1.2 信息系统
• 3.2 粗糙集理论的基本概念
• 3.2.1 基本概念
• 3.2.2 知识约简
• 3.2.3 Rough 度与分类质量
• 3.3 支持向量机理论基础和基本原理
• 3.3.1 机器学习问题
• 3.3.2 统计学习理论
• 3.3.3 支持向量机分类情况
• 3.3.4 核函数
• 4 粗糙集和支持向量机的纳税评估研究
• 4.1 纳税评估基本理论
• 4.1.1 纳税评估的理论依据
• 4.1.2 纳税评估体系的内容构成
• 4.2 纳税评估模型
• 4.2.1 评估模型在评估系统中的地位
• 4.2.2 纳税评估一般模型
• 4.3 纳税评估指标筛选
• 4.3.1 纳税评估指标筛选方法选择
• 4.3.2 决策表属性约简
• 4.3.3 属性约简算法
• 4.4 纳税评估的支持向量分类机
• 4.4.1 分类模型的选择
• 4.4.2 C-支持向量分类机
• 4.4.3 支持向量机分类求解算法
• 4.5 本章小结
• 5 模型的实证分析
• 5.1 引言
• 5.2 纳税评估指标约简
• 5.2.1 样本数据补齐
• 5.2.2 连续属性值离散化
• 5.2.3 粗糙集约简方法
• 5.2.4 约简结果分析
• 5.3 支持向量机样本选取及预处理
• 5.3.1 原始数据的选取
• 5.3.2 样本数据标准化
• 5.3.3 样本集的划分
• 5.4 支持向量机参数选择
• 5.4.1 核函数选择及构造
• 5.4.2 训练参数的优化选择
• 5.5 训练结果分析和比较
• 5.6 本章小结
• 6 结论与展望
• 6.1 全文工作总结
• 6.2 未来研究展望
• 致谢
• 参考文献
• 附录