r語言課程設(shè)計--bp神經(jīng)網(wǎng)絡預測財政收入

1、<p><b>　　摘要</b></p><p>　　隨著社會的不斷發(fā)展，經(jīng)濟制度在不斷建立與完善，財政工作不僅面臨著機遇，而且也面臨著重大的挑戰(zhàn)。這主要體現(xiàn)在：一方面國家宏觀經(jīng)濟調(diào)控需要財政職能的履行，另一方面，當下經(jīng)濟發(fā)展迅速，目前的一些財政工作已經(jīng)難以再滿足其發(fā)展需求。因此，政府更加期望通過財政工作的預見性來輔助相關(guān)財政政策的制定實施，因此，財政收入預測是當前社會一個迫切需要

2、的研究課題。</p><p>　　本文選取了1999年到2013年的財政數(shù)據(jù)，包括財政收入表和四種稅收表，數(shù)據(jù)主要來源于廣州市統(tǒng)計局的統(tǒng)計年鑒與泰迪智能科技有限公司。本文旨在分析財政收入的影響因素及預測情況。在研究財政收入影響因素之前，首先分析了四種稅收的主要影響因素，因為稅收在財政收入中所占比重很大，并且稅收與地方財政收入政策的制定息息相關(guān)，因此本文細化了稅收因素的分析，主要運用SAS軟件，通過典型相關(guān)分析模型

3、分別找到了影響四種稅收的主要因素，另外也分別找出了影響全市稅收的主要區(qū)域。稅收的細分研究，看似與文章脫節(jié)，實際上為廣州市制定相應稅收的政策都提供了一定的理論依據(jù)。接著進行了本文的研究重點，即關(guān)于財政收入的預測，首先運用SAS軟件通過主成分分析，成功將財政收入的17個指標降維，篩選出10個主要影響財政收入的指標。最后，運用MATLAB 軟件，通過BP神經(jīng)網(wǎng)絡[5]進行了預測，得到了2014與2015年的財政收入的預測值，并且與真實值對比，

4、發(fā)現(xiàn)預測結(jié)果與真實值并不是相差很大。本文成功的建立了財政收入的預測模型，為廣州市制定相應的財政政策都提供了一定的理論依據(jù)。</p><p>　　關(guān)鍵詞： 財政預測 典型相關(guān) 主成分分析 BP神經(jīng)網(wǎng)絡 </p><p><b>　　Abstract</b></p><p>　　With the cont

5、inuous development of the society, the economic system is constantly established and perfected, and financial work is not only faced with opportunities, but also faces major challenges. This is mainly reflected in: on th

6、e one hand, the national macroeconomic control needs the financial function of the implementation, on the other hand, the current rapid economic development, some of the current financial work has been difficult to meet

7、their development needs. Therefore, the governm</p><p>　　This paper chooses the fiscal data from 1999 to 2013, including the fiscal revenue statement and four tax forms. The data mainly come from the Statist

8、ical Yearbook of Guangzhou Municipal Bureau of Statistics and Teddy Intelligent Technology Co., Ltd. This paper aims to analyze the influencing factors and forecasting of fiscal revenue. Before studying the influencing f

9、actors of fiscal revenue, the paper first analyzes the main influencing factors of the four kinds of taxes, because the tax revenu</p><p>　　Key words: financial forecasting typical correlation princip

10、al component analysis BP neural network</p><p><b>　　目錄</b></p><p><b>　　摘要I</b></p><p>　　AbstractII</p><p><b>　　目錄1</b></

11、p><p><b>　　§1緒論2</b></p><p>　　1.1研究背景及意義2</p><p>　　1.2研究問題概述3</p><p>　　1.3研究思路和行文框架3</p><p>　　§2稅收的相關(guān)分析5</p><p>　　2.1數(shù)

12、據(jù)的準備5</p><p>　　2.2數(shù)據(jù)預處理5</p><p>　　2.4稅收相關(guān)關(guān)系的求解與結(jié)果分析11</p><p>　　2.5本章總結(jié)17</p><p>　　§3財政收入的主要因素分析18</p><p>　　3.1數(shù)據(jù)準備18</p><p>　　3.2主成

13、分分析模型的建立18</p><p>　　3.3財政收入主要因素的求解與結(jié)果分析19</p><p>　　3.3本章總結(jié)22</p><p>　　§4 BP神經(jīng)網(wǎng)絡預測財政收入23</p><p>　　4.1數(shù)據(jù)準備23</p><p>　　4.2 BP神經(jīng)網(wǎng)絡模型建立23</p>

14、<p>　　4.3財政收入預測的求解與結(jié)果分析26</p><p>　　4.4本章總結(jié)29</p><p><b>　　§5研究結(jié)論30</b></p><p><b>　　參考文獻31</b></p><p><b>　　致謝32</b><

15、;/p><p><b>　　§1緒論</b></p><p>　　1.1研究背景及意義</p><p>　　財政收入體現(xiàn)了一個國家財力及經(jīng)濟發(fā)展狀況。國家職能的履行需要財政收入作為保障基礎(chǔ)，財政收入對國家的發(fā)展至關(guān)重要。地方財政收入是國家財政收入的重要構(gòu)成部分，要了解國家財政收入則需先了解地方財政收入。政府的財政支出及其政府在公共服務上做

16、出的政策性的決策極大程度的需要參考財政收入。</p><p>　　隨著我國財政管理體系的不斷發(fā)展變化，目前采用的是分稅制管理，地方財政收入的構(gòu)成變的多樣化。地方財政收入為一般公共預算收入與政府性基金收入之和。政府性基金收入比較穩(wěn)定，每年的基金收益率基本上都是固定的，且占財政收入的比重較小。一般公共預算收入占財政收入的比重很大，有稅收收入和非稅收收入構(gòu)成，且稅收收入在一般公共預算中的比例也是很高的。另外財政收入與財

17、政支出是相對應的，財政收入的目的是為了做更好的分配與支出。財政收入為國家積累資金，保證了國家職能的履行，對實現(xiàn)國家職能做出了重要貢獻。正確的處理好財政收入利益分配問題對黨的宏觀調(diào)控以及政策實行優(yōu)化公共服務設(shè)施等起著關(guān)鍵性的影響。</p><p>　　1.1.1財政收入預測研究現(xiàn)狀</p><p>　　針對財政收入預測的研究課題國外的研究比國內(nèi)的早一些，模型方法相對來說較為成熟。早期通過一些

18、計量經(jīng)濟模型的建立，主要使用最小二乘法和工具變量法進行參數(shù)估計，進而實現(xiàn)預測，在不久后被相關(guān)學者發(fā)現(xiàn)有較大的預測誤差，又發(fā)現(xiàn)了一種新的計量經(jīng)濟預測方法向量自回歸模型，用來處理非穩(wěn)定的宏觀經(jīng)濟數(shù)據(jù)。后期一些新的預測方法也逐漸發(fā)展起來，并且取得不錯的成果。</p><p>　　目前也有較多國內(nèi)學者在財政預測這方面也做了諸多研究，預測方法更是多樣化。大多數(shù)學者采用時間序列，多元回歸分析，灰色預測等預測方法。鄭鵬輝,單銳

19、,陳靜[1]運用了時間序列ARMA模型預測了財政收入，為相關(guān)部門政策的制定提供了理論參考。閆菲菲，馬曉天，李海迪，王 濤[2]先用主成分分析法找出影響財政收入的主要影響因素，再根據(jù)時間序列進行預測。翟世杰，杜啟花[3]采用了回歸分析分別，并且建立了擬合曲線對GDP和財政收入進行了預測。張新燕[4]運用了時間序列，神經(jīng)網(wǎng)絡預測模型，最后做了比較得出精確度較高的預測模型為神經(jīng)網(wǎng)絡模型?？偟膩碚f，我國的財政收入預測的研究成果也是相當可觀的，同

20、時相比國外的研究還不是很成熟，因此發(fā)展空間也會更大一點。</p><p>　　BP神經(jīng)網(wǎng)絡預測的研究意義</p><p>　　神經(jīng)網(wǎng)絡從開創(chuàng)以來就備受關(guān)注，它是人工智能化領(lǐng)域的一項重要研究，能模仿人腦結(jié)構(gòu)與功能來處理信息，它的應用領(lǐng)域非常廣泛，而預測則是它的主要功能之一。因為神經(jīng)網(wǎng)絡有較好的非線性處理特點，而大多數(shù)非線性問題的預測都需要神經(jīng)網(wǎng)絡來進行預測。而一般的預測方法，例如灰色預測，時

21、間序列等預測方法在處理非線性問題都有其局限性，且預測周期短，且只是單線預測，不能夠從多維的角度出發(fā)預測多個變量的結(jié)果，而神經(jīng)網(wǎng)絡恰好彌補了這些單線預測的缺陷，況且多數(shù)的預測結(jié)果顯示，神經(jīng)網(wǎng)絡預測的精確度較其它的預測方法要高很多。</p><p><b>　　1.2研究問題概述</b></p><p>　　本文主要的研究問題就廣州市的財政收入做預測。所有的數(shù)據(jù)選取來自廣

22、州市統(tǒng)計局。所選取的數(shù)據(jù)為1999年2013年的地方財政收入，其指標為一般預算收入，增值稅， 營業(yè)稅，企業(yè)所得稅，個人所得稅，城市維護建設(shè)稅，房產(chǎn)稅，印花稅，城鎮(zhèn)土地使用稅，車船稅，契 稅，國有資本經(jīng)營收入，行政事業(yè)性收費收入， 罰沒收入，專項收入，其他收入，政府性基金收入，上級補助收入，消費稅和增值稅稅收返還收入和所得稅基數(shù)返還收入。地方財政收入的地域劃分又涉及廣州市區(qū)，增城市，從化市的財政收入。另外因為稅收在財政收入中占的比例較大，

23、且它對財政收入有著很大的影響，因此，本文又細分了稅收的研究。選取了四種稅收，即增值稅， 營業(yè)稅，企業(yè)所得稅，個人所得稅，每一種稅收的它的相關(guān)指標也都在附表中顯示。關(guān)于稅收的細分，主要是為了研究每種稅收的宏觀經(jīng)濟變量組與該種稅收的區(qū)域變量組的相關(guān)關(guān)系以及影響每種稅收的宏觀變量指標和稅收的區(qū)域變量組中的主要影響區(qū)域。本文的最重要的研究問題是關(guān)于2014年與2015年的廣州市財政收入的預測。</p><p>　　1.3

24、研究思路和行文框架</p><p>　　本文的研究思路是先細分稅收，通過典型相關(guān)分析，找到每種稅收的宏觀經(jīng)濟變量組與該種稅收的區(qū)域變量組的相關(guān)關(guān)系以及影響每種稅收的宏觀變量指標和稅收的區(qū)域變量組中的主要影響區(qū)域。其次再通過對廣州市的財政收入做主成分分析，找到影響廣州市財政收入的主要影響因素，最后再根據(jù)這些主要的影響指標，利用BP神經(jīng)網(wǎng)絡來進行預測，最終得到2014年與2015年的廣州市的財政收入的預測值。<

25、/p><p>　　本文具體的行文安排如下:第1章是緒論，從財政收入預測及神經(jīng)網(wǎng)絡預測的研究意義及現(xiàn)狀出發(fā)說明研究本文的必要性，另外本章還介紹了問題概述，本文的研究思路及行文框架。第二章主要是稅收的相關(guān)分析，主要包括數(shù)據(jù)的預處理，及典型相關(guān)模型的介紹及建模步驟，最后并求解模型得到結(jié)果。第三章為財政收入的主要因素分析，主要通過建立主成分分析的模型來求解得到影響財政收入的關(guān)鍵因素。第四章為本文的重點，是關(guān)于用BP神經(jīng)網(wǎng)絡來

26、預測財政收入，主要通過對BP神經(jīng)網(wǎng)絡的介紹與模型的建立求解來得到2014年與2015年的預測結(jié)果。第五章為研究結(jié)論與，主要是針對本文所做的分析做一個總結(jié)，分析了本文研究的創(chuàng)新點。第六章為參考文獻，列舉本文所參考的文獻成果。</p><p><b>　　§2稅收的相關(guān)分析</b></p><p><b>　　2.1數(shù)據(jù)的準備</b><

27、;/p><p>　　本章選取的數(shù)據(jù)為1999年到2013年的關(guān)于稅收的數(shù)據(jù)，根據(jù)稅收相關(guān)的各項指標整理為四個表增值稅，營業(yè)稅，個人所得稅，企業(yè)所得稅，數(shù)據(jù)來源為泰迪智能科技。</p><p><b>　　2.2數(shù)據(jù)預處理</b></p><p>　　本文數(shù)據(jù)并不是很完整，在進行分析前，先對數(shù)據(jù)預處理。原始數(shù)據(jù)有一些空缺值，而這些空缺值可能由于采樣的

28、某種因素導致，可能會影響結(jié)果，故我們用EXCEL采用移動平均法進行插補空缺值。</p><p>　?。?）對個人所得稅表的填補</p><p>　　首先對個人所得稅這個表的空缺值用移動平均法來填補。其結(jié)果如下</p><p>　　圖2.1：移動平均法填補城鎮(zhèn)非私營單位從業(yè)人員數(shù)空缺值</p><p>　　由圖可知，缺失值我們選擇了200000

29、0。</p><p><b>　　最終填補情況如下</b></p><p>　　表2.1：城鎮(zhèn)非私營單位從業(yè)人員填補</p><p>　?。?）對企業(yè)所得稅表的缺失值填補</p><p>　　國有及國有控股工業(yè)企業(yè)虧損面的缺失值填補</p><p>　　圖2.2：移動平均法填補國有控股工業(yè)企業(yè)虧損

30、面缺失額</p><p>　　已知預測值的函數(shù)為 </p><p>　　要填補其空缺的預測值，需要將其所需預測的點帶入預測值函數(shù)。</p><p>　　故可知其規(guī)模以上國有及國有控股工業(yè)企業(yè)虧損面填補值為30.63，31.40。</p><p>　　建筑業(yè)企業(yè)利潤總額缺失值填補</p><p>　　圖2.3：移動平

31、均法填補建筑業(yè)企業(yè)利潤總額缺失額</p><p>　　有圖知其建筑業(yè)企業(yè)利潤總額填補值為99863。</p><p>　　限額以上連鎖店(公司)零售額缺失值填補</p><p>　　圖2.4：移動平均法填補零售額缺失值</p><p>　　有圖知限額以上連鎖店(公司)零售額填補值為317653,446732.3,628263.4。</p

32、><p>　　綜上，企業(yè)所得稅的缺失值填補如下圖</p><p>　　表2.2企業(yè)所得稅表的缺失值填補表</p><p>　　（3）增值稅表的缺失值填補</p><p>　　批發(fā)零售業(yè)增加值出現(xiàn)了缺失值，做移動平均處理來填補</p><p>　　圖2.5：移動平均法填補批發(fā)零售業(yè)增加值的缺失值</p><

33、;p>　　有上圖圖可知，缺失值填補為1394237，1669872，2000000，2395393，2868953。</p><p>　　故增值稅填補情況如下圖</p><p>　　表2.3增值稅表的缺失值填補</p><p>　　2.3典型相關(guān)分析模型的建立</p><p>　　2.3.1典型相關(guān)分析的簡介</p>&l

34、t;p>　　典型相關(guān)分析[19]最先是由霍特林提出的，主要是用來研究兩組變量的相關(guān)性，是多元統(tǒng)計分析的一個重要方法。它的思想跟大多數(shù)統(tǒng)計分析的思想方法一致，即采取降維的思想方法，達到用少數(shù)的綜合變量來解釋兩個變量組的依賴關(guān)系的目的。目前典型相關(guān)分析應用已經(jīng)十分廣泛，在諸多領(lǐng)域都有涉足，尤其是在預測分析這方面用到的也是極多。</p><p>　　2.3.2典型相關(guān)分析的基本步驟</p><

35、p>　　先求相應的典型相關(guān)[19]變量和典型相關(guān)系數(shù)</p><p>　　假設(shè)已經(jīng)有兩組標準化的隨機變量與，即均值，方差；均值，方差；如果</p><p><b>　　； </b></p><p><b>　　它的相關(guān)系數(shù)矩陣為</b></p><p><b>　　其中，，， &

36、lt;/b></p><p><b>　　實際上，要找</b></p><p>　　使，的相關(guān)系數(shù)達到最大，由于對任意常數(shù)，，，，都有</p><p><b>　　那就設(shè)</b></p><p>　　故。在和的情況下，使得</p><p>　　達到最大的與分別與，構(gòu)成新

37、的變量。</p><p>　　是第1對典型變量，它的相關(guān)系數(shù) 是第1典型相關(guān)系數(shù)。假若兩組變量的相關(guān)關(guān)系不能被一對變量完全反映，就能夠定義第2對典型變量</p><p>　　這時不僅要令，還要求，，和，有了這些條件的共同作用，才使得</p><p>　　達到最大。通常，對第j對典型變量有如下定義：</p><p>　　把定義為第j對典型變量，

38、它的系數(shù)向量與可使達到最大，并且滿足下列條件</p><p>　　在上式中，i=1，2，…,j-1，這時記 為第j對典型相關(guān)系數(shù)。</p><p>　　典型相關(guān)變量與典型相關(guān)系數(shù)的求法</p><p>　　在這里主要應用了拉格朗日乘子法，從j=1開始，逐一求，。下列對,的求法做一簡單描述，并且規(guī)定R是正定矩陣。記</p><p>　　，為拉格

39、朗日乘子，用，表示僅僅是為了方便計算。分別對，求偏導，然后再令其為0，進而與約束條件聯(lián)立，則，要滿足以下方程</p><p>　　在上述方程組的前2個式子兩邊左分別乘和，并且利用后面兩個式子</p><p>　　因為，所以有。根據(jù)上述方程組及的非奇異性知</p><p><b>　　將它代入方程組，有</b></p><p&

40、gt;　　另外，根據(jù)的非奇異性知</p><p><b>　　(1)</b></p><p>　　記作，式（1）說明是的特征根，對應的特征向量是。又因為，，故是與的相關(guān)系數(shù)，若要令它達到最大，則一定是的最大特征根，是最大特征根所對應的特征向量；</p><p>　　從而可由求出。第1典型相關(guān)系數(shù)是的最大特征根的算術(shù)根。</p>&

41、lt;p>　　實際上也可以證明是的最大特征根對應的特征向量。因為與有相同的非零特征根，所以此時求出的和直接從求出的是一致的。</p><p>　　同理可知是的第2大的特征根對應的特征向量，可以由下式得出</p><p>　　一般情況下可以求出的r個非零特征根，則是這些特征根的特征向量，分別記作，從而</p><p>　　式中，j=1,2，…,r，用，作為系數(shù)可

42、以構(gòu)成第j對典型變量，。</p><p>　　第j對典型變量所對應的相關(guān)系數(shù)是的算術(shù)根，這就是第j個典型相關(guān)系數(shù)了，j=1,2，…,r，這里。</p><p>　　實際上，R一般是未知的，所知道的也只是的n個樣本。</p><p>　　所以只能從這些樣本去估計和，然后R中相應的未知參數(shù)矩陣再由相應的估計量所代替，因此一定要特別考慮矩陣的非零特征根及其相應的特征向量，

43、相關(guān)的計算過程可按照上面的討論來進行。</p><p>　　2.4稅收相關(guān)關(guān)系的求解與結(jié)果分析</p><p>　?。?）個人所得稅的主要因素的典型相關(guān)分析</p><p>　　個人所得稅的宏觀經(jīng)濟指標變量組由組成，個人所得稅的區(qū)域變量組由組成。</p><p>　　兩組變量進行典型相關(guān)分析。如下圖變量說明</p><p&

44、gt;　　表2.4個人所得稅的變量說明</p><p>　　用SAS軟件進行典型相關(guān)分析，SAS代碼見附錄（1）</p><p>　　標準化典型相關(guān)系數(shù)如下圖</p><p>　　表2.5：宏觀經(jīng)濟指標變量組標準化典型相關(guān)系數(shù)</p><p>　　表2.6: 個人所得稅的區(qū)域變量組標準化典型相關(guān)系數(shù)</p><p>　

45、　故可以得到個人所得稅的宏觀經(jīng)濟指標變量組的方程和個人所得稅的區(qū)域變量組方程分別如下</p><p>　　結(jié)果：典型相關(guān)方程系數(shù)的大小反映著原始變量與典型變量之間的關(guān)系，由兩個典型相關(guān)方程可知，個人所得稅的宏觀經(jīng)濟指標的典型相關(guān)變量主要是有決定，說明影響個人所得稅的主要因素為城市居民年人均可支配收入，地區(qū)生產(chǎn)總值，第二產(chǎn)業(yè)增加值。個人所得稅的區(qū)域變量的參數(shù)指標的典型相關(guān)變量主要是有 (廣州市區(qū)的個人所得稅)決定，

46、而受增城市，從化市的個人所得稅的影響不大。</p><p>　　（2）企業(yè)所得稅的主要因素的典型相關(guān)分析</p><p>　　企業(yè)所得稅的宏觀經(jīng)濟指標變量組由組成，企業(yè)所得稅的區(qū)域變量組由組成。</p><p>　　兩組變量進行典型相關(guān)分析。如下圖變量說明</p><p>　　表2.7：企業(yè)所得稅變量說明</p><p&g

47、t;　　用SAS軟件進行典型相關(guān)分析，SAS代碼見附錄(2)</p><p>　　標準化典型相關(guān)系數(shù)如下圖</p><p>　　表2.8：企業(yè)所得稅的宏觀經(jīng)濟指標變量組標準化典型相關(guān)系數(shù)</p><p>　　表2.9：企業(yè)所得稅的區(qū)域變量組標準化典型相關(guān)系數(shù)</p><p>　　故可以得到企業(yè)所得稅的宏觀經(jīng)濟指標變量組的方程和企業(yè)所得稅的區(qū)域

48、變量組方程分別如下</p><p>　　結(jié)果：由兩個典型相關(guān)方程可知，企業(yè)所得稅的宏觀經(jīng)濟指標的典型相關(guān)變量主要是由，，，，決定。說明影響個人所得稅的主要因素為第二產(chǎn)業(yè)增加值，第三產(chǎn)業(yè)增加值，全社會固定資產(chǎn)投資額，規(guī)模以上工業(yè)企業(yè)盈虧相抵后的利潤總額，建筑業(yè)總產(chǎn)值。企業(yè)所得稅的區(qū)域變量的參數(shù)指標的典型相關(guān)變量主要是有 (從化市區(qū)的企業(yè)所得稅)決定。</p><p>　　（3）典型相關(guān)分析營

49、業(yè)稅的主要影響因素</p><p>　　營業(yè)稅的宏觀經(jīng)濟指標變量組由 組成，營業(yè)稅的區(qū)域變量組由組成。</p><p>　　兩組變量進行典型相關(guān)分析。如下圖變量說明</p><p>　　表2.10：營業(yè)稅的變量說明</p><p>　　用SAS軟件進行典型相關(guān)分析，SAS代碼見附錄(3)</p><p>　　標準化典型

50、相關(guān)系數(shù)如下圖</p><p>　　表2.11：營業(yè)稅的宏觀經(jīng)濟指標變量組標準化典型相關(guān)系數(shù)</p><p>　　表2.12營業(yè)稅的區(qū)域變量組標準化典型相關(guān)系數(shù)</p><p>　　故可以得到營業(yè)稅的宏觀經(jīng)濟指標變量組的方程和營業(yè)稅的區(qū)域變量組方程分別如下</p><p>　　結(jié)果：由兩個典型相關(guān)方程可知，營業(yè)稅的宏觀經(jīng)濟指標的典型相關(guān)變量主

51、要是由，決定。說明影響營業(yè)稅的主要因素為公路客運量，建筑業(yè)總產(chǎn)值。營業(yè)稅的區(qū)域變量的參數(shù)指標的典型相關(guān)變量主要是有 (廣州市的營業(yè)稅)決定。</p><p>　?。?）增值稅的主要因素的典型相關(guān)分析</p><p>　　增值稅的宏觀經(jīng)濟指標變量組由組成，增值稅的區(qū)域變量組由組成。</p><p>　　兩組變量進行典型相關(guān)分析。如下圖變量說明</p>&

52、lt;p>　　表2.13：增值稅的變量說明</p><p>　　用SAS軟件進行典型相關(guān)分析，SAS代碼見附錄(4)</p><p>　　標準化典型相關(guān)系數(shù)如下圖</p><p>　　表2.14：增值稅的宏觀經(jīng)濟指標變量組標準化典型相關(guān)系數(shù)</p><p>　　表2.15：增值稅的區(qū)域變量組標準化典型相關(guān)系數(shù)</p>&l

53、t;p>　　故可以得到增值稅的宏觀經(jīng)濟指標變量組的方程和增值稅的區(qū)域變量組方程分別如下</p><p>　　結(jié)果：由兩個典型相關(guān)方程可知，增值稅的宏觀經(jīng)濟指標的典型相關(guān)變量主要是由 (工業(yè)增加值)決定，說明影響增值稅的主要因素為工業(yè)增加值。增值稅的區(qū)域變量的參數(shù)指標的典型相關(guān)變量主要是有(廣州市區(qū)的增值稅)，(從化市的增值稅)決定，說明廣州市區(qū)與從化市區(qū)的增值稅對全市的增值稅影響比較大。</p>

54、<p><b>　　2.5本章總結(jié)</b></p><p>　　本章節(jié)通過典型相關(guān)分析，分別找到了影響四種稅收的主要因素，另外也分別找出了影響全市稅收的主要區(qū)域。</p><p>　　個人所得稅的宏觀經(jīng)濟指標的典型相關(guān)變量主要是有城市居民年人均可支配收入，地區(qū)生產(chǎn)總值，第二產(chǎn)業(yè)增加值決定；企業(yè)所得稅的宏觀經(jīng)濟指標的典型相關(guān)變量主要是由第二產(chǎn)業(yè)增加值，第三

55、產(chǎn)業(yè)增加值，全社會固定資產(chǎn)投資額，規(guī)模以上工業(yè)企業(yè)盈虧相抵后的利潤總額，建筑業(yè)總產(chǎn)值決定；營業(yè)稅的宏觀經(jīng)濟指標的典型相關(guān)變量主要是由公路客運量，建筑業(yè)總產(chǎn)值決定；增值稅的宏觀經(jīng)濟指標的典型相關(guān)變量主要是由工業(yè)增加值決定。</p><p>　　個人所得稅的區(qū)域變量的參數(shù)指標的典型相關(guān)變量主要是有廣州市區(qū)的個人所得稅決定，而受增城市，從化市的個人所得稅的影響不大；企業(yè)所得稅的區(qū)域變量的參數(shù)指標的典型相關(guān)變量主要是有從

56、化市區(qū)的企業(yè)所得稅決定；營業(yè)稅的區(qū)域變量的參數(shù)指標的典型相關(guān)變量主要是有廣州市的營業(yè)稅決定；增值稅的區(qū)域變量的參數(shù)指標的典型相關(guān)變量主要是有廣州市區(qū)的增值稅，從化市的增值稅決定，說明廣州市區(qū)與從化市區(qū)的增值稅對全市的增值稅影響比較大。</p><p>　　這為廣州市制定相應的經(jīng)濟政策都提供了一定的依據(jù)，因此，本章節(jié)看似與全文脫節(jié)，其實對廣州市的財政收入具有十分重要的研究意義。</p><p&g

57、t;　　§3財政收入的主要因素分析</p><p><b>　　3.1數(shù)據(jù)準備</b></p><p>　　本章選取的數(shù)據(jù)為廣州市的地方財政收入，數(shù)據(jù)為1999年到2013年，數(shù)據(jù)來源廣州市統(tǒng)計局統(tǒng)計年鑒。</p><p>　　由地方財政收入表發(fā)現(xiàn)，從1999年到2004年有農(nóng)業(yè)稅，而2005到2013年沒有農(nóng)業(yè)稅這一指標，經(jīng)過查閱資

58、料，了解到廣州市在2004年取消了農(nóng)業(yè)稅，只在從化市收取農(nóng)業(yè)稅，到2005年已經(jīng)完全取消農(nóng)業(yè)稅，故我們忽略掉農(nóng)業(yè)稅這一指標。</p><p>　　稅收返還補助=消費稅和增值稅稅收返還收入+所得稅基數(shù)返還收入，故我們將消費稅和增值稅稅收返還收入和所得稅基數(shù)返還收入這兩個指標合并為一個指標。</p><p>　　3.2主成分分析模型的建立</p><p>　　3.2.1

59、主成分分析的簡介</p><p>　　主成分分析是一種降維的的分析方法，它旨在把多個變量變?yōu)樯贁?shù)的幾個互不相關(guān)的綜合變量，這幾個綜合變量即為提取的主成分，是原始變量的線性組合，因而能夠有效的反映原始變量的大部分信息。</p><p>　　3.2.2主成分分析的基本步驟</p><p>　　主成分分析[19]共有5大步驟</p><p>　　標

60、準化原始指標數(shù)據(jù)，p維的隨機向量 ,其中n個樣品</p><p>　　，當?shù)臅r候，來構(gòu)造樣本矩陣，對樣本元進行如下處理</p><p><b>　　其標準化變換為：</b></p><p><b>　　式中 , </b></p><p>　　可求得標準化矩陣Z。</p><

61、p>　　求標準化矩陣Z的相關(guān)系數(shù)矩陣</p><p>　　式中  </p><p>　　求解樣本相關(guān)矩陣R的特征方程，可以得到個特征根,然后再確定主成分并且按照以下原則</p><p>　　來確定值，進而使得信息的利用率可以達到85%以上，對每個,j解方程組，可得到單位特征向量。</p><p>　?。?）把標準化

62、后的那些指標變量轉(zhuǎn)化為主成分，</p><p>　　U1記為第一主成分,U2記為第二主成分,…,Up則記為第p主成分。</p><p>　?。?）由主成分的特征向量選出特征方程。</p><p>　　3.3財政收入主要因素的求解與結(jié)果分析</p><p>　　查閱資料與驗證核實，我們發(fā)現(xiàn)財政預算收入=一般預算收入+基金預算收入。故進行主成分分

63、析時我們除去財政收入，一般預算收入與基金預算收入這三個指標后再進行分析。</p><p>　　考慮到政策及其他因素的變化對財政收入的影響，因此選取近7年的數(shù)據(jù)來進行主成分分析。用SAS 來進行主成分分析，找到主成分，其SAS 程序見附錄（5）</p><p>　　用2007年到2013年的數(shù)據(jù)共17個指標來進行主成分分析：</p><p>　　表3.1：地方財政收入

64、表的變量說明</p><p>　　樣本相關(guān)矩陣特征方程的特征根如下</p><p>　　表3.2：樣本相關(guān)矩陣特征方程的特征根</p><p>　　由特征值的累積貢獻率值，看出第三個特征值的累積貢獻率84.24%，幾乎85%，故我們選取3個主成分。</p><p><b>　　圖3.1：碎石圖</b></p>

65、<p>　　由陡坡圖與方差解釋，選取3個主成分。</p><p>　　3個主成分的特征向量得出3個特征方程</p><p><b>　　圖3.2：特征向量</b></p><p><b>　　圖3.2：特征向量</b></p><p>　　其主成分的方程如下：</p>&

66、lt;p>　　由主成分U1的方程我們可以知道，影響主成分U1的因素指標有、、、、 即增值稅，營業(yè)稅，企業(yè)所得稅，房產(chǎn)稅，行政事業(yè)性收費收入。</p><p>　　由主成分U2的方程我們可以知道，影響主成分U2的因素指標有，,即城鎮(zhèn)土地使用稅，車船稅，契稅。</p><p>　　由主成分U3的方程我們可以知道，影響主成分U3的因素指標有，即個人所得稅，其他收入。</p>

67、<p><b>　　3.3本章總結(jié)</b></p><p>　　綜上對3個主成分的特征方程進行分析，得到、 、 、、，十個關(guān)鍵因素，即影響財政收入的主要宏觀經(jīng)濟指標為增值稅，營業(yè)稅，企業(yè)所得稅，個人所得稅，房產(chǎn)稅，城鎮(zhèn)土地使用稅，車船稅，契稅，行政事業(yè)性收費收入，其他收入。</p><p>　　§4 BP神經(jīng)網(wǎng)絡預測財政收入</p>

68、<p><b>　　4.1數(shù)據(jù)準備</b></p><p>　　本章所用到的數(shù)據(jù)為第三章通過所選主成分分析選出的10個指標所組成的數(shù)據(jù)，具體數(shù)據(jù)見附表</p><p>　　4.2 BP神經(jīng)網(wǎng)絡模型建立</p><p>　　4.2.1 BP神經(jīng)網(wǎng)絡的簡介</p><p>　　BP神經(jīng)網(wǎng)絡[5]是目前引用最廣泛

69、的神經(jīng)網(wǎng)絡模型之一，主要應用在預測，識別，控制優(yōu)化等方面。BP神經(jīng)網(wǎng)絡模型結(jié)構(gòu)，包括輸入層，隱含層，輸出層，主要是一種非線性映射關(guān)系，它也是一種誤差逆?zhèn)鞑ニ惴?。它的這種網(wǎng)絡結(jié)構(gòu)，是遵從有導師訓練的學習方式，它的訓練方式為最速下降法，為了要達到誤差最小，則需要不斷地反向調(diào)整網(wǎng)絡的閾值和權(quán)值。</p><p>　　4.2.2 BP神經(jīng)網(wǎng)絡的基本原理與步驟</p><p>　　（1）BP神經(jīng)網(wǎng)

70、絡[5]基本原理</p><p>　　首先需要通過輸入層的神經(jīng)元來輸入信號，其次必須通過隱含層，傳輸信號給輸出層，接著要經(jīng)過非線性變換，進而產(chǎn)生特定的輸出信號，輸入向量X和期望輸出量t被包含在每個訓練樣本中，網(wǎng)絡輸出值Y和期望輸出值t它們之間所產(chǎn)生的偏差，需要先調(diào)整輸入層的神經(jīng)元節(jié)點與隱含層的神經(jīng)元節(jié)點旳聯(lián)接強度及它們之間的權(quán)值 ，再通過調(diào)節(jié)隱含層神經(jīng)元節(jié)點與輸出層神經(jīng)元節(jié)點之間的聯(lián)接強度以及它們的閾值，才能讓誤

71、差沿著梯度的方向逐步下降，接下來需要不斷地進行網(wǎng)絡訓練，只有當達到目標誤差的時候，訓練才能終止，這個時候，已經(jīng)可以確定網(wǎng)絡的權(quán)值和閥值。最后一步就是利用訓練好的網(wǎng)絡來進行預測。</p><p>　　圖4.1：BP神經(jīng)網(wǎng)絡圖示</p><p>　　BP神經(jīng)網(wǎng)絡模型主要有5種，分別是作用函數(shù)模型、輸入輸出模型、誤差計算模型和學習模型。</p><p><b>

72、　　節(jié)點輸出模型</b></p><p>　　節(jié)點輸出模型主要有兩種，如下：</p><p><b>　　隱節(jié)點輸出模型：</b></p><p><b>　　輸出節(jié)點輸出模型：</b></p><p>　　式中，f是非線性函數(shù)；q是神經(jīng)元的閾值。</p><p>

73、;<b>　　（2）誤差計算模型</b></p><p>　　誤差計算模型是反映神經(jīng)網(wǎng)絡的期望輸出和計算輸出之間的誤差大小的函數(shù)，它的形式如下：</p><p>　　式中，是第i節(jié)點的期望輸出值；是第i節(jié)點計算輸出值。</p><p><b>　?。?）作用函數(shù)模型</b></p><p>　　作用

74、函數(shù)是用來反映下層輸入對上層節(jié)點刺激脈沖強度的函數(shù)，通常又叫作刺激函數(shù)，大多情況下用在(0,1)內(nèi)連續(xù)取值的Sigmoid函數(shù)中，作用函數(shù)，也即刺激函數(shù)的形式如下：</p><p><b>　　（4）自學習模型</b></p><p>　　在神經(jīng)網(wǎng)絡的訓練學習中，通常情況下能夠得到連接上層神經(jīng)元節(jié)點和下層神經(jīng)元節(jié)點之間的權(quán)重矩陣，并且可以通過對誤差不斷的修正使得滿足達

75、到系統(tǒng)的目標誤差。BP神經(jīng)網(wǎng)絡的有導師的學習方式，通常需要設(shè)定期望值。而無師的學習方式，僅僅只需要輸入輸出模式。</p><p>　　神經(jīng)網(wǎng)絡的自學習模型為：</p><p>　　式中，h是學習因子；是輸出節(jié)點i的計算誤差；是輸出節(jié)點j的計算輸出；是動量因子。</p><p>　　（2）BP神經(jīng)網(wǎng)絡模型的步驟</p><p>　　BP神經(jīng)網(wǎng)絡

76、能學習和存貯大量的映射關(guān)系，具有相當強的記憶功能。它能夠在映射模式位置的情況下通過學習與訓練得出具有模型參數(shù)的數(shù)學模型。它是一個有導師的學習過程，在誤差給定的情況下，它通過逆?zhèn)鞑ゲ粩嗟恼{(diào)整網(wǎng)絡的參數(shù)，使得誤差達到目標所設(shè)定的誤差。</p><p><b>　　它有5大步驟：</b></p><p>　　第一步：首先需要設(shè)置參數(shù)，主要包括它的輸入矩陣，目標輸出矩陣、隱含

77、層的神經(jīng)元個數(shù)、輸出層的神經(jīng)元個數(shù)、預期平均誤差、以及各層的權(quán)值和閾值等。通常情況下目標輸出可以從歷史數(shù)據(jù)中來獲得；關(guān)于預期平均誤差，它僅僅代表著預測輸出值與真實輸出值的擬合度的高低，與此同時，這個誤差與訓練次數(shù)也有關(guān)系，如果它的誤差小，那么相應的訓練次數(shù)就比較多；隱含層神經(jīng)元個數(shù)并不是越多越好，如果隱含層的神經(jīng)元個數(shù)越多，收斂速度會慢，很容易導致陷入局部極小，也會導致學習過程發(fā)生震蕩。因此，一般情況下，隱含層的數(shù)量多少還要視情況而定，

78、選取的原則要使運行的結(jié)果相對穩(wěn)定。輸出層的神經(jīng)元個數(shù)一般就是目標輸出的個數(shù)。各層神經(jīng)元之間的連接就稱為各層的權(quán)值，各層神經(jīng)元之間的閾值就作為修正參數(shù)。</p><p>　　第二步：規(guī)格化處理。樣本數(shù)據(jù)作為輸入層神經(jīng)元，一個學習周期包括所有樣本計算，為提高網(wǎng)絡的收斂速度，數(shù)據(jù)進行歸一化，即按照（1）轉(zhuǎn)換為(-1,1)之間的值，其中x是樣本數(shù)據(jù)。</p><p>　　第三步：用樣本所給數(shù)據(jù)對神

79、經(jīng)網(wǎng)絡進行相關(guān)計算。首先通過輸入層神經(jīng)元按照式子（2）計算出隱含層神經(jīng)元的輸入，式子中h代表隱含層，k代表第k個樣本， 代表第i個輸入層神經(jīng)元與第h個隱含層神經(jīng)元之間所連接的權(quán)值， 代表隱含層第h個神經(jīng)元的閾值。在完成計算隱含層輸入之后可以通過可導函數(shù)，如式（3）所示的這種形式,得出隱含層的輸出；另外，可以把第一層隱含層的輸出矩陣作為下一隱含層的輸入矩陣，經(jīng)過反復計算，直至所有的隱含層全部計算完。</p><p>

80、;　　第四步：把最后一層隱含層的輸出矩陣作為輸出層神經(jīng)元的輸入矩陣，并且按照式子（4）來求輸出層的輸入矩陣，式中代表第k個樣本的輸出層的輸出矩陣,代表最后一層隱含層的第h個神經(jīng)元與輸出層的第o個神經(jīng)元之間的聯(lián)接權(quán)值,代表著第h個神經(jīng)元的值,代表著輸出層第o個神經(jīng)元的閾值。然后再通過式子（5）處理之后得到輸出層的輸出矩陣。將輸出層的輸出矩陣與經(jīng)過樣本歸一化處理后的目標輸出按照式子（6）求得相應的誤差，并且得出它的樣本誤差，式子中代表著第j

81、個樣本的第i個輸出的誤差,代表著第j個樣本的第i個預期的輸出,代表著第j個樣本的第i個實際輸出。此時可以按照式（7）,式（8）求得輸出層誤差和輸入層誤差。在完成樣本計算之后，就可以進入下一個樣本的計算，一直到所有的樣本全部計算完畢，這個周期的訓練才能算是結(jié)束。</p><p>　　第五步：在完成本周期的樣本訓練之后，把所有的樣本誤差都根據(jù)式子（9）求和，然后再平均，可以得出實際的平均誤差。進而再用實際的平均誤差與

82、事先設(shè)定好的預期平均誤差做比較，當預期平均誤差小于實際的平均誤差時，才能計算出修改后的權(quán)值。</p><p>　　最終，不斷重復進行，一直到,只有當滿足這個條件時，訓練才能算完成。進而輸入本期的數(shù)據(jù)，就可以實現(xiàn)預測過程。</p><p>　　4.3財政收入預測的求解與結(jié)果分析</p><p>　　已經(jīng)知道了廣州市財政收入的10個主要影響因素，即增值稅，營業(yè)稅，企業(yè)所

83、得稅，個人所得稅，房產(chǎn)稅，城鎮(zhèn)土地使用稅，車船稅，契稅，行政事業(yè)性收費收入，其他收入</p><p>　　將這10個指標作為輸入，</p><p>　　表4.1：神經(jīng)網(wǎng)絡訓練的輸入指標</p><p>　　將廣州市全市的財政收入，一般預算收入，政府性基金收入作為輸出，分別記為y1，y2，y3</p><p>　　表4.2：神經(jīng)網(wǎng)絡訓練的輸出指

84、標</p><p>　　運用MATLAB 來進行BP 神經(jīng)網(wǎng)絡預測，編程見附錄（6）。其中財政收入預測的自變量為10個，因變量為3個，因此本文選取10個輸入神經(jīng)元，3個輸出神經(jīng)元。關(guān)于隱含層的神經(jīng)元的個數(shù)，經(jīng)過多次的擬合實驗，發(fā)現(xiàn)當隱含層神經(jīng)元個數(shù)為4時預測結(jié)果最穩(wěn)定。</p><p>　　隱含層為4個的預測結(jié)果</p><p>　　在神經(jīng)網(wǎng)絡的預測中，我們設(shè)置的誤

85、差參數(shù)均方誤差為0.00065神經(jīng)網(wǎng)絡每一次的預測運行結(jié)果都不盡相同。取其中一次預測結(jié)果作為說明下圖是神經(jīng)網(wǎng)絡預測的訓練過程，</p><p>　　圖4.2：神經(jīng)網(wǎng)絡訓練的各個參數(shù)顯示</p><p>　　該圖顯示了神經(jīng)網(wǎng)絡訓練輸入，輸出，隱含層所含的神經(jīng)元的個數(shù)及</p><p><b>　　訓練參數(shù)的設(shè)置。</b></p>&

86、lt;p>　　圖4.3：神經(jīng)網(wǎng)絡訓練表現(xiàn)</p><p>　　此圖為神經(jīng)網(wǎng)絡訓練的過程，均方誤差逐漸修正到目標誤差值。</p><p>　　圖4.4：神經(jīng)網(wǎng)絡訓練過程梯度下降法</p><p><b>　　圖4.5：數(shù)據(jù)擬合</b></p><p>　　采用梯度下降法的網(wǎng)絡訓練過程</p><p

87、>　　下面是5次預測的結(jié)果，取其平均值</p><p>　　作為14年與15年的預測結(jié)果</p><p>　　表4.3：5次預測結(jié)果</p><p>　　表4.4：平均預測結(jié)果</p><p>　　表4.5：預測值與真實值的比較</p><p>　　相對誤差表示誤差的大小，用來反映預測值與真實值的偏離程度的大小，

88、反映預測模型的好壞。通過表4.5可知，由相對誤差可知，預測值與真實值比較而言，結(jié)果并不是相差很大，預測結(jié)果還是很可觀的。</p><p><b>　　4.4本章總結(jié)</b></p><p>　　本章主要通過BP 神經(jīng)網(wǎng)絡預測得到2014與2015年的地方財政收入，一般預算收入，政府性基金收入的預測值，與真實值相比并不是相差很大，本文的財政收入預測模型還是可以的。<

89、;/p><p><b>　　§5研究結(jié)論</b></p><p>　　本文旨在分析財政收入的影響因素及預測情況，主要運用了主成分分析法找到了影響財政收入的10個因素，又通過神經(jīng)網(wǎng)絡來進行預測，得到2014與2015年的財政收入預測值，與真實值相比較，預測結(jié)果比較可觀。另外，本文關(guān)于財政收入的影響因素的分析，細化了稅收的影響因素的分析，因為稅收在財政收入中所占比重

90、很大，且稅收與地方財政收入政策的建立息息相關(guān)，因此又通過典型相關(guān)分析，對稅收的兩個典型變量組進行了分析，分別找到了影響四種稅收的主要因素，另外也分別找出了影響全市稅收的主要區(qū)域。這為廣州市制定相應的經(jīng)濟政策都提供了一定的依據(jù)，因此，本文對稅收的細致分析，看似與全文脫節(jié)，其實對廣州市的財政收入政策的實施頒布具有十分重要的研究意義。</p><p>　　本文的創(chuàng)新之處在于，參考了多篇文獻，并且結(jié)合以往數(shù)學建模，數(shù)據(jù)挖

91、掘的經(jīng)驗，建立了財政收入的預測模型，對廣州市財政收入相關(guān)政策的實施制定提供一定的理論依據(jù)。</p><p><b>　　參考文獻</b></p><p>　　[1] 鄭鵬輝 時間序列在我國財政收入預測中的應用 1673 -8012( 2008) 02 -0015 -04</p><p>　　[2]閆菲菲，馬曉天，李海迪，王 濤 基于數(shù)據(jù)挖掘技

92、術(shù)的廣州市 財政收入分析與預測 1000 －5617(2016)01 －0031 －03</p><p>　　[3]翟世杰 杜啟花 投資額與 GDP 和財政收入的回歸分析及預測1004-7069（2009）-11-0133-02</p><p>　　[4]張新燕 四川省財政一般收入預測與分析 2007</p><p>　　[5]司守奎,孫璽菁.數(shù)學建模算法與應用.北

93、京：國防工業(yè)出版社.2011.08.</p><p>　　[6]甘勤濤,聶永川,王微,胡仁喜等,MATLAB 2012數(shù)學計算與工程分析入門到精通.北京:機械工業(yè)出版社.2011.12.</p><p>　　[7]何鄧嬌.廣州市財政收入影響因素的實證研究.[A]經(jīng)濟研究導刊.2014.(15).P104-121.</p><p>　　[8]廣州市經(jīng)濟研究院"

94、;宏觀經(jīng)濟形勢分析與預測"課題組.2001年廣州經(jīng)濟形勢分析與預測.珠江經(jīng)濟.2001(5).P12-13.</p><p>　　[9]廣州經(jīng)濟形勢分析與預測課題組.2007_2008年廣州經(jīng)濟形勢分析與預測.SOUTH CHINA REVIEW.2008(1).P04-23.</p><p>　　[10]廣州市統(tǒng)計局:《廣州統(tǒng)計年鑒2013》,中國統(tǒng)計出版社2013年7月.&l

95、t;/p><p>　　[11]統(tǒng)計數(shù)據(jù)主要來源于廣州統(tǒng)計信息網(wǎng) </p><p>　　[12]馬民杰.廣州經(jīng)濟社會發(fā)展與決策的若干問題.廣州研究.1986.(05).P20-23.</p><p>　　[13]江道平.宏觀經(jīng)濟預測_財政風險評估與財政風險控制決策研究.碩士論文.2014.05.P9-28.</p><p>　　[14]沈立鴻.基于

96、數(shù)據(jù)挖掘的中小地稅機構(gòu)稅收預測系統(tǒng)分析與設(shè)計.碩士論文.2013.10.P6-15.P41-43.</p><p>　　[15]朱鑫榕.數(shù)據(jù)挖掘方法及其在我國財政管理領(lǐng)域的應用.[A]經(jīng)濟問題2015（1）.P64-68.</p><p>　　[16] Wolfgang Karl Härdle,Léopold Simar, Applied Multivariate St

97、atistical Analysis (3ed) [M], Springer, 2012.</p><p>　　[17] 吳淦洲. 基于特征提取與神經(jīng)網(wǎng)絡的音樂分類方法[J].數(shù)學的實踐與認識,2014,44(5): 94-</p><p><b>　　100.</b></p><p>　　[18]顧學闖.影響財政預算平衡的幾個非經(jīng)濟因素.財經(jīng)

98、廣場.P46-47.</p><p>　　[19] Wolfgang Karl Härdle,Léopold Simar, Applied Multivariate Statistical Analysis (3ed) [M], Springer, 2012.</p><p><b>　　致謝</b></p><p>　　時

99、光匆匆，轉(zhuǎn)眼間，大四的生活即將結(jié)束，我們也要畢業(yè)了…曾經(jīng)很期待又很害怕的畢業(yè)終究還是來了。</p><p>　　回首大學4年，雖然說在某些方面自己做的還不夠好，但是整體來說大學還是收獲很多的，尤其是在學業(yè)，數(shù)據(jù)分析，專業(yè)競賽等方面都獲得了不錯的成績。這些成績的獲得，少不了各位老師的諄諄教導與同學的探討學習，也少不了建模協(xié)會帶給我的提升。首先，很感謝xx等諸位老師對我學業(yè)的幫助以及生活上的關(guān)心照顧，另外，在這里，要

100、特別感謝班主任xx老師，xx老師對我還說不僅是良師還是益友，不僅在學業(yè)上給予我?guī)椭c教導，而且在生活中能夠像朋友一樣傾聽我的煩惱與疑惑，并且給予我很大的鼓勵與幫助，大學里真的很慶幸能夠遇到xx老師。除此之外，還要特別感謝我的協(xié)會—數(shù)學建模與競賽協(xié)會，給予我對統(tǒng)計與金融數(shù)學這個專業(yè)的無限熱愛之情，也讓我在數(shù)學數(shù)據(jù)分析這方面有了很大的提升。</p><p>　　本文是在xx老師的指導下認真完成的，在論文前期，xx老師