三、简短的小结
在对东部A省地税月度收入，分别使用多参数含季节趋势的指数平滑方法、含季节调整的ARIMA方法、BP神经网络方法和支持向量机方法建立模型并进行预测后，我们发现，在对月度数据进行预测时，多参数含季节趋势的指数平滑方法、含季节调整的ARIMA方法效果比较接近而且预测精度较高，BP神经网络方法和支持向量机方法效果比较接近，但是预测精度很低。因此，在使用月度税收收入进行预测时，选择多参数含季节趋势的指数平滑方法、含季节调整的ARIMA方法是比较合适的选择。如果具备比较详细的月度经济指标数据，同样可以尝试BP神经网络方法和支持向量机方法。数据条件不具备，例如仅仅使用月度税收数据，那么BP神经网络方法和支持向量机方法不是最佳的选择。
这里使用多参数含季节趋势的指数平滑方法、含季节调整的ARIMA方法预测东部A省地税2009年5月税收收入合计数为分别为126.53亿元，134.51亿元，两者相差8亿元左右。
文章中无论使用多参数有季节趋势指数平滑方法还是季节调整的ARIMA方法都有同一现象，即预测的结果无一例外地偏高。这也说明这两种方法的局限，这两种方法说到底是用税收过去时期的数据通过加权平均的方法对未来值进行推测，如果过去经济发展比较稳定，那么税收数据也会表现稳定，预测结果应该不会出现一致偏高的结果。但是，如果过去经济发展不稳定，例如2008年的金融风暴，那么经济的迅速下滑会很快反映到税收数据中，但是过去的税收数据不能充分包含这一信息，因此预测会出现偏高。克服这一现象的方法是使得数据包含的时期尽可能为一个完整的经济周期，通常需要10年的数据。更为重要的是，无论使用哪种方法实现预测，都需要根据当时的经济环境和自己的预测经验修正预测结果。
主要参考文献
1.张伦俊，王家新.中国税收收入的季度模型分析.财贸经济，2007（11）.
2.郭菊娥，钱鑫，曹华.2004年中国税收收入预测研究.财经科学，2007（S1）.
3.顾海兵，周智高.“十一五”规划期间我国税收收入水平预测.财政研究，2005（1）.
4.王道树，曾智慧.荷兰税收收入预测工作与启示.中国税务，2008（3）.
5.易丹辉.数据分析与EViews应用.北京：中国人民大学出版社，2008.
6.薛毅，陈立萍.统计建模与R软件.北京：清华大学出版社，2006.
Comparison Study on Measures of Forecasting
Monthly Revenue in ChinaAbstract：This paper constructed the monthly revenue forecasting models by using the measures of Holter-Winter，seasonal adjusted ARIMA，BP neural network，and SVM，based on the data from one province in eastern China.By comparison of prediction of diffident models，we found that prediction by using the measures of Holter-Winter and seasonal adjusted ARIMA were superior to that by using the measures of BP neural network and SVM.
Key Words：Forecasting；Monthly revenue；Comparison study
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
