臺灣博碩士論文加值系統

從我國賦稅收入結構可知，所得稅收入是國家重要的財政收入。精確的所得稅收入預測，可使財政主管機關更精確的擬編歲入預算，確實掌握政府未來可運用之財務資源，俾利政府施政計畫之推展，全面增進政府財務效能，發揮政府應有的功能及目標。本研究透過多元線性迴歸、時間數列預測及倒傳遞神經網路等方法，以國民所得、經濟成長率及工業生產指數等為預測變項，分別建立所得稅收入預測模式，並比較各模式的預測差異與預測效果，期望能提供更精確的預測模式供政府擬編歲入預算之參考。
本研究結果顯示，多元線性迴歸、時間數列及倒傳遞神經網路等預測模式之所得稅收入預測值經與實徵淨額比較後，其平均絕對誤差率最高僅為8.04％，顯示各預測模式的預測效果極為精準，且時間數列預測模式、多元線性回歸預測模式之預測效果較倒傳遞神經預測模式相對精準。再將前述結果與政府各年度編列之歲入預算數與實徵淨額間的平均絕對誤差率相比較，得出各預測模式之平均絕對誤差率遠低於所得稅收入預算數與實徵淨額之平均絕對誤差率，進一步證明本研究所建立之預測模式有極佳的預測效果，確能提供政府相關單位實務運用，對於歲入預算之擬編與施政計畫之推展有一定程度的助益。

According to the structure of tax revenues, Income Tax is a major source of government finance. The main goals of government shall improve public welfare, develop the national economy, enhance financial efficiency and strengthen administrative effectiveness by allocation of government resources. With respect to the management of government finance, the most important thing is to prepare the annual budget. This study intends to provide the government with accurate forecast in the most important portion of tax revenues, Income Tax revenue, for preparation of the government budget. In order to predict Income Tax revenue precisely, forecasting models are established separately through three methods, including Linear Multiple Regression Analysis Forecasting Method, Time Series Forecasting Method, and Back-Propagation Network. Each model uses three variables, nation income, economic growth rate and industrial production index.
We also compare the outcomes (forecasting Income Tax revenue) of these three methods with Income Tax revenue collected actually. The figures of Mean Absolute Percent Error (MAPE) between prediction made by three models in this study and Income Tax revenue actually collected are less than 8.04%. The result reveals that three models in this study give a fairly accurate forecast of Income Tax revenue. Furthermore, separate predictions from the model of Linear Multiple Regression Analysis Forecasting Method and the model of the Time Series Forecasting Method are more accurate than that from the model of Back-Propagation Network. In additions, the figures of MAPE stated above are lower than those between estimation used by the government in preparing the annual budget and Income Tax revenue actually collected. Thus, this study provides a better means for the government to predict Income Tax revenue while preparing the annual budget.

謝 誌----------------------------------------------------------------i
中文摘要------------------------------------------------------------ii
英文摘要-----------------------------------------------------------iii
目 錄---------------------------------------------------------------iv
表 次---------------------------------------------------------------vi
圖 次--------------------------------------------------------------vii

第一章 緒 論 --------------------------------------------------------1
第一節 研究動機與目的 ----------------------------------------------1
第二節 研究方法與範圍------------------------------------------------4
第三節 研究流程------------------------------------------------------5

第二章 文獻探討與回顧------------------------------------------------6
第一節 所得稅之內涵 -------------------------------------------------6
第二節 預測模式相關理論 ---------------------------------------------9
第三節 稅收預測模式之文獻回顧---------------------------------------17

第三章 研究方法：預測模式之建立-------------------------------------27
第一節 研究數據與資料範圍-------------------------------------------27
第二節 多元線性迴歸預測模式-----------------------------------------29
第三節 時間數列預測模式---------------------------------------------32
第四節 倒傳遞神經網路預測模式---------------------------------------34

第四章 所得稅預測模式之結果與比較 ----------------------------------37
第一節 多元線性迴歸預測模式之預測結果-------------------------------37
第二節 時間數列預測模式之預測結果-----------------------------------40
第三節 倒傳遞神經網路預測模式之預測結果-----------------------------43
第四節 所得稅預測模式預測結果之比較---------------------------------48
第五章 結論與建議---------------------------------------------------51
第一節 研究結論-----------------------------------------------------51
第二節 研究限制-----------------------------------------------------53
第三節 研究建議-----------------------------------------------------54

參考文獻
中文部分------------------------------------------------------------56
英文部分------------------------------------------------------------58
網路部分------------------------------------------------------------58

附錄一
本研究變項數據資料--------------------------------------------------59
附錄二
2001-2010年度(90-99年度)全國賦稅實徵淨額與預算數之比較----------------60

中文部分：
所得稅法（民100年1月修正）。
預算法（民100年1月修正）。
王保進（1999）。視窗版SPSS與行為科學研究，台北市，心裡出版社。
王文臣、湯秀芳（2006）。主成分分析法在我國稅收預測之應用，中國河南武漢理工大學管理學院，信陽師範學院學報（自然科學版）第19卷第4期 頁504-506，2006年10月。
古坤榮(1995)。我國綜合所得稅收入預測方法之研究，國立政治大學財政學研究所，碩士論文。
江振南（1973）。政府財政收入之預測，經濟論文，第1卷第1期，頁143- 165。
江枝華（2003）。所得稅稅收預測及其管理之研究，國立政治大學社會科學學院行政管理，碩士論文。
李慶泉（1976）。我國稅收估測方法之研究，稅務旬刊，第895期，頁3- 6及 896期，頁6-10。
李川源（1979）。台灣地區所得稅收之預測，國立交通大學管理研究所，碩士論文。
李懷彬（1994）。我國民營企業所得稅收入預測方法之研究，國立政治大學財政學研究所，碩士論文。
邱浩政（2010）。量化研究與統計分析。台北市，五南圖書出版股份有限公司。
沈存根、周開君（2010）。自組織方法的稅收收入組合預測模型，中國中共國家稅務總局黨校，技術經濟與管理研究 2010年第2期 頁38-40。
林華德（1978）。台灣賦稅收入預測，國立台灣大學經濟研究所經濟論文叢刊，11月，頁41-90。
林華德（1980）。台灣賦稅收入的月收入試析，財稅研究，第12卷第5期，頁16-35。
孟德成（2002）。營利事業所得稅選案調查模型之建立-類神經網路之應用，國立台灣大學會計學研究所，碩士論文。
陳耀茂（2004）。時間數列分析的SPSS使用手冊。台北市，鼎茂圖書出版股份有限公司。
陳耀茂、殷純淵（2004）。類神經網路 PCNeuron 使用手冊。台北市，鼎茂圖書出版股份有限公司。
陳彥文（2003）。類神經網路之應用-以營業稅選案模型為例，銘傳大學資訊管理學系，碩士論文。
凌忠嫄（1984）。我國賦稅收入迴歸分析之研究，國立政治大學財政學系，碩士論文。
徐瑞玲（1988）。時間數列模型建立之各種分析方法的比較與實證研究，國立政治大學統計研究所，碩士論文。
徐偉初（1989）。我國財政收支模型之估計，台灣經濟計量模型研討會論文，中央研究院經濟研究所，頁367-381。
張紹秋、胡蹻明（2006）。基於BP神經網絡的稅收預測模型，中國華南理工大學自動化科學與工程學院，華南理工大學學報（自然科學版）第34卷第6期 頁55-58，2006年6月。
彭琇嫦（2008）。賦稅收入預測模型之研究，天主教輔仁大學 應用統計研究所，碩士論文。
楊奕農(2005)。時間序列分析-經濟與財務上之應用，台北市，雙葉書廊有限公司。
楊葉承（2009）。稅務法規理論與應用，台北市，新陸書局股份有限公司。
葉怡成（2009）。類神經網路模式應用與實作。台北市，儒林圖書公司。
謝邦昌（2002）。多變量稅收估測模型之建立及其在SCA時間數列統計套裝軟體之應用，財政部委託計畫。
魏宗參（1979）。台灣消費稅稅收之短期預測，國立交通大學管理研究所，碩士論文。
魏文欽（1990）。我國賦稅收入季模型估測，國立政治大學財政研究所，碩士論文。
蔡招榮（1979）。台灣財產稅月稅收預測隨機時間序列之應用，國立交通大學管理研究所，碩士論文。
蔡宗穎（2000）。水產養殖土地利用變遷之多變量預測模式建立─以屏東縣水產養殖地為例，國立台灣大學地理學研究所，碩士論文。
羅時萬（1990）。所得稅的稅收預測─預測效果及效果監控，國立政治大學財政研究所，碩士論文。
鐘世保（1976）。我國賦稅收入短期預測之研究，中國統計學報，第14卷第3期，頁5313- 5328。

英文部分：
Berry, M. J. A., and Linoff, G. S. Data Mining Techniques: for marketing, sales, andcustomer support , John Wiley & Sons, New York, 1997.
Davis, J., and Brozovsky, J. A. “Decision Support Software for Tax,” The Tax Adviser(26:1), January 1995, pp. 54-57.
Mitchell, D., and R. Pavur “Using modular neural networks for business decisions,”Management Decision (40:1), 2002, Vol. 40 No. 1 pp. 58-63.
Moutinho, L., and Phillips, P. A. “The impact of strategic planning on the competitiveness, performance and effectiveness of bank branches: a neural network analysis,” International Journal of Bank Marketing (20:3), March 2002, pp.102-110.
Venugopal, V., and Baets, W. “Neural Networks and Statistical Techniques in Marketing Research: A Concept Comparison,” Marketing Intelligence & Planning(12:7), 1994, pp.30-38.

網路部分：
中華民國統計資訊網 http://ebas1.ebas.gov.tw
財政部財政統計資料庫 http://web01.mof.gov.tw/njswww/