论文部分内容阅读
随着我国经济的快速发展,税收的快速增长对我国纳税信用管理工作提出了新的要求。税务管理模式正逐步向以纳税人为中心、为经济发展服务、以信息化为基础的国际先进模式转变,纳税信用管理成为这种科学管理模式的重要条件。目前我国税务部门对纳税信用进行细分的方法还是基于经验或基于统计的简单划分方法,无法综合考量纳税人各方面的涉税信息,无法满足税收高速增长的需要。随着数据挖掘技术不断成功应用于金融、通信等行业的信用细分,使得借助数据挖掘技术实现多层次、多维度、有针对性的纳税信用细分变成了可能。在税收管理中纳税信用管理的重要性是显而易见的,本论文选取纳税信用管理中的基础工作——纳税信用细分作为研究课题,设计了一个基于聚类分析技术的纳税信用细分模型。本研究探索了纳税数据的组织、处理和存储,并应用数据挖掘中的聚类技术,实现了准确、有效的纳税信用细分,架起了一座从数据挖掘理论通向税务应用的桥梁:首先,数据的获取和预处理是影响数据挖掘结果优劣的一个极其重要的基础性工作,本研究为此付出了大量的时间和精力,并通过对纳税户纳税属性的分析,建立了一套完整的纳税户细分指标体系,将源数据经过数据清洗、转换等一系列数据预处理过程,并最终加载到为纳税信用细分所建立的数据仓库中,为信用细分聚类结果的合理性、有效性和实用性提供了坚实的基础;其次,通过分析各类纳税户的特征,并结合税收管理实践分析对不同类型纳税户做统一的纳税信用细分的问题,本研究将纳税细分数据仓库分为三个主题——申报征收、税务登记和发票管理来实施,并设计了每个主题的事实表和维表;然后,因为聚类分析是数据挖掘中的一个重要研究领域,也向来极具挑战性,但存在一系列典型的问题,本研究针对算法需预先给出聚类参数K的值和对初始聚类中心的依赖性比较强的缺点,在对经典的K-Means算法作了全面细致分析的基础上,设计了一个基于有效指数动态调整聚类参数K和最佳密度半径确定聚类中心的K-Means聚类算法;最后,本研究以VC++为工具设计了一个基于K-Means聚类算法的纳税信用细分系统,并将江西地税数据库中的部分赣州市纳税户纳税数据作为实际检验数据加载到系统中,通过比较原始K-Means聚类算法和改进后算法的聚类结果,得出了改进后算法的信用细分聚类结果更加切合税务部门日常管理的实际情况的结论。在本研究所做工作的集础上,税务部门能够以此纳税信用细分结果为依据,针对不同纳税户群制定有区别的管理策略,有利于减少税收成本、促进税赋公平;同时,本研究所做的工作对加快税务信息化的步伐也有很高的实用价值。