| 摘要 | 第2-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-18页 |
| 1.1 问题提出 | 第8-9页 |
| 1.2 地方财政收入研究意义 | 第9页 |
| 1.3 研究内容与组织结构 | 第9-11页 |
| 1.4 创新与不足之处 | 第11页 |
| 1.5 文献综述 | 第11-18页 |
| 1.5.1 Lasso理论文献综述 | 第11-13页 |
| 1.5.2 灰色理论文献综述 | 第13-14页 |
| 1.5.3 神经网络文献综述 | 第14-16页 |
| 1.5.4 灰色预测与神经网络组合预测研究现状 | 第16-18页 |
| 2 Lasso及其相关方法 | 第18-23页 |
| 2.1 变量选择的常用标准 | 第18-20页 |
| 2.2 Lasso及相关方法的解释 | 第20-21页 |
| 2.3 惩罚函数的性质 | 第21页 |
| 2.4 Lasso及其相关方法对应的算法 | 第21-22页 |
| 2.4.1 Lasso估计 | 第21页 |
| 2.4.2 Adaptive-Lasso估计 | 第21-22页 |
| 2.4.3 Adaptive-Lasso算法 | 第22页 |
| 2.5 Lasso与Adaptive-Lasso方法比较 | 第22-23页 |
| 3 灰色预测及神经网络预测 | 第23-39页 |
| 3.1 灰色预测 | 第23-26页 |
| 3.1.1 灰色系统概述 | 第23-24页 |
| 3.1.2 灰色理论有关特点及性质 | 第24-26页 |
| 3.2 灰色预测GM(1,1)模型 | 第26-32页 |
| 3.2.1 GM(1,1)模型数学形式 | 第26-27页 |
| 3.2.2 GM(1,1)生成列 | 第27-28页 |
| 3.2.3 GM (1,1)模型检验 | 第28-29页 |
| 3.2.4 GM(1,1)模型建立条件 | 第29-31页 |
| 3.2.5 GM(1,1)模型预测流程图 | 第31-32页 |
| 3.3 神经网络概述 | 第32-34页 |
| 3.3.1 神经网络理论 | 第32-33页 |
| 3.3.2 神经网络的学习方式 | 第33-34页 |
| 3.4 BP神经网络的基本原理 | 第34-36页 |
| 3.4.1 传递函数(激活函数) | 第35页 |
| 3.4.2 BP神经网络预测 | 第35页 |
| 3.4.3 BP神经网络的预测方法 | 第35-36页 |
| 3.5 灰色神经网络预测模型 | 第36-39页 |
| 3.5.1 组合预测的简介 | 第36-37页 |
| 3.5.2 组合预测的优势 | 第37-39页 |
| 4 北京市地方财政收入的预测模型 | 第39-52页 |
| 4.0 数据来源与变量描述说明 | 第39页 |
| 4.1 财政收入的影响因素 | 第39-42页 |
| 4.2 北京市财政收入及影响因素的描述性分析 | 第42-43页 |
| 4.3 北京市财政收入及影响因素的相关分析 | 第43-45页 |
| 4.4 财政收入影响因素的自适应Lasso变量选择 | 第45-46页 |
| 4.5 预测北京市财政收入的影响因素 | 第46-48页 |
| 4.6 北京市财政收入的神经网络预测 | 第48-52页 |
| 5 模型结论及政策建议 | 第52-54页 |
| 5.1 北京市财政收入预测结论 | 第52-53页 |
| 5.2 北京市财政收入政策建议 | 第53-54页 |
| 附录 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 后记 | 第60-61页 |