柬埔寨税收收入预测：传统时间序列模型与机器学习方法的比较研究

《Economies》：Forecasting Tax Revenue in Cambodia: A Comparative Study of Traditional Time-Series Models and Machine-Learning Methods

　　

该研究利用2009年1月至2026年3月的月度LNTAX（自然对数税收收入，log tax revenue）数据，考察传统计量经济模型与机器学习模型对柬埔寨税收收入的预测能力。研究人员采用滚动起点（rolling-origin）预测设计，在两个测试期限（12个月与24个月）上重复生成样本外预测，评估的方法包括移动平均（Moving Average，MA）、指数平滑（Exponential Smoothing，ES）、阻尼趋势指数平滑（Damped-Trend Exponential Smoothing，DTES）、自回归积分滑动平均（Autoregressive Integrated Moving Average，ARIMA）、分类与回归树（Classification and Regression Tree，CART）、广义回归神经网络（Generalized Regression Neural Network，GRNN）与K近邻（K-Nearest Neighbor，KNN）。研究人员以移动平均为基准，使用带聚类标准误的回归分析比较各模型表现，并以均方误差（Mean Squared Error，MSE）与对称平均绝对百分比误差（symmetric Mean Absolute Percentage Error，sMAPE）衡量预测精度。结果表明，LNTAX水平值非平稳，一阶差分后平稳。ARIMA在多数评估中误差最小，相较移动平均在MSE与sMAPE上下降最显著；阻尼趋势指数平滑在较长期限的百分比精度上表现较好。机器学习模型结果参差：CART表现中等，KNN在部分情形下改善sMAPE，GRNN最弱。研究显示，在该背景下时间序列模型优于基于状态空间框架的单变量税收收入预测模型，建议将ARIMA作为主基准模型，未来可研究混合方法、更多宏观经济变量、结构突变与政策导向预测评估。

研究背景方面，税收收入预测是财政规划的核心环节，直接关系到政府预算编制、支出上限设定、财政空间测算与经济不确定性应对。预测失误会导致预算失真、公共项目推迟、支出削减或财政赤字。现有文献多聚焦OECD、美国、韩国、印度等统计体系较完善的经济体，针对柬埔寨等发展中国家、数据较短且波动较大、制度能力受限环境下的系统比较研究不足。同时，传统统计模型与机器学习模型谁更优存在矛盾证据，且不同研究因预处理、样本与评估方式不同难以直接比较。因此，研究人员在《Economies》发表该项研究，以柬埔寨月度税收数据统一框架比较七类模型，填补柬埔寨税收预测文献缺口，并为发展中国家财政规划提供方法学证据。

主要关键技术方法上，研究人员使用柬埔寨经济与财政部数据库2009年1月至2026年3月共207个月度观测，取LNTAX作为单变量序列。研究采用滚动起点预测设计，在12个月与24个月测试期限下反复滚动估计与预测；传统模型包括MA、ES、DTES、ARIMA，机器学习模型以滞后变量构造成监督学习数据后使用CART、GRNN、KNN；超参数在各自训练样本中用滚动验证按最小MSE选取；精度指标为MSE与sMAPE；后将预测结果堆叠为1806条模型表现观测，以MA为参照类，用带预测起点聚类的回归分析比较各模型误差。

1. 1.
   Introduction
   研究人员指出税收预测受经济增长、通胀、就业、消费生产、税制改革、行政与遵从行为共同影响；文献中ES经状态空间框架实现自动预测，ARIMA适合线性平稳结构，ANN与机器学习可刻画非线性，但机器学习并不必然优于传统模型；现有研究提示应结合数据特征、制度能力与冲击因素评估预测方法。
2. 2.
   Literature Review
   研究人员综述发现，Hyndman等推动ES状态空间化，Hamzacebi等强调ANN对非线性多期预测的价值，L. Liu等以PSO-SVM处理税收非线性，Carriero等证明宏观信息集与时间变异改善财政预测，Makridakis等多次显示纯机器学习在竞争中常不及统计基准，Chung等在本级政府收入中得出ARIMA总体占优、KNN适于财产税、DTES适于销售税，Lahiri与Yang展示混频数据与机器学习可提升实时收入预测。文献总体支持：传统模型可作强基准，机器学习价值依赖数据长度、收入类型、波动性与预处理。
3. 3.
   Methodology
   3.1 Research Design
   研究人员采用滚动起点预测，以避免单次切分对持有样本的敏感，反复在新增观测后重估模型，更贴近现实预算环境。

3.2 Data Preparation

研究人员使用207个LNTAX月度观测，保持时间顺序，不随机抽样；基础切分为前195测后12，或前183测后24，并在多起点上重复。

3.3 Rolling-Origin Forecasting Procedure

研究人员从初始窗口开始训练，产生12或24期预测，将起点逐期前移并重估，直到样本末端，从而形成多起点精度观测。

3.4 Forecasting Models

3.4.1 Traditional Econometric Models

研究人员以3期MA作基准；ES用近期权重衰减更新水平；DTES在趋势项乘阻尼因子φ以抑制长期趋势外推；ARIMA以训练样本自动定阶，形式为ARIMA(p,d,q)(P,D,Q)[12]，并做递归预测。

3.4.2 Machine Learning Models

研究人员用Y_t-1、Y_t-2、Y_t-3或十二阶滞后把单变量序列转为监督学习；CART用阈值分裂捕捉非线性，KNN按最近历史模式平均，GRNN用核加权回归；超参数含树深与终止节点数、K值与权重、光滑参数σ。

3.5 Forecast Accuracy Measures

研究人员以e_t+h=Y_t+h-?_t+h算误差，MSE惩罚大误，sMAPE以百分比表达，便于跨规模比较。

3.6 Construction of the Regression Dataset

研究人员把每模型、每起点、每期限的表现排成面板，7模型×129起点×2期限=1806行，使原207时序扩展为模型表现观测。

3.7 Regression Specification

研究人员以MSE与sMAPE为因变量，MA为省略参照，ES、DTES、ARIMA、CART、GRNN、KNN为虚拟变量，加测试期限控制项，系数表示相对MA的平均误差差。

3.8 Reference Model Equation

研究人员说明省略MA后，若某模型系数β_k<0则误差低于MA、表现更好，β_k>0则更差。

3.9 Clustered Standard Errors

研究人员在预测起点层聚类标准误，因为同源起点与重叠测试期会使误差相关，聚类后可获得更稳健推断。

3.10 Interpretation of Regression Results

研究人员明确负系数代表优于MA，正系数代表劣于MA，测试期限系数反映期限拉长对误差的影响。

1. 4.
   Results
   研究人员展示LNTAX总体上行，2019年后短期波动增强；DLNTAX围绕近零中枢震荡，季节起伏明显。ADF检验中LNTAX统计量-2.666、p=0.297，不能拒单位根；DLNTAX统计量-7.604、p=0.010，拒绝单位根，故一阶差分后平稳。ARIMA(0,1,1)(0,1,2)[12]中非季节MA与季节MA均负且显著，说明短期冲击与年度季节效应重要。12个月期限中ARIMA的MSE=0.011、sMAPE=1.068均最优；24个月期限中ARIMA的MSE=0.036最低，DTES的sMAPE=1.642最低，KNN在长期限sMAPE升至第三。回归表中ARIMA相对MA的MSE系数-0.024、sMAPE系数-0.520且均显著，ES与DTES也显著降低误差；CART中等，KNN混合，GRNN最弱；sMAPE模型R²=0.563，模型选择对预测精度有系统解释力。
2. 5.
   Conclusions
   研究人员总结，传统时间序列模型总体优于所选机器学习模型；ARIMA在两期限多数误差最小，DTES在24个月sMAPE上较强，ES稳定但弱于前两者；CART中等，KNN长期限百分比误差改善但MSE优势有限，GRNN最差。回归结果显示模型类型比测试期限更重要。建议以ARIMA为主基准，DTES用于百分比精度目标，MA不宜作正式工具，机器学习需更细致调参与更多变量。未来可加入GDP、通胀、汇率、贸易量、就业、税改等宏观与制度变量，研究随机森林、SVR、XGBoost、LSTM及ARIMA-机器学习混合模型，处理结构突变与政策冲击，并按增值税、公司所得税、个人所得税、消费税与关税分别评估。研究意义在于为柬埔寨及类似发展中国家提供透明、稳健、可纳入预算流程的税收预测基准，并警示不应仅因模型复杂就采用机器学习。

研究结论部分译为：实证结果表明，传统时间序列预测模型在税收收入预测中优于所选择的机器学习模型。ARIMA在12个月与24个月测试期限内总体表现最佳，在大多数情况下误差最小。基于回归的比较进一步支持其优势，因为相比移动平均基线，ARIMA在MSE与sMAPE上的下降最大且统计显著。这意味着税收收入序列包含较强时间趋势与季节特征，能被ARIMA结构较好刻画。阻尼趋势指数平滑在24个月期限下sMAPE表现突出，说明趋势调整模型在持续增长路径下仍有较好百分比精度。指数平滑稳定优于移动平均，但弱于ARIMA与阻尼趋势指数平滑。机器学习模型结果参差：CART精度中等且未持续优于传统模型；KNN在较长测试期改善sMAPE但MSE优势不大；GRNN两期限两指标均最弱，说明该模型在单变量税收数据上需更多调参或外生变量。回归中模型选择对预测精度有显著解释力，而12个月与24个月期限差异在控制模型后不显著，说明模型选择比测试期限更关键。研究人员建议将ARIMA作为柬埔寨税收收入预测的主基准模型，阻尼趋势指数平滑可作为百分比精度目标的补充，移动平均不宜作为正式预测工具，所试机器学习模型需进一步调参方可实用。未来研究应比较随机森林、支持向量回归、梯度提升、XGBoost、LSTM及ARIMA-机器学习混合模型，引入GDP、通胀、汇率、贸易量、消费、就业、税制改革与重大冲击等变量，使用季度或周度数据，处理结构突变与政策变化，并按税种分别评估，且预测评估应面向预算规划、收入风险、财政政策与短收预警等政策用途。该研究为数据有限的发展中国家提供了以强统计基准支撑财政规划的证据，并提示机器学习的采用应依据数据特征、序列长度与外生信息，而非模型复杂度和技术流行度。