期刊导航
期刊开放获取
cqvip
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
政府驻地迁移与适宜性技术创新:异质引进抑或同质研发?
被引量：
4
1
作者
李
国锋
吴梦
李
祚
娟
《经济与管理评论》
CSSCI
北大核心
2021年第5期68-79,共12页
政府驻地作为一个国家或地区的行政中心,被认为是稀缺性政治资源,其空间选址将影响区域资源流动,进而左右区域的科技创新进程。文中选取高新技术研发数据,匹配地方政府驻地迁移的地理信息,采用多期PSM-DID模型方法,评估政府驻地迁移的...
政府驻地作为一个国家或地区的行政中心,被认为是稀缺性政治资源,其空间选址将影响区域资源流动,进而左右区域的科技创新进程。文中选取高新技术研发数据,匹配地方政府驻地迁移的地理信息,采用多期PSM-DID模型方法,评估政府驻地迁移的技术创新效应,进一步结合规模以上工业企业分布信息探讨其影响机制。研究发现:行政中心变动左右着迁入地、迁出地的技术创新水平,其区域效用表现存在异向性,迁入地明显提升了其自主研发水平。此外,政府驻地迁移的创新效应以外源性技术的自洽性处置、经济诱导性集聚为依托,迁入地呈现出趋向同质研发的过渡,而迁出地则更多地表现为异质性引进等特征。政策启示是,应谨慎注重行政中心的迁出行为,以提升对外技术的消化吸收能力为导向,倡导绿色、包容、协调的创新发展政策。
展开更多
关键词
行政中心
驻地迁移
技术创新
异质性
PSM-DID模型
下载PDF
职称材料
基于多任务深度神经网络的企业纳税行为甄别研究
被引量：
2
2
作者
李
国锋
李
祚
娟
王哲吉
《统计研究》
CSSCI
北大核心
2022年第7期137-149,共13页
随着数字经济时代的到来,丰富的数据资源有利于全面精准地刻画企业纳税情况,但数据来源广、类别不平衡以及噪音多等问题,也给企业纳税行为的甄别工作带来挑战。本文融合企业报表以及证监会、海关和税务等部门的多来源涉税数据,基于K-S...
随着数字经济时代的到来,丰富的数据资源有利于全面精准地刻画企业纳税情况,但数据来源广、类别不平衡以及噪音多等问题,也给企业纳税行为的甄别工作带来挑战。本文融合企业报表以及证监会、海关和税务等部门的多来源涉税数据,基于K-S检验和随机森林算法,构建了企业纳税行为甄别指标体系;将不同行业企业纳税行为甄别工作视为不同任务,提出基于多任务深度神经网络的企业纳税行为甄别模型,充分利用了不同行业任务间的相关性和差异性信息;针对样本数据集不平衡问题,引入焦点损失函数进一步改进了甄别模型。研究发现,相对于传统Logistic、支持向量机和神经网络等单任务模型,本文多任务模型的企业纳税行为甄别能力、泛化能力和稳健性更强。当模型预测某企业纳税不遵从的概率超出阈值时,即可判定该企业为重点稽查对象,以辅助税务部门提升稽查效率。本研究为政府智慧税务治理工作提供了新的思路。
展开更多
关键词
多源数据
多任务深度神经网络
企业纳税行为甄别
下载PDF
职称材料
基于多任务学习的税务稽查选案研究
被引量：
1
3
作者
李
国锋
李
祚
娟
+1 位作者
王哲吉
吴梦
《数据分析与知识发现》
CSSCI
CSCD
北大核心
2022年第6期128-139,共12页
【目的】整合多源涉税数据信息,利用机器学习方法,实现对重点税种涉税违法企业的智能判别分析。【方法】利用网络数据获取、文本挖掘等技术,收集企业财务指标、高管信息、媒体关注信息等多源涉税数据进行融合处理;利用随机森林方法进行...
【目的】整合多源涉税数据信息,利用机器学习方法,实现对重点税种涉税违法企业的智能判别分析。【方法】利用网络数据获取、文本挖掘等技术,收集企业财务指标、高管信息、媒体关注信息等多源涉税数据进行融合处理;利用随机森林方法进行特征选择,构建税务稽查选案判别指标体系;利用改进的基于焦点损失函数的多任务结构化稀疏学习方法,视不同税种选案工作为不同任务联合训练,构建了分税种的税务稽查选案判别模型。【结果】真实数据实验结果表明,所提出的基于多任务学习方法构建的税务稽查选案判别模型具有较好的泛化性能和应用能力,其召回率均值达到0.830 9,相对于逻辑回归方法和传统的多任务结构化稀疏学习分别提升了0.135 1和0.103 3。【局限】模型需要在上市企业以外的数据集层面进一步验证。【结论】本研究所构建的模型能够更加精准地甄别出不诚实纳税的目标企业,且可同时识别出其具体涉及的偷漏税税种,为政府智慧税务稽查提供新思路。
展开更多
关键词
多源数据融合
智慧税务稽查
多任务结构化稀疏学习
焦点损失函数
原文传递
题名
政府驻地迁移与适宜性技术创新:异质引进抑或同质研发?
被引量：
4
1
作者
李
国锋
吴梦
李
祚
娟
机构
山东财经大学统计学院
山东财经大学经济学院
出处
《经济与管理评论》
CSSCI
北大核心
2021年第5期68-79,共12页
基金
国家社会科学基金项目“多源数据融合下企业纳税行为甄别智能学习方法研究”(19BTJ023)
山东省社会科学规划研究项目“山东省税收征管效率实证研究”(10CJGJ30)。
文摘
政府驻地作为一个国家或地区的行政中心,被认为是稀缺性政治资源,其空间选址将影响区域资源流动,进而左右区域的科技创新进程。文中选取高新技术研发数据,匹配地方政府驻地迁移的地理信息,采用多期PSM-DID模型方法,评估政府驻地迁移的技术创新效应,进一步结合规模以上工业企业分布信息探讨其影响机制。研究发现:行政中心变动左右着迁入地、迁出地的技术创新水平,其区域效用表现存在异向性,迁入地明显提升了其自主研发水平。此外,政府驻地迁移的创新效应以外源性技术的自洽性处置、经济诱导性集聚为依托,迁入地呈现出趋向同质研发的过渡,而迁出地则更多地表现为异质性引进等特征。政策启示是,应谨慎注重行政中心的迁出行为,以提升对外技术的消化吸收能力为导向,倡导绿色、包容、协调的创新发展政策。
关键词
行政中心
驻地迁移
技术创新
异质性
PSM-DID模型
Keywords
administrative center
residence relocation
technological innovation
heterogeneity
PSM-DID model
分类号
F812.7 [经济管理—财政学]
下载PDF
职称材料
题名
基于多任务深度神经网络的企业纳税行为甄别研究
被引量：
2
2
作者
李
国锋
李
祚
娟
王哲吉
机构
山东财经大学统计与数学学院
出处
《统计研究》
CSSCI
北大核心
2022年第7期137-149,共13页
基金
国家社会科学基金一般项目“多源数据融合下企业纳税行为甄别智能学习方法研究”(19BTJ023)。
文摘
随着数字经济时代的到来,丰富的数据资源有利于全面精准地刻画企业纳税情况,但数据来源广、类别不平衡以及噪音多等问题,也给企业纳税行为的甄别工作带来挑战。本文融合企业报表以及证监会、海关和税务等部门的多来源涉税数据,基于K-S检验和随机森林算法,构建了企业纳税行为甄别指标体系;将不同行业企业纳税行为甄别工作视为不同任务,提出基于多任务深度神经网络的企业纳税行为甄别模型,充分利用了不同行业任务间的相关性和差异性信息;针对样本数据集不平衡问题,引入焦点损失函数进一步改进了甄别模型。研究发现,相对于传统Logistic、支持向量机和神经网络等单任务模型,本文多任务模型的企业纳税行为甄别能力、泛化能力和稳健性更强。当模型预测某企业纳税不遵从的概率超出阈值时,即可判定该企业为重点稽查对象,以辅助税务部门提升稽查效率。本研究为政府智慧税务治理工作提供了新的思路。
关键词
多源数据
多任务深度神经网络
企业纳税行为甄别
Keywords
Multi-Source Data
Multi-Task Learning in Deep Neural Networks
Corporate Tax Paying Behavior Identification
分类号
C81 [社会学—统计学]
F812
下载PDF
职称材料
题名
基于多任务学习的税务稽查选案研究
被引量：
1
3
作者
李
国锋
李
祚
娟
王哲吉
吴梦
机构
山东财经大学统计学院
山东财经大学经济学院
出处
《数据分析与知识发现》
CSSCI
CSCD
北大核心
2022年第6期128-139,共12页
基金
国家社会科学基金一般项目(项目编号:19BTJ023)的研究成果之一。
文摘
【目的】整合多源涉税数据信息,利用机器学习方法,实现对重点税种涉税违法企业的智能判别分析。【方法】利用网络数据获取、文本挖掘等技术,收集企业财务指标、高管信息、媒体关注信息等多源涉税数据进行融合处理;利用随机森林方法进行特征选择,构建税务稽查选案判别指标体系;利用改进的基于焦点损失函数的多任务结构化稀疏学习方法,视不同税种选案工作为不同任务联合训练,构建了分税种的税务稽查选案判别模型。【结果】真实数据实验结果表明,所提出的基于多任务学习方法构建的税务稽查选案判别模型具有较好的泛化性能和应用能力,其召回率均值达到0.830 9,相对于逻辑回归方法和传统的多任务结构化稀疏学习分别提升了0.135 1和0.103 3。【局限】模型需要在上市企业以外的数据集层面进一步验证。【结论】本研究所构建的模型能够更加精准地甄别出不诚实纳税的目标企业,且可同时识别出其具体涉及的偷漏税税种,为政府智慧税务稽查提供新思路。
关键词
多源数据融合
智慧税务稽查
多任务结构化稀疏学习
焦点损失函数
Keywords
Multi-source Data Fusion
Smart Tax Audit
Multi-task Sparse Structure Learning
Focal Loss
分类号
F812 [经济管理—财政学]
原文传递
题名
作者
出处
发文年
被引量
操作
1
政府驻地迁移与适宜性技术创新:异质引进抑或同质研发?
李
国锋
吴梦
李
祚
娟
《经济与管理评论》
CSSCI
北大核心
2021
4
下载PDF
职称材料
2
基于多任务深度神经网络的企业纳税行为甄别研究
李
国锋
李
祚
娟
王哲吉
《统计研究》
CSSCI
北大核心
2022
2
下载PDF
职称材料
3
基于多任务学习的税务稽查选案研究
李
国锋
李
祚
娟
王哲吉
吴梦
《数据分析与知识发现》
CSSCI
CSCD
北大核心
2022
1
原文传递
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
