CN104112074A - 基于直觉模糊集的纳税人利益关联度评估方法 - Google Patents

Abstract

本发明提出了一种基于直觉模糊集的纳税人利益关联度评估方法，根据纳税人之间的各类税务数据，包括发票、商品交易、所有权占比等，评估纳税人之间的利益关联程度。该方法将纳税人之间的各类税务数据作为量测数据，根据量测数据自身分布规律进行等级划分；计算各量测数据所属的等级，以及对应的隶属度值和非隶属度值，构造量测数据的直觉模糊集；采用基于Einstein操作的直觉模糊集融合方法对量测数据进行融合计算，得到纳税人利益关联度的直觉模糊集，评估纳税人之间的利益关联程度。本发明能够很好地处理多样的和异构的税务数据，将多样异构的税务数据归一化后进行融合，且不要求多个税务指标数据之间相互独立，具有广阔的适用范围。

Description

基于直觉模糊集的纳税人利益关联度评估方法

技术领域：

本发明涉及税务数据融合计算领域，特别涉及一种针对多样且异构的税务指标融合计算的方法。

背景技术：

由于税务指标类型多样且异构，指标之间存在较大差异，如何对纳税人的各项纳税指标进行关联融合，是评估纳税人利益关联度的难点之一。

如何针对纳税指标进行融合计算，目前已知常用的数据融合计算方法主要有：用简单的加权平均方法进行数据融合，用DS证据理论进行数据融合，构造直觉模糊集进行数据融合。由于税务指标具有多样性，在对税务指标进行融合计算时，简单的加权平均方法并不能处理税务系统中具有不同数据范围的数据。例如，纳税人间的经营交易的取值范围可以为0到上千万，然而纳税人间的相互占股的取值范围只是从0到1。这两类数据若是不经过处理，只是简单的进行加权平均，得到的结果值往往不能令人满意。税务指标不仅具有多样性，复杂性也是其很重要的特征，主要表现在多个税务指标之间的关系常常不能相互独立，因此DS证据理论并不适用于处理税务系统中有相关关系的税务指标。例如，一般情况下，纳税人间的亲属关系与纳税人间的相互占股有一定的关联，即这两个指标并不是相互独立的，不能采用DS证据理论进行融合处理。因此，在电子税务系统中，常常采用直觉模糊集的融合计算方法评估税务指标。

采用直觉模糊集的融合方法评估税务指标的关键是如何构造多样异构数据的直觉模糊集，以及选取哪一种融合计算的操作。在电子税务系统中，税务数据大小范围的不同以及税务数据对评估指标影响的不同造成了直觉模糊集构建有一定的难度，目前并没有统一的方法来构建税务数据的直觉模糊集。直觉模糊集的融合计算操作主要分为两类：t-norm操作和t-conorm操作。目前已有的t-norm操作和t-conorm操作多种多样，各有特点，选取哪一对操作对税务数据的直觉模糊集进行融合计算也是一个难题。

发明内容：

本发明的目的在于提出一种基于直觉模糊集的纳税人利益关联度评估方法，以克服目前存在的多样且异构的数据融合计算方法的局限性，用直觉模糊集的融合结果来评估纳税人利益关联度。本发明方法能够处理复杂的多样异构数据，具有更现实的意义。

为了实现上述目的，本发明采用如下技术方案：

基于直觉模糊集的纳税人利益关联度评估方法，包括如下步骤：

1)、根据输入的纳税人之间的各类税务数据，计算各个利益关联指标的取值范围，采集已有评估纳税人利益关联度的等级数量，根据各项指标的范围和分布，划分等级并确定不同等级的取值范围；

2)、根据指标与纳税人利益关联度的相关性，确定纳税人间各指标的量测数据所对应的等级；计算纳税人间各指标的量测数据的隶属度值和非隶属度值，构造量测数据的直觉模糊集；

3)、采用基于Einstein操作的直觉模糊集融合方法对量测数据进行融合计算，得到纳税人利益关联度的直觉模糊集。

本发明的进一步改进在于，所述步骤1)中计算n个利益关联指标的取值范围的方法为：根据输入的纳税人之间的各类税务数据，令第i(i＝1,2,...,n)个指标的取值范围为[L_i,H_i]，其中L_i为采集的样本数据中的最小值，H_i为采集的样本数据中的最大值。

本发明的进一步改进在于，所述步骤1)中采集已有评估纳税人利益关联度的等级数量m。令包含m个评估等级的集合G为：G＝{G₀,G₁,...,G_m-1}，G₀表示最低等级，G_m-1表示最高等级；步骤1)中根据指标的范围和分布，将第i(i＝1,2,...,n)个指标的取值范围划分等级的方法为：根据评估等级集合G的元素个数m，将第i个指标的取值范围区间[L_i,H_i]平均划分为m个子区间；

令第i(i＝1,2,...,n)个指标的第j(j＝0,1,...,m-1)个子区间为δ_i,j＝[l_i,j,h_i,j]，其中l_i,j是第j个子区间的下界，且 $l_{i,j}=L_i+\frac{H_i-L_i}{m}\·j,$ h_i,j是第j个子区间的上界，且 $h_{i,j}=L_i+\frac{H_i-L_i}{m}\·(j+1).$

本发明的进一步改进在于，所述步骤2)中确定某一指标与纳税人利益关联度的相关性的方法为：指标与纳税人利益关联度有正相关关系表示指标的量测值越大，纳税人利益关联度的评估结果越好，量测值越小，纳税人利益关联度的评估结果越差；指标与纳税人利益关联度有负相关关系表示指标的量测值越大，纳税人利益关联度的评估结果越差，量测值越小，纳税人利益关联度的评估结果越好。

本发明的进一步改进在于，所述步骤2)中确定纳税人间各指标的量测数据所对应的等级的方法为：

a、对于第i(i＝1,2,...,n)个指标，若该指标与纳税人利益关联度有正相关的关系，则该指标的第j(j＝0,1,...,m-1)个子区间δ_i,j＝[l_i,j,h_i,j]对应评估等级G中的G_j等级；

b、对于第i(i＝1,2,...,n)个指标，若该指标与纳税人利益关联度有负相关的关系，则该指标的第j(j＝0,1,...,m-1)个子区间δ_i,j＝[l_i,j,h_i,j]对应评估等级G中的G_m-1-j等级。

本发明的进一步改进在于，所述步骤2)中计算各指标的量测数据的隶属度值和非隶属度值的方法为：令函数Rounddown(x,k)为舍去x小数点k位后的数字，第i(i＝1,2,...,n)个指标与纳税人利益关联度有正相关关系时，令和分别为该指标的隶属度函数和非隶属度函数；第i(i＝1,2,...,n)个指标与纳税人利益关联度有负相关关系时，令和分别为该指标的隶属度函数和非隶属度函数，具体如下：

a、第i(i＝1,2,...,n)个指标与纳税人利益关联度有正相关关系时，若x∈[l_i,j,h_i,j]，x对应评估等级G中的G_j等级，隶属度函数 ${\mathrm{\μ}}_i^{+}\left(x\right)=\mathrm{Rounddown}(\frac{j}{m},k)+\mathrm{Rounddown}(\frac{x-l_{i,j}}{(h_{i,j}-l_{i,j})\·m},k);$

b、第i(i＝1,2,...,n)个指标与纳税人利益关联度有正相关关系时，若x∈[l_i,j,h_i,j]，x对应评估等级G中的G_j等级，非隶属度函数 $v_i^{+}\left(x\right)=\mathrm{Rounddown}(\frac{m-1-j}{m},k)+\mathrm{Rounddown}(\frac{h_{i,j}-x}{(h_{i,j}-l_{i,j})\·m},k);$

c、第i(i＝1,2,...,n)个指标与纳税人利益关联度有负相关关系时，若x∈[l_i,j,h_i,j]，x对应评估等级G中的G_m-1-j等级，隶属度函数为 ${\mathrm{\μ}}_i^{-}\left(x\right)=\mathrm{Rounddown}(\frac{m-1-j}{m},k)+\mathrm{Rounddown}(\frac{h_{i,j}-x}{(h_{i,j}-l_{i,j})\·m},k);$

d、第i(i＝1,2,...,n)个指标与纳税人利益关联度有负相关关系时，若x∈[l_i,j,h_i,j]，x对应评估等级G中的G_m-1-j等级，非隶属度函数为 $v_i^{-}\left(x\right)=\mathrm{Rounddown}(\frac{j}{m},k)+\mathrm{Rounddown}(\frac{x-l_{i,j}}{(h_{i,j}-l_{i,j})\·m},k).$

本发明的进一步改进在于，所述步骤2)中构造量测数据的直觉模糊集的方法为：令第i(i＝1,2,...,n)个指标的量测数据为x，当该指标与纳税人利益关联度为正相关关系时，x的直觉模糊集为当该指标与纳税人利益关联度为负相关关系时，x的直觉模糊集为

本发明的进一步改进在于，所述步骤3)中基于Einstein操作的直觉模糊集融合方法为：令α_i＝(μ_i,v_i)为第i(i＝1,2,...,n)个指标的量测数据x_i的直觉模糊集，ω＝(ω₁,ω₂...,ω_n)^T是n个指标的权重向量，并且ω_i∈[0,1]，则此n个指标的直觉模糊集融合后的结果为具体描述如下：

${\mathrm{IFWA}}_{\mathrm{\ω}}^{\mathrm{\ϵ}}({\mathrm{\α}}_1,{\mathrm{\α}}_2,...,{\mathrm{\α}}_n)=(\frac{{\mathrm{\Π}}_{i=1}^n{(1+{\mathrm{\μ}}_i)}^{{\mathrm{\ω}}_i}-{\mathrm{\Π}}_{i=1}^n{(1-{\mathrm{\μ}}_i)}^{{\mathrm{\ω}}_i}}{{\mathrm{\Π}}_{i=1}^n{(1+{\mathrm{\μ}}_i)}^{{\mathrm{\ω}}_i}+{\mathrm{\Π}}_{i=1}^n{(1-{\mathrm{\μ}}_i)}^{{\mathrm{\ω}}_i}},\frac{2\·{\mathrm{\Π}}_{i=1}^n{v}_i^{{\mathrm{\ω}}_i}}{{\mathrm{\Π}}_{i=1}^n{(2-v_i)}^{{\mathrm{\ω}}_i}+{\mathrm{\Π}}_{i=1}^n{v}_i^{{\mathrm{\ω}}_i}}).$

本发明的进一步改进在于，步骤1)中所述各个指标具体指经营交易、相互占股、亲属关系。

本发明的进一步改进在于，步骤3)中所述各个指标的权重分别为：经营交易的权重为0.1，相互占股的权重为0.3，亲属关系的权重为0.6。

相对于现有技术，本发明具有以下优点：

1)本发明能够处理具有多样性和异构性的税务数据，将多样异构数据归一化后进行融合，解决了对纳税人利益关联度进行评估这一难题。

2)本发明不要求多个税务指标之间必须相互独立；大部分情况下，用来评估纳税人利益关联度的各个指标之间并不是相互独立的，而是有一定的关联关系，不适合用DS证据理论等方法进行融合。本发明提供的融合方法本质上是加权平均方法，不存在这种局限性。

3)本发明不仅适用于评估纳税人利益关联度，也可以用于评估其他税务指标，具有更广阔的适用范围。

附图说明：

图1为本发明基于直觉模糊集的纳税人利益关联度评估方法的整体流程图。

具体实施方式：

以下结合附图和实例详细说明本发明的实施方式。

采集纳税人间的关联数据，结果如表1所示。

表1  纳税人间的关联数据

请参阅图1所述，本发明基于直觉模糊集的纳税人利益关联度评估方法，包括以下步骤：

步骤S1：根据输入的纳税人之间的各类税务数据，计算各个利益关联指标的取值范围，结果如表2所示。

表2  纳税指标的范围及权重

采集已有评估纳税人利益关联度的等级数量，根据各项指标的范围和分布，划分等级并确定不同等级的取值范围。

具体操作是指：专家给出的评估纳税人利益关联度的等级个数为7，则评估等级G＝{G₀,G₁,G₂,G₃,G₄,G₅,G₆}，其中G₀表示最低等级，G₆表示最高等级。划分各项指标的取值范围，指标与纳税人利益关联度的相关性均为正相关，确定各指标相应等级的范围区间，结果如表3所示。

表3  指标数据与等级对应关系

步骤S2：计算纳税人间各指标的量测数据的隶属度和非隶属度，构造表1所示的量测数据的直觉模糊集，结果如表4所示。

表4  量测数据的直觉模糊集

步骤S3：采用基于Einstein操作的直觉模糊集融合方法对量测数据进行融合计算，得到纳税人利益关联度的直觉模糊集，结果如表5所示。

表5  纳税人利益关联度的直觉模糊集

待评估组号	纳税人利益关联度
		1(A,B)	(0.7186,0.2812)
2(C,D)	(0.1208,0.879)

对结果的具体分析得到：若将[0,1]区间平均划分为7个子区间，对应到7个等级中，第一组纳税人利益关联度的直觉模糊集中隶属度为0.7186，对应等级G₅；第二组纳税人利益关联度的直觉模糊集中隶属度为0.1208，对应等级G₀。这个结果表明第一组纳税人的利益关联度明显高于第二组纳税人的利益关联度。

Claims (9)

1.基于直觉模糊集的纳税人利益关联度评估方法，其特征在于，包括如下步骤： 

1)、根据输入的纳税人之间的各类税务数据，计算各个利益关联指标的取值范围，采集已有评估纳税人利益关联度的等级数量，根据各项指标的范围和分布，划分等级并确定不同等级的取值范围； 

2)、根据指标与纳税人利益关联度的相关性，确定纳税人间各指标的量测数据所对应的等级；计算纳税人间各指标的量测数据的隶属度值和非隶属度值，构造量测数据的直觉模糊集； 

3)、采用基于Einstein操作的直觉模糊集融合方法对量测数据进行融合计算，得到纳税人利益关联度的直觉模糊集。 

2.根据权利要求1所述的方法，其特征在于，步骤1)中计算n个利益关联指标的取值范围的方法为：根据输入的纳税人之间的各类税务数据，令第i个指标的取值范围为[L_i,H_i]，其中L_i为采集的样本数据中的最小值，H_i为采集的样本数据中的最大值；i＝1,2,...,n。 

3.根据权利要求2所述的方法，其特征在于，步骤1)中采集已有评估纳税人利益关联度的等级数量m；令包含m个评估等级的集合G为：G＝{G₀,G₁,...,G_m-1}，G₀表示最低等级，G_m-1表示最高等级；步骤1)中根据指标的范围和分布，将第i个指标的取值范围划分等级的方法为：根据评估等级集合G的元素个数m，将第i个指标的取值范围区间[L_i,H_i]平均划分为m个子区间； 

令第i个指标的第j个子区间为δ_i,j＝[l_i,j,h_i,j]，其中，j＝0,1,...,m-1，l_i,j是第j个子区间的下界，且 h_i,j是第j个子区间的上界，且。

4.根据权利要求3所述的方法，其特征在于，步骤2)中确定纳税人间各指标的量测数据所对应的等级的方法为： 

a、对于第i个指标，若该指标与纳税人利益关联度有正相关的关系，则该指标的第j个子区间δ_i,j＝[l_i,j,h_i,j]对应评估等级G中的G_j等级； 

b、对于第i个指标，若该指标与纳税人利益关联度有负相关的关系，则该指标的第j个子区间δ_i,j＝[l_i,j,h_i,j]对应评估等级G中的G_m-1-j等级。 

5.根据权利要求4所述的方法，其特征在于，步骤2)中计算各指标的量测数据的隶属度值和非隶属度值的方法为：令函数Rounddown(x,k)为舍去x小数点k位后的数字，第i个指标与纳税人利益关联度有正相关关系时，令和分别为该指标的隶属度函数和非隶属度函数；第i个指标与纳税人利益关联度有负相关关系时，令和分别为该指标的隶属度函数和非隶属度函数，具体如下： 

a、第i个指标与纳税人利益关联度有正相关关系时，若x∈[l_i,j,h_i,j]，x对应评估等级G中的G_j等级，隶属度函数

b、第i个指标与纳税人利益关联度有正相关关系时，若x∈[l_i,j,h_i,j]，x对应评估等级G中的G_j等级，非隶属度函数

c、第i个指标与纳税人利益关联度有负相关关系时，若x∈[l_i,j,h_i,j]，x对应评估等级G中的G_m-1-j等级，隶属度函数为

d、第i个指标与纳税人利益关联度有负相关关系时，若x∈[l_i,j,h_i,j]，x对应评估等级G中的G_m-1-j等级，非隶属度函数为。

6.根据权利要求5所述的方法，其特征在于，步骤2)中构造量测数据的直觉模糊集的方法为：令第i个指标的量测数据为x，当该指标与纳税人利益关联度为正相关关系时，x的直觉模糊集为当该指标与纳税人利益关联度为负相关关系时，x的直觉模糊集为。

7.根据权利要求6所述的方法，其特征在于，步骤3)中基于Einstein操作的直觉模糊集融合方法为： 令α_i＝(μ_i,v_i)为第i个指标的量测数据x_i的直觉模糊集，ω＝(ω₁,ω₂...,ω_n)^T是n个指标的权重向量，并且ω_i∈[0,1]，则此n个指标的直觉模糊集融合后的结果为具体描述如下： 

。

8.根据权利要求7所述的方法，其特征在于，步骤1)中所述各个指标具体指经营交易、相互占股、亲属关系。 

9.根据权利要求8所述的方法，其特征在于，步骤3)中所述各个指标的权重分别为：经营交易的权重为0.1，相互占股的权重为0.3，亲属关系的权重为0.6。