管理決策案例

1、稅務智能管理決策系統(tǒng)定義：智能決策支持系統(tǒng)是人工智能（AI，Artificial Intelligence）和DSS相結合，應用專家系統(tǒng)（ES，Expert System）技術，使DSS能夠更充分地應用人類的知識，如關于決策問題的描述性知識，決策過程中的過程性知識，求解問題的推理性知識，通過邏輯推理來幫助解決復雜的決策問題的輔助決策系統(tǒng)。系統(tǒng)結構n 較完整的智能決策支持系統(tǒng)是與典型的DSS結構結合，在傳統(tǒng)三庫DSS的基礎上增設知識庫與推理機，在人機對話子系統(tǒng)加入自然語言處理系統(tǒng) (LS)，與四庫之間插人問題處理系統(tǒng)(PSS)而構成的四庫系統(tǒng)結構。智能決策支持系統(tǒng)在稅務處理中的應用稅務處理發(fā)展階

2、段n 第一階段是模擬手工操作的稅收電子化階段，其總體特征為采用數(shù)據(jù)庫技術，依托單機和局域網，涉及稅務應用的操作層次，對稅收業(yè)務的重要環(huán)節(jié)實現(xiàn)了手工操作的計算機化。n 第二階段是步入面向管理的稅收管理信息系統(tǒng)階段，其總體特征為采用關系型數(shù)據(jù)庫、客戶機/服務器模式及圖形化界面，依托廣域網進行分布式處理，涉及稅務應用的操作和管理層次。n 第三階段是實現(xiàn)創(chuàng)造稅收價值的全方位稅收服務系統(tǒng)階段，其總體特征為采用WEB技術和組件化結構，依托互聯(lián)網實現(xiàn)集中式處理，涉及稅務應用的操作、管理和決策層次，并對納稅人進行全面的管理與服務。 稅務處理主要內容n 在稅收管理信息系統(tǒng)的基礎上，運用現(xiàn)代管理學的理論和方法以及

3、先進的計算機技術，使用傳統(tǒng)的數(shù)學統(tǒng)計方法、基于范例推理、專家系統(tǒng)、數(shù)據(jù)開采和人工神經網絡等智能技術相結合進行稅收數(shù)據(jù)分析、稅款征收預測、計算機自動稽查選案等稅收領域任務。 主要包括稅收數(shù)據(jù)分析預測 和稅務稽查計算機自動選案 關鍵技術方法一：利用神經網絡 n 人工神經網絡是一種并行的非線性動力學系統(tǒng)模型，設計合理的神經網絡結構和選擇合適的學習算法，是人工神經網絡數(shù)據(jù)分析預測的關鍵步驟。我們將根據(jù)稅收數(shù)據(jù)分析預測的具體需要，設計一個多種神經網絡模型集成的人工神經網絡系統(tǒng)，對稅收數(shù)據(jù)進行分析和處理。具體說來，基于人工神經網絡的稅收數(shù)據(jù)分析預測包括以下過程： n （1）原始數(shù)據(jù)統(tǒng)計預處理分析： n 由

4、統(tǒng)計模型實現(xiàn)，主要采用平均移動，波動分析,偏差分析和相對差異率分析來實現(xiàn)經濟環(huán)境特征指標的抽取。 n （2）前饋神經網絡模型經濟環(huán)境特征指標預測： n 由前饋神經網絡模型實現(xiàn)，它實現(xiàn)經濟環(huán)境特征指標的時間序列預處理分析，給出了未來經濟環(huán)境特征指標的時間序列預測, 通過它實現(xiàn)對未來經濟環(huán)境特征指標的預測、分析處理。 n （3）自組織神經網絡模型的對于經濟環(huán)境特征指標的可視化表示: n 由自組織特征映射(SOM) 神經網絡實現(xiàn), 它對經濟環(huán)境特征指標進行可視化表示，實現(xiàn)對于政策因素和人為因素離散指標的分類可視化表示。 n （4）混合神經網絡模型作為經濟環(huán)境特征指標與稅收數(shù)據(jù)關系的決策模型： n 由

5、混合結構專家神經網絡模型實現(xiàn)，它實際上是經濟環(huán)境特征指標與稅收數(shù)據(jù)關系的決策系統(tǒng)，由它實現(xiàn)對于經濟環(huán)境特征指標與稅收數(shù)據(jù)間關系的分析。 n （5）適應性智能處理模型： n 用作為對預測分析處理的數(shù)據(jù)進行決策分析，綜合集成與匹配，產生最終的預測、決策的結果，統(tǒng)計圖表和圖表的比較。 關鍵技術方法n 二：決策樹n 決策樹（decision tree）學習是以實例為基礎的歸納學習算法。它著眼于從一組無次序、無規(guī)則的事例中推理出決策樹表示形式的分類規(guī)則。它采用自頂向下的遞歸方式，在決策樹的內部結點進行屬性值的比較并根據(jù)不同的屬性值判斷從該結點向下的分支，在決策樹的葉結點得到結論。所以從根到葉結點的一條路

6、徑就對應著一條合取規(guī)則，整棵決策樹就對應著一組析取表達式規(guī)則?；跊Q策樹的學習算法的一個最大的優(yōu)點就是它在學習過程中不需要使用者了解很多背景知識(這也同時是它最大的缺點)，只要訓練例子能夠用屬性-結論式的方式表達出來，就能使用該算法來學習。 n 一棵決策樹的內部結點是屬性或屬性的集合，葉結點是所要學習劃分的類，下面將內結點的屬性稱為測試屬性。當經過一批訓練實例集的訓練產生一棵決策樹，決策樹可以根據(jù)屬性的取值對一個未知實例集進行分類。使用決策樹對實例進行分類的時候，由樹根開始對該對象的屬性逐漸測試其值，并且順著分支向下走，直至到達某個葉結點，此葉結點代表的類即為該對象所處的類。 關鍵技術方法n 三:支持向量機 支持向量機（Support Vector Machine, SVM）