营改增对建筑工程项目投标报价的影响分析及预测

发布时间：2020-11-06 06:29

　　 近年来,我国营改增政策的全面推进。建筑业作为我国国民经济的重要支柱产业之一,其发展情况引人关注。营改增后,建筑业产值稳步提升,减税效果明显,但建筑企业个数也在逐年攀升。如何在拥有政策红利但竞争激烈的市场环境中获取工程项目,实现盈利对于建筑企业来说十分重要。与此同时,建筑工程项目计税方式的改变、计价依据的不断调整使得建筑工程项目投标报价环境更为复杂。为此,本文从工程项目角度出发,识别营改增后投标报价的影响因素,确定其重要因素,再结合重要因素构建营改增后报价影响预测模型,以期在营改增后指导建筑企业进行投标报价并获取利润。论文通过对营改增的发展概况进行分析,明确了营改增税制改革的必要性:通过对营改增后工程项目投标报价现有研究现状的分析,发现营改增后投标报价产生系列变化;为此基于竞争优势理论研究,结合营业税和增值税的差异,分析营改增后投标报价竞争优势的变化情况。采用文献归纳法与对比分析法相结合,识别出18个影响因素,并依次对因素影响投标报价的路径进行分析;结合投标报价的工作流程将影响因素划分为投标准备、成本测算、正式投标三个阶段;接着利用DEMATEL-ISM模型对影响因素进行筛选,筛出15个影响因素,并根据影响因素的权重和层级划分情况将企业的税负筹划水平、承(分)包商的选择、项目税负风险依次确定为投标报价各阶段的重要影响因素。在报价影响预测部分,先对BP神经网络的学习算法进行说明,提出营改增后工程项目报价预测流程,结合30个已中标工程项目构建BP神经网络报价预测模型,通过预测样本误差检验证明了该模型的可行性。最后,结合实际案例,验证了报价预测模型和报价预测流程的有效性。
【学位单位】：中南林业科技大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TU723.2
【部分图文】：

图２．１投标报价的基本流程??Ｆｉｇ?２．１?Ｂａｓｉｃ?ｐｒｏｃｅｓｓ?ｏｆ?ｂｉｄｄｉｎｇ?ｑｕｏｔａｔｉｏｎ??

营改增对建筑工程项目投标报价的影响分析及预测??过不断的误差反向学习实现。网络内部权值和阀值的调整，最终使得整个神经网??络误差的平方和最小。ＢＰ神经网络的网络拓扑结构如下图２．４所示，包括三大??类：即输入层（ｉｎｐｕｔ）、隐含层（ｈｉｄｅ?ｌａｙｅｒ）和输出层（ｏｕｔｐｕｔ丨ａｙｅｒ）【７４］。??输入层?隐含层?输出层??三？一??图２．４?ＢＰ神经网络拓扑结构??Ｆｉｇ２．４?Ｔｏｐｏｌｏｇｉｃａｌ?Ｓｔｒｕｃｔｕｒｅ?ｏｆ?ＢＰ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ??每一层上包含若干个节点，每个节点代表一个神经元。同一层上的各节点之??间无连接关系，相邻层采取全互连。信息从输入层开始，通过加权运算、函数计??算等在各层之间单向传播，依次经过各隐含层，最后达到输出层。至此ＢＰ神经??网络的正向传播完成。??ＢＰ神经网络最主要特点是反向传播，将正向传播得到的输出值与理想值进??行比较，若误差较大，则将误差反向传播至输入层神经元，再通过隐含层传播至??输出层，周而复始，直到数据误差达到允许范围之内或达到初始设定的学习次数，??则停止训练。如下图２．５所示。????正向传播??训练样本｜ｈ?网络输出??????５???权值阈值修改＾?１对比误差??反向传播??图２．５?ＢＰ神经网络的循环路径??Ｆｉｇ２．５?Ｃｉｒｃｕｌａｔｉｏｎ?Ｐａｔｈ?ｏｆ?ＢＰ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ??ＢＰ神经网络利用误差进行循环反向学习，在循环过程中不断调整各层次结??构的权值

营改增对建筑工程项目投标报价的影响分析及预测??过不断的误差反向学习实现。网络内部权值和阀值的调整，最终使得整个神经网??络误差的平方和最小。ＢＰ神经网络的网络拓扑结构如下图２．４所示，包括三大??类：即输入层（ｉｎｐｕｔ）、隐含层（ｈｉｄｅ?ｌａｙｅｒ）和输出层（ｏｕｔｐｕｔ丨ａｙｅｒ）【７４］。??输入层?隐含层?输出层??三？一??图２．４?ＢＰ神经网络拓扑结构??Ｆｉｇ２．４?Ｔｏｐｏｌｏｇｉｃａｌ?Ｓｔｒｕｃｔｕｒｅ?ｏｆ?ＢＰ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ??每一层上包含若干个节点，每个节点代表一个神经元。同一层上的各节点之??间无连接关系，相邻层采取全互连。信息从输入层开始，通过加权运算、函数计??算等在各层之间单向传播，依次经过各隐含层，最后达到输出层。至此ＢＰ神经??网络的正向传播完成。??ＢＰ神经网络最主要特点是反向传播，将正向传播得到的输出值与理想值进??行比较，若误差较大，则将误差反向传播至输入层神经元，再通过隐含层传播至??输出层，周而复始，直到数据误差达到允许范围之内或达到初始设定的学习次数，??则停止训练。如下图２．５所示。????正向传播??训练样本｜ｈ?网络输出??????５???权值阈值修改＾?１对比误差??反向传播??图２．５?ＢＰ神经网络的循环路径??Ｆｉｇ２．５?Ｃｉｒｃｕｌａｔｉｏｎ?Ｐａｔｈ?ｏｆ?ＢＰ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ??ＢＰ神经网络利用误差进行循环反向学习，在循环过程中不断调整各层次结??构的权值
【参考文献】

相关期刊论文 前10条

1 詹敏;;建筑业“营改增”建安费用扣减问题管见[J];财会月刊;2015年19期

2 谭章禄;陈晓;;基于ISM模型的我国能源需求影响因素研究[J];工业技术经济;2015年06期

3 鲍彤;;建筑业企业如何应对“营改增”[J];山西财政税务专科学校学报;2015年01期

4 詹敏;;基于不同合同定价方式的建筑业“营改增”税负测算[J];财会月刊;2014年24期

5 卢立宇;张仕廉;;建筑业“营改增”税负影响分析[J];财会月刊;2014年23期

6 单纯;陈景;;基于层次分析法的投标报价项目决策研究[J];科技管理研究;2014年14期

7 王建茹;;基于BP神经网络的建设工程造价预测方法[J];沈阳建筑大学学报(社会科学版);2014年01期

8 陆淑娟;;营改增初期对建筑业之税负影响分析[J];财经界(学术版);2014年01期

9 钱承浩;;建筑业“营改增”工程造价对策研究与影响分析[J];建筑经济;2013年07期

10 齐建民;;基于DEMATEL的石油企业战略成本动因分析[J];财会月刊;2013年04期

相关博士学位论文 前2条

1 卢睿;铁路建筑企业工程项目投标决策研究[D];北京交通大学;2018年

2 董大海;基于顾客价值构建竞争优势的理论与方法研究[D];大连理工大学;2003年

相关硕士学位论文 前8条

1 高雅;“营改增”对B房地产企业税负及财务指标影响研究[D];华南理工大学;2018年

2 李铭;营改增对建筑业工程造价的影响及工程管理的应对[D];贵州大学;2018年

3 刘坤弘;“营改增”后建筑企业投标报价研究[D];武汉工程大学;2017年

4 马慧蓉;“营改增”背景下W公司的纳税筹划研究[D];广西大学;2017年

5 张永;合作经历视角下炉窑设备投标报价的影响因素研究[D];天津大学;2016年

6 张学超;建筑企业如何应对“营改增”[D];首都经济贸易大学;2015年

7 杨锦跃;基于BP神经网络的建筑工程造价预测研究[D];浙江大学;2015年

8 郑雯雯;城市基础设施项目建设绩效管理研究[D];山东师范大学;2014年

本文编号：2872776