چکیده:
یکی از مسائل مهم هنگام بودجه ریزی، دسترسی به درآمدهای قابل تحقق است که این موضوع مستلزم پیش بینیهای دقیق از انواع درآمدها در آینده می باشد. یکی از منابع درآمدی پر اهمیت دولت مالیات بوده که در این مقاله، پیش بینی مالیات بر ارزش افزوده ناشی از مصرف بنزین مدنظر قرار گرفته است. هدف اصلی، دستیابی به روشی کارا جهت پیش بینی مصرف بنزین و مالیات بر ارزش افزوده ناشی از آن در ایران می باشد. در این مقاله، برای پیش بینی مصرف بنزین، از یک الگوی ترکیبی روش شبکه عصبی چندلایه (MLP) با الگوی خودتوضیح میانگین متحرک انباشته (ARIMA) استفاده شده است. سپس با تایید عملکرد مناسب این روش در مقایسه با روش ARIMA، از طریق اعمال نرخهای مالیات بر مصرف پیش بینی شده بنزین، مالیات بر ارزش افزوده ناشی از مصرف بنزین در کشور به دست آمده است. نتایج نشان می دهد که طی سالهای 1392 الی 1395، مالیات بر ارزش افزوده از این محل، به طور متوسط در حدود 6/31 درصد رشد خواهد داشت.
One of the major problems in budgeting is to predict the various kinds of future income precisely as possible. Since tax revenue is very important component in the combination of state income، the present paper considers the forecasting of VAT on gasoline consumption. The main purpose is to achieve an efficient method to forecast gasoline consumption and VAT on it in Iran. Hence، a Hybrid ARIMA- Neural Network model is used to forecast gasoline consumption. After confirming the good performance of this method compared with autoregressive integrated moving average processes(ARIMA)، VAT on gasoline consumption is calculated by applying its tax rate. Results indicate that during the years 2013 to 2016، VAT on gasoline consumption will grow by 31.6 percent on average.
خلاصه ماشینی:
مدل ترکيبي شبکه عصبي با الگوي ARIMA جهت پيش بيني ماليات بر ارزش افزوده بر مصرف بنزين در ايران يگانه موسوي جهرمي ١ 2 الهام غلمي تاريخ دريافت: ٦٩٣١/٦١/٧ تاريخ پذيرش: ٦٩٣٩/٤/٦٦ چکيده يکي از مسائل مهم هنگام بودجه ريزي، دسترسي به درآمدهاي قابل تحقق است که اين موضوع مستلزم پيش بينيهاي دقيق از انواع درآمدها در آينده مي باشد.
در اين مقاله نيز جهت نيل به هدف اصلي يعني دستيابي به پيش بيني دقيق از ماليات بر ارزش افزوده ناشي از مصرف بنزين، بررسي کارآيي روش سري زماني و ترکيب شبکه عصبي و سري زماني در اين زمينه، مدنظر قرار گرفته است.
براي اين منظور، قيمت بنزين نيز براساس فرايند مورد استفاده براي پيش بيني مصرف بنزين، يعني براساس روش ترکيبي شبکه عصبي با ١١ نرون در ليه ورودي، ١ نرون در ليه مخفي و ٢ نرون در ليه خروجي با )٣و١و١( ARIMA پيش بيني شده که نتايج آن در جدول )١( آمده است.
پايه مالياتي که مخارج مصرفي بنزين در کشور تعريف شد، با استفاده از مدل ترکيبي شبکه عصبي )١٢ نرون در ليه ورودي، ٢ نرون در ليه مخفي و ١ نرون در ليه خروجي( و (١١١)ARIMA به عنوان کاراترين مدل، پيش بيني و براين اساس، نتايج پيش بيني ماليات بر ارزش افزوده براي سالهاي ١٣٨٢ الي ١٣٨٢ در جدول )٢( ارائه شده است.
براي بررسي اين ادعا و دستيابي به پيش بينيهاي دقيق از ماليات بر ارزش افزوده ناشي از مصرف بنزين در ايران، مدل ترکيبي شبکه عصبي و سري زماني ARIMA پيشنهاد شد.