چکیده:
در این مقالهی، پیش بینی درآمدهای مالیاتی کشور طی سالهای برنامهی پنجم توسعه، یا بهکارگیری روش شبکههای عصبی غیرخطی انجام شده است. این پیش بینی بر مبنای داده-های درآمدهای مالیاتی به تفکیک مالیاتهای کل، مستقیم، غیرمستقیم (سالهای 87-1338)، شرکتها، درآمد، ثروت و واردات (87-1342) بوده است. از آنجا که پیش بینی ها مربوط به دورهی میان مدت میباشد، شناخت نسبی از میزان پیچیدگی سریهای زمانی موردنظر این امکان را فراهم می کند که با توجه به ساختار سریهای زمانی، از مدلهای مناسب برای پیش بینی و دستیابی به جوابهای قابل اطمینان استفاده شود، لذا در این مقاله ابتدا ماهیت ساختاری سری زمانی درآمدهای مالیاتی از جهت آشوبی و تصادفی بودن و میزان پیچیدگی، با استفاده از آزمون بعد همبستگی، بررسی شده است. نتایج تخمین بعد همبستگی علاوه بر تایید وجود آشوب در داده ها، نشانگر پیچیدگی در ساختار سریهای زمانی موردنظر میباشد که میزان آن در مورد هر متغیر از جهت شدت و ضعف، متفاوت است. در مرحلهی بعد، درآمدهای مالیاتی به تفکیک منابع وصولی با استفاده از شبکهی عصبی پیشنهادی ویژهی مولفان با ساختار چندورودی چندخروجی و قانون یادگیری پیشنهادی برای سالهای 93-1388، به صورت یک بازهی درآمدی پیشبینی شده است. نتایج بهدست آمده از فرآیند پیشبینی شش سال آینده در فاز آموزش بسیار مطلوب بوده است و انتظار میرود در سالهای آینده نیز مقادیر پیشبینی شده چنانچه تغییر ساختار ویژهی مالیاتی رخ ندهد، با دقت خوبی برقرار باشد
In this paper modeling and forecasting of revenue of taxes in fifth development plan is investigated based on a special structure of nonlinear neural networks. The time series of taxes which are studied in this research are related to total tax، direct tax، indirect tax، companies’ tax، income tax، wealth tax، and import tax.
Based on the correlation dimension estimation technique، the structure of each time series with respect to linearity، nonlinearity and stochastic process are studied. The results indicate that there is chaotic behavior in tax time series generators and declare possibility of applying nonlinear modeling for mid-run forecast.
Then، the results of modeling and forecasting of time series of the taxes during 1959- 2009 using a novel multi- input multi- output artificial neural networks are presented. An upper and a lower band of prediction are also derived for each time series of taxes. The results for next 6 years prediction are very good in training stage and it is supposed to have good results in real next 6 years.
خلاصه ماشینی:
"از آن جا که پیشبینیها مربوط به دورهی میانمدت میباشد،شناخت نسبی از میزان پیچیدگی سریهای زمانی مورد نظر این امکان را فراهم میکند که با توجه به ساختار سریهای زمانی،از مدلهای مناسب برای پیشبینی و دستیابی به جوابهای قابل اطمینان استفاده شود، لذا در این مقاله ابتدا ماهیت ساختاری سری زمانی درآمدهای مالیاتی از جهت آشوبی و تصادفی بودن و میزان پیچیدگی،با استفاده از آزمون بعد همبستگی،بررسی شده است.
در ابتدا پس از مرور مختصر ادبیات موضوع و مطالعات انجامشده در این زمینه،امکان پیشبینی درآمدهای مالیاتی به تفکیک منابع وصولی و میزان پیچیدگی ساختار سریهای زمانی مورد نظر با استفاده از آزمون بعد همبستگی بررسی و در نهایت با استفاده از شبکههای عصبی غیر خطی با قانون یادگیری پیشنهادی درآمدهای مالیاتی کشور به تفکیک منابع وصولی برای سالهای 93-1388 پیشبینی میشود.
نتایج حاصل از آزمون بعد همبستگی در مورد سایر منابع مالیاتی به تفکیک در جدول ذیل ارائه شده است: جدول 2-مقادیر بعد همبستگی )MD( مربوط به سری زمانی درآمدهای مالیاتی (به تصویر صفحه مراجعه شود) همان طور که مشاهده میشود،مقدار بعد همبستگی MD برای مالیات بردرآمد، بیشترین و برای مالیات مستقیم کمترین مقدار را داراست،بنابراین پیچیدگی سیستم مولد سری زمانی مالیات بردرآمد از بقیه بیشتر و متناظرا مدلسازی و پیشبینی آن نیز مشکلتر خواهد بود،اما در مورد سیستم مولد سری زمانی مالیات مستقیم،برعکس، پیچیدگی کمتر و در نتیجه مدلسازی و پیشبینی در این مورد سادهتر میباشد.
4-جمعآوری و نتیجهگیری در این مقاله درآمدهای مالیاتی کشور به تفکیک منابع وصولی که شامل مالیاتهای کل،مستقیم،غیر مستقیم،درآمد،شرکتها،ثروت و واردات میباشد،برای سالهای 93-1388 با استفاده از روش شبکههای عصبی غیر خطی پیشبینی شده است.
F,isiL-71 reiveslE,''noitiderP etaR egnahcxE rof sledoM citoahC dna skrowteN .
M,ylzahS-22 egnahcxE drawroF dna skrowteN larueN fo ecnamrofreP gnitsaceroF ."