چکیده:
هدف اصلی این مقاله پیش بینی درآمدهای مالیات بر اشخاص حقوقی ایران می باشد. بدین منظور ابتدا ماهیت ساختاری سری زمانی درآمدهای مالیات بر اشخاص حقوقی ایران به تفکیک منابع وصولی (دولتی و غیردولتی) از جهت خطی، غیرخطی، آشوبی و تصادفی بودن با استفاده از آزمون نمای لیاپانوف مشخص شده است و در نهایت از الگوهای سری زمانی باکس - جنکینز و شبکه های عصبی یا ساختارهای متفاوت از نظر تعداد ورودی، خروجی و میزان وقفه و تعداد نرونهای لایه میانی، نوع ایدگیری، نحوه آموزش، نوع توابع نرونهای لایه میانی و...استفاده شده است و پس از بررسی عملکرد این دو روش در دوره آموزش (1387 - 1381) در نهایت مدلی با ساختار بهینه براساس ساختار چند ورودی - چند خروجی با قانون یادگیری پیشنهادی برای پیش بینی درآمدهای مالیات بر اشخاص حقوقی به تفکیک منابع وصولی برای سالهای 1393 - 1388 در یک بازه درآمدی، استفاده شده است.
This paper deals with forecasting the tax revenues of legal entities in Iran. For this purpose، the structural natures of time series of tax revenues for Iranian legal entities are detected. Based on the separation among the resources (government and NGOs)، the linearity، nonlinearity، chaotic، and random behaviors are diagnosed via the Lyapunov exponential analysis. Using Box- Jenkins and Neural Networks models with different numbers of input، output، hidden layers، learning algorithm، learning rate and etc.، the performance of each model are evaluated during the years of 1381- 1387. Finally، the optimal forecasting model is proposed as a multi input- multi output neural network structure with a novel algorithm. The performance of the proposed structure is evaluated during the years of 1388- 1393 in the forecasting process.