الگوسازی غیرخطی و پیش‎بینی درآمدهای مالیات بر مشاغل در اقتصاد ایران

نویسندگان

1 استادیار دانشکده علوم اداری و اقتصادی، گروه اقتصاد، دانشگاه فردوسی مشهد

2 استادیار دانشکده مهندسی برق، گروه کنترل، دانشگاه صنعتی خواجه نصیرالدین طوسی

3 کارشناسی ارشد اقتصاد

چکیده

در این مقاله، با هدف دستیابی به پیش‎بینی‎های دقیق‎تر، سه نوع الگوی رگرسیون خطی، سری‎زمانی و شبکه عصبی مصنوعی طراحی و براورد شده است. در ابتدا ماهیت ساختاری سری‎زمانی مورد نظر از جهت خطی، غیرخطی و تصادفی بودن با استفاده از آزمون نمای لیاپانوف بررسی شده است. نتایج این آزمون، وجود آشوب ضعیفی را در سیستم نشان می‎دهد و بیانگر امکان استفاده از الگوسازی غیرخطی برای پیش‎بینی دقیق تر کوتاه مدت است. در مرحله بعد با استفاده از رگرسیون خطی، الگوی سری زمانی و شبکه‎های عصبی مصنوعی، ضمن انجام پیش‎بینی درآمدهای مالیات بر مشاغل طی دوره زمانی 1379-1383، عملکرد این سه روش با یکدیگر مقایسه شده است. نتایج براورد الگوها نشان دهنده عملکرد بهتر الگوی شبکه عصبی مصنوعی می‎باشد.
طبقه‎بندی JEL :E62; C53; C20; C45

عنوان مقاله [English]

-

چکیده [English]

In this paper, in order to have a more a accurate forecast, three kinds of models: linear regression, time series and artificial neural network are used. Using Lyapunov exponent test, the structure of time series based on linearity, nonlinearity and stochastic process is studied. The results show a weak chaos in the system and declare possibility of applying nonlinear modeling for short-run forecasts.
Using artificial neural network, linear regression and time series methods, occupational income tax are forecasted for period 1379-1383 and their performance is compared with each other. The results indicate better performance of neural network model.
JEL Classification : E62; C53; C20; C45