الگوسازی و پیش بینی درآمدهای مالیاتی در برنامه‎ی پنجم توسعه براساس ساختاری ویژه از شبکه های عصبی غیرخطی

نویسندگان

1 دانشیار دانشکده‎ی مهندسی برق و کامپیوتر، گروه کنترل، دانشگاه صنعتی خواجه نصیرالدین طوسی

2 کارشناس ارشد علوم اقتصادی

چکیده

در این مقاله‎ی، پیش‌بینی درآمدهای مالیاتی کشور طی سال‎های برنامه‎ی پنجم توسعه، یا به‎کارگیری روش شبکه‎های عصبی غیرخطی انجام شده است. این پیش‌بینی 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 پیش‌بینی‌ها مربوط به دوره‎ی میان‌مدت می‎باشد، شناخت نسبی از میزان پیچیدگی سری‎های زمانی موردنظر 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 بُعد همبستگی، بررسی شده است. نتایج تخمین بُعد همبستگی علاوه بر تأیید وجود آشوب در داده‌ها، 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 مؤلفان 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.
طبقه‎بندی G11, G1 :JEL

کلیدواژه‌ها


عنوان مقاله [English]

Modeling and Forecasting of Revenue of Taxes in Fifth Development Plan of Iran Based on a Special Structure of Nonlinear Neural Networks

نویسندگان [English]

  • Hamid Khaloozadeh 1
  • saeedeh hamidi alamdari 2
  • Mirrostam Asadolahzadeh Bali 2
چکیده [English]

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.
JEL Classification : G1, G11

کلیدواژه‌ها [English]

  • Chaos
  • correlation dimension
  • forecasting
  • Multi- Input Multi- Output Artificial Neural Network
  • Tax