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

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 ۸۷-۱۳۳۸)، شرکت‎ها، درآمد، ثروت و واردات (۸۷-۱۳۴۲) 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 ۹۳-۱۳۸۸، 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 G۱۱, G۱ :JEL

کلیدواژه ها:

آشوب ، بعدهمبستگی ، پیش بینی ، شبکه‎ی عصبی مصنوعی ، مالیات ، مدل چندورودی- چندخروجی.