جستجوی مقالات مرتبط با کلیدواژه « مدل چندورودی » در نشریات گروه « علوم انسانی »
-
در این مقالهی، پیش بینی درآمدهای مالیاتی کشور طی سالهای برنامهی پنجم توسعه، یا بهکارگیری روش شبکه های 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 سری های زمانی موردنظر این امکان را فراهم می کند که با توجه به ساختار سری های 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 سری های 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.
کلید واژگان: بعدهمبستگی, شبکهی عصبی مصنوعی, مالیات, آشوب, مدل چندورودی, چندخروجی, _ پیش بینی}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. -
یکی از اجزای بسیار مهم بودجه دولت درآمدهای مالیاتی کشور می باشد. اطلاع از میزان درآمدهای مالیاتی قابل حصول در منابع مختلف مالیاتی، علاوه بر تخصیص بهینه منابع در جهت وصول آنها، دولت را در انجام برنامه ریزی های دقیق مالی کمک کرده و میزان مشارکت مردم را در تامین مالی هزینه های عمومی دولت مشخص می کند. در این راستا در این مقاله، ابتدا ماهیت ساختاری سری زمانی درآمدهای مالیاتی شامل مالیاتهای کل، مستقیم، غیرمستقیم، مالیات بر شرکتها، درآمد، حقوق، مشاغل، مستغلات، ثروت، ارث و کالا و خدمات از جهت خطی، غیرخطی آشوبی و تصادفی بودن با استفاده از آزمون نمای لیاپانوف بررسی شده است. نتایج این آزمون وجود آشوب را در سری زمانی منابع مالیاتی مختلف نشان می دهد که از جهت شدت و ضعف متفاوت می باشند. لذا با استفاده از الگوسازی غیرخطی می توان برای دوره های زمانی کوتاه پیش بینی دقیقی را انجام داد. در مرحله بعد، با استفاده از ساختار موازی و ساختار پیشنهادی چندورودی- چندخروجی شبکه های عصبی مصنوعی برای سالهای 85-1342 آموزش یافته و برای سالهای 88-1386 بر اساس مدل پیشنهادی و مدل موازی، پیش بینی درآمدهای مالیاتی به تفکیک منابع انجام می شود.
کلید واژگان: مالیات, پیش بینی, آشوب, نمای لیاپانوف, شبکه عصبی مصنوعی, مدلهای موازی, مدل چندورودی, چندخروجی}Taxes are one of the main components of the government budgetand as such, having a clear image of the attainable amount of taxes is not only necessary for optimal allocation of scare resources for tax collection purposes, but also helps the government to develop more precise tax collection plans. In this article, the structural features of taxrevenues series have first been examined in terms of linearity, chaotic nonlinearity and stochasticity using Lyapunov Exponent. These series are: total taxes, direct taxes, indirect taxes, corporate taxes, income taxes, salary taxes, real estates taxes, business taxes, wealth taxes, inheritance taxes and goods & services taxes. The results endorse the existence of chaos in the series of different tax resources in different extents. Therefore, based on the results obtained, it was found that more accurate short-term forecasts are possible by applying nonlinear modeling methods. In the next step, using data of the period 1963- 2006, tax revenues of different resources were forecasted for the period 2007-2009 by applying both parallel and proposed multipleinput multiple-output structures of the ANN’s.
نکته
- نتایج بر اساس تاریخ انتشار مرتب شدهاند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شدهاست. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که میخواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.