الگوسازي و پيش بيني درآمدهاي مالياتي در برنامه‎ي پنجم توسعه براساس ساختاري ويژه از شبكه هاي عصبي غيرخطي

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

در اين مقاله‎ي، پيش بيني درآمدهاي مالياتي كشور طي سال‎هاي برنامه‎ي پنجم توسعه، يا به‎كارگيري روش شبكه‎هاي عصبي غيرخطي انجام شده است. اين پيش بيني بر مبناي داده-هاي درآمدهاي مالياتي به تفكيك ماليات‎هاي كل، مستقيم، غيرمستقيم (سال‎هاي 87-1338)، شركت‎ها، درآمد، ثروت و واردات (87-1342) بوده است. از آن‎جا كه پيش بيني ها مربوط به دوره‎ي ميان مدت مي‎باشد، شناخت نسبي از ميزان پيچيدگي سري‎هاي زماني موردنظر اين امكان را فراهم مي كند كه با توجه به ساختار سري‎هاي زماني، از مدل‎هاي مناسب براي پيش بيني و دستيابي به جواب‎هاي قابل اطمينان استفاده شود، لذا در اين مقاله ابتدا ماهيت ساختاري سري زماني درآمدهاي مالياتي از جهت آشوبي و تصادفي بودن و ميزان پيچيدگي، با استفاده از آزمون بُعد همبستگي، بررسي شده است. نتايج تخمين بُعد همبستگي علاوه بر تاييد وجود آشوب در داده ها، نشانگر پيچيدگي در ساختار سري‎هاي زماني موردنظر مي‎باشد كه ميزان آن در مورد هر متغير از جهت شدت و ضعف، متفاوت است. در مرحله‎ي بعد، درآمدهاي مالياتي به تفكيك منابع وصولي با استفاده از شبكه‎ي عصبي پيشنهادي وي‍‍ژه‎ي مولفان با ساختار چندورودي – چندخروجي و قانون يادگيري پيشنهادي براي سال‎هاي 93-1388، به صورت يك بازه‎ي درآمدي پيش‎بيني شده است. نتايج به‎دست آمده از فرآيند پيش‎بيني شش سال آينده در فاز آموزش بسيار مطلوب بوده است و انتظار مي‎رود در سال‎هاي آينده نيز مقادير پيش‎بيني شده چنان‎چه تغيير ساختار ويژه‎ي مالياتي رخ ندهد، با دقت خوبي برقرار باشد. طبقه‎بندي G11, G1 :JEL

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