برآورد ظرفيت مالياتي كشور با استفاده از شبكه هاي عصبي

Estimation of Taxable Capacity by Using Nueral Network in Iran

ظرفيت مالياتي، ظرفيت اقتصادي يك كشور براي تحمل فشار انواع ماليات ها است به عبارت ديگر، ميزاني است كه مردم مي توانند ماليات بپردازند. تعيين ظرفيت مالياتي كار دشوارياست. بررسي چگونگي افزايش درآمد مالياتي به عنوان بخشي از درآمدهاي دولت ازاهميت ويژه اي برخوردار است.در اين راستا، يك برآورد دقيق از ظرفيت مالياتي وشناخت منابع موجود آن، ضروري به نظر مي رسد.مناسب ترين معيار براي محاسبه و برآورد اين ظرفيت كه مي توان به صورت بالقوه از آن ماليات گرفت، پايه مالياتي بخش هاي مختلف اقتصادي مي باشد.بدين منظور، ارزش افزوده بخش ها در كشور نيز محاسبه شده است.در اين مطالعه از روش مدلسازي شبكه عصبي استفاده شده است كه درآن متغيرهاي مستقل به عنوان لايه ورودي وارد سيستم يادگيري شبكه عصبي مي شوند. متغيرهايورودي در مدل يعني، نرخ تورم، ضريب جيني، نسبت جمعيت شهري به كل جمعيت، درجه باز بودن اقتصاد و سهم ارزش افزوده بخش هاي كشاورزي و صنعت از GDP، متغيرهاي مستقل مدل را تشكيل مي دهند و متغير وابسته يا تابع كه همان ظرفيت مالياتي است ، حكم لايه خروجي را در شبكه عصبي دارد. بر حسب روش آزمون و خطا براي لايه هاي پنهان و گره هاي هر لايه، شبكه عصبي به صورت مناسب انتخاب مي شود. در اين مدل آموزش از روش داخل شبكه اي (batch) و از رويكرد پرسپترون چـند لايه اي (MPL) بصورت پيش روو بدون بازخورد استفاده شده است.

Taxable capacity is an economic capacity of a given country, the extent to which taxpayers can tolerate the burden of all types of taxes (i.e. the degree to which taxes could be paid). Taxable capacity is difficult to estimate. The related important issue is to review how tax revenue as a part of state revenue is increased. To achieve this objective, a precise estimation and recognition of current resources are necessary. Appropriate criteria for calculating taxable capacity is the tax bases of the different economic sectors, so value added of sectors is also calculated. In this study, modelling of neural network is applied in which independent variables enters neural network learning system as an input layer. The input variables of the model including inflation rate, Gini coefficient, the ratio of the urban population to the total population, the degree of economic openness and value added share of agriculture and industry sectors as a percent of GDP , these are dependent variables of the model and taxable capacity is dependent variable which is regarded as output layer in neural network. Neural network is appropriately selected according to the trial and error method for the hidden layers and each layerʹs nodes. In this learning model, intra network method( batch) and multi perceptron layer approach( MPL) have been used as progressive and feedback.