پیش بینی درآمدهای مالیاتی استان مازندران با بهره گرفتن از شبکه های عصبی مصنوعی
۴-۱۳-پیش بینی ۵ ساله و ۱۰ ساله با بهره گرفتن از سری های زمانی ۸۶ ۴-۱۴-مقایسه روشها و انتخاب روش برتر. ۸۸ فصل پنجم: نتیجه گیری و پیشنهادات ۵-۱-نتیجه گیری ۹۱ ۵-۲- یافته های تحقیق ۹۳ ۵-۳- پیشنهادات مبتنی بر یافته های تحقیق. ۹۳ ۵-۴- پیشنهادات به محققین آینده .۹۴ چکیده لاتین ۹۵ منابع منابع فارسی ۹۶ منابع لاتین ۹۸ فهرست جداول عنوان صفحه جدول ۴-۱- آمار توصیفی متغیرهای تحقیق ۷۳ جدول ۴-۲- پارامترهای solver نرم‌افزار. ۷۶ جدول ۴-۳- دقت نتایج رگرسیون در حالت last برای ۳۰ درصد پیش بینی ۷۸ جدول ۴-۴: دقت نتایج رگرسیون در حالت Uniform برای ۳۰ درصد پیش بینی .۸۰ جدول ۴-۵: دقت نتایج رگرسیون در حالت Uniform برای ۴۶ درصد پیش بینی ۸۲ جدول ۴-۶: مقایسه مقادیر پیش بینی با مقادیر واقعی در الگوریتم رگرسیون. ۸۴ جدول ۴-۷: دقت نتایج در الگوریتم سری زمانی برای ۳۰ درصد پیش بینی ۸۶ جدول ۴-۸: پیش بینی های ۵ ساله و ۱۰ ساله ۸۷ جدول ۴-۹: مقایسه الگوریتمها. ۸۸ فهرست اشکال عنوان صفحه شکل ۱-۱-مدل مفهومی تحقیق ۷ شکل ۱-۲-درآمد مالیاتی ایران. ۹ شکل ۲-۱- بررسی روند درآمد مالیاتی در ایران. ۲۶ شکل ۲-۲- نمای شماتیکی از یک سلول عصبی. ۴۲ شکل۲-۳- نمای شماتیکی از سیناپسهای تقویتکننده و تضعیفکننده ۴۲ شکل ۲-۴- شمای شماتیکی از یک واحد پردازشگر( نورون مصنوعی) ۴۴ شکل ۲-۵- نمای شماتیکی از یک واحد پردازشگر ۴۷ شکل۲-۶- توابع تحریک متداول مورد استفاده در واحدهای پردازشگر. ۴۸ شکل ۲-۷- نمای شماتیکی از یک شبکه چند لایه پیشرونده. ۴۹ شکل ۲-۸- طبقهبندی الگوریتمهای یادگیری شبکههای عصبی ۵۰ شکل۲-۹- نمای شماتیکی از متغیرها و ارتباطات یک شبکه ۵۲ شکل ۳-۱-نمایی از برنامه GMDH SHELL69 شکل۴-۱-عمل پردازش میان داده های ورودی و خروجی ۷۲ شکل ۴-۲-کانتور درآمد مالیاتی با توجه به ارزش افزوده بخش‌های اقتصادی و نرخ تورم. ۷۵ شکل ۴-۳- کانتور درآمد مالیاتی با توجه به متوسط درآمد خانوار و نرخ تورم ۷۶ فهرست نمودارها عنوان صفحه نمودار۲-۱-عوامل مؤثر بر ظرفیت مالیاتی. ۳۲ نمودار ۳-۱-مراحل پردازش داده در نرم افزار “GMDH SHELL” 68 نمودار ۴-۱- تغییرات ارزش افزوده بر حسب سال ۷۴ نمودار ۴-۲- تغییرات متوسط درآمد خانوار بر حسب سال. .۷۴ نمودار ۴-۳- تغییرات درآمد مالیاتی بر حسب سال ۷۵ نمودار ۴-۴- تغییرات نرخ تورم بر حسب سال ۷۵ نمودار ۴-۵- نمودار پیش بینی درامد مالیاتی برای الگوریتم رگرسیون ۷۷ نمودار ۴-۶- نمودار باقیمانده پیش بینی برای الگوریتم رگرسیون . ۷۸ نمودار ۴-۷- نمودار پیش بینی درامد مالیاتی برای الگوریتم رگرسیون ۷۹ نمودار ۴-۸- نمودار پیش بینی درامد مالیاتی برای الگوریتم رگرسیون ۷۹ نمودار ۴-۹: نمودار باقیمانده پیش بینی برای الگوریتم رگرسیون ۸۰ نمودار ۴-۱۰: نمودار پیش بینی درامد مالیاتی برای الگوریتم رگرسیون ۸۱ نمودار ۴-۱۱- نمودار باقیمانده پیش بینی برای الگوریتم رگرسیون ۸۱ نمودار ۴-۱۲: نمودار پیش بینی درامد مالیاتی برای الگوریتم رگرسیون ۸۳ نمودار ۴-۱۳: نمودار پیش بینی درآمد مالیاتی برای الگوریتم سری زمانی. ۸۵ نمودار ۴-۱۴: نمودار باقیمانده پیش بینی برای الگوریتم سری زمانی ۸۵ نمودار ۴-۱۵: پیش بینی ۵ ساله با بهره گرفتن از الگوریتم سری های زمانی. .۸
۷ نمودار ۴-۱۶: پیش بینی ۱۰ ساله با بهره گرفتن از الگوریتم سری های زمانی ۸۸ چکیده مالیاتها مهمترین منبع تامین مالی دولت پس از نفت است. لذا پیش بینی درامد مالیاتی کشور و استان های مختلف همراه با معرفی توان بالقوه مالیاتی کشور و استان ها، کمک بزرگی به افزایش درآمد مالیاتی دولت محسوب می شود. در این راستا این مقاله به بررسی عوامل موثر بر درآمد مالیاتی استان مازندران و پیش بینی درامد مالیاتی استان با بهره گرفتن از شبکه های عصبی مصنوعی می پردازد. با توجه به اهمیتی که درآمد های مالیاتی در تامین هزینه های دولت داد، پیش بینی درآمد مالیاتی نقش مهمی را می تواند درسیاست گذاری های اقتصادی ایفا کند. درآمد مالیاتی در واقع حجم مالیاتی است که جامعه توانست بپردازد. و از آنجا که مالیات ها یکی از مهمترین منابع درآمدهای دولت پس از درآمد نفتی هستند لزوم پیش بینی دقیق درآمد مالیاتی در استانها و شناخت منابع موجود در آن به وضوح به چشم میخورد. در این راستا در مطالعه حاضر به پیش بینی درآمد مالیاتی استان مازندران طی دوره ۱۳۷۷ تا ۱۳۹۱ پرداخته شده است. در این پایان نامه عوامل موثر بر درآمد مالیاتی استان مازندران عبارت است از: متوسط درآمد شهری، نرخ تورم، درآمد مالیاتی کل، ارزش افزوده بخش های مختلف اقتصادی است. برای مدلسازی درآمد مالیاتی استان مازندران از روش شبکه عصبی مصنوعی استفاده شده است که در آن متغیرهای مستقل به عنوان الیه ورودی وارد سیستم یادگیری شبکه عصبی می گردند و متغیر وابسته یا تابع که درآمد مالیاتی استان است، حکم الیه خروجی را در شبکه عصبی دارد. در این تحقیق با بهره گرفتن از روش شبکه عصبی به آنالیز داده ها خواهیم پرداخت و خروجی مربوط به این روش را در برنامه GMDH SHELL مستخرج می نماییم. واژگان کلیدی: استان مازندران، مالیات، پیش بینی، درآمد مالیاتی، شبکه های عصبی مصنوع فصل اول کلیات تحقیق ۱-۱-مقدمه مالیات مهمترین ابزار سیاست مالی دولت است که روند رشد اقتصادی را تسریع می بخشد و یکی از عمده ترین و با ثبات ترین منابع درآمدی دولت ها را تشکیل می دهد .مقایسه این منبع با منابع دیگر حاکی از این است که هر چه سهم مالیات ها در تأمین مخارج دولت بیشتر باشد از ایجاد اثار نامطلوب اقتصادی به میزان چشم گیری جلوگیری می شود .یکی از نکات مهمی که در سند چشم انداز ، مورد توجه قرار گرفته است ، تأمین مخارج دولت از طریق مالیات ها و در نتیجه سهم بیشتر مالیات ها در تأمین هزینه های جاری دولت بوده است . لازم به توضیح است که به دلیل مشکلات موجود در سیستم مالیاتی کشور این سیستم قادر به تأمین بخش عمده ای از درآمدهای دولت نبوده است . بر این اساس ، لازم است تا با برآورد ظرفیت مالیاتی مالیاتی ، به تحلیل مشکلات موجود در نظام مالیاتی کشور پرداخت و با اتخاذ روش ها و تدابیری در جهت رفع آنها و شناخت روش های جدید مالیاتی به منظور کاهش شکاف مالیاتی بین درآمدهای مالیاتی موجود و ظرفیت مالیاتی اقدام نمود.(عرب مازار ، ۱۳۸۸) مالیاتها به عنوان معمولترین و مهمترین منبع مالی برای تامین درآمدهای عمومی و یکی از کاراترین و موثرترین ابزارهای سیاست مالی در دنیا به شمار می رود که دولت می تواند به واسطه آن بسیاری از خدمات اجتماعی و رفاهی را در خدمت مردم قراردهد و به بسیاری از فعالیتها و جریانات اقتصادی و اجتماعی سمت و سو ببخشد. متاسفانه تلقی برخی از افراد از وصول مالیاتها در ایران محدود به کسب درآمد بیشتر به منظور اداره کردن تشکیلات دولتی است و آنچه کمتر به آن توجه می شود این است که بالا بودن سهم وصولیهای درآمدی حاصل از نفت و پایین بودن سهم درآمدهای مالیاتی در ترکیب درآمد دولت علاوه بر آنکه عوارض ناگواری همچون وابستگی درآمد کشور به صدور یک کالا را در بر دارد ؛ اقتصاد کشور را از امکان استفاده از ابزار مالی محروم ساخته است. در حالیکه با بهره گرفتن از این ابزار می توان بسیاری ازنابسامانی اقتصادی را به سمت صحیحی هدایت نمود. با تغییر در پایه های مالیاتی می توان مکانیزم هایی ایجاد نمود که مسایل و معضل های اقتصادی همچون : کسری بودجه ، تورم ، بیکاری ، نامتعادل بودن توزیع درآمد ، کاهش صادرات غیر نفتی و افزایش واردات ، افزایش مهاجرت به شهرهای بزرگ ، بالا رفتن مصرف کالاهای تجملی در مناطق شهری و بسیاری از مسایل دیگر را سامان بخشید و ضمانت لازم برای رشد و شکوفایی اقتصاد و تحقق اهداف اقتصادی ، اجتماعی و سیاسی را فراهم آورد .(پیرایی ،۱۳۸۷ ) . در اقتصاد ایران نیز یکی از اجزای بسیار مهم بودجه دولت درآمدهای مالیاتی کشور میباشد. اطلاع از میزان درآمدهای مالیاتی قابل حصول در منابع مختلف مالیاتی، علاوه بر تخصیص بهینه منابع در جهت وصول آنها، دولت را درانجام برنامه ریزیهای دقیق مالی کمک کرده و میزان مشارکت مردم را در تأمین مالی هزینه های عمومی دولت مشخص میکند. در این میان سوال اساسی مورد نظر دولتمردان و سیاستگزاران این است که با همین شرایط اقتصادی و قانونی موجود و با فرض ثابت بودن کارایی و تلاش مالیاتی و با توجه به عملکرد سالهای گذشته ؛ چه میزان مالیات برای سالهای آینده قابل وصول بوده و می توان پیش بینی کرد .یکی از مهمترین کاربردهای مدلهای اقتصادی ؛ پیش بینی مقادیر آتی متغیرهای اقتصادی است . در حقیقت مدل اقتصادی را می توان با میزان صحت پیش بینی شان مورد آزمون قرار داد . بدین ترتیب که اگر یک مدل اقتصادی در تبیین روابط موجود متغیرها موفق باشد باید قادر به پیش بینی درستی از آینده باشد (برگرفته از کتاب مبانی اقتصادسنجی؛ترجمه ابریشمی). برآورد ظرفیت بالقوه مالیات در سطح یک کشور یا استان می تواند اطلاعات لازم در مورد توان اقتصادی کشور یا استان مورد بررسی را در تجهیز منابع مالیاتی برای پاسخگویی به مشکلات مالی و اجرای سیاستهای اقتصادی را فراهم کرده و آشکار خواهد نمود و تلاش مالیاتی دست اندرکاران را خواهد سنجید. در بررسیهای به عمل آمده در مورد ظرفیت بالقوه مالیاتی کشور ؛ مشخص شده که شکاف قابل توجهی میان ظرفیت مالیاتی بالقوه و مالیات وصولی بالفعل وجود دارد. در سطح استانهای کشور نیز تحقیقات نشاندهنده وجود شکاف مالیاتی می باشد(مهرگان،۱۳۸۳). بنابراین در این پژوهش قصد داریم تا متغیرهای مؤثر بر ظرفیت مالیاتی را مورد بررسی قرار دهیم و در نهایت به پیش بینی درامد مالیاتی استان مازندران با بهره گرفتن از شبکه های عصبی بپردازیم . متغیرهایی که در این پژوهش به آنها پرداخته میشود، عبارتند از: ارزش افزوده بخش های اقتصادی از جمله ارزش افزوده بخش صنعت به قیمت جاری ،ارزش افزوده بخش عمده فروشی، خرده فروشی، تعمیر وسایل نقلیه و کالاها به قیمت جاری و ارزش افزوده بخش مستغلات، کرایه و خدمات کسب و کار به قیمت جاری و ارزش افزوده بخش حمل و نقل، انبارداری و ارتباطات به قیمت جاری و همچنین متغیرهای متوسط درامد یک خانوار شهری ، نرخ تورم و درآمد مالیاتی کل . در ادامه، ابتدا مروری برمساله اصلی تحقیق و اهمیت موضوع تحقیق خواهد شد و سپس ضمن ارائه مدل مفهومی، اهداف و سوالات مرتبط با موضوع تحقیق نیز بیان میشود. ۱-۲-تشریح و بیان مسئله بسیاری از کشورهای در حال توسعه نیاز به سرمایه گذاری بیشتر در مورد زیر ساخت های عمومی، آموزش و پرورش، بهداشت و درمان خدمات و غیره میباشند ، و از این رو آنها نیاز به افزایش ظرفیت های مالیاتی و مالیات بر درآمدمیباشد.(بیرد، مارتینز ، تورگلر[۱]، ۲۰۰۷ ) دلیل اصلی اینکه بسیاری از کشورهای در حال توسعه، درآمدهای چندانی از مالیات ندارند این است که سیاست های مالیاتی بیشتر در جهت منافع کسانی است که تسلط بر نهادهای سیاسی چنین کشورهایی دارند. (بیرد، مارتینز ، تورگلر[۲] ، ۲۰۰۷ ) بر اساس شاخص نسبت مالیات که به عنوان شاخص قابل قبول جهانی برای سنجش عملکرد مالیاتی کشورها مورد استفاده قرار می گیرد نشاندهنده این واقعیت است که رتبه ایران از بین ۴۶ کشور مورد بررسی طی دوره (۲۰۰۰-۲۰۰۶) در جایگاه ۴۴ قرار دارد. محاسبه شاخص مورد بررسی در ایران بطور متوسط برابر ۶.۵ درصد می باشد در حالی که میانگین کشورها طی دوره ۲۰۰۰ تا ۲۰۰۶ برابر ۱۸ درصد بوده است.این امر نشاندهنده این واقعیت است که ظرفیت مالیاتی کشورمان به حد آستانه ای خود نزدیک شده است (برگرفته از گزارش بانک جهانی) بنابراین شناخت دقیق و علمی مباحث مالیاتی کشور می تواند سیاست گذاران اقتصادی را در برنامه ریزی هرچه دقیقتر و بهتر جهت افزایش توان مالیاتی یاری نماید. ظرفیت مالیاتی ظرفیت اقتصادی یک کشور برای تحمل فشار انواع مالیات است، به عبارتی دیگر میزانیست که مردم می توانند مالیات بپردازند.با توجه به اهمیت و نقش مالیات ها در برآورد ظرفیت مالیاتی به منظور افزایش درآمدهای مالیاتی در جامعه از موضوع های کلیدی در علم اقتصاداست.ظرفیت مالیاتی در واقع بیشترین مالیاتی است که باتوجه به سطح توزیع آن و ترکیب درآمدو قوانین هر کشوردر یک دوره بلند مدت قابل اخذ است که طبیعی است اگردر یک دوره اخذمالیات بیش از ظرفیت مالیاتی باشدسبب کاهش درآمد جامعه و درآمد مالیاتی در سالهای آتی خواهدشدو اگرکمتر از ظرفیت بالقوه مالیاتی باشددولت برای رسیدن به اهداف اقتصادی خود با مشکلات مالی مواجه خواهدشد. (فلاحتی ، ۱۳۸۹) ظرفیت مالیاتی در واقع حجم مالیاتی است که جامعه توان پرداخت آن را دارد و این توان از یک طرف متکی بر درآمدها، مصارف و سرمایه گذاریهاست و از طرف دیگر بر اهداف بلندمدت و برنامه ریزی های کوتاه و میان مدت متکی می باشد،ظرفیت مالیاتی در واقع اطلاعات لازم در مورد ظرفیت کشور یا یک منطقه در تجهیز منابع مالیاتی برای پاسخگویی به مشکلات مالی و اجرای سیاست های اقتصادی را فراهم می آورد و آشکار می نماید که یک
مطلب دیگر :
کشور یا یک منطقه ، چه میزان کوشش در تجهیز منابع مالیاتی به کار برده است و تاچه میزان توان افزایش این منابع را دارد.(منجذب ، ۱۳۸۴) لازم به توضیح است که به دلیل مشکلات موجود در سیستم مالیاتی کشور این سیستم قادر به تامین بخش عمده ای از درآمدهای دولت نبوده است.بر این اساس لازم است تا با برآورد توان و کارایی نظام مالیاتی، به تحلیل مشکلات موجود در نظام مالیاتی کشور پرداخت و با اتخاذ روش هاوتدابیری در جهت رفع آنها و شناخت روش های جدید مالیاتی به منظور کاهش شکاف مالیاتی بین درآمدهای مالیاتی موجود و ظرفیت مالیاتی اقدام نمود.که این پایان نامه موارد مؤثر بر ظرفیت مالیاتی را برای استان مازندران را مشخص می کند.(عرب مازار،۱۳۸۷) برخی مطالعات در سالهای اخیر بر اهمیت عوامل نهادی بر تعیین عملکرد درآمدهای مالیاتی تاکید دارند به عنوان مثال بیر ، مارتینز ، و تورگلر[۳] (۲۰۰۷) دریافتند که عواملی نظیر فساد اداری ، حاکمیت قانون ، مقررات ورود و خروج در برآورد نسبت مالیاتی تأثیر دارد . گاپتا[۴](۲۰۰۷) به این نتیجه رسید که ظرفیت مالیاتی با افزایش درآمد و با افزایش درجه بازبودن اقتصاد و افزایش سهم ارزش افزوده بخش کشاورزی کاهش می یابد .همچنین میتوان به مطالعات تیرا[۵] (۲۰۰۴) نیز اشاره نمود که در کنار متغیرهای اقتصادی ، متغیرهای نهادی را بر ظرفیت مالیاتی موثر میدانند. استفاده از شبکه های عصبی در طی دو دهه اخیر بسیار مورد توجه محققان و صنعتگران قرار گرفته است.علت این امر علاوه برسادگی کاربرد آنها،بازدهی این روشها در مدلسازی فرایندهایی است که رفتاری به شدت غیرخطی دارند.شبکه عصبی ابزار محاسباتی ساده ای برای آزمون داده ها و ایجاد مدل از ساختار داده ها می باشد. هر مدل شبکه عصبی شامل یک لایه ورودی ، یک لایه خروجی و یک یا چندلایه پنهان می باشد. همه این لایه ها دارای گره می باشند و همه این گره ها در لایه های مجاور به هم متصل می گردند . لایه ورودی فقط اطلاعات را دریافت می کند و مشابه متغیر مستقل عمل می کند . لایه خروجی همانند متغیر وابسته عمل می کند و تعداد نرون های آن بستگی به تعداد متغیر وابسته دارد.مدل های شبکه عصبی مصنوعی مدل های محاسباتی هستند که قادرند رابطه بین ورودی ها و خروجی های یک دستگاه را با شبکه ای از گره های متصل به هم تعیین می نماید. در کاربرد شبکه عصبی برای پیش بینی می توان آن را به عنوان یک تابع غیر خطی پارامتری در نظر گرفت که برروی مجموعه ای از داده ها به کار می رود .این تابع غیر خطی را می توان به صورت ترکیبی از قطعاتی غیرخطی ( تابع فعالسازی) به کار گرفت که هریک توجیه کننده بخشی از رفتار کلی داده های مورد استفاده در پیش بینی اند . یکی از این توابع غیر خطی که در پیش بینی سری های زمانی بسیار متداول است ، تانژانت هیپربولیک است. این تابع به عنوان تابع فعال سازی در شبکه عصبی استفاده شده است . یک شبکه عصبی از اتصال چندین عصب مصنوعی به وجود می آید . با توجه به آرایش اتصال عصب ها انواع مختلفی از این شبکه ها ارائه شده اند. به عنوان مثال شبکه های پیش رونده و برگشتی که هریک می توانند صورت تک لایه ای یا چندلایه ای داشته باشند .( فلاحتی ، ۱۳۸۹) این پایان نامه برخی از مفاهیم اساسی ظرفیت مالیاتی را تبیین خواهد نمود و در نهایت به پیش بینی درامد مالیاتی استان مازندران خواهد پرداخت. پارامترهای مورد بررسی برای پیش بینی درامد مالیاتی این استان عبارتند ازمتوسط درآمدخانوار شهری ، ارزش افزوده بخش های مختلف اقتصادی ، نرخ تورم و درآمد مالیاتی کل. رابطه ها در این تحقیق به صورت یک مدل و چارچوب مفهومی نشان داده شده است. بنابراین مدل مفهومی تحقیق حاضر با توجه به موضوع پژوهش و متغیرهای تحقیق به صورت زیر است (شکل۱-۱)
