دوره 33، شماره 68 - ( 1404 )
جلد 33 شماره 68 صفحات 170-125 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
DABBAGH R, ezzati shourghouli A, Shabanpoor R. Comparison of the Performance of Machine Learning Algorithms Based on Artificial Intelligence with the State Space Model in Forecasting Tax Revenues of West Azerbaijan Province. J Tax Res 2026; 33 (68) :125-170
URL: http://taxjournal.ir/article-1-2434-fa.html
URL: http://taxjournal.ir/article-1-2434-fa.html
دباغ رحیم، عزتی شورگلی احمد، شعبانپور راحله. مقایسه عملکرد الگوریتمهای یادگیری ماشین مبتنی بر هوش مصنوعی با الگوی فضا حالت در پیشبینی درآمدهای مالیاتی استان آذربایجان غربی. پژوهشنامه مالیات. 1404; 33 (68) :125-170
رحیم دباغ*1 
، احمد عزتی شورگلی2 ، راحله شعبانپور3
، احمد عزتی شورگلی2 ، راحله شعبانپور3
1- ، R.Dabbagh@uut.ac.ir
2- دانشگاه صنعتی ارومیه
3- ارومیه، موسسه اموزش عالی افاق
2- دانشگاه صنعتی ارومیه
3- ارومیه، موسسه اموزش عالی افاق
چکیده: (369 مشاهده)
پیشبینی روند متغیرهای مالی و اقتصادی از جمله درآمدهای مالیاتی ابزار مهمی برای تصمیمگیری و برنامهریزی اقتصادی است. این پیشبینیها به دولتها کمک میکنند تا بودجه خود را به درستی برنامهریزی و سیاستهای مالیاتی بهینه را تعیین کنند. همچنین میتواند به بهبود مدیریت اقتصادی وکاهش عدم قطعیتها منتج شود و دولت را در برنامهریزی مالی بلندمدت یاری کند. براین اساس و با استفاده از داده های ماهانه درآمدهای مالیاتی استان آذربایجان غربی طی دوره زمانی فروردین 1384 الی خرداد سال 1403 و با استفاده از الگوریتم های یادگیری ماشین مبتنی بر جنگل تصادفی، رگرسیون بردار پشتیبان، یادگیری ماشین مبتنی بر رگرسیون لاسو، یادگیری عمیق ماشین و الگوی فضا حالت به پیشبینی درآمدهای مالیاتی استان آذربایجان غربی پرداخته است. نتایج تحقیق نشان داد که در بین در بین الگوریتمهای یادگیری ماشین، الگوی یادگیری عمیق ماشین براساس معیارهای میانگین مجذور خطا و میانگین قدر مطلق درصد خطا بهترین عملکرد را در پیش بینی درون نمونه ای و برون نمونهای از درآمدهای مالیاتی استان آذربایجان غربی دارد. با این حال الگوی فضا حالت نیز به عنوان یک ابزار قدرتمند در مدلسازی و پیش بینی متغیرهای مالی و اقتصادی است، به خصوص زمانی که روندهای فصلی، ماهانه ویا روزانه در آن متغیر وجود داشته باشد. همچنین وجود اجزا غیرقابل مشاهده، اجزا نامنظم و وجود شیب تصادفی در مدلسازی الگوهای مالی و اقتصادی از ویژگیهای بارز این الگو است. با توجه به حجم دادههای مورد استفاده در تحقیق حاضر و برای دوره زمانی ذکر شده، مقایسه عملکرد الگوی فضا حالت به عنوان یک ابزار قدرتمند در الگوهای اقتصادسنجی و الگوی یادگیری عمیق ماشین به عنوان یکی از ابزارهای قوی و مهم در یادگیری ماشین نشان داد که الگوی فضا حالت عملکرد بهتری حتی نسبت به یادگیری عمیق ماشین در پیش بینی درآمدهای مالیاتی استان آذربایجان غربی دارد.
فهرست منابع
1. دباغ، رحیم، فرزان، محمد و محسنی، بهزاد. (1404). شناسایی چالشهای فناوریهای صنعت 4.0 برای عملیات پایدار در صنایع کوچک و متوسط. پژوهش در مدیریت تولید و عملیات، 16(1)، 1-24.
2. دباغ، رحیم، گلمرادی، باقری. (1398). بررسی عملکرد مالی بانکهای اسلامی و غیراسلامی در کشورهای منتخب با استفاده از مدل CAMEL. فصلنامه مطالعاتی در مدیریت بانکی و بانکداری اسلامی، 4(پاییز)، 85-114.
3. زارعی، پریسا، جلائی، سید عبدالمجید و صادقی، زین العابدین (۱۳۹۸). شبیه سازی و پیش بینی اثر مالیات سبز بر مصرف و شدت انرژی در ایران با استفاده از الگوریتم ژنتیک. پژوهشنامه مالیات، ۲۷(۴۲)، ۱۰۳-۱۲۵
4. سعادت مهر، مسعود. (1400). بررسی تأثیر متغیرهای کلان اقتصاد بر درآمدهای مالیاتی دولت در ایران. دوفصلنامه جستارهای اقتصادی ایران با رویکرد اقتصاد اسلامی، 18(35)، 169-191.
5. سلامی، حبیب اله و مافی، حسن. (1397). پیشبینی قیمت صادراتی پسته ایران مبتنی بر چرخههای تجاری: کاربست الگوی سریزمانی ساختاری. تحقیقات اقتصاد و توسعه کشاورزی ایران، 49(4)، 571-559.
6. شیرانی فخر، زهره، خوش اخلاق، رحمان، و شریفی، علی مراد. (1393). تخمین تابع تقاضای گاز طبیعی بخش صنعت ایران با استفاده از مدل سری زمانی ساختاری. مطالعات اقتصادی کاربردی ایران (مطالعات اقتصادی کاربردی)، 3(11)، 129-157.
7. عباسیان، عزت ا...، محمودی، وحید و شاکر، ایمان. (1390). تحلیل خطای پیشبینی درآمدهای مالیاتی دولت در اقتصاد ایران. تحقیقات مالی، 13(32)، 109-132.
8. عزتی شورگلی، احمد، زینالزاده شیخ سرمست، مهتاب و عیسوی، هیرو. (1402)، پیشبینی اثر وصل شدن تراکنش دستگاه کارتخوانها به سیستم سازمان امور مالیاتی در افزایش وصولی سازمان امور مالیاتی استان آذربایجان غربی. پژوهشنامه مالیات، ۳۴(۶۰)، ۱۳۴-۱۶۵.
9. نصراللهی، زهرا و شاکر اردکانی، ایمان. (1395). بررسی عملکرد طراحان بودجه در پیشبینی درآمدهای دولت در اقتصاد ایران. پژوهشهای اقتصادی (رشد و توسعه پايدار)، ۱۶(۴)، ۱۲۷-۱۴۷.
10. References
11. Abbasian, E., Mahmoudi, V., & Shaker, I. (2012). Forecast Error Analysis of State Tax Revenues in Iran. Financial Research Journal, 13(32), 109-132. [In Persian]
12. Abdi, M., Hamidialamdari, S., & Pourhassanamiri, M. (2011). An Evaluation of Forecasting Methods and Optimal Combination Models to Predict Tax Revenues. Journal of Tax Research, 19(11), 85-120. [In Persian]
13. Altaf, S., Khan, S. Y., Ali, M. W., & Khan, M. W. (2021). A mathematical forecasting model to estimate tax to GDP ratio. International Journal of Advanced Research in Enginering and Technology, 12(3), 291-297.
14. Andrejovska, A., & Pulikova, V. (2018). Tax revenues in the context of economic determinants. Montenegrin Journal of Economics, 14(1), 133-141. [DOI:10.14254/1800-5845/2018.14-1.10]
15. Arfaee, M., Bahari, A., & Khalilzadeh, M. (2022). A novel prediction model for educational planning of human resources with data mining approach: a national tax administration case study. Education and Information Technologies, 27(2), 2209-2239. [DOI:10.1007/s10639-021-10699-6]
16. Battiston, P., Gamba, S., & Santoro, A. (2024). Machine learning and the optimization of prediction-based policies. Technological Forecasting and Social Change, 199, 123080. [DOI:10.1016/j.techfore.2023.123080]
17. Buettner, T., & Kauder, B. (2010). Revenue forecasting practices: Differences across countries and consequences for forecasting performance. Fiscal Studies, 31(3), 313-340. [DOI:10.1111/j.1475-5890.2010.00117.x]
18. Castro, G. Á., & Camarillo, D. B. R. (2014). Determinants of tax revenue in OECD countries over the period 2001-2011. Contaduría Y Administración, 59(3), 35-59. [DOI:10.1016/S0186-1042(14)71265-3]
19. Chatzis, S. P., Siakoulis, V., Petropoulos, A., Stavroulakis, E., & Vlachogiannakis, N. (2018). Forecasting stock market crisis events using deep and statistical machine learning techniques. Expert Systems with Applications, 112, 353-371. [DOI:10.1016/j.eswa.2018.06.032]
20. Dabbagh, R., Golmoradi, H., & Bagri, A. (2019). Financial performance comparison of Islamic and conventional banking in selected countries using the CAMEL model. Quarterly Studies in Banking Management and Islamic Banking, 4 (Autumn), 85-114. [In Persian]
21. Dabbagh, R., Farzan, M. and Mohseni, B. (2025). Identifying the Challenges of Industry 4.0 Technologies for Sustainable Operations in SMEs. Research in Production and Operations Management, 16(1), 1-24. [In Persian]
22. Ezzati Shourghouli, A., Zeinalzadeh, M., & Isavi, H. (2024). Predicting the effect of connecting the transaction of card readers to the system of the tax affairs organization in increasing the collection of the tax affairs organization of West. J Tax Res, 31 (60), 133-165. [In Persian] [DOI:10.61186/taxjournal.34.60.134]
23. Febriminanto, R. D., & Wasesa, M. (2022). Machine Learning Analytics for Predicting Tax Revenue Potential. Indonesian Treasury Review: Jurnal Perbendaharaan, Keuangan Negara dan Kebijakan Publik, 7(3), 193-205. [DOI:10.33105/itrev.v7i3.497]
24. Fikriya, A. A., & Hikmawati, S. (2020). Support Vector Machine Predictive Analysis Implementation: Case Study of Tax Revenue in Government of South Lampung. In Proceeding International Conference on Science and Engineering (Vol. 3, pp. 323-327). [DOI:10.14421/icse.v3.521]
25. Hajej, Z., Rezg, N., & Gharbi, A. (2017). Ecological optimization for forecasting production and maintenance problem based on carbon tax. The International Journal of Advanced Manufacturing Technology, 88, 1595-1606. [DOI:10.1007/s00170-016-8877-9]
26. Holkova, B., Malichova, E., Falat, L., & Pancikova, L. (2023). Determinants of tax ethics in society: Statistical and logistic regression approach. Mathematics, 11(10), 2341. [DOI:10.3390/math11102341]
27. Huang, W., Lai, K. K., Nakamori, Y., Wang, S., & Yu, L. (2007). Neural networks in finance and economics forecasting. International Journal of Information Technology & Decision Making, 6(01), 113-140. [DOI:10.1142/S021962200700237X]
28. Kalaš, B., Todorović, J. Đ., & Đorđević, M. (2020). Panel estimating effects of macroeconomic determinants on tax revenue level in European :union:. Industrija, 48(3). [DOI:10.5937/industrija48-27820]
29. Karpowicz, A., & Majewska, E. (2018). Corporate Income Tax Revenue Determinants: How Important is the Tax Rate? Economic and Social Development: Book of Proceedings, 361-369.
30. Koirala, T.P. (2012) Government Revenue Forecasting in Nepal; NRB Economic Review, Vol. 24: 47-60. [DOI:10.3126/nrber.v24i2.52727]
31. Kuan, C. M., & White, H. (1994). Artificial neural networks: An econometric perspective. Econometric Reviews, 13(1), 1-91. [DOI:10.1080/07474939408800273]
32. Lahiri, K., & Yang, C. (2022). Boosting tax revenues with mixed-frequency data in the aftermath of COVID-19, The case of New York. International Journal of Forecasting, 38(2), 545-566. [DOI:10.1016/j.ijforecast.2021.10.005]
33. Lin, C. H., Lin, I. C., Wu, C. H., Yang, Y. C., & Roan, J. (2012). The application of decision tree and artificial neural network to income tax audit: the examples of profit-seeking enterprise income tax and individual income tax in Taiwan. Journal of the Chinese Institute of Engineers, 35(4), 401-411. [DOI:10.1080/02533839.2012.655901]
34. Li-Xia, L., Yi-Qi, Z., & Liu, X. Y. (2011). Tax forecasting theory and model based on SVM optimized by PSO. Expert Systems with Applications, 38(1), 116-120. [DOI:10.1016/j.eswa.2010.06.022]
35. Ma, L., Shi, M., Li, Y., & Liu, Y. (2019). Prediction of Total Tax Value Based on Grey BP Correction Model. Journal of Economics, Business and Management, 7(2), 45-49. [DOI:10.18178/joebm.2019.7.2.579]
36. Malikov, T. (2021). Methodological approaches to assessing and forecasting the tax potential of the region. Turkish Journal of Computer and Mathematics Education (TURCOMAT), 12(11), 7056-7060.
37. Maulia, E., & Sofyan, H. (2018). Tax revenue and inflation rate predictions in Banda Aceh using Vector Error Correction Model (VECM). In IOP Conference Series: Materials Science and Engineering (Vol. 352, No. 1, p. 012056). IOP Publishing. [DOI:10.1088/1757-899X/352/1/012056]
38. Milenković, N., Kalaš, B., Mirović, V., & Andrašić, J. (2020). The impact of macroeconomic determinants and tax form on inflation in selected Balkan countries. Serbian Journal of Management, 15(1), 7-18. [DOI:10.5937/sjm15-16685]
39. Molapo, M. A., Olaomi, J. O., & Ama, N. O. (2019). Bayesian vector auto-regression method as an alternative technique for forecasting South African tax revenue. Southern African Business Review, 23(1). [DOI:10.25159/1998-8125/4416]
40. Murorunkwere, B. F., Haughton, D., Nzabanita, J., Kipkogei, F., & Kabano, I. (2023). Predicting tax fraud using supervised machine learning approach. African Journal of Science, Technology, Innovation and Development, 15(6), 731-742. [DOI:10.1080/20421338.2023.2187930]
41. Nasrollahi, Z., & Shaker Ardakani, I. (2016). Investigating the Performance of Budget Designers in Forecasting Government Revenues in the Iranian Economy. QJER, 16(4), 127-147. [In Persian]
42. Neog, Y., & Gaur, A. K. (2020). Macro-economic determinants of tax revenue in India: an application of dynamic simultaneous equation model. International Journal of Economic Policy in Emerging Economies, 13(1), 13-35. [DOI:10.1504/IJEPEE.2020.106679]
43. Nosratabadi, S., Mosavi, A., Duan, P., Ghamisi, P., Filip, F., Band, S. S., & Gandomi, A. H. (2020). Data science in economics: comprehensive review of advanced machine learning and deep learning methods. Mathematics, 8(10), 1799. [DOI:10.3390/math8101799]
44. Pradhan, R. P., Arvin, M. B., Nair, M., Bennett, S. E., & Bahmani, S. (2024). Some determinants and mechanics of economic growth in middle-income countries: The role of ICT infrastructure development, taxation and other macroeconomic variables. The Singapore Economic Review, 69(01), 297-333. [DOI:10.1142/S0217590820500563]
45. Ruhi, M., Abbasian, E., Momeni, M., & Amouzad, M., (2017). Prediction of corporate income tax collection in Iran, using Markov chain and discrete spectrum analysis. J Tax Res, 26(38), 107-129. [In Persian].
46. Saadat Mehr, M. (2021). Investigation of the impact of macroeconomic variables on government tax revenues in Iran. Journal of Iran's Economic Essays (JIEE), 18(35), 169-191. [In Persian].
47. Salami, H., & Mafi, H. (2018). Predicting Export prices of the Iranian Pistachio Based on Commercial Cycles: Application of Structural Time Series Model. Iranian Journal of Agricultural Economics and Development Research, 49(4), 559-571. [In Persian].
48. Sevim, C., Oztekin, A., Bali, O., Gumus, S., & Guresen, E. (2014). Developing an early warning system to predict currency crises. European Journal of Operational Research, 237(3), 1095-1104. [DOI:10.1016/j.ejor.2014.02.047]
49. Shiranifakhr, Z., Khoshakhlagh, R., & Sharifi, A. M. (2014). Estimating Demand Function for Natural Gas in the Industrial Sector of Iran using Structural Time Series Model (STSM). Journal of Applied Economics Studies in Iran, 3(11), 129-157. [In Persian].
50. Thayyib, P. V., Thorakkattle, M. N., Usmani, F., Yahya, A. T., & Farhan, N. H. (2023). Forecasting Indian Goods and Services Tax revenue using TBATS, ETS, Neural Networks, and hybrid time series models. Cogent Economics & Finance, 11(2), 2285649. [DOI:10.1080/23322039.2023.2285649]
51. Xu, C., & Kong, Y. (2024). Random forest model in tax risk identification of real estate enterprise income tax. Plos One, 19(3), e0300928. [DOI:10.1371/journal.pone.0300928]
52. Zareie, P., Jalaee, S. A., & Sadeghi, Z. (2019) Simulation and prediction of the green tax effect on energy consumption and intensity in Iran using a genetic algorithm. J Tax Res, 27(42), 103-125. [In Persian]. [DOI:10.29252/taxjournal.27.42.103]
53. Zhang, D., Zheng, S., & Fu, W. (2023). Research on the prediction model of Chinese tax revenue based on GM (1, 1) and LSSVM. Information Technology and Control, 52(4), 811-818. [DOI:10.5755/j01.itc.52.4.32693]
ارسال پیام به نویسنده مسئول
| ./files/site1/images/%D8%B3%D9%85%DB%8C%D9%85_%D9%86%D9%88%D8%B1.pngبازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
