Journal of Tax Research

fa پیش بینی روند تصادفی و روند بلندمدت درآمدهای مالیاتی استان آذربایجان غربی Forecasting the Stochastic Trend and Long-term Trajectory of Tax Revenues in West Azerbaijan Province اقتصادی Economic پژوهشي Research مطالعه حاضر با هدف بررسی و ارزیابی دقت مدل‌های پیشرفته در پیش‌بینی مؤلفه‌های روند بلندمدت و تصادفی درآمدهای مالیاتی استان آذربایجان غربی انجام شده است. با توجه به نقش تعیین‌کننده درآمدهای مالیاتی در برنامه‌ریزی بودجه‌ای و تصمیم‌گیری‌های کلان اقتصادی، دستیابی به پیش‌بینی‌های دقیق و قابل اتکا در این حوزه از اهمیت ویژه‌ای برخوردار است. در این پژوهش از داده‌های ماهانه درآمدهای مالیاتی استان آذربایجان غربی طی دوره زمانی فروردین ۱۳۸۴ تا آذر ۱۴۰۳ استفاده شده است. به‌منظور پیش‌بینی روندهای بلندمدت و تصادفی، سه رویکرد اصلی شامل الگوی چرخشی مارکوف، مدل فضای حالت و مدل شبکه عصبی مصنوعی مبتنی بر تبدیل موجک به کار گرفته شد. در گام نخست، به‌منظور تفکیک مؤلفه روند بلندمدت از نوسانات کوتاه‌مدت و استخراج شوک‌های تصادفی، از الگوی نوسانات تصادفی استفاده شد. این الگو در مقایسه با الگوهای رقیب، به‌ویژه مدل‌های مبتنی بر ناهمسانی واریانس شرطی، توانایی بالاتری در شناسایی و مدل‌سازی شوک‌ها و نوسانات تصادفی دارد. نتایج تجربی نشان می‌دهد که مدل ترکیبی شبکه عصبی مصنوعی و تبدیل موجک، با بهره‌گیری از تجزیه داده‌ها به مؤلفه‌های فرکانسی مختلف و شناسایی روابط غیرخطی موجود در سری زمانی، بالاترین دقت پیش‌بینی را برای هر دو مؤلفه روند بلندمدت و روند تصادفی ارائه می‌دهد. به‌طور مشخص، خطای پیش‌بینی این مدل برای روند بلندمدت برابر با 08/1 درصد و برای روند تصادفی برابر با 27/0 درصد برآورد شده است. همچنین، مقایسه عملکرد مدل‌ها نشان می‌دهد که مدل پیشنهادی در مقایسه با روش‌های سنتی‌تر نظیر الگوی چرخشی مارکوف و مدل فضای حالت، توانایی بیشتری در بازتولید نوسانات تاریخی و پویایی‌های واقعی درآمدهای مالیاتی دارد.   This This study aims to evaluate the forecasting accuracy of advanced models in predicting both the long-run trend and the stochastic component of tax revenues in West Azerbaijan Province. Given the crucial role of tax revenues in fiscal planning and macroeconomic decision-making, obtaining reliable and precise forecasts is of particular importance. The analysis is based on monthly tax revenue data for West Azerbaijan covering the period from April 2005 to December 2023. To forecast the long-term and stochastic dynamics, three advanced approaches are employed: the Markov-Switching model, the State-Space model, and the Wavelet–Artificial Neural Network (Wavelet–ANN) model. In the first stage, the stochastic volatility framework is applied to decompose the series into a long-run trend and short-term stochastic fluctuations. Compared to competing models—especially those based on conditional heteroskedasticity—the stochastic volatility approach provides a more efficient identification and modeling of random shocks. The empirical results reveal that the hybrid Wavelet–ANN model, through multi-scale decomposition of data and recognition of nonlinear patterns in the time series, delivers the highest forecasting accuracy for both components: a mean absolute percentage error (MAPE) of 1.08% for the long-run trend and 0.27% for the stochastic component. Moreover, when compared to the conventional Markov-Switching and State-Space models, the proposed hybrid model shows clear superiority in reproducing historical fluctuations and capturing the underlying dynamics of tax revenues more precisely.   درآمدهای مالیاتی, روند تصادفی, پیش بینی, موجک, یادگیری ماشین Tax Revenues, Stochastic Trend, Forecasting, Wavelet, Machine Learning 0 0 http://taxjournal.ir/browse.php?a_code=A-10-2442-4&slc_lang=fa&sid=1 ahmad ezzati shourgholi احمد عزتی شورگلی ahmetezzati@afagh.ac.ir 100319475328460012694 100319475328460012694 Yes Assistant Professor, Afagh Higher Education Institute, Urmia, Iran استادیار موسسه آموزش عالی آفاق، ارومیه، ایران Farzad Mohammadi فرزاد محمدی fmohammadi.finance@gmail.com 100319475328460012695 100319475328460012695 No PhD Student in Financial Engineering, Department of Accounting and Finance, Ta.C., Islamic Azad University, Tabriz, Iran دانشجوی دکتری مهندسی مالی، گروه حسابداری و مالی، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران Habib Torbati حبیب تربتی habibtorbati@gmail.com 100319475328460012696 100319475328460012696 No M.A. in Economics کارشناس ارشد اقتصاد Farjad Bakhshor فرجاد بخشور FARJADBAKHSHOR@GMAIL.COM 100319475328460012697 100319475328460012697 No Assistant Professor, Afagh Higher Education Institute, Urmia, Iran استادیار موسسه آموزش عالی آفاق، ارومیه، ایران Somaye ghasemi سمیه قاسمی somayeghasemi@gmail.com 100319475328460012698 100319475328460012698 No M.A. in Financial Engineering and Risk Management, Afagh Higher Education Institute, Urmia, Iran کارشناسی ارشد رشته مهندسی مالی و مدیریت ریسک، موسسه آموزش عالی آفاق، ارومیه، ایران