احمد عزتی شورگلی*1 
، فرزاد محمدی2 ، حبیب تربتی3 ، فرجاد بخشور4 ، سمیه قاسمی5
، فرزاد محمدی2 ، حبیب تربتی3 ، فرجاد بخشور4 ، سمیه قاسمی5
1- استادیار موسسه آموزش عالی آفاق، ارومیه، ایران ، ahmetezzati@afagh.ac.ir
2- دانشجوی دکتری مهندسی مالی، گروه حسابداری و مالی، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران
3- کارشناس ارشد اقتصاد
4- استادیار موسسه آموزش عالی آفاق، ارومیه، ایران
5- کارشناسی ارشد رشته مهندسی مالی و مدیریت ریسک، موسسه آموزش عالی آفاق، ارومیه، ایران
2- دانشجوی دکتری مهندسی مالی، گروه حسابداری و مالی، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران
3- کارشناس ارشد اقتصاد
4- استادیار موسسه آموزش عالی آفاق، ارومیه، ایران
5- کارشناسی ارشد رشته مهندسی مالی و مدیریت ریسک، موسسه آموزش عالی آفاق، ارومیه، ایران
چکیده: (5 مشاهده)
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.
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. |
