fa برآورد ظرفیت مالیاتی کشور با استفاده از شبکه های عصبی پژوهشي Research ظرفیت مالیاتی، ظرفیت اقتصادی یک کشور برای تحمل فشار انواع مالیات ها است به عبارت دیگر، میزانی است که مردم می توانند مالیات بپردازند. تعیین ظرفیت مالیاتی کار دشواری است. بررسی چگونگی افزایش درآمد مالیاتی به عنوان بخشی از درآمدهای دولت از اهمیت ویژه ای برخوردار است. در این راستا، یک برآورد دقیق از ظرفیت مالیاتی و شناخت منابع موجود آن، ضروری به نظر می رسد. مناسب ترین معیار برای محاسبه و برآورد این ظرفیت که می توان به صورت بالقوه از آن مالیات گرفت، پایه مالیاتی بخش های مختلف اقتصادی می باشد. بدین منظور، ارزش افزوده بخش ها در کشور نیز محاسبه شده است.در این مطالعه از روش مدلسازی شبکه عصبی استفاده شده است که درآن متغیرهای مستقل به عنوان لایه ورودی وارد سیستم یادگیری شبکه عصبی می شوند. متغیرهای ورودی در مدل یعنی، نرخ تورم، ضریب جینی، نسبت جمعیت شهری به کل جمعیت، درجه باز بودن اقتصاد و سهم ارزش افزوده بخش های کشاورزی و صنعت از GDP، متغیرهای مستقل مدل را تشکیل می دهند و متغیر وابسته یا تابع که همان ظرفیت مالیاتی است ، حکم لایه خروجی را در شبکه عصبی دارد. بر حسب روش آزمون و خطا برای لایه های پنهان و گره های هر لایه، شبکه عصبی به صورت مناسب انتخاب می شود. در این مدل آموزش از روش داخل شبکه ای (batch) و از رویکرد پرسپترون چـند لایه ای (MPL) بصورت پیشرو و 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 layer's nodes. In this learning model, intra network method( batch) and multi perceptron layer approach( MPL) have been used as progressive and feedback. ظرفیت مالیاتی، نسبت مالیاتی، تولید ناخالص داخلی، متغیر دامی، شبکه عصبی Taxable capacity, Tax ratio, Gross Domestic Product(GDP), Dummy variable, Nueral network 103 124 http://taxjournal.ir/browse.php?a_code=A-10-1-89&slc_lang=fa&sid=1 علی فلاحتی 1003194753284600458 1003194753284600458 Yes Assistant Professor at Razi University استادیاردانشگاه رازی شهرام فتاحی 1003194753284600459 1003194753284600459 No Assistant professor and Faculty member at Razi University استادیار و عضو هیئت علمی دانشگاه رازی سحر عباسپور 1003194753284600460 1003194753284600460 No M.A. Student at Razi University دانشجوی کارشناسی ارشد دانشگاه رازی مینو نظیفی نایینی 1003194753284600461 1003194753284600461 No M.A. Student at Razi University دانشجوی کارشناسی ارشد دانشگاه رازی