fa مقایسه عملکرد الگوریتم‌های یادگیری ماشین مبتنی بر هوش مصنوعی با الگوی فضا حالت در پیش‌بینی درآمدهای مالیاتی استان آذربایجان غربی اقتصادی Economic پژوهشي Research 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. Tax revenues are among the most significant sources of government income, comprising a substantial portion of the government budget. These revenues are essential for funding public services, implementing infrastructure projects, and covering administrative and operational expenses. Accurate tax revenue forecasting is a critical tool for economic planning and decision-making. Reliable forecasts enable governments to plan budgets effectively, formulate optimal tax policies, and enhance economic management by reducing uncertainties. This study uses monthly tax revenue data from West Azerbaijan Province spanning April 2005 to June 2024 to forecast tax revenues using machine learning algorithms, including Random Forest, Support Vector Regression, Lasso Regression, Deep Learning, and the State Space Model. The findings indicate that among the evaluated algorithms—Random Forest, Support Vector Regression, Lasso Regression, and Deep Learning—the Deep Learning model achieves the highest accuracy in both in-sample and out-of-sample forecasts based on RMSE (Root Mean Square Error) and MAPE (Mean Absolute Percentage Error) metrics. However, the State Space Model emerges as a robust tool for modeling and forecasting financial and economic variables, particularly those exhibiting seasonal, monthly, or daily patterns. Its ability to capture unobservable components, irregularities, and dynamic trends provides a notable advantage in analyzing complex economic data. A comparative analysis of the State Space Model as a robust econometric approach and Deep Learning as a cutting-edge machine learning method demonstrates that the State Space Model outperforms Deep Learning in forecasting tax revenues for West Azerbaijan Province. استان آذربایجان غربی, هوش مصنوعی, یادگیری عمیق ماشین, پیش بینی درآمدهای مالیاتی West Azerbaijan Province, Artificial Intelligence (AI), Deep Learning, Tax Revenue Forecasting 125 170 http://taxjournal.ir/browse.php?a_code=A-10-2606-1&slc_lang=fa&sid=1 RAHIM DABBAGH رحیم دباغ R.Dabbagh@uut.ac.ir 100319475328460012422 100319475328460012422 Yes Afagh Higher Education ahmad ezzati shourghouli احمد عزتی شورگلی ahmetezzati@afagh.ac.ir 100319475328460012423 100319475328460012423 No Urmia University of Technology دانشگاه صنعتی ارومیه Raheleh Shabanpoor راحله شعبانپور r.r.gh.sh.59@gmail.com 100319475328460012424 100319475328460012424 No Urmia University of Technology ارومیه، موسسه اموزش عالی افاق