fa ارزیابی روشهای پیش بینی و ارائه مدل ترکیبی بهینه در خصوص پیش بینی درآمدهای مالیاتی پژوهشي Research این مقاله به پیش بینی درآمدهای مالیاتی به تفکیک منابع وصولی (کل، اشخاص حقوقی، درآمد، ثروت و کالا و خدمات) برای سالهای 91-1390 می پردازد. به منظور دستیابی به پیش بینی های دقیق تر ابتدا ماهیت ساختاری سریهای زمانی مورد نظر از جهت خطی، غیرخطی و تصادفی بودن و میزان پیچیدگی سیستم مولد سریهای زمانی مالیاتی با استفاده از آزمون های نمای لیاپانوف و بعدهمبستگی بررسی شده است. نتایج حاصل از آزمون نمای لیاپانوف، آشوب ضعیفی را در سریهای زمانی مالیاتی نشان می دهد که در این بین اشخاص حقوقی از حساسیت بیشتری نسبت به سایر منابع مالیاتی برخوردارند. نتایج آزمون بعدهمبستگی نیز حاکی از آن است که سیستم مولد سری زمانی مالیات بر اشخاص حقوقی از پیچیدگی زیادی نسبت به سایر منابع وصولی برخوردار است. بخش دوم این مقاله به پیش بینی درآمدهای مالیاتی اختصاص دارد اما با توجه به تغییرات نرخ ارز و تأثیر آن براقتصاد کشور، ابتدا به بررسی تأثیرات احتمالی ناشی از این افزایش بر درآمدهای مالیاتی با کمک مدلهای VAR پرداخته و سپس از مدلهای VECM، الگوهای سری زمانی باکس جنکینز و روش شبکه های عصبی با ساختار چند ورودی چند خروجی استفاده شده است. This article predicts tax revenues in various bases (total, corporate tax, income tax, wealth tax and, goods and services tax) for the time period (1390-91). In order to achieve more accurate predictions, firstly the nature of structural time series in respect of linear, nonlinear and stochastic and complexity of the tax system generating time series have been investigated using tests lyapanov exponent and solidarity. Lyapanov exponent results show a weak turbulence in tax time series in which legal persons enjoy the more sensitivity among the other tax sources. The test results also indicate that the system generating time series correlation on legal entities is more complex than the other sources. The second part of this paper is devoted to forecasting tax revenues but due to exchange rate changes and their impacts on Iran's economy, first the paper examines the possible effects arising from the increased tax revenues using VAR models, then VECM models, the models of low-time series like Box- Jenkin and neural network approach with the multi-input, multiple output were used. مالیات، پیش بینی، ارز، آشوب، مدل VAR، مدلVECM ، شبکه عصبی مصنوعی Taxation, Forecast, Exchange Rate, VAR Model, VECM Model, Artificial Neural Network 85 120 http://taxjournal.ir/browse.php?a_code=A-10-1-60&slc_lang=fa&sid=1 Mohammadreza Abdi محمدرضا عبدی Mabdireza@yahoo.com 1003194753284600329 1003194753284600329 Yes M.A. in Accounting, and Deputy of Research, Planning and international affairs Iranian National Tax Administration کارشناس ارشد حسابداری، معاون پزوهش، برنامه‌‌ریزی و امور بین‌الملل سازمان امور مالیاتی کشور Saeedeh Hamidialamdari سعیده حمیدی علمداری Hamidi_saeedeh@yahoo.com 1003194753284600330 1003194753284600330 No M.A. in Economic Sciences کارشناس ارشد علوم اقتصادی Maedeh Pourhassanamiri مائده پورحسن امیری M_P_Amiry@yahoo.com 1003194753284600331 1003194753284600331 No M.A. in Economic Sciences کارشناس ارشد علوم اقتصادی