چکیده:
در این مقاله، با هدف دستیابی به پیش بینی های دقیق تر، سه نوع الگوی رگرسیون خطی، سری زمانی و شبکه عصبی مصنوعی طراحی و برآورد شده است. در ابتدا ماهیت ساختاری سری زمانی مورد نظر از جهت خطی، غیر خطی و تصادفی بودن با استفاده از آزمون نمای لیاپانوف بررسی شده است. نتایج این آزمون، وجود آشوب ضعیفی را در سیستم نشان می دهد و بیانگر امکان استفاده از الگوسازی غیر خطی برای پیش بینی دقیق تر کوتاه مدت است. در مرحله بعد با استفاده از رگرسیون خطی، الگوی سری زمانی و شبکه های عصبی مصنوعی، ضمن انجام پیش بینی درآمدهای مالیات بر مشاغل طی دوره زمانی 1379-1383، عملکرد این سه روش با یکدیگر مقایسه شده است. نتایج برآورد الگوها نشان دهنده عملکرد بهتر الگوی شبکه عصبی مصنوعی می باشد.
In this paper، in order to have a more a accurate forecast، three kinds of models: linear regression، time series and artificial neural network are used. Using Lyapunov exponent test، the structure of time series based on linearity، nonlinearity and stochastic process is studied. The results show a weak chaos in the system and declare possibility of applying nonlinear modeling for short-run forecasts.
Using artificial neural network، linear regression and time series methods، occupational income tax are forecasted for period 1379-1383 and their performance is compared with each other. The results indicate better performance of neural network model.
خلاصه ماشینی:
"جدول 5- مقادیر واقعی و پیشبینی شده درآمدهای مالیات بر مشاغل با استفاده از الگوی رگرسیون خطی ( 1379- 1383) سال 1379 1380 1381 1382 1383 مقادیر واقعی 981/7 132/8 278/8 337/8 573/8 مقادیر براوردی 745/7 901/7 103/8 282/8 483/8 قدر مطلق درصد خطا 96/2 84/2 11/2 66/0 05/1 منبع : محاسبات تحقیق 5-2 براورد الگوی ARIMA و پیش بینی درآمدهای مالیات بر مشاغل بر اساس روش باکس– جنکینز، برای تعیین p و q در الگوی ARIMA می توان از تابع خودهمبستگی (ACF) 1 و تابع خودهمبستگی جزئی (PACF) 2 نمونه سری زمانی استفاده نمود.
جدول 8- مقادیر واقعی و پیشبینی شده درآمدهای مالیات بر مشاغل با استفاده از الگوی سری زمانی ( 1379- 1383) سال 1379 1380 1381 1382 1383 مقادیر واقعی 981/7 132/8 278/8 337/8 573/8 مقادیر براوردی 140/8 216/8 397/8 569/8 894/8 قدر مطلق درصد خطا 99/1 03/1 44/1 78/2 74/3 منبع : محاسبات تحقیق 5-3- براورد الگوی شبکه عصبی و پیشبینی درآمدهای مالیات بر مشاغل برای یک دوره برون نمونه ای با استفاده از شبکه عصبی مشتمل بر یک لایه پنهان 1 ، تابع محرک 2 غیرخطی و تعداد نرونهای 3 کافی در این لایه و یک تابع محرک خطی در لایه خروجی، میتوان هر رابطه غیرخطی را تقریب زد.
جدول 9- مقادیر واقعی و پیشبینی شده درآمدهای مالیات بر مشاغل با استفاده از شبکه عصبی مصنوعی (1379 ـ 1383) سال 1379 1380 1381 1382 1383 مقادیر واقعی 981/7 132/8 278/8 337/8 573/8 مقادیر براوردی 031/8 186/8 276/8 337/8 573/8 قدر مطلق درصد خطا 63/0 66/0 02/0 00/0 00/0 منبع : محاسبات تحقیق نمودار 9 پیشبینی درآمدهای مالیات بر مشاغل و خطای ناشی از این پیشبینی را برای 5 دوره زمانی نشان میدهد.
Granger (1993), "Testing for Neglected Nonlinearity in Time series Models: A Comparison of Neural Networks Methods and Alternative Tests" , Journal of Econometrics, Vol. 56, pp."