تحلیل پویای مالیات در یک اقتصاد باز کوچک صادر‌کننده نفت با استفاده از سیستم‌های فازی عصبی

هدف از این مقاله تحلیل پویای مالیات در اقتصاد ایران است. بسیاری از سیستم های اقتصادی که نیازمند مدلسازی هستند، پیچیده، غیر خطی و دارای پارامترهای ناشناخته ای هستند که اندازه گیری آن ها را در قالب مدل های ریاضی و اقتصادسنجی با مشکل و نا اطمینانی همراه کرده است. در این مقاله با استفاده از کدگذاری تحت رویکرد سیستم عصبی فازی تطبیقی (anfis) یک الگو برای تحلیل پویای مالیات در یک اقتصاد صادرکننده نفت طی دوره زمانی 1369 تا 1395 شبیه سازی گردید. در این راستا، مقادیر ورودی کامپوننت های‌ بخش بانک مرکزی، دولت و خانوار‌ها، همچنین کامپوننت‌ نقش سیاست مالیاتی در شرایط پویا بر درآمدهای دولت، تعادل بودجه و تراز تجاری کشور ایران محاسبه شد. نتایج دلالت بر این دارد که کامپوننت خروجی » تحلیل پویای مالیات در ایران « دقیقاً در وضعیت سطح پنجم خروجی سیستم یعنی خوب قرار دارد. آزمون های صورت گرفته از قبیل خطای داده های به دست آمده (rmse) در هر مرحله، نشان دهنده اعتبار مدل و دقت بسیار بالای محاسبات شبکه های عصبی مصنوعی و منطق فازی در مقایسه با مدل های اقتصادسنجی تحقیق می باشد.

Tax Dynamic Analysis in a Small Open Oil Exporter Economy Using Neuro – Fuzzy Systems

The purpose of this paper is to analyze the dynamics of taxation in the Iranian economy. Many economic systems that require modeling are complex, nonlinear, and have unknown parameters that make it difficult and unreliable to measure them in the form of mathematical and econometric models. In this paper, using coding under the adaptive fuzzy neural system approach ANFIS a model for dynamic tax analysis in an oil exporting economy during the period 1369 to 1395 was simulated. In this regard, the input values of the components of the central bank, the government and households, as well as the component of the role of tax policy in dynamic conditions on government revenues, budget balance and Iranchr('39')s trade balance have been calculated. The results indicate that the output component of Dynamic Tax Analysis in Iran is exactly in the fifth level of system output, this means it is good. Experiments such as data error (RMSE) at each stage demonstrate the validity of the model and the very high accuracy of the neuralartificial network and fuzzy logic calculations compared to the research econometric models.