مدل تركيبي شبكه عصبي با الگوي ARIMA جهت پيش بيني ماليات بر ارزش افزوده بر مصرف بنزين در ايران

Hybrid ARIMA- Neural Network Model to Forecast VAT on Gasoline Consumption in Iran

یكی از مسائل مهم هنگام بودجه ریزی، دسترسی به درآمدهای قابل تحقق است كه این موضوع مستلزم پیش بینی‌های دقیق از انواع درآمدها در آینده می باشد. یكی از منابع درآمدی پر اهمیت دولت مالیات بوده كه در این مقاله، پیش بینی مالیات بر ارزش افزوده ناشی از مصرف بنزین مدنظر قرار گرفته است. هدف اصلی، دستیابی به روشی كارا جهت پیش بینی مصرف بنزین و مالیات بر ارزش افزوده ناشی از آن در ایران می باشد. در این مقاله، برای پیش بینی مصرف بنزین، از یك الگوی تركیبی روش شبكه عصبی چندلایه (MLP) با الگوی خودتوضیح میانگین متحرك انباشته (ARIMA) استفاده شده است. سپس با تأیید عملكرد مناسب این روش در مقایسه با روش ARIMA، از طریق اعمال نرخ‌های مالیات بر مصرف پیش بینی شده بنزین، مالیات بر ارزش افزوده ناشی از مصرف بنزین در كشور به دست آمده است. نتایج نشان می دهد كه طی سال‌های 1392 الی 1395، مالیات بر ارزش افزوده از این محل، به طور متوسط در حدود 6/31 درصد رشد خواهد داشت. 

One of the major problems in budgeting is to predict the various kinds of future income precisely as possible. Since tax revenue is very important component in the combination of state income, the present paper considers the forecasting of VAT on gasoline consumption. The main purpose is to achieve an efficient method to forecast gasoline consumption and VAT on it in Iran. Hence, a Hybrid ARIMA- Neural Network model is used to forecast gasoline consumption. After confirming the good performance of this method compared with autoregressive integrated moving average processes(ARIMA), VAT on gasoline consumption is calculated by applying its tax rate. Results indicate that during the years 2013 to 2016, VAT on gasoline consumption will grow by 31.6 percent on average.