An Optimal Tax Relief Policy with Aligning Markov Chain and Dynamic Programming Approach

در اين مقاله از روش زنجيره‌ ماركف و برنامه‌ريزي پويا براي ارايه الگويي جهت اتخاذ سياست مطلوب بخشودگي و كاهش فرار مالياتي بر اساس اطلاعات سال‌هاي 1388-1384 استفاده شده است. نتايج اين مطالعه نشان داد كه‌ ميزان فرار مالياتي در طول دوره مورد بررسي 6714 ميليارد ريال بوده است كه با ارايه 4 درصد بخشودگي مالياتي به مشتريان، ميزان عدم پرداخت ماليات دريافتي به ميزان 3108 ميليارد ريال كاهش خواهد يافت. ضمن اينكه با در نظر گرفتن حالت‌گذار دريافت ماليات و تنزيل آن بر‌اساس ارزش فعلي، ارزش جريان‌هاي نقدي آينده ماليات دريافتي در طول دوران گذار دريافت ماليات برابر با 16034ميليارد ريال خواهد شد كه اين مبلغ برابر با 11 درصد كل ارزش ماليات دريافتي در كل دوره مي‌باشد. با توجه به اهميت تصميم گيري جهت بخشودگي مالياتي با استفاده از روش برنامه‌ريزي پويا، شاخص بخشودگي مالياتي بر حسب سربه‌سر، مشخص شد. بر اين اساس در حالتي كه ارزش عامل تنزيل كم‌تر از 22 درصد باشد، سياست مطلوب براي افزايش درآمد مالياتي، عدم بخشودگي مالياتي به مشتريان است و در صورتي كه عامل تنزيل بيش از 22درصد باشد، سياست مطلوب ارايه بخشودگي به مشتريان خواهد بود.

In this paper, Markov chain and dynamic programming were used to represent a suitable pattern for tax relief and tax evasion decrease based on tax earnings in Iran from 2005 to 2009. Results, by applying this model, showed that tax evasion were 6714 billion Rials**. With 4% relief to tax payers and by calculating present value of the received tax, it was reduced to 3108 billion Rials. With regard to transition periods of tax-receipt and its discount index, the present value of future tax cash flows, during the future period, were 16034 billion Rials. Also, by means of dynamic programming, the break–even-point of tax relief index was determined. Consequently, if the discount rate were less than 22%, the optimal policy to increase tax revenue would be not to give discount and if it were more than 22%, the favorable policy would be to offer discount to tax payers.