تحليل پوياي ماليات در يك اقتصاد باز كوچك صادر‌كننده نفت با استفاده از سيستم‌هاي فازي عصبي

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

هدف از اين مقاله تحليل پوياي ماليات در اقتصاد ايران است. بسياري از سيستم­هاي اقتصادي كه نيازمند مدلسازي هستند، پيچيده، غير خطي و داراي پارامترهاي ناشناخته­اي هستند كه اندازه ­گيري آن­ها را در قالب مدل­هاي رياضي و اقتصادسنجي با مشكل و نا اطميناني همراه كرده است. در اين مقاله با استفاده از كدگذاري تحت رويكرد سيستم عصبي- فازي تطبيقي (ANFIS) يك الگو براي تحليل پوياي ماليات در يك اقتصاد صادركننده نفت طي دوره زماني 1369 تا 1395 شبيه سازي گرديد. در اين راستا، مقادير ورودي كامپوننت­هاي‌ بخش بانك مركزي، دولت و خانوار‌ها، همچنين كامپوننت‌ نقش سياست مالياتي در شرايط پويا بر درآمدهاي دولت، تعادل بودجه و تراز تجاري كشور ايران محاسبه شد. نتايج دلالت بر اين دارد كه كامپوننت خروجي« تحليل پوياي ماليات در ايران» دقيقاً در وضعيت سطح پنجم خروجي سيستم يعني خوب قرار دارد. آزمون هاي صورت گرفته از قبيل خطاي داده هاي به دست آمده (RMSE) در هر مرحله، نشان دهنده اعتبار مدل و دقت بسيار بالاي محاسبات شبكه­ هاي عصبي- مصنوعي و منطق فازي در مقايسه با مدل­هاي اقتصادسنجي تحقيق مي­ باشد

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 Iran's trade balance have been calculated. The results indicate that the output component of "Dynamic Tax Analysis in Ir@n" 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 neural-artificial network and fuzzy logic calculations compared to the research econometric models.