سعیده حمیدی علمداری

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.

"در این پژوهش، بررسی ویژگی ها و مهارت های مدیریت زمان در مدیران مقطع راهنمایی نظام آموزش و پرورش و مقایسه آن با وضع مطلوب مد نظر قرار گرفته است. بدین منظور، نمونه ای مرکب از 177 مدیر مدرسه راهنمایی در مناطق مختلف شهر تهران با استفاده از سه ابزار بررسی اسناد و مدارک، مصاحبه، و پرسشنامه مورد مطالعه قرار گرفت و اطلاعات به دست آمده با استفاده از آزمون «تی» وابسته و تجزیه و تحلیل عاملی مورد تحلیل قرار گرفت. نتایج به دست آمده حاکی است که ویژگی های مدیریت زمان که در پژوهش های دیگران مورد تایید قرار گرفته با اندک تغییر در مدیریت مدارس راهنمایی نیز مورد تایید است. همچنین بین وضع مطلوب و موجود مدیریت زمان، تفاوت معناداری وجود دارد. در پایان مقاله نیز پیشنهادهایی به منظور بهبود مدیریت زمان ارایه گردیده است. "

در مقاله حاضر با استفاده از یک مدل مبتنی بر روابط سیستمی چگونگی تأثیر حذف تدریجی یارانه ها بر وصولی های مالیات بر ارزش افزوده بررسی می شود. کاهش یارانه ها ازطریق افزایش قیمت مصرف را تحت تأثیر قرار داده و از آنجایی که مصرف پایه مالیات بر ارزش افزوده می باشد، تغییرات در مصرف موجب تغییر میزان وصولی های مالیات بر ارزش افزوده می شود. از آنجایی که مصرف و سطح عمومی قیمت ها ارتباط متقابل با یکدیگر دارند، لذا در این مقاله ابتدا با استفاده از یک مدل همزمان و با استفاده از روش حل 3SLS به بررسی میزان این ارتباط و چگونگی تأثیر یارانه ها بر مصرف و سطح عمومی قیمت ها برای سال های (1387-1352) پرداخته و سپس تأثیر حذف تدریجی یارانه ها به صورت همزمان بر مصرف و سطح عمومی قیمت ها در یک بازه مقداری برای سال های (1393-1388) برآورد شده است و درنهایت میزان وصولی های مالیات بر ارزش افزوده تحت تأثیر این سیاست با استفاده از مصرف برآورد شده پس از اجرای سیاست حذف تدریجی یارانه ها برای سال های مورد بررسی پیش بینی شده است. نتایج بدست آمده از مدل نشان دهنده آن است که تقاضای مصرفی بخش خصوصی پس از یک دوره کاهش مجدداً روند افزایشی خود را با یک تغییر در عرض از مبدأ طی می کندکه این نتیجه تغییر در الگوی مصرفی خانوارها می باشد. از سوی دیگر ما شاهد بیشترین افزایش قیمت در سال 1390 خواهیم بود که به میزان بازه (35-17 درصد) می باشد و درنهایت وصولی های مالیات بر ارزش افزوده نیز طی سال های مورد بررسی با نرخ رشد ملایمی و به صورت تدریجی افزایش می یابد.

پیش بینی درآمدهای مالیاتی قابل حصول در منابع مختلف مالیاتی، علاوه بر تخصیص بهینه منابع محدود سازمانی در جهت وصول مالیات، دولت را در انجام برنامه ریزی های دقیق مالی کمک می نماید. این مقاله با استفاده از الگوریتم تکاملی ازدحام ذرات و نسخه بهبودیافته آن به پیش بینی درآمدهای مالیاتی کشور به تفکیک منابع وصولی (مالیاتهای کل، کالا وخدمات، اشخاص حقوقی، درآمد و ثروت) برای سالهای 95-1392 می پردازد. به این منظور از داده های درآمدهای مالیاتی سالهای 86-1350 برای آموزش شبکه استفاده شده و سپس با استفاده از الگوریتم تکاملی ازدحام ذرات و ازدحام ذرات بهبود یافته پارامترهای این مدل بهینه شده است. از داده های سالهای 91-1387 برای آزمون مدل استفاده شده که نتایج تاییدی بر عملکرد مدل مورد استفاده بوده و در نهایت پیش بینی برون نمونه ای درآمدهای مالیاتی به تفکیک منابع وصولی برای سالهای 95-1392 با استفاده از نرم افزار MATHLAB انجام شده است.

در این مقاله ی، پیش بینی درآمدهای مالیاتی کشور طی سال های برنامه ی پنجم توسعه، یا به کارگیری روش شبکه های عصبی غیرخطی انجام شده است. این پیش بینی بر مبنای داده-های درآمدهای مالیاتی به تفکیک مالیات های کل، مستقیم، غیرمستقیم (سال های 87-1338)، شرکت ها، درآمد، ثروت و واردات (87-1342) بوده است. از آن جا که پیش بینی ها مربوط به دوره ی میان مدت می باشد، شناخت نسبی از میزان پیچیدگی سری های زمانی موردنظر این امکان را فراهم می کند که با توجه به ساختار سری های زمانی، از مدل های مناسب برای پیش بینی و دستیابی به جواب های قابل اطمینان استفاده شود، لذا در این مقاله ابتدا ماهیت ساختاری سری زمانی درآمدهای مالیاتی از جهت آشوبی و تصادفی بودن و میزان پیچیدگی، با استفاده از آزمون بُعد همبستگی، بررسی شده است. نتایج تخمین بُعد همبستگی علاوه بر تأیید وجود آشوب در داده ها، نشانگر پیچیدگی در ساختار سری های زمانی موردنظر می باشد که میزان آن در مورد هر متغیر از جهت شدت و ضعف، متفاوت است. در مرحله ی بعد، درآمدهای مالیاتی به تفکیک منابع وصولی با استفاده از شبکه ی عصبی پیشنهادی وی ژه ی مؤلفان با ساختار چندورودی چندخروجی و قانون یادگیری پیشنهادی برای سال های 93-1388، به صورت یک بازه ی درآمدی پیش بینی شده است. نتایج به دست آمده از فرآیند پیش بینی شش سال آینده در فاز آموزش بسیار مطلوب بوده است و انتظار می رود در سال های آینده نیز مقادیر پیش بینی شده چنان چه تغییر ساختار ویژه ی مالیاتی رخ ندهد، با دقت خوبی برقرار باشد. طبقه بندی G11, G1 :JEL