پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 41 |
| تعداد شماره‌ها | 1,130 |
| تعداد مقالات | 9,675 |
| تعداد مشاهده مقاله | 17,616,599 |
| تعداد دریافت فایل اصل مقاله | 12,298,467 |
پیش‌بینی مالیات بر ارزش افزوده بر مصرف بنزین | ||
| پژوهش‌های رشد و توسعه اقتصادی | ||
| مقاله 7، دوره 6، شماره 21، دی 1394، صفحه 119-107 اصل مقاله (314.96 K) | ||
| نوع مقاله: پژوهشی | ||
| نویسنده | ||
| یگانه موسوی جهرمی* | ||
| عضو هیئت علمی گروه اقتصاد دانشگاه پیام نور | ||
| چکیده | ||
| در قانون مالیات بر ارزش افزوده برای کنترل مصرف بنزین، به عنوان یکی از کالاهای آلاینده محیط زیست، و همچنین دستیابی به منابع درآمدی جهت حفاظت از محیط زیست، نرخ مالیاتی بالاتر از نرخ استاندارد بر مصرف آن وضع می‌شود. از این‌رو، در این مقاله پیش‌بینی میزان درآمد قابل وصول از این پایه مالیاتی با استفاده از رویکردی دو مرحله‌ای مدنظر قرار گرفته است. در مرحله اول، پایه مالیات (مخارج مصرفی بنزین) برای دوره 1392 الی 1395 پیش‌بینی و سپس مالیات بر مصرف بنزین برای سال‌های مذکور، با اعمال نرخ‌های مالیاتی، محاسبه شده است. در این راستا برای پیش‌بینی‌های دقیق از درآمد مالیاتی مورد نظر، از روش شبکه‌های عصبی مصنوعی با ناظر برای پیش‌بینی و برای آموزش شبکه‌ها از الگوریتم پس انتشار خطا استفاده شده است. نتایج بیانگر این است که در سال‌های مورد پیش‌بینی، تغییر قیمت بنزین ناشی از برقراری مالیات مذکور، تأثیر چندانی بر روی مصرف بنزین نخواهد داشت. همچنین، درآمد مالیات بر ارزش افزوده ناشی از مصرف بنزین به طور متوسط از رشد سالانه 35 درصد برخوردار خواهد شد. | ||
| کلیدواژه‌ها | ||
| بنزین؛ روش شبکه عصبی؛ کالاهای آلاینده؛ مالیات بر ارزش افزوده؛ نظریه آشوب | ||
| عنوان مقاله [English] | ||
| Forecasting Value Added Tax on Gasoline Consumption | ||
| نویسندگان [English] | ||
| Yeganeh Mousavi Jahromi | ||
| Faculty member, Payame Noor University | ||
| چکیده [English] | ||
| In the VAT Acts in order to control gasoline consumption as one of the environment- polluting and also to earn revenue resources for environment protection, higher tax rate than the standard rate is levied on its consumption. In this paper, forecasting income receivable from the tax base using the two-stage approach has been considered. In the first stage, tax base (gasoline consumption expenditure) has been forecasted in the period 2013 to 2016 and then gasoline consumption tax, using multiplying the tax rates in gasoline consumption expenditure predicted, has been calculated for the mentioned period. In this regard, for precise prediction of the tax revenue, supervised neural networks method and for networks training, error back-propagation algorithm are used. The results indicate that during the mentioned period gasoline price changes (as the most effective variable) arising from VAT will have no serious impact on gasoline consumption. Also, VAT revenue of gasoline consumption will increase by an average annual rate of 35 %. | ||
| کلیدواژه‌ها [English] | ||
| Gasoline, Neural Network Method, Polluting Goods, Value Added Tax, Chaos Theory | ||
| مراجع | ||
|
امین ناصری، محمدرضا و کوچک زاده، احمد (1384). پیش‌بینی ماهانه مصرف نفت سفید کل کشور با استفاده از شبکه عصبی بازگشتی. چهارمین کنفرانس بین‌المللی مهندسی صنایع، دانشگاه تربیت مدرس. بغزیان، آلبرت و نصرآبادی، ابراهیم (1385). پیش‌بینی مصرف فرآورده‌های نفتی: مقایسه سیستم معادلات اقتصادسنجی و شبکه‌های عصبی. فصلنامه مطالعات اقتصاد انرژی، سال سوم، شماره 10، 67-47. ختایی، محمود و اقدامی، پروین (1384). تحلیل کشش قیمتی تقاضای بنزین در بخش حمل و نقل زمینی ایران و پیش-بینی آن تا سال 1394. فصلنامه پژوهش‌های اقتصادی ایران، سال هفتم، شماره 25، 46-23. عبدلی، قهرمان و محمدی خیاره، محسن (1390). بررسی عوامل مؤثر بر مصرف بنزین در شهر تهران. پژوهشنامه حمل و نقل، سال هشتم، شماره سوم،240-225. غلامی، الهام (1389). بررسی هدفمند شدن یارانه‌ها بر درآمدهای مالیات بر ارزش افزوده در ایران. فصلنامه اقتصاد کاربردی، شماره دوم، 232-215. منهاج، محمدباقر (1384). مبانی شبکه‌های عصبی. تهران، دانشگاه صنعتی امیرکبیر. منهاج، محمدباقر؛ کاظمی، عالیه؛ شکوری گنجوی، حامد؛ مهرگان، محمدرضا و تقی زاده، محمدرضا (1389). پیش‌بینی تقاضای انرژی بخش حمل و نقل با استفاده از شبکه‌های عصبی: مطالعة موردی در ایران. مجله مدرس علوم انسانی- پژوهش‌های مدیریت در ایران، دوره 14، شماره 66، 217-202. موسوی‌جهرمی، یگانه (1386)، راه‌های فرار مالیاتی در نظام مالیات بر ارزش افزوده و راهکارهای جلوگیری از آن، پژوهشکده امور اقتصادی (طرح پژوهشی). موسوی‌جهرمی، یگانه؛ رضایی، محمد قاسم و سبزرو، محبوبه (1392). نگرشی به کارایی درآمد مالیاتی مبتنی بر مصرف در بستر نوسانات اقتصادی: تحلیل بین کشوری. فصلنامه پژوهشنامه مالیات، سال 21، شماره 20، 72-51. نیلی، مسعود؛ ساعدی، علیرضا؛ سیدخسروشاهی، امیررضا؛ عینیان، مجید و فرخی، فرید (1389). ارزیابی پیامدهای اصلاح نظام یارانه انرژی (با تأکید بر صنعت، خانوار، بودجه عمومی دولت و اقتصاد کلان)، تهران: اتاق بازرگانی صنایع و معادن، فصل سوم. هژبر کیانی، کامبیز؛ غلامی، الهام و نوبخت، جواد (1391). برآورد نرخ بهینه مالیات بر ارزش افزوده با استفاده از الگوی دایموند. فصلنامه تحقیقات اقتصادی، دوره 47، شماره دوم، 79-61.
Balkin, Sandy D. & Ord, K. (2000). Automatic Neural Network Modeling for Univariate Time Series. International Journal of Forecasting, 16(4), 509-515.
Demirel, O., Zaim, S., Caliskan, A., & Ozuyar, P. (2012). Forecasting Natural Gas Consumption in ˙Istanbul Using Neural Networks and Multivariate Time Series Methods, Turk J Elec Eng & Comp Sci, 20(5), 695-711.
Ebrill, L., Keen, M., & Summers, V. (2001). The Modern VAT. Washington D.C: IMF.
Ellner, S. & Turchin, P. (1995). Chaos in a Noisy World: New Methods and Evidence from Time Series Analysis. American Naturalist, 145(3), 343-375.
Garliauskas, A. (1999). Neural Network Chaos and Computational Algorithms of Forecast in Finance, IEEE International Conference, 2, 638-643.
Hill, T., O’Connor, M., & Remus, W. (1996). Neural Network Models for Time Series Forecasts. Management Science, 42(7), 1082-1092.
Jebaraj, S., & Iniyanb, S. (2006), A Review of Energy Models. Renewable and Sustainable Energy Reviews, 10(4), 281-311.
Liu, R., Xiong, J., & Cui, Q. (2012). A Comparison of Models for Forecasting Petroleum Consumption in China. 9th OAPS Working Paper Series.
Nasr, G. E., Badr, E. A. & Joun, C. (2003). Backpropagation Neural Networks for Modeling Gasoline Consumption. Energy Conversion and Management, 44(6), 893–905.
Poli, I., & Jones, R. D. (1994). A Neural Net Model for Prediction. Journal of American Statistical Association, 89(425), 117-121.
Tkacz, G. (2001). Neural Network Forecasting of Canadian GDP Growth. International Journal of Forecasting, 17(1), 57–69.
Wang, X., & Meng, M A. (2012). Hybrid Neural Network and ARIMA Model for Energy Consumption Forecasting. Journal of Computers, 7(5), 1184-1190. | ||
|
آمار تعداد مشاهده مقاله: 2,826 تعداد دریافت فایل اصل مقاله: 1,792 |
||