تحقیقات مدلسازی اقتصادی، جلد ۸، شماره ۳۰، صفحات ۱۴۷-۱۶۹
عنوان فارسی پیش‌بینی درآمدهای مالیاتی با استفاده از الگوریتم بهینه‌سازی ازدحام ذرات (PSO)
چکیده فارسی مقاله 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.
کلیدواژه‌های فارسی مقاله مالیات، پیش‌بینی، مدلسازی شبکه‌های عصبی، بهینه‌سازی، الگوریتم ازدحام ذرات (PSO)
عنوان انگلیسی Tax Revenues Forecasting By Applying PSO Optimization Algoritm
چکیده انگلیسی مقاله
Forecasting tax revenues is vitally important issue for optimal allocation of taxable resources, planning and budgeting in national and regional levels and knowing the potential national participation in public expenditures.  The classical optimization based on mathematical methods may not be reliable in real world and mostly inefficient and inapplicable in complicated world due to their restricted assumptions. The smart optimization may help us to find the solution. This essay based on modified  PSO  methodology .The initial trial based on the data during 1971- 2007 in case of various direct and indirect taxes , and  using updated data  during 2008- 2012 for final forecasting , to estimate tax revenues for upcoming next three years (2013 up to 2016) by MATLAB software.
کلیدواژه‌های انگلیسی مقاله Tax, Forecast, Neural Net Modeling, Optimization, PSO and Modified PSO
نویسندگان مقاله مرتضی اسدی | Morteza Asadi
Kharazmi University
دانشگاه خوارزمی

سعیده حمیدی علمداری | Saeedeh Hamidi Alamdari
Kharazmi University
دانشگاه خوارزمی

حمید خالو زاده | Hamid Khaloozadeh
Khaje Nasirooldin Tousi University
دانشگاه خواجه نصیرالدین طوسی

نشانی اینترنتی http://jemr.khu.ac.ir/browse.php?a_code=A-10-1606-1&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده بخش عمومی
نوع مقاله منتشر شده توسعه ای
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات