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.
مطالعات انجام شده در کشورهای مختلف نشان می دهد که میان اجرای مالیات بر ارزش افزوده و اقتصاد غیر رسمی رابطه متقابل وجود دارد ، به طوری که اجرای این مالیات به گسترش اقتصاد زیرزمینی منجر می شود و رفاه اجتماعی کاهش می یابد . گسترش اقتصاد غیر رسمی به افزایش فرار مالیاتی و در نتیجه کاهش درآمدهای حاصل از اجرای این نوع مالیات منجر می شود . در این مقاله تلاش شده است به این سوال پاسخ داده شود که آیا اجرای مالیات بر ارزش افزوده بهترین نوع مالیات در ایران است یا خیر ؟ ...