فصلنامه تحقیقات مدلسازی اقتصادی

با توجه به سهم بالای دارایی مسکن در پرتفوی دارایی عاملان اقتصادی، درک، شناخت، پیش‌بینی و استخراج دوره‌های رونق و رکود قیمت مسکن می‌تواند برای خریداران مسکن و یاسرمایه‌گذاران بالقوه مسکن مفید باشد.طی بیست سال گذشته، افزایش قیمت مسکن در تهران و شهرهای بزرگ کشور به صورت پله‌ای بوده و رفتاری سیکلی (ادواری) داشته است. در این مقاله پس از استخراج سیکل‌های بلند مدت با فرکانس پایین قیمت مسکن توسط فیلتر موجک با استفاده از سری زمانی قیمت مسکن از Q41390Q3-1369، و با استفاده از شبکه عصبی اقدام به پیش‌بینی ادامه سیکل‌های قیمت مسکن با استفاده از سیکل‌های استخراج شده قیمت مسکن جهت شناسایی و پیش‌بینی دوره‌های رکود یا رونق قیمت مسکن، در فصولبعد از فصل چهارم سال 1391 شده است. که نتایج نشان داد که از فصل انتهایی سال 1391 تا  پایان فصل سوم  این سال شاهد طی‌شدن دوره‌های رونق قیمت مسکن هستیم و در ادامه قیمت مسکن از فصل پایانی سال 1392 با رکود مواجه می‌شود.

در این مقاله، پیش‌بینی درآمد حاصل از این منبع مالیاتی با استفاده از رویکرد مبتنی بر برآورد پایه مالیاتی مدنظر قرار گرفته است. بدین نحو که در مرحلۀ اول، پایۀ مالیات (مخارج مصرفی سیگار) برای دوره 1391 الی 1394 پیش بینی و سپس مالیات این سال‌ها با اعمال نرخ‌های مالیاتی، محاسبه خواهد شد. در این راستا از آنجا که یکی از دغدغه‌های سیاستگذاران دسترسی به پیش‌بینی‌های دقیق از درآمدهای مالیاتی است، از روش شبکه‌های عصبی با ناظر برای پیش‌بینی و برای آموزش شبکه‌ها از الگوریتم پس انتشار استفاده شده است. نتایج بیانگر آن است که درآمد مالیات بر ارزش افزوده ناشی از مصرف سیگار در سال‌های مورد پیش‌بینی، به‌طور متوسط از رشد سالانه 20 درصد برخوردار خواهد شد.

در بازارهای سرمایه عامل‌های مختلفی در پیش بینی قیمت سهام موثر می باشد بنابراین سرمایه گذار جهت سرمایه گذاری سودآور با کمترین ریسک  با چالش، تردید و خطا مواجه می باشد. در راستای کاهش هزینه و بالا بردن سود سرمایه گذاری،  تعیین عاملهای تاثیر گذار و زمان مناسب جهت خرید و فروش از مهم ترین مسائلی است که هر سهام دار یا سرمایه گذار در بازار بورس بایستی به آن توجه ویژه داشته باشد. تاکنون روشهای مختلفی جهت نیل به این اهداف معرفی شده اند که اغلب روشهای آماری،  هوشمند و ترکیبی هستند. الگوریتم پیشنهادی یک روش ترکیبی است که شامل دو بخش است بخش اول پیش پردازش و بخش دوم پیش بینی کننده است. در پیش پردازش  سه فرآیند جاگذاری داده‌های غیر موجود، نرمالیزه کردن و انتخاب ویژگی به ترتیب انجام می شود. از آنجایی که تعداد ویژگی‌های بکار برده شده زیاد است از روش الگوریتم ژنتیک برای انتخاب ویژگی و کاهش ابعاد فضای ویژگی استفاده شده است. در بخش پیش بینی کننده، با توجه به قابلیت پیش بینی هوشمند شبکه عصبی - فازی، از این شبکه با دو ساختار ممدانی و سوگنو بعنوان پیش بینی کننده قیمت سهام بهره می‌بریم که قابلیت استخراج قواعد فازی بصورت خودکار دارد. آموزش پارامترهای مقدمه و نتیجه شبکه برپایه الگوریتم پس انتشار خطا (گرادیان نزولی) می‌باشد.
الگوریتم پیشنهادی با استفاده از داده های 10 شرکت که هر کدام از آنها دارای 7 ویژگی می‌باشند، ارزیابی شده است. نتایج شبیه سازی نشان می دهد که با توجه به نوع شرکتها، ویژگیهای انتخابی و نوع ساختار شبکه عصبی فازی ترکیبی  نتایج متفاوتی بدست می آید. با توجه به معیارهای مورد ارزیابی، نتایج به دست آمده برتری شبکه عصبی فازی ترکیبی را به شبکه عصبی فازی ساده نشان می دهد، اما بطور کلی پیش بینی‌کننده با ساختار سوگنو با الگوریتم ژنتیک دارای عملکرد بهتری نسبت به ساختار ممدانی دارد، چون تعداد پارامترهای آموزش ساختار سوگنو بیشتر است.