برآوردی از ظرفیت وتلاش مالیاتی در ایران و مقایسه آن باکشورهای منتخب  …
3d render, white female mannequin hands isolated on black background, holding gold ball, body parts, fashion concept, esoteric fortuneteller, sacred geometry, global care symbol, clean minimal design

برآوردی از ظرفیت وتلاش مالیاتی در ایران و مقایسه آن باکشورهای منتخب …

تجزیه و تحلیل الگو بر اساس مشاهدات تجربی
مقدمه
در فصل سوم، به معرفی الگوی مورد استفاده در این پژوهش پرداختهشد و معادله رگرسیونی که باید با استفاده از دادههای پانل برای چهارده کشور عضو سازمان کنفرانس اسلامی در طول دوره ۲۰۰۵-۱۹۹۹ تخمین زدهشود، بهدست آمد. کشورهای منتخب عضو سازمان کنفرانس اسلامی که در این پژوهش مورد بررسی قرار میگیرند، عبارتند از: ایران، اردن، لبنان، مصر، اندونزی، مالزی، پاکستان، مراکش، بنگلادش، عراق، کویت، عمان، عربستان سعودی، و تونس.
در این فصل ابتدا بهطور اجمالی به معرفی دادههای پانل پرداخته میشود. بخش دوم، به برآورد الگوی استخراجی و آزمونهای لازم در این خصوص اختصاص دارد. در این بخش، با استفاده از الگوی تصریحشده و برآوردشده (۳-۱۴)، مقدار نسبت مالیاتی تخمینزدهشده برای هر کشور محاسبه میگردد. نهایتاً براساس رابطه (۳-۱۵)، مقدار تلاش مالیاتی هر کشور در سالهای مختلف بهدست میآید.
۴-۱- دادههای پانل
بهدلیل پارهای از مشکلات که در مطالعات تجربی سری زمانی و یا مقطعی حاصل میشود، هر روزه تمایل به انجام مطالعات با استفاده از دادههای تلفیقی موسوم به پانل دیتا در بین مطالعات علمی گسترش یافتهاست. دادههای پانل محیطی بسیار غنی از اطلاعات را برای گسترش دادن تکنیکهای تخمین و نتایج نظری فراهم میآورند. در ادامه به معرفی اجمالی این روش خواهیمپرداخت.
بهطور کلی تلفیق از لحاظ دادهها بر دو قسم است:
تلفیقهای متوازن که در آن سری زمانی (t) برای تمام مقاطع (i) برابر است.
تلفیقهای نامتوازن که یا تعداد مشاهدات مقطعی (i) برای تمام دورههای زمانی (t) برابر نیست، یا اینکه تعداد سالهای مورد مطالعه برای تمام تعداد مشاهدات مقطعی برابر نیست. الگوی رگرسیونی پانل دیتا (از قسم اول) عبارت است از:
Yit = αi + βiXit + … + εit ……… (۴-۱)
در معادله بالا، i بیانگر مقاطع و t بیانگر زمان است. Yit ماتریسی در ابعاد NT*1، X ماتریسی در ابعاد NT*K میباشد و β نیز برداری به بعد K*1 است. در اینجا K تعداد متغیرهای توضیحی موجود (بدون احتساب عرض از مبدأ) در Xit میباشد[۱۱۸]. بهطور کلی در صورتیکه αi برای تمام مقاطع، ثابت در نظر گرفتهشود، روش حداقل مربعات معمولی برآوردهای کارا و سازگاری از α و β ارائه خواهدداد. زیرا در این حالت فقط دادهها روی هم انباشته شدهاند که اصطلاحاً به آن دادههای تلفیقی[۱۱۹] گفته میشود. اما در صورتیکه در بین مشاهدات، ناهمگنی یا تفاوتهای فردی وجود داشتهباشد، باید از روشهای دیگری برای تخمین استفادهشود. برای بررسی اینگونه الگوها، از روش پانل دیتا استفاده میشود، که خود شامل روش اثرات ثابت و روش اثرات تصادفی است. در این حالت، پارامترها برای تمام مقاطع یکسان بوده، و اختلاف یا در عرض از مبدأ است و یا در اجزای پسماند؛ اولی توسط روش اثرات ثابت و دومی توسط روش اثرات تصادفی بیان میگردد[۱۲۰].
۴-۱-۱- اثرات ثابت
یک روش متداول در فرموله کردن مدل دادههای تلفیقی، بر این فرض استوار است که اختلافات بین واحدها را میتوان به صورت تفاوت عرض از مبدا نشان داد و بنابراین در رابطه زیر هر  یک پارامتر ناشناختهای است که باید برآورد گردد.
با فرض این که  شامل T مشاهده برای واحد iام باشند و  بردار جزء اخلال بوده و دارای ابعاد T*1 باشد، در نتیجه رابطهی خطی بین  به صورت زیر مرتب میشود:
(۴-۲)
که در این فرمولها I بردار یکه با ابعاد۱ *T میباشد مدل فوق را میتوان به شکل زیر خلاصه کرد.
(۴-۳)
که  متغیر مجازی برای نشان دادن i امین مقطع میباشد حال اگر ماتریس D را به صورت  با ابعاد  تعریف کنیم، خواهیم داشت.
(۴-۴)
که این رابطه به عنوان «مدل حداقل مربعات متغیر مجازی»[۱۲۱] نامیده میشود. مدل اخیر یک مدل رگرسیونی کلاسیک بوده و هیچ شرط جدیدی برای تجزیه و تحلیل آن لازم نیست و میتوان مدل را با استفاده از ارزش OLS با k رگرسور در x وn ستون در D به عنوان یک مدل چند متغیره با n+k پارامتر برآورد کرد. لازم به ذکر است که میتوان در روش اثرات ثابت، عرض از مبدأ را طوری بر آورد کرد که نه تنها در مقاطع مختلف بلکه در زمانهای مختلف نیز متفاوت از هم باشند.
بنابراین میتوان بهطور خلاصه چنین عنوان نمود که در تخمینهای اثرات ثابت، بعد زمان در نظر گرفته نمیشود و تنها اثراتی که مختص به هر یک از مقاطع است، بهعنوان اثرات انفرادی منظور میگردند. در این روش فرض میشود که اختلاف بین مقاطع را میتوان بهصورت تفاوت در عرض از مبدأ نشان داد. بنابراین در معادله (۴-۱) هر αi یک پارامتر ناشناخته است که باید برآورد شود.
۴-۱-۲- اثرات تصادفی
مدلهای اثرات ثابت تنها درصورتی منطقی خواهد بود که ما اطمینان داشته باشیم، اختلاف بین مقاطع را میتوان به صورت انتقال تابع رگرسیون نشان داد؛ در حالیکه ما همیشه از وجود این موضوع مطمئن نیستیم. لذا روشهای دیگر مورد استفاده قرار میگیرند. روش دیگر برآورد، روش اثرات تصادفی است که فرض میکند جزء ثابت مشخصکننده مقاطع مختلف به صورت تصادفی بین واحدها و مناطق توزیع شده است. با توجه به این مورد، مدل با اثرات تصادفی به شکل زیر خواهد بود:
(۴-۵)
که دارای K رگرسور به اضافه یک عرض از مبدا میباشد. مولفهی  مشخص کننده جزء تصادفی مربوط به iامین واحد بوده و در طول زمان ثابت است. در مطالعات کاربردی، میتوان  را آن دسته از ویژگیهای خاص مربوط به هر مقطع در نظر گرفت که در مدل وارد نشدهاند. باید توجه داشت که در این حالت واریانسهای مربوط به مقاطع مختلف با هم یکسان نبوده و مدل ما دچار واریانس ناهمسانی میباشد که باید از روش GLS استفاده نمود.
نتیجتاً در تخمین اثرات تصادفی، فرض میشود عرض از مبدأ دارای توزیع مشترکی با میانگین α و واریانس α۲δ میباشد. بهعبارت دیگر، فرض میشود عرض از مبدأ، جمله اخلالی شبیه εit است برخلاف روش قبلی، با متغیرهای توضیحی الگو ناهمبسته است. در این روش، عامل زمان منظور میگردد و اثرات انفرادی واحدها در طول زمان بهطور جداگانه بهعنوان متغیرهای توضیحی وارد الگو میشوند. در واقع این روش برخلاف روش اثرات ثابت که فرض میکند اختلاف بین مقاطع، سبب انتقال تابع رگرسیون میشود و به عناصر خارج از الگو توجهی نمیکند، جزء عرض از مبدأ را دارای توزیع تصادفی میداند.
۴-۲- برآورد الگو
در این بخش، ابتدا الگوی نسبت مالیاتی برای چهارده کشور عضو سازمان کنفرانس اسلامی برای دوره ۲۰۰۵-۱۹۹۹ با استفاده از روش پانل متوازن برآورد و سپس تلاش مالیاتی برای این کشورها محاسبه میشود. کشورهایی که برای این منظور در نظر گرفته شدهاند، عبارتند از: ایران، لبنان، اردن، اندونزی، مالزی، مصر، مراکش، پاکستان، بنگلادش، عراق، کویت، عمان، عربستان سعودی، و تونس.
همانطور که در فصل سوم بهطور مفصل گفتهشد، میتوان تابع نسبت مالیاتی را بهصورت زیر در نظر گرفت:
(۴-۶)
 
که در آن:
سهم مالیات از تولید ناخالص داخلی
YA : سهم بخش کشاورزی در تولید ناخالص داخلی
YS : سهم بخش خدمات از تولید ناخالص داخلی
YM : سهم بخش صنعت از تولید ناخالص داخلی
: سهم بخش خارجی از تولید ناخالص داخلی
: سهم قرضهای خارجی از تولید ناخالص داخلی
: تولید ناخالص داخلی سرانه
: سهم جمعیت شهری از کل جمعیت
Mn: پولی کردن
Gini: مقدار ضریب جینی
میباشد. همچنین  = C ،  =  و ۱  =  میباشند. با توجه به دوره زمانی موجود در دادههای پانل و برای اطمینان از عدم وجود رگرسیون کاذب، لازم است قبل از برآورد الگوی نسبت مالیاتی، مرتبه جمعیبودن متغیرهای الگو مورد بررسی قرار گیرد. برای آزمون مرتبه جمعیبودن متغیرهای الگو در دادههای پانل، از آزمون ایستایی ایم، پسران و شین (IPS)[122] استفاده میشود. این آزمون نمونهها را بهصورت جدا از یکدیگر در نظر میگیرد و در محاسبات طوری عمل میکند که ویژگیهای خاص هر کشور لحاظ شود. بهمنظور لحاظ کردن اثرات خاص هر نمونه، آزمون IPS اجازه میدهد که ضریب رگرسیون خودتوضیح مرتبه اول هر متغیر، بهصورت آزادانه بین نمونهها تغییر کند. آزمون IPS میتواند دارای یک مقدار ثابت و یا دارای مقدار ثابت و متغیر روند برای هر نمونه باشد. حداقل دوره مورد نیاز برای این آزمون، پنج سال است. بنابراین در این تحقیق، میتوان از آزمون IPS برای بررسی ایستایی متغیرها استفاده کرد.
آزمون دیگری که برای بررسی مرتبه جمعیبودن متغیرهای الگو میتواند مورد استفاده قرار گیرد، آزمون لوین، لین و چات (LLC)[123] میباشد. بنابراین در این پژوهش، برای آزمون مرتبه جمعیبودن متغیرهای الگو، از دو آزمون IPS و LLC استفاده شدهاست. جدول (۴-۱) نتایج آزمونهای IPS و LLC را نشان میدهد.

منبع فایل کامل این پایان نامه این سایت pipaf.ir است
برچسب گذاری شده با: , , ,