سنجش ظرفیت مالیات بر ارزش افزوده مناطق با استفاده از الگوی داده-ستانده چند منطقه ای
Publish place: Iranian Economic Development Analyses، Vol: 6، Issue: 2
Publish Year: 1397
Type: Journal paper
Language: Persian
View: 524
This Paper With 22 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
JR_EDP-6-2_001
Index date: 22 December 2019
سنجش ظرفیت مالیات بر ارزش افزوده مناطق با استفاده از الگوی داده-ستانده چند منطقه ای abstract
در این مقاله، یکپارچگی افقی و عمودی ارزش افزوده و اثرات متقابل مناطق کشور بر ظرفیت مالیات بر ارزش افزوده با استفاده از یک جدول داده- ستانده چندمنطقه ای تهران، البرز و سایر مناطق برای سال 1393 محاسبه گردیده است. از یک سو بر اساس نظریه اقتصاد منطقه ای، پیش بینی می شود که هرچه منطقه کوچک تر باشد، میل به واردات بیشتر و شاخص یکپارچگی عمودی بزرگتری داشته باشد و از سوی دیگر، طبق منطق نظام مالیات بر ارزش افزوده، انتظار می رود که منطقه بزرگتر، ظرفیت مالیات بر ارزش افزوده مناطق دیگر را به میزان بیشتری متاثر سازد. محاسبات این مقاله نیز موید این دو پیش بینی نظری است به طوری که نتایج مطالعه، حاکی از آن است که: اولا، شاخص یکپارچگی عمودی برای استان های تهران، البرز و سایر مناطق، به ترتیب 7/9، 9/17 و 5/3 درصد است و استان البرز که با سهم 4/3 درصدی از کل تولید ناخالص داخلی کشور، کوچک ترین منطقه محسوب می شود، بالاترین شاخص یکپارچگی عمودی را دارد. ثانیا، استان البرز به عنوان کوچک ترین منطقه، اثرات نسبتا اندکی بر ظرفیت مالیات بر ارزش افزوده تهران و سایر مناطق دارد؛ به طوری که تامین نیازهای واسطه ای بخش های اقتصادی استان البرز توسط تهران و سایر مناطق، صرفا می تواند 33/0 و 72/0 درصد ظرفیت مالیاتی این دو منطقه را ارتقا بخشد. این در حالی است که وسعت اثرگذاری سایر مناطق بر ظرفیت مالیاتی استان تهران و البرز، به مراتب قابل ملاحظه تر بوده و به ترتیب، موجب ایجاد یک ظرفیت مالیاتی 5/8 و 14 درصدی در دو استان مذکور می شود
سنجش ظرفیت مالیات بر ارزش افزوده مناطق با استفاده از الگوی داده-ستانده چند منطقه ای Keywords:
سنجش ظرفیت مالیات بر ارزش افزوده مناطق با استفاده از الگوی داده-ستانده چند منطقه ای authors
پریسا مهاجری
استادیار دانشکده اقتصاد دانشگاه علامه طباطبائی
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :