close
تبلیغات در اینترنت
ریسرچ-45- دانلود فایل
loading...

دانلود فایل های آموزشی

نمودار STYLEREF 1 s ‏4 SEQ نمودار * ARABIC s 1 4: نمودار میله‌ای درصد فراوانی پاسخگویان برحسب وضعیت تاهلبررسی متغیر وضعیت درآمد پاسخگویان بر حسب میزان درآمد به 4 گروه تقسیم شدهاند که فراوانی آنها را در REF _Ref413846035 h جدول ‏46مشاهده میکنید. با توجه به جدول 25 درصد از پاسخگویان کمتر از 500.000 تومان ، 36.2 درصد بین 500.000 تا 1.000.000 تومان ، 20.3 درصد بین 1.000.000 تا 2.000.000 تومان ، 18.5 درصد بیش از 2.000.000 تومان دارند . جدول STYLEREF 1 s ‏4 SEQ جدول * ARABIC s 1 6 : توزیع…

ریسرچ-45- دانلود فایل

aaaa بازدید : 12 چهارشنبه 15 شهريور 1396 نظرات ()

نمودار STYLEREF 1 s ‏4 SEQ نمودار * ARABIC s 1 4: نمودار میله‌ای درصد فراوانی پاسخگویان برحسب وضعیت تاهلبررسی متغیر وضعیت درآمد
پاسخگویان بر حسب میزان درآمد به 4 گروه تقسیم شدهاند که فراوانی آنها را در REF _Ref413846035 h جدول ‏46مشاهده میکنید. با توجه به جدول 25 درصد از پاسخگویان کمتر از 500.000 تومان ، 36.2 درصد بین 500.000 تا 1.000.000 تومان ، 20.3 درصد بین 1.000.000 تا 2.000.000 تومان ، 18.5 درصد بیش از 2.000.000 تومان دارند .
جدول STYLEREF 1 s ‏4 SEQ جدول * ARABIC s 1 6 : توزیع فراوانی پاسخگویان برحسب درآمدفراوانی درصد فراوانی درصد معتبر درصد تجمعی
کمتر از 500.000 تومان 96 25 25 25
بین 500.000 تا 1.000.000 تومان 139 36.2 36.2 61.2
بین 1.000.000 تا 2.000.000 تومان 78 20.3 20.3 81.5
بیش از 2.000.000 تومان 71 18.5 18.5 100
مجموع 384 100 100
نمودار STYLEREF 1 s ‏4 SEQ نمودار * ARABIC s 1 5: نمودار میله‌ای درصد فراوانی پاسخگویان برحسب وضعیت درآمدبررسی پیشنهاد‌ها برای بهبود
پاسخگویان بر حسب پیشنهاد‌ها برای بهبود به 4 گروه تقسیم شدهاند که فراوانی آنها را در REF _Ref413846197 h جدول ‏47 مشاهده میکنید. از این تعداد 0.8درصد از پاسخگویان برای بهبود پیشنهاد افزایش قیمت فرآورده‌های نفتی، 52.1 درصد پیشنهاد افزایش سطح تبلیغات جهت مصرف صحیح ، 36.2درصد پیشنهاد اجرای سیاست‌های مالیات بر کربن و باقی افراد(10.9درصد) همه موارد را پیشنهاد دادند.
جدول STYLEREF 1 s ‏4 SEQ جدول * ARABIC s 1 7: توزیع فراوانی پاسخگویان برحسب پیشنهاد‌ها برای بهبودفراوانی درصد فراوانی درصد معتبر درصد تجمعی
افزایش قیمت فرآورده‌های نفتی 3 0.8 0.8 0.8
افزایش سطح تبلیغات جهت مصرف صحیح 200 52.1 52.1 52.9
اجرای سیاست‌های مالیات بر کربن 139 36.2 36.2 89.1
همه موارد 42 10.9 10.9 100
مجموع 384 100 100
نمودار STYLEREF 1 s ‏4 SEQ نمودار * ARABIC s 1 6: نمودار میله‌ای درصد فراوانی پاسخگویان برحسب وضعیت پیشنهاد‌ها برای بهبودبررسی درجه‌ی کیفیت هوای تهران
************************************* *************************************   نکته مهم : هنگام انتقال متون از فایل ورد به داخل سایت بعضی از فرمول ها و اشکال درج نمی شود یا به هم ریخته می شود یا به صورت کد نمایش داده می شود ولی در سایت می توانید فایل اصلی را با فرمت ورد به صورت کاملا خوانا خریداری کنید: سایت مرجع پایان نامه ها (خرید و دانلود با امکان دانلود رایگان نمونه ها) : elmyar.net *************************************   *************************************     پاسخگویان بر حسب اظهارنظر در مورد درجه‌ی کیفیت هوای تهران به 5گروه تقسیم شدهاند که فراوانی آنها را در REF _Ref413848297 h جدول ‏48 مشاهده میکنید. خیلی از پاسخگویان موافق با کیفیت نامطلوب تهران بودند به نحوی که 79.2درصد کیفیت هوای تهران را از 5 امتیاز فقط1و2 امتیازدادند که این دلیل عدم رضایت شهروندان از وضعیت هوای تهران است.
جدول STYLEREF 1 s ‏4 SEQ جدول * ARABIC s 1 8: توزیع فراوانی پاسخگویان برحسب درجه‌ی کیفیت هوای تهراندرجه کیفیت فراوانی درصد فراوانی درصد معتبر درصد تجمعی
1 230 59.9 59.9 59.9
2 74 19.3 19.3 79.2
3 39 10.2 10.2 89.3
4 14 3.6 3.6 93
5 27 7 7 100
مجموع 384 100 100
نمودار STYLEREF 1 s ‏4 SEQ نمودار * ARABIC s 1 7: نمودار میله‌ای درصد فراوانی پاسخگویان برحسب درجه‌ی کیفیت هوای تهرانبررسی سؤالات دیدگاه خانوار نسبت به کیفیت هوابررسی سؤال ابتلا به بیماری
توزیع فراوانی پاسخ‌ها نشان می‌دهد که، به نظر 21.4 درصد احتمال وجود بیماری به دلیل آلودگی هوا را نقض می‌کنند(که این ممکن است به دلیل نداشتن دانش کافی باشد) ولی 78.6درصد از پاسخگویان وجود بر وجود ابتلا به بیماری آگاهی داشتند.
جدول STYLEREF 1 s ‏4 SEQ جدول * ARABIC s 1 9: توزیع فراوانی پاسخگویان بر حسب ابتلا به بیماریفراوانی درصد فراوانی درصد معتبر درصد تجمعی
خیر 82 21.4 21.4 21.4
بلی 302 78.6 78.6 100
مجموع 384 100 100
نمودار STYLEREF 1 s ‏4 SEQ نمودار * ARABIC s 1 8: نمودار میله‌ای درصد فراوانی پاسخگویان برحسب ابتلا به بیماریبررسی سؤال تصفیه هوا
توزیع فراوانی پاسخ‌ها نشان می‌دهد که، به نظر 57.6درصد پاسخگویان استفاده از فیلترهای تصفیه‌کننده هوا را نسبت به ماسک هوا ارج تر می‌دانستند.
جدول STYLEREF 1 s ‏4 SEQ جدول * ARABIC s 1 10: توزیع فراوانی پاسخگویان بر حسب استفاده از فیلترهای تصفیه‌کننده هوا را نسبت به ماسک هوافراوانی درصد فراوانی درصد معتبر درصد تجمعی
فیلترهای تصفیه‌کننده هوا 221 57.6 57.6 57.6
ماسک هوا 163 42.2 42.2 100
مجموع 384 100 100
نمودار STYLEREF 1 s ‏4 SEQ نمودار * ARABIC s 1 9: نمودار میله‌ای درصد فراوانی پاسخگویان برحسب تصفیه هواآمار استنباطی
نقش آمار توصیفی درواقع، جمع‌آوری، خلاصه کردن و توصیف اطلاعات کمّی به‌دست‌آمده از نمونه‌ها یا جامعه‌ها است. اما محقق معمول کار خود را با توصیف اطلاعات پایان نمی‌دهد، بلکه سعی می‌کند آنچه را که از بررسی گروه نمونه به دست آورده است به گروه‌های مشابه بزرگ‌تر تعمیم دهد. تئوری‌های روان‌شناسی از طریق تعمیم نتایج یک یا چند مطالعه به آنچه ممکن است در مورد کل افراد جامعه صادق باشد به وجود می‌آیند. از طرف دیگر در اغلب موارد مطالعه تمام اعضای یک جامعه ناممکن است. ازاین‌رو محقق به شیوه‌هایی احتیاج دارد که بتواند با استفاده از آن‌ها نتایج به‌دست‌آمده از مطالعه گروه‌های کوچک را به گروه‌های بزرگ‌تر تعمیم دهد. به شیوه‌هایی که از طریق آن‌ها ویژگی‌های گروه‌های بزرگ بر اساس اندازه‌گیری همان ویژگی‌ها در گروه‌های کوچک استنباط می‌شود آمار استنباطی گفته می‌شود(دلاور،1385).
آزمون فرضیه‌های تحقیق
در اين بخش ابتدا فرضیه‌های اشاره‌شده در فصل دوم موردبررسی و آزمون قرارگرفته و درنهایت به تجزیه‌وتحلیل و بررسی مسئله اصلی تحقیق پرداخته‌شده است. براي پاسخ به فرضیهها از متوسط امتیازات مربوط به سؤالات استفاده‌شده است. به هر سؤال پرسشنامه امتیازی داده‌شده است. بنابراین، با توجه به آزمون‌های آماری مربوط به فرضیات، برای برآورد الگوی لایت، مشاهدات مربوط به متغیر وابسته در صورت تمایل به پرداخت مساوی یک و در صورت عدم تمایل به پرداخت مساوی صفر قرار داده می‌شوند:
STYLEREF 1 s ‏4 SEQ معادله * ARABIC s 1 1
پس از تخمین مدل لایت با استفاده از نرم‌افزار SPSS18 و بررسی معنی‌داری ضرایب تخمینی، مقدار انتظاريWTP به‌وسیله انتگرال‎‎‎‎‎‎‎‎‎‎گيري عددي در محدوده صفرتا بالاترين پيشنهاد تمایل به پرداخت توسط فرد پاسخ‌دهنده به‌صورت زير محاسبه مي‎‎‎‎گردد:
STYLEREF 1 s ‏4 SEQ معادله * ARABIC s 1 2 EWTP=0Max AF∆UdA=0Max A(11+exp{-α+βA})dA
E(WTP) تمایل به پرداخت افراد را در جهت پرداخت مالیات بر کربن تعیین می‌نماید.
متغیرهای پژوهشمتغیرهای موردبررسی به‌صورت زیر تعریف می‌شود:
جدول STYLEREF 1 s ‏4 SEQ جدول * ARABIC s 1 11: متغیرهای پژوهشنام متغیر وضعیت نشانگر نوع تعداد دسته‌ها برای متغیرهای کیفی
سن متغیر مستقل x1کمی –
جنسیت متغیر مستقل x2کیفی-اسمی 2
شغل متغیر مستقل x3کیفی-اسمی 8
تحصیلات متغیر مستقل x4کیفی-رتبه ای 5
وضعیت تاهل متغیر مستقل x5اسمی 2
درآمد متغیر مستقل x6کیفی-رتبه ای 4
پیشنهاد برای بهبود متغیر مستقل x7کیفی-اسمی 4
درجه کیفیت هوای تهران متغیر مستقل x8کیفی-رتبه ای 5
ابتلا به بیماری متغیر مستقل x9کیفی-اسمی 2
روش‌های برای تصفیه هوا متغیر مستقل x10کیفی-اسمی 2
نرخ مالیات بر کربن متغیر مستقل x11کیفی-رتبه ای 4
پرداخت مالیات متغیر وابسته yکیفی-اسمی 2
در طراحی مدل باید دقت داشته باشیم که برای فقط متغیرهای کیفی-اسمی بیشتر از دودسته باید آن‌ها را به‌صورت مدل‌های جداگانه برای هر دسته مشخص کنیم. لازم به ذکر که مقادیر ضرایب تغییری نمی‌کند و تنها عرض از مبدأ برای هر دسته متفاوت است.
مدل پژوهش به‌صورت زیر است:
STYLEREF 1 s ‏4 SEQ معادله * ARABIC s 1 3 P(1) = exp(Y’)(1 + exp(Y’)) STYLEREF 1 s ‏4 SEQ معادله * ARABIC s 1 4 y=β0+β1×1+β2×2+β3×3+β4×4+β5×5+β6×6+β7×7+β8×8+β9×9+β10×10+β11×11خروجی مدل نهایی و اعتبار مدلبه این منظور طبق توضیح گفته‌شده مدل را باید برای متغیرهای زیر(متغیرهای کیفی-اسمی بیشتر از دودسته) به‌صورت جداگانه رسم کرد:
جدول STYLEREF 1 s ‏4 SEQ جدول * ARABIC s 1 12: اعداد استفاده‌شده برای متغیر کیفی شغلشغلx3 کارمند آزاد دانشجو خانه‌دار کارگر بازنشسته موارد دیگر بیکار
کد 1 2 3 4 5 6 7 8
جدول STYLEREF 1 s ‏4 SEQ جدول * ARABIC s 1 13: اعداد استفاده‌شده برای متغیر کیفی پیشنهاد برای بهبودپیشنهاد برای بهبودx7 افزایش قیمت فرآورده‌های نفتی افزایش سطح تبلیغات جهت مصرف صحیح اجرای سیاست‌های مالیات بر کربن همه موارد
کد 1 2 3 4
مدل اول برای کسی که کارمند(x3=1) است و پیشنهاد برای بهبود افزایش قیمت فرآورده‌های نفتی را داده است پرداخت به مالیات به چه صورتی تغییر می کنند(یادآوری شود مقادیر ضرایب تغییری نمی‌کند و تنها عرض از مبدأ برای هر دسته متفاوت است در واقع این مدل های مستقلی نیستند فقط به دلیل ماهیت کیفی-اسمی بودن آن باید در چند مدل نمایش داده شوند). دیگر مدل ها نیز به همین صورت می باشد. بنابراین مدل‌ها به‌صورت زیر است:
x3 x71 1 Y’ = -0.1571 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6 – 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x111 2 Y’ = -0.4098 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6 – 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x111 3 Y’ = -0.5038 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6 – 0.09243×8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x111 4 Y’ = -0.2227 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6 – 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x112 1 Y’ = -0.7087 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6 – 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x112 2 Y’ = -0.9614 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6 – 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x112 3 Y’ = -1.055 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6- 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x112 4 Y’ = -0.7743 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6 – 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x113 1 Y’ = -0.7035 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6 – 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x113 2 Y’ = -0.9562 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6 – 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x113 3 Y’ = -1.050 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6- 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x113 4 Y’ = -0.7691 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6 – 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x114 1 Y’ = -0.7070 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6 – 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x114 2 Y’ = -0.9597 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6 – 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x114 3 Y’ = -1.054 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6- 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x114 4 Y’ = -0.7726 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6 – 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x115 1 Y’ = -0.2479 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6 – 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x115 2 Y’ = -0.5006 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6 – 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x115 3 Y’ = -0.5946 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6 – 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x115 4 Y’ = -0.3135 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6 – 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x116 1 Y’ = -0.02762 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6 – 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x116 2 Y’ = -0.2803 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6 – 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x116 3 Y’ = -0.3744 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6 – 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x116 4 Y’ = -0.09321 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6 – 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x118 1 Y’ = -0.3415 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6 – 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x118 2 Y’ = -0.5942 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6 – 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x118 3 Y’ = -0.6882 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6 – 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x118 4 Y’ = -0.4071 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6 – 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x11اعتبار مدل
فرضیه 0 : مدل انطباق خوبی ایجاد کرده است.
فرضیه 1 : مدل انطباق خوبی ایجاد نکرده است.
معیارهای زیر برای نیکویی برازش با فرض در نظر گرفتن سطح0.05 برای مدل بیانگر انطباق خوب مدل است. مدل های بالا توامآ با هم آزمون می شوند به همین دلیل تنها معیار مناسبت مدل که مربوط به تمام مدل های ارائه شده است به صورت زیر می باشد:
جدول STYLEREF 1 s ‏4 SEQ جدول * ARABIC s 1 14: بررسی اعتبار مدل رگرسیونیمعیار درجه‌ی آزادی مقدار آماره پی مقدار
Deviance 365 392.58 0.154
Pearson 365 389.87 0.178
Hosmer-Lemeshow 8 8.12 0.422
بررسی فرضیه‌های پژوهشفرضیه اول: بررسی متغیر سن
H0: متغیر سن تأثیری در تمایل به پرداخت مالیات بر کربن ندارد.
H1: متغیر سن در تمایل به پرداخت مالیات بر کربن تأثیر دارد.
جدول STYLEREF 1 s ‏4 SEQ جدول * ARABIC s 1 15: بررسی معناداری متغیر سنعامل درجه‌ی آزادی آمار کی اسکوئر P-مقدار
سن 1 1.26 0.262
با توجه به سطح معناداری0.05 و مقدار به‌دست‌آمده برای پی مقدار 0.262 نتیجه می‌گیریم که سن در تمایل به پرداخت مالیات بر کربن موثر است.
فرضیه دوم: بررسی متغیر جنسیت
H0: متغیر جنسیت تأثیری در تمایل به پرداخت مالیات بر کربن ندارد.
H1: متغیر جنسیت در تمایل به پرداخت مالیات بر کربن تأثیر دارد.
جدول STYLEREF 1 s ‏4 SEQ جدول * ARABIC s 1 16: بررسی معناداری متغیر جنسیتعامل درجه‌ی آزادی آمار کی اسکوئر P-مقدار
جنسیت 1 0.05 0.824
با توجه به سطح معناداری0.05 و مقدار به‌دست‌آمده برای پی مقدار 0.824 نتیجه می‌گیریم که جنسیت در تمایل به پرداخت مالیات بر کربن موثر است.
فرضیه سوم: بررسی متغیر شغل
H0: متغیر شغل تأثیری در تمایل به پرداخت مالیات بر کربن ندارد.
H1: متغیر شغل در تمایل به پرداخت مالیات بر کربن تأثیر دارد.
جدول STYLEREF 1 s ‏4 SEQ جدول * ARABIC s 1 17: بررسی معناداری متغیر شغلعامل درجه‌ی آزادی آمار کی اسکوئر P-مقدار
شغل 6 13.96 0.530
با توجه به سطح معناداری0.05 و مقدار به‌دست‌آمده برای پی مقدار 0.530 نتیجه می‌گیریم که شغل در تمایل به پرداخت مالیات بر کربن موثر است.
فرضیه چهارم: بررسی متغیر تحصیلات
H0: متغیر تحصیلات تأثیری در تمایل به پرداخت مالیات بر کربن ندارد.
H1: متغیر تحصیلات در تمایل به پرداخت مالیات بر کربن تأثیر دارد.
جدول STYLEREF 1 s ‏4 SEQ جدول * ARABIC s 1 18: بررسی معناداری متغیر تحصیلاتعامل درجه‌ی آزادی آمار کی اسکوئر P-مقدار
تحصیلات 1 1.48 0.223
با توجه به سطح معناداری0.05 و مقدار به‌دست‌آمده برای پی مقدار 0.223 نتیجه می‌گیریم که تحصیلات در تمایل به پرداخت مالیات بر کربن موثر است.
فرضیه پنجم: بررسی متغیر وضعیت تاهل
H0: متغیر وضعیت تاهل تأثیری در تمایل به پرداخت مالیات بر کربن ندارد.
H1: متغیر وضعیت تاهل در تمایل به پرداخت مالیات بر کربن تأثیر دارد.
جدول STYLEREF 1 s ‏4 SEQ جدول * ARABIC s 1 19: بررسی معناداری متغیر وضعیت تاهلعامل درجه‌ی آزادی آمار کی اسکوئر P-مقدار
وضعیت تاهل 1 0.00 0.997
با توجه به سطح معناداری0.05 و مقدار به‌دست‌آمده برای پی مقدار 0.997 نتیجه می‌گیریم که وضعیت تاهل در تمایل به پرداخت مالیات بر کربن موثر است.
فرضیه ششم: بررسی متغیر درآمد
H0: متغیر درآمد تأثیری در تمایل به پرداخت مالیات بر کربن ندارد.
H1: متغیر درآمد در تمایل به پرداخت مالیات بر کربن تأثیر دارد.
جدول STYLEREF 1 s ‏4 SEQ جدول * ARABIC s 1 20: بررسی معناداری متغیر درآمدعامل درجه‌ی آزادی آمار کی اسکوئر P-مقدار
درآمد 1 1.10 0.295
با توجه به سطح معناداری0.05 و مقدار به‌دست‌آمده برای پی مقدار 0.295 نتیجه می‌گیریم که درآمد در تمایل به پرداخت مالیات بر کربن موثر است.
فرضیه هفتم: بررسی متغیر پیشنهاد برای بهبود
H0: متغیر پیشنهاد برای بهبود تأثیری در تمایل به پرداخت مالیات بر کربن ندارد.
H1: متغیر پیشنهاد برای بهبود در تمایل به پرداخت مالیات بر کربن تأثیر دارد.
جدول STYLEREF 1 s ‏4 SEQ جدول * ARABIC s 1 21: بررسی معناداری متغیر پیشنهاد برای بهبودعامل درجه‌ی آزادی آمار کی اسکوئر P-مقدار
پیشنهاد برای بهبود 3 1.42 0.701
با توجه به سطح معناداری0.05 و مقدار به‌دست‌آمده برای پی مقدار 0.701 نتیجه می‌گیریم که پیشنهاد برای بهبود در تمایل به پرداخت مالیات بر کربن موثر است.
فرضیه هشتم: بررسی متغیر درجه کیفیت هوای تهران
H0: متغیر درجه کیفیت هوای تهران تأثیری در تمایل به پرداخت مالیات بر کربن ندارد.
H1: متغیر درجه کیفیت هوای تهران در تمایل به پرداخت مالیات بر کربن تأثیر دارد.
جدول STYLEREF 1 s ‏4 SEQ جدول * ARABIC s 1 22: بررسی معناداری متغیر درجه کیفیت هوای تهرانعامل درجه‌ی آزادی آمار کی اسکوئر P-مقدار
درجه کیفیت هوای تهران 1 2.05 0.152
با توجه به سطح معناداری0.05 و مقدار به‌دست‌آمده برای پی مقدار 0.152 نتیجه می‌گیریم که درجه کیفیت هوای تهران در تمایل به پرداخت مالیات بر کربن موثر است.
فرضیه نهم: بررسی متغیر ابتلا به بیماری
H0: متغیر ابتلا به بیماری تأثیری در تمایل به پرداخت مالیات بر کربن ندارد.
H1: متغیر ابتلا به بیماری در تمایل به پرداخت مالیات بر کربن تأثیر دارد.
جدول STYLEREF 1 s ‏4 SEQ جدول * ARABIC s 1 23: بررسی معناداری متغیر ابتلا به بیماریعامل درجه‌ی آزادی آمار کی اسکوئر P-مقدار
ابتلا به بیماری 1 0.13 0.719
با توجه به سطح معناداری0.05 و مقدار به‌دست‌آمده برای پی مقدار 0.719 نتیجه می‌گیریم که ابتلا به بیماری در تمایل به پرداخت مالیات بر کربن موثر است.
فرضیه دهم: بررسی متغیر روش‌های برای تصفیه هوا
H0: متغیر روش‌های برای تصفیه هوا تأثیری در تمایل به پرداخت مالیات بر کربن ندارد.
H1: متغیر روش‌های برای تصفیه هوا تأثیر در تمایل به پرداخت مالیات بر کربن تأثیر دارد.
جدول STYLEREF 1 s ‏4 SEQ جدول * ARABIC s 1 24: بررسی معناداری متغیر روش‌های برای تصفیه هواعامل درجه‌ی آزادی آمار کی اسکوئر P-مقدار
روش‌های برای تصفیه هوا 1 1.65 0.198
با توجه به سطح معناداری0.05 و مقدار به‌دست‌آمده برای پی مقدار 0.198 نتیجه می‌گیریم که روش‌های برای تصفیه هوا در تمایل به پرداخت مالیات بر کربن موثر است.
فرضیه یازدهم: بررسی متغیر نرخ مالیات بر کربن
H0: متغیر نرخ مالیات بر کربن تأثیری در تمایل به پرداخت مالیات بر کربن ندارد.
H1: متغیر نرخ مالیات بر کربن در تمایل به پرداخت مالیات بر کربن تاثیر دارد.
جدول STYLEREF 1 s ‏4 SEQ جدول * ARABIC s 1 25: بررسی معناداری متغیر نرخ مالیات بر کربنعامل درجه‌ی آزادی آمار کی اسکوئر P-مقدار
نرخ مالیات بر کربن 1 0.25 0.620
با توجه به سطح معناداری0.05 و مقدار به‌دست‌آمده برای پی مقدار 0.620 نتیجه می‌گیریم که نرخ مالیات بر کربن تأثیری در تمایل به پرداخت مالیات بر کربن موثر است.
متوسط تمایل به پرداخت افرادE(WTP) تمایل به پرداخت افراد را در جهت پرداخت مالیات بر کربن با استفاده از متوسط مقادیر پروبیت به دست می‌آید که مقدار پربیت به‌صورت زیر است:
STYLEREF 1 s ‏4 SEQ معادله * ARABIC s 1 5 P(1) = exp(Y’)(1 + exp(Y’))متوسط پروبیت برای تمام مشاهدات برابر با 0.432123678 است. این بیانگر این است که تقریباً 43درصد مردم تمایل به پرداخت مالیات بر کربن دارند.
فصل پنجم نتیجه‌گیری و بحثفصل پنجمنتیجه گیری و بحث
مرور کلی تحقیقافزايش مصرف بي‌رويه سوخت‌هاي فسيلي نه‌تنها تهديدي براي مصرف آينده آن‌هاست، بلكه آثار منفي زیست‌محیطی آن‌ها نيز به‌عنوان مقوله مهم موردتوجه دولت‌مردان است. اقتصاددانان همواره در پي شناسايي پايه‌هايي از ماليات هستند كه كمترين ناكارايي را بر جامعه تحميل كند. در بين انواع ماليات‌ها تنها پايه مالياتي كه چنين ويژگي را دارد، ماليات‌ زیست‌محیطی (ماليات سبز) است. يكي از انواع ماليات سبز، ماليات زیست‌محیطی غيرمستقيم است كه بر انواع مواد سوختي بسته می‌شود. ازجمله ماليات بر مواد سوختي، ماليات بر انواع كود شيميايي، روغن‌ها، حشره‌كش‌ها، فرآورده‌هاي نفتي و پلاستيك‌ها. مزيت ماليات غيرمستقيم نسبت به ماليات‌هاي مستقيم در اين است كه اخذ ماليات از كالاهاي زيان‌آور نسبت به اخذ ماليات از آلاينده‌ها، كه نياز به سنجش ميزان انتشار آلودگي دارند، آسان‌تر و كاربردي‌تر است.
با توجه به اینکه تاکنون سیاست مالیات بر کربن در کشور اجرانشده است هدف تحقیق حاضر استفاده از یک بازار فرضی برای شرح معایب و مزایای اجرای این سیاست برای افراد است تا بدین طریق تمایل به پرداخت آن‌ها تعیین گردد.
در این تحقیق از روش ارزش‌گذاری مشروط با استفاده از نظرسنجی پرسشنامه‌ای دوگانه دوبعدی و تخمین مدل لایت به‌منظور برآورد تمایل به پرداخت افراد جهت دستیابی به هوای تمیز و سلامتی بیشتر استفاده می‌شود. در این تحقیق پس از جمع‌آوری داده و اطلاعات تحقیق با استفاده از پرسشنامه جهت تعیین عوامل مؤثر بر تمایل به پرداخت و میزان این تمایل از الگوی لایت با استفاده از روش حداکثر درستنمایی استفاده خواهیم.
بحث و نتیجهگیریهدف اصلی تحقیق حاضر برآورد تمایل به پرداخت مالیات بر کربن با رویکرد ارزش‌گذاری مشروط در استان مشهد است.این هدف با استفاده از خروجی‌های مدل در فصل چهارم به‌دست‌آمده است که متوسط پروبیت برای تمام مشاهدات برابر با 0.432123678 است. این بیانگر این است که تقریباً 43درصد مردم تمایل به پرداخت مالیات بر کربن دارند.
هدف دوم تحقیق، تعیین عوامل مؤثر بر، تمایل به پرداخت مالیات بر کربن جهت دستیابی به هوایی پاکیزه‌تر بوده است. نتایج حاصل از تجزیه‌وتحلیل اطلاعات، مشخص شد که تمامی عوامل ذکرشده در مدل یعنی سطح درآمد، سطح تحصیلات، سن، شغل، جنسیت و وضعیت تاهل بر تمایل به پرداخت فرد تأثیر مثبتی دارند.
هدف سوم تحقیق با افزایش نرخ مالیات بر کربن میزان تمایل به پرداخت کاهش می‌یابد.نتایج حاصل از تجزیه‌وتحلیل اطلاعات، به دلیل منفی بودن ضریب نرخ مالیات بر کربن این موضوع را تائید کرد.

 

پیشنهاد‌ها تحقیقمی‌توان با استفاده از تحقیقات بیشتر مقدار بهینه مالیات را برای شهرهای مختلف به دست آورد که این باعث می‌شود درصد رضایت مردم در تمایل به پرداخت مالیات بر کربن افزایش یابد.
در صورت استفاده از متخصصان در حوزه‌ی مسائل زیست‌محیطی می‌توان عوامل بهتری را شناسایی کرد و در تدوین پرسشنامه‌ای منسجم‌تر برای جمع‌آوری داده‌های دقیق‌تر بهره برد.
بر اساس یافتههای تحقیق در مورد اثر نرخ مالیات بر کربن میزان تمایل به پرداخت بهتر است جامعه پژوهش را برای افراد مختلف با درآمدهای متفاوت به‌گونه‌ای دیگر در نظر گرفت، یعنی مقدار این مالیات را با توجه به قشرهای درآمدی متفاوت در نظر گرفت.
پیشنهادات آتیبا توجه به اين كه آثار خارجي فعاليتهاي اقتـصادي كـه موجـب آلـودگي هـوا مـيشـود، از شفافيت و قابليت كمي سازي بيشتري نسبت به آلودگيهاي آب و خاك برخوردار است، ابزارهاي مالياتي ميتواند در بخش آلايندههاي هوا به كار گرفته شوند. به این منظور ارائه راهکاری مناسب جهت پیاده سازی آن می تواند به عنوان موضوعی برای تحقیقات آتی باشد.
می توان این پژوهش را برای اقشار خاص به گونه ای دیگر طراحی کرده تا بتوان به نتایج صحیح تری دست یافت. از جمله می توان به این موضوع پرداخت که اگر برای پاسخگویان با سطوح تحصیلی متفاوت پرسشنامه های مختلفی تهیه شود می توان اطلاعاتی بیشتری از پاسخگویان تهیه کرد.
خیلی از پاسخگویان بر این موضوع که افزایش سطح تبلیغات جهت مصرف صحیح می تواند بر تمایل پرداخت به کربن موثرتر باشد، اتفاق نظر داشتند. اما تاکنون پژوهشی که به صورت خاص مشخص کند راه مناسب برای تاثیرگذاری بیشتر تبلیغات جهت مصرف صحیح انجام نشده است.
محدودیتهای تحقیقیافتههای این تحقیق فهم ما را حول موضوع شناسایی عوامل مؤثر بر تمایل به پرداخت مالیات بر کربن افزایش داد.
بیش از 15نفر پرسشنامه‌ها را به‌صورت نیمه‌تمام رها کردند.
پیشفرض این پژوهش شهر تهران بوده است و برای اجرای این صحیح این پژوهش باید نمونه‌هایی از دیگر شهرها نیز انتخاب کرد که این به دلیل تفاوت فرهنگ‌ها ، ساختارشهرو… می‌تواند باشد.
این تحقیق در یک مقطع زمانی خاص اجراشده است و بایستی به‌دفعات تکرار شود و لذا در به‌کارگیری نتایج باید محتاط بود.
خروجی نرم افزار
Binary Logistic Regression: y versus x1, x2, x4, x5, x6, x8, x9, x10, x11, x3, x7
Method
Link function Normit
Categorical predictor coding (1, 0)
Rows used 384
Response Information
Variable Value Count
y 1 89 (Event)
0 295
Total 384
Deviance Table
Source DF Adj Dev Adj Mean Chi-Square P-Value
Regression 18 23.218 1.28988 23.22 0.182
x1 1 1.256 1.25586 1.26 0.262
x2 1 0.049 0.04927 0.05 0.824
x3 6 13.957 2.32623 13.96 0.530
x4 1 1.484 1.48366 1.48 0.223
x5 1 0.000 0.00001 0.00 0.997
x6 1 1.096 1.09589 1.10 0.295
x7 3 1.420 0.47343 1.42 0.701
x8 1 2.048 2.04827 2.05 0.152
x9 1 0.130 0.12957 0.13 0.719
x10 1 1.654 1.65429 1.65 0.198
x11 1 0.246 0.24573 0.25 0.620
Error 365 392.583 1.07557
Total 383 415.801
Model Summary
Deviance Deviance
R-Sq R-Sq(adj) AIC
5.58% 1.25% 430.58
Coefficients
Term Coef SE Coef VIF
Constant -0.157 0.930
x1 0.00631 0.00564 1.08
x2 0.033 0.149 1.06
x4 -0.0866 0.0710 1.08
x5 -0.000 0.158 1.11
x6 0.0739 0.0706 1.05
x8 -0.0924 0.0657 1.03
x9 0.065 0.182 1.04
x10 -0.197 0.153 1.08
x11 0.0420 0.0845 1.04
x3
2 -0.552 0.254 2.03
3 -0.546 0.299 1.57
4 -0.550 0.251 1.96
5 -0.091 0.270 1.71
6 0.129 0.290 1.66
8 -0.184 0.333 1.41
x7
2 -0.253 0.804 30.71
3 -0.347 0.805 28.16
4 -0.066 0.828 13.47
Regression Equation
P(1) = Φ(Y’)
x3 x7
1 1 Y’ = -0.1571 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6
– 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x11
1 2 Y’ = -0.4098 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6
– 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x11
1 3 Y’ = -0.5038 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6
– 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x11
1 4 Y’ = -0.2227 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6
– 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x11
2 1 Y’ = -0.7087 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6
– 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x11
2 2 Y’ = -0.9614 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6
– 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x11
2 3 Y’ = -1.055 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6
– 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x11
2 4 Y’ = -0.7743 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6
– 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x11
3 1 Y’ = -0.7035 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6
– 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x11
3 2 Y’ = -0.9562 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6
– 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x11
3 3 Y’ = -1.050 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6
– 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x11
3 4 Y’ = -0.7691 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6
– 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x11
4 1 Y’ = -0.7070 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6
– 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x11
4 2 Y’ = -0.9597 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6
– 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x11
4 3 Y’ = -1.054 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6
– 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x11
4 4 Y’ = -0.7726 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6
– 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x11
5 1 Y’ = -0.2479 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6
– 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x11
5 2 Y’ = -0.5006 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6
– 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x11
5 3 Y’ = -0.5946 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6
– 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x11
5 4 Y’ = -0.3135 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6
– 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x11
6 1 Y’ = -0.02762 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6
– 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x11
6 2 Y’ = -0.2803 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6
– 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x11
6 3 Y’ = -0.3744 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6
– 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x11
6 4 Y’ = -0.09321 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6
– 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x11
8 1 Y’ = -0.3415 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6
– 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x11
8 2 Y’ = -0.5942 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6
– 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x11
8 3 Y’ = -0.6882 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6
– 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x11
8 4 Y’ = -0.4071 + 0.006315 x1 + 0.03313 x2 – 0.08658 x4 – 0.000497 x5 + 0.07393 x6
– 0.09243 x8 + 0.06533 x9 – 0.1966 x10 + 0.04198 x11
Φ = CDF of the standard normal distribution
Goodness-of-Fit Tests
Test DF Chi-Square P-Value
Deviance 365 392.58 0.154
Pearson 365 389.87 0.178
Hosmer-Lemeshow 8 8.12 0.422
Fits and Diagnostics for Unusual Observations
Observed
Obs Probability Fit Resid Std Resid
22 1.000 0.104 2.127 2.21 R
38 1.000 0.118 2.068 2.14 R
40 1.000 0.132 2.013 2.10 R
50 1.000 0.410 1.335 1.79 X
79 1.000 0.130 2.020 2.10 R
100 1.000 0.113 2.089 2.16 R
128 1.000 0.092 2.186 2.29 R
161 1.000 0.106 2.117 2.21 R
186 0.000 0.313 -0.866 -1.07 X

ارسال شده در جولای 10, 2017

پاسخ دهید

راهبری نوشته‌ها

ارسال نظر برای این مطلب

نام
ایمیل (منتشر نمی‌شود) (لازم)
وبسایت
:) :( ;) :D ;)) :X :? :P :* =(( :O @};- :B /:) :S
نظر خصوصی
مشخصات شما ذخیره شود ؟ [حذف مشخصات] [شکلک ها]
کد امنیتیرفرش کد امنیتی
تبلیغات
Rozblog.com رز بلاگ - متفاوت ترين سرويس سایت ساز
اطلاعات کاربری
نام کاربری :
رمز عبور :
  • فراموشی رمز عبور؟
  • آرشیو
    آمار سایت
  • کل مطالب : 46
  • کل نظرات : 0
  • افراد آنلاین : 1
  • تعداد اعضا : 0
  • آی پی امروز : 1
  • آی پی دیروز : 3
  • بازدید امروز : 13
  • باردید دیروز : 5
  • گوگل امروز : 0
  • گوگل دیروز : 0
  • بازدید هفته : 18
  • بازدید ماه : 59
  • بازدید سال : 641
  • بازدید کلی : 845