هدف اصلی این مقاله ارائه روشی به منظور شناسایی گروه‌های هدف در اجرای قانون هدفمندی یارانه‌ها با استفاده از رویکرد شبکه‌های عصبی مصنوعی می‌باشد. مقادیر نمونه‌ای مربوط به هزینه مصرفی برق، گاز، تلفن و تلفن‌همراه به عنوان ورودی‌های شبکه عصبی (و مدل پروبیت به عنوان مدل معیار مقایسه) در نظر گرفته شده است. گروه‌های مورد بررسی در این مقاله به دو گروه مشمول و غیرمشمول دریافت یارانه تقسیم شده‌اند. شبکه عصبی به کار گرفته شده در این مقاله از نوع پرسپترون چند لایه است که به روش الگوریتم مارکوات-لورنبرگ آموزش دیده‌اند. به منظور کنترل میزان توانمندی روش شبکه‌های عصبی مصنوعی در مقایسه با مدل‌های رایج اقتصاد سنجی برای طبقه‌بندی، داده‌های مورد استفاده در روش شبکه‌های عصبی مصنوعی در مدل رگرسیونی پروبیت نیز مورد استفاده قرار گرفته و توانمندی روش‌های مزبور با استفاده از معیار ROC مورد ارزیابی قرار گرفته است. از طرفی، نتایج مدل رگرسیونی از جنبه دیگری نیز مهم هستند؛ معنی‌داری آماری رابطه میان متغیرهای مستقل و متغیر وابسته (تعلق به گروه هدف). نتایج بررسی‌های انجام شده حاکی از معنی‌داری آماری بین هزینه‌های مصرفی خانوار از خدمات عمومی منتخب و تعلق آن‌ها به طبقات درآمدی (گروه‌های مشمول و غیرمشمول) است. همچنین علایم ضرایب منطبق بر این فرضیه هستند که افزایش هزینه‌های مصرفی خانوارها از خدمات عمومی احتمال تعلق آن‌ها به گروه‌های مشمول هدفمندی را بیشتر می‌نماید. به عبارتی ساده‌تر، به طور متوسط خانوارهایی که هزینه‌های مصرفی بالاتری از خدمات عمومی دارند، از سطح درآمدی بالاتری نیز برخوردار هستند. نتایج تحقیق حاکی از آن است که روش‌های مورد استفاده در این مقاله (برای طبقه‌بندی خانوارهای مشمول و غیرمشمول) در مجموع از توانمندی یکسانی در طبقه‌بندی درست خانوارها (به مشمول و غیرمشمول) برخوردار هستند.