جلد 0 - ویژه نامه چهاردهمین همایش سیاستهای مالی و مالیاتی ایران
جلد 0 - ویژه نامه چهاردهمین همایش سیاستهای مالی و مالیاتی ایران صفحات 69-39 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Ghahreman navehsi F, Hakimi M. Modeling the Quality of the Data-Driven Tax System Using Artificial Intelligence. J Tax Res 2025; https://doi.org/10.61882/taxjournal.0.39
URL: http://taxjournal.ir/article-1-2532-fa.html
URL: http://taxjournal.ir/article-1-2532-fa.html
قهرمان نوه سی فاطمه، حکیمی مهدی. مدلسازی کیفی نظام مالیاتی داده محور با بهره گیری از هوش مصنوعی. پژوهشنامه مالیات. 1404;
1- کارشناس امور مالیاتی استان آذربایجان غربی ، f.ghahremani7@gmail.com
2- امور مالیاتی استان آذربایجان غربی
2- امور مالیاتی استان آذربایجان غربی
چکیده: (240 مشاهده)
هدف پژوهش حاضر مدلسازی کیفی نظام مالیاتی داده محور با بهره گیری از هوش مصنوعی می باشد. این پژوهش از لحاظ هدف کاربردی و از نوع توصیفی-تحلیلی میباشد. روش پژوهش از نوع کیفی می باشد. جامعه آماری این پژوهش خبرگان دانشگاهی در حوزه مالی و هوش مصنوعی و مدیران مجرب امور مالیاتی در شهر تهران میباشد که با استفاده از روش نمونهگیری هدفمند و نقطه اشباع نظری 13 نفر انتخاب شدند. ابزار جمعآوری بخش کیفی اطلاعات مصاحبه نیمه ساختار یافته برگرفته از مبانی نظری میباشد. شیوه تجزیه و تحلیل این بخش با استفاده از روش تحلیل مضمون میباشد. نتایج این بخش از تحقیق در قالب 4 مقوله سازمان دهنده و 16 مقوله پایه در شبکه مضامین تبیین گردید. نتایج بخش کیفی نشان داد که پیشرانهای اصلی بهرهگیری از هوش مصنوعی در نظام مالیاتی شامل افزایش حجم و تنوع دادههای مالیاتی، پیشرفتهای فناوری اطلاعات، و تقاضای عمومی برای شفافیت و کارایی بالاتر میباشد. به منظور استفاده مؤثر از این فناوری، راهبردهایی نظیر ایجاد زیرساختهای یکپارچه دادهای، توسعه الگوریتمهای هوش مصنوعی برای شناسایی تخلفات و فرار مالیاتی، و ارائه خدمات مالیاتی شخصیسازیشده باید به کار گرفته شوند. با اجرای این راهبردها، پیامدهای مثبتی چون افزایش درآمدهای مالیاتی، کاهش فرار مالیاتی، و بهبود رضایت مودیان حاصل میشود. اما چالشهایی نظیر مسائل مربوط به حریم خصوصی دادهها، نیاز به آموزش و توانمندسازی کارکنان، و سرمایهگذاریهای زیرساختی نیز وجود دارد که باید در فرآیند پیادهسازی به آنها توجه گردد تا اهداف نظام مالیاتی به طور مؤثر محقق شود.
فهرست منابع
1. خالقیان، بیتا، حسینپور، و یاسر، طلوعی. (1402). نقش هوش مصنوعی در حسابداری و مالیات. مطالعات مدیریت و حسابداری، 43(9)، 40-47.
2. دهنوی، حمید، و دشتی، زهرا. (1403). نقش هوش مصنوعی در کاهش خطاهای حسابداری و بهبود گزارش مالیاتی. نشریه علمی رویکردهای پژوهشی نوین مدیریت و حسابداری، 8(1)، 1587-1610.
3. رستمبیگی، حمیدرضا، و آینهبند، مقداد. (1402). فرار مالیاتی اشخاص حقوقی با استفاده از هوش مصنوعی. پژوهشنامه مالیات، 31(60)، 200 - 217.
4. مقری گردرودباری، محسن، داداشی، ایمان، محسنی ملکی، بهرام، و ذبیحی، علی. (1402). پیشبینی فرار مالیاتی مؤدیان حقوقی با تأکید بر مولفههای اقتصادی، مؤدیان و حسابرسان مالیاتی؛ با تکیه بر هوش مصنوعی. پژوهشنامه مالیات، 31(58)، 131 - 164.
5. نقیها نجفآبادی، روحالله. (1403). بررسی جامع تحقیقات مرتبط با هوش مصنوعی در حسابداری، مالیات، مدیریت مالی و مسیر پیشرو. چشم انداز حسابداری و مدیریت، 7(97)، 1-10.
6. پورعلی، محمدرضا، و معزی، سودابه. (1403). حسابداری و مالیاتستانی هوشمند. نشریه علمی رویکردهای پژوهشی نوین مدیریت و حسابداری، 8(30)، 40-55.
7. قانونی شیشوان، وحیده، الهی، شعبان، دری نوگورانی، صادق، و یزدیان ورجانی، علی. (1403). سیستم مالیات بر ارزش افزوده مبتنی بر بلاکچین: مرور نظاممند. تحقیقات مالی، 26(2)، 226-247.
8. کامیابتیموری، رضا، الماسی، مجتبی، رستمی، احسان، و روحی، مرتضی. (1402). ارائه مدلی برای سازمان مالیاتی هوشمند با استفاده از رویکرد معادلات ساختاری. پژوهشنامه مالیات، 105(31)، 69-94.
9. References
10. Apsilyam, N. M., & Shamsudinova, L. R. (2025). How Digital Technologies Are Changing Approaches to Taxation. International Scientific-Electronic Journal of Pioneering Studies and Theories, 1(3), 16-21.
11. Bhengu, T. I. (2023). A Critical Look at the Challenges and Benefits of Artificial Intelligence (AI) In Tax Administration: A South African Perspective. Retrieved from https://repository.up.ac.za/bitstream/handle/2263/94384/Bhengu_Critical_2023.pdf?sequence=3
12. Biryukov, A., & Antonova, N. (2019). Expert Systems of Real Time as Key Tendency of Artificial Intelligence in Tax Administration. In Digital Science (111-118). New York: Springer International Publishing. [DOI:10.1007/978-3-030-02351-5_15]
13. Corrado, C., Haskel, J., Iommi, M., & Jona Lasinio, C. S. (2022). Measuring Data as an Asset: Framework, Methods and Preliminary Estimates. OECD Economics Department Working Papers, 1731, 1-20.
14. de Souza, K. L. C. M., & de Siqueira, M. (2024). Smart Tax: How can Smart Cities Taxation achieve the Sustainable Development Goals? Current Tax Law Journal, 56, 419-441. [DOI:10.46801/2595-6280.56.19.2024.2526]
15. Ehrke-Rabel, T. (2025). Tax Administration AI: The Holy Grail to Overcome Information Asymmetry in Tax Enforcement? Intertax, 53(2), 128-140. [DOI:10.54648/TAXI2025019]
16. Emadi, J. (2023). The Development of a Design Theory for Web Based Information Systems. Journal of Robotics Spectrum, 1, 013-023. [DOI:10.53759/9852/JRS202301002]
17. Han, N., Xu, W., Song, Q., Zhao, K., & Xu, Y. (2025). Application of Interpretable Artificial Intelligence for Sustainable Tax Management in the Manufacturing Industry. Sustainability, 17(3), 1121. [DOI:10.3390/su17031121]
18. Hartanto, D., Agussani, A., & Dalle, J. (2021). Antecedents of Public Trust in Government during the COVID-19 Pandemic in Indonesia. Journal of Ethnic and Cultural Studies, 8(4), 321-341. [DOI:10.29333/ejecs/975]
19. Huang, Z. (2018). Discussion on the Development of Artificial Intelligence in Taxation. American Journal of Industrial and Business Management, 8(8), 1817. [DOI:10.4236/ajibm.2018.88123]
20. Hujran, O., Al-Debei, M. M., Al-Adwan, A. S., Alarabiat, A., & Altarawneh, N. (2023). Examining the Antecedents and Outcomes of Smart Government Usage: An Integrated Model. Government Information Quarterly, 40(1), 101783. [DOI:10.1016/j.giq.2022.101783]
21. Larrouquere, V. (2021). Critique and Rethinking of the Dichotomy between Profit Theory and Contributive Capacity Theory in Tax Justice. Lex Electronica, 26, 120-129.
22. Mökander, J., & Schroeder, R. (2024). Artificial Intelligence, Rationalization, and the Limits of Control in the Public Sector: The Case of Tax Policy Optimization. Social Science Computer Review, 42(6), 1359-1378. [DOI:10.1177/08944393241235175]
23. Nuryani, N., Mutiara, A. B., Wiryana, I. M., Purnamasari, D., & Putra, S. N. W. (2024). Artificial Intelligence Model for Detecting Tax Evasion Involving Complex Network Schemes. Aptisi Transactions on Technopreneurship (ATT), 6(3), 339-356. [DOI:10.34306/att.v6i3.436]
24. Raikov, A. L. E. X. A. N. D. E. R. (2021). Decreasing Tax Evasion by Artificial Intelligence. IFAC-PapersOnLine, 54(13), 172-177. [DOI:10.1016/j.ifacol.2021.10.440]
25. Rathi, A., Sharma, S., Lodha, G., & Srivastava, M. (2021). A Study on Application of Artificial Intelligence and Machine Learning in Indian Taxation System. Psychology and Education Journal, 58(2), 1226-1233. [DOI:10.17762/pae.v58i2.2265]
26. Saba, C. S., & Monkam, N. (2025). Artificial Intelligence's (AI's) Role in Enhancing Tax Revenue, Institutional Quality, and Economic Growth in Selected BRICS-Plus Countries. Journal of Social and Economic Development, Retrieved from https://link.springer.com/content/pdf/10.1007/s40847-024-00401-0.pdf [DOI:10.1007/s40847-024-00401-0]
27. Saragih, A. H., Reyhani, Q., Setyowati, M. S., & Hendrawan, A. (2023). The Potential of an Artificial Intelligence (AI) Application for the Tax Administration System's Modernization: The Case of Indonesia. Artificial Intelligence and Law, 31(3), 491-514. [DOI:10.1007/s10506-022-09321-y]
28. Wang, Y., & Wang, P. (2020, June). New Personal Tax Collection Management System Based on Artificial Intelligence and Its Application in the Middle Class. Journal of Physics: Conference Series, 1574(1), 012105 [DOI:10.1088/1742-6596/1574/1/012105]
29. Yarichina, G. F., Butakova, N. M., Govorina, O. V., & Goryacheva, O. E. (2021). Artificial Intelligence as a Result of Intellectual Activity: Accounting and Tax Aspects. In Current Problems and Ways of Industry Development: Equipment and Technologies (883-889). Cham: Springer International Publishing. [DOI:10.1007/978-3-030-69421-0_97]
30. Zhang, J. (2023). Optimization of the Environmental Protection Tax System Design Based on Artificial Intelligence. Frontiers in Environmental Science, 10, 1076158. [DOI:10.3389/fenvs.2022.1076158]
ارسال پیام به نویسنده مسئول
| ./files/site1/images/%D8%B3%D9%85%DB%8C%D9%85_%D9%86%D9%88%D8%B1.pngبازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
