[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: سال 25، شماره 34 - ( 6-1396 ) ::
جلد 25 شماره 34 صفحات 103-139 برگشت به فهرست نسخه ها
توسعه مدل شناسایی مؤدیان کم‌اظهار مالیات بر ارزش افزوده با رویکردهای داده‌کاوی
وحید برادران* ، شیما محمدحسنی
دانشگاه آزاد اسلامی واحد تهران
چکیده:   (687 مشاهده)
عدم ارائه اظهارنامه‌های مالیاتی دقیق توسط مؤدیان مالیات بر ارزش افزوده از مشکلات سازمان‌ مالیاتی کشور است. تعداد زیاد اظهارنامه‌ها، محدودیت منابع و مقرون به صرفه‌نبودن بررسی تمامی آن‌ها، توسعه روشی هوشمند جهت شناسایی مؤدیان با ریسک بالا در کم‌اظهاری مالیات را ضروری می‌نماید. در این مقاله، بر اساس نظرات ممیزین مالیاتی، داده‌های هجده متغیر بالقوه مؤثر بر شناسایی کم‌اظهاری مالیات بر ارزش افزوده در یکی از مناطق تهران به همراه نتایج ممیزی آن‌ها جمع‌آوری شده است. روش‌های فیتلری و روش الگوریتم ژنتیک تعداد متغیرهای مؤثر را به ترتیب ده و هفت متغیر شناسایی کرده‌اند. دو روش پایه رده‌بندی «درخت تصمیم» و «k‌ نزدیکترین همسایگی» بر‌اساس دو نوع متغیرهای مؤثر (روش‌های فیلتری و الگوریتم ژنتیک) برای شناسایی کم‌اظهاری توسعه داده شده و برای توازن داده‌ها دو روش‌ جمعی «بگینگ» و «بوستینگ» استفاده شده است. بررسی دقت پیش‌بینی در دوازده مدل پیش‌بینی (درخت تصمیم و K نزدیکترین همسایگی با دو گروه متغیر مستقل و در سه حالت عادی، «بگینگ» و «بوستینگ») نشان می‌دهد، روش‌های جمعی «بگینگ» و «بوستینگ» تأثیری بر پیش‌بینی ندارند و درخت تصمیم ساده با ده متغیر منتخب با روش‌های فیلتری بیشترین دقت پیش‌بینی و معادل ‌۱۴/82%‌‌ را برای تشخیص مؤدیان کم‌اظهار دارد. استخراج قوانین مناسب برای تشخیص مؤدیان کم‌اظهار بر اساس ده متغیر مؤثر بر پیش‌بینی آن‌ها از دیگر نتایج این مقاله است.
واژه‌های کلیدی: داده‌کاوی، مؤدی مالیاتی، کم‌اظهاری مالیات، مالیات بر ارزش افزوده
متن کامل [PDF 5226 kb]   (1829 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: اقتصادی
دریافت: ۱۳۹۶/۹/۱۳ | پذیرش: ۱۳۹۶/۹/۱۳ | انتشار: ۱۳۹۶/۹/۱۳
ارسال پیام به نویسنده مسئول

ارسال نظر درباره این مقاله
نام کاربری یا پست الکترونیک شما:

CAPTCHA code


XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Developing a Model to Identify the Unreal Returns on Value Added Tax Using Data Mining Approach. tax research. 2017; 25 (34)
URL: http://taxjournal.ir/article-1-1173-fa.html

برادران وحید، محمدحسنی شیما. توسعه مدل شناسایی مؤدیان کم‌اظهار مالیات بر ارزش افزوده با رویکردهای داده‌کاوی. پژوهشنامه مالیات . 1396; 25 (34)

URL: http://taxjournal.ir/article-1-1173-fa.html



سال 25، شماره 34 - ( 6-1396 ) برگشت به فهرست نسخه ها
فصلنامه پژوهشنامه مالیات (علمی-پژوهشی) Iranian National Tax Administration (INTA)
Persian site map - English site map - Created in 0.15 seconds with 30 queries by YEKTAWEB 3742