با توجه به اجرایی شدن سامانه عملیات الکترونیکی مودیان مالیاتی و ایجاد پایگاه داده‌های مالیاتی، امکان پایش اطلاعات موجود با مدل های مختلف فراهم شده است. در این پژوهش، از الگوریتم بهینه سازی جستجوی هارمونی به‌منظور بهینه سازی همزمان پارامترهای شبکه عصبی پرسپترون چند لایه و ترکیب مناسب ورودی ها استفاده شده است. علاوه بر آن نتایج با رگرسیون لجستیک به عنوان هسته سیستم مورد مقایسه قرار گرفته است. متغیرهای ورودی به سیستم 21 مورد بوده که با بررسی پژوهش های مشابه انجام شده طی 30 سال اخیر، اعمال ویژگی های مالیاتی ایران و نظرخواهی از خبرگان انتخاب شده است. مقایسه نتایج حاصل از شبکه عصبی و رگرسیون لجستیک در دو صنعت مواد غذایی و نساجی نشان می دهد، استفاده از شبکه عصبی دارای دقت های بالاتری بوده و این تفاوت از لحاظ آماری معنادار می باشد. در شبکه عصبی به ترتیب در صنعت مواد غذایی و نساجی دقت کلی %78/83 و %85/84، دقت تشخیص شرکت های فراری %31/80 و %34/84 و دقت تشخیص شرکت های سالم %20/87 و %36/85 می باشد. با اعمال مجموعه مدل‌های نهایی سیستم بر روی اطلاعات عملکرد سال 91 اشخاص حقوقی و مقایسه آن با نتایج حسابرسی مالیاتی در دو صنعت مواد غذایی و نساجی، به ترتیب دقت کلی %22/92 و %35/82، دقت تشخیص شرکت های فراری %87/83 و %05/84 و دقت تشخیص شرکت های سالم %71/92 و %22/82 حاصل شده است. نتایج در داده‌های آزمون بر مبنای اعتبارسنجی ضربدری 10 بخشی با تکرار و میانگین گیری بر روی 8 حلقه موازی ارائه شده است.

واژه‌های کلیدی: تشخیص فرار مالیاتی، داده کاوی، هوش مصنوعی، سیستم هوشمند ترکیبی

متن کامل [PDF 439 kb]   (4176 دریافت)