فرار از مالیات یکی از دغدغه‌های مستمر برای هر نظام مالیاتی به‌خصوص در کشور‌های درحال‌توسعه است. هدف از دریافت مالیات ‌بر ‌ارزش‌ افزوده، شفاف‌‌‌‌‌سازی تدریجی مبادلات اقتصادی به‌دلیل ویژگی خودکنترلی و قابلیت ردیابی معاملات در زنجیره‌های مبادلات و هم‌چنین ایجاد منبع درآمدی جدید، ثابت و قابل اتکا برای تامین هزینه‌های دولت است و ضرورت دارد این شفاف‌‌‌سازی در مبادلات فی‌مابین فعالان اقتصادی از مراحل اولیه خرید مواد اولیه تا تولید و فروش کالا در کار باشد تا بتوان مالیات را به‌درستی دریافت کرد. هوش تجاری به‌طورکلی و داده‌کاوی به‌طورخاص، ابزارهای مؤثری برای افزایش کارایی و اثربخشی تشخیص فرار از پرداخت مالیات هستند. در این پژوهش بر اساس اطلاعات موجود در اظهارنامه‌های مالیاتی مؤدیان مالیات بر ارزش افزوده در سال‌های مورد مطالعه (93-88) که از سوی سازمان امور مالیاتی حسابرسی شده‌اند و روش‌های داده‌کاوی شامل الگوریتم‌های طبقه‌بندی K-Nearest Neighbor ،Naive Bayes ،Decision Tree و الگوریتم‌های خوشه‌بندی K-means و K-medoids اقدام به پیش‌بینی فرار مالیاتی مؤدیان شد، سپس با استفاده از شاخص سیلوئت (Silhouette) به اعتبارسنجی نتایج به‌دست آمده پرداخته و با توجه به تحلیل‌های صورت گرفته بر روی شاخص‌های مالیاتی خوشه‌های به‌دست آمده، مؤدیان در دو گروه کم‌ریسک و پرریسک طبقه‌بندی شدند. نتایج به‌دست ‌آمده با استفاده از الگوریتم‌های طبقه‌بندی و خوشه‌بندی، می‌تواند به سازمان امور مالیاتی جهت برنامه‌ریزی برای تشخیص فرار مالیاتی کمک کند.