RT - Journal Article T1 - Using Data Mining Techniques to Enhance Tax Evasion Detection performance JF - Journal-of-Tax-Research YR - 2016 JO - Journal-of-Tax-Research VO - 23 IS - 28 UR - http://taxjournal.ir/article-1-765-fa.html SP - 0 EP - 0 K1 - Tax Evasion K1 - Association Rule K1 - Data Mining AB - این پژوهش به بررسی کاربست روش­های داده کاوی به منظور ارتقای عملکرد تشخیص فرار مالیاتی می پردازد. داده کاوی، فرایند کشف اطلاعات نامعلوم، ناشناخته و پنهان از یک پایگاه داده است و روشی است منحصر به فرد برای یافتن حقایق جدید و روابط بین داده­های موجود که به وسیله صاحب نظران کشف نشده است. در این پژوهش سودمندی داده کاوی مبتنی بر قواعد وابستگی به عنوان ابزاری برای تشخیص فرار مالیاتی به کار گرفته شده است. جامعه آماری این پژوهش کلیه شرکت­های پذیرفته شده در بورس اوراق بهادار تهران می­باشد که بر اساس شرایط در نظر گرفته شده برای انتخاب نمونه به روش حذف سامانمند، 125 شرکت در دورۀ زمانی 1383 تا 1390 انتخاب گردید. در این پژوهش از 28 متغیر مالی و غیرمالی در قالب 9 طبقه به منظور ایجاد مدل استفاده شد. قواعد وابستگی با به­کارگیری الگوریتم پیشینار برای تشخیص فرار مالیاتی شرکت­ها استفاده شد. بدین منظور داده­ها به طور تصادفی به سه دسته آموزش، اعتبارسنجی و آزمون تقسیم شدند. نتایج پژوهش نشان داد که روش­های داده­­کاوی مبتنی بر قواعد وابستگی با ایجاد دو مدل با درصد صحت 91% بر روی داده­های آموزش، با درصد صحت 88% بر روی داده­های اعتبارسنجی و با درصد صحت 86% بر روی داده­های آزمون توانسته است موفق به تشخیص فرار مالیاتی گردد. LA eng UL http://taxjournal.ir/article-1-765-fa.html M3 ER -