Journal of Tax Research

fa تحلیل آینده‌نگر تشخیص فرار مالیاتی مؤدیان مالیات بر ارزش افزوده با استفاده از الگوریتم‌های طبقه‌بندی و خوشه‌بندی. A Predictive Analytics for Detection of VAT Taxpayers Evasion Through Classification & Clustering Algorithms. سایر etc. پژوهشي Research 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. Tax evasion is one of the ongoing challenges for any tax system, particularly for developing countries. The purpose of collection of value added taxes, based on its inherent characteristics of self control and capacity of tracking the transactions chain, is the gradual clarification of economical transactions, and also built-up of  a new source of income that is sustainable and reliable for financing the government’s budget. Furthermore, it is necessary that such clarification or transactions among the traders be dominant since the first process of purchasing the raw materials up to the production and sale of goods, so as the tax may be rightfully collected. The business Intelligence in general, and data mining in particular, are effective tools for enhancing effectiveness and efficiency in the assessment of tax evasion. In the present research, based on the available information on VAT taxpayers returns in the years of study (2009-2014), being audited by the tax administration, and data mining methods including, classification algorithms of  Decision Tree, Naive Bayes, and K-Nearest Neighbor, and clustering algorithms of K-means and K-medoids, the tax evasions were predicted; then by applying the silhouette index the validation of results were performed, and in view of analysis on the tax indices of earned clusters, they were divided into low-risk and high-risk taxpayers. The results arising from applying the classification and clustering algorithms may assist the tax administration in planning for the assessment and  prevention of  tax evasion. فرار مالیاتی, مالیات بر ارزش افزوده, داده‌کاوی, طبقه‌بندی, خوشه‌بندی. Tax evasion, Value Added Tax, Data Mining, Classification, Clustering. 11 36 http://taxjournal.ir/browse.php?a_code=A-10-1068-1&slc_lang=fa&sid=1 Mohammadtaghi Taghavi Fard محمدتقی تقوی‌فرد Dr.taghavifard@gmail.com 10031947532846004919 10031947532846004919 No دانشکده مدیریت و حسابداری دانشگاه علامه طباطبائی Iman Raeesi Vanani ایمان رئیسی‌ وانانی imanraeesi@atu.ac.ir 10031947532846004920 10031947532846004920 No دانشکده مدیریت و حسابداری دانشگاه علامه طباطبائی Reyhaneh Panahi ریحانه پناهی panahi.reihaneh@gmail.com 10031947532846004921 10031947532846004921 Yes کارشناس ارشد دانشگاه علامه طباطبائی