دوره 34، شماره 60 - ( 1402 )
جلد 34 شماره 60 صفحات 217-200 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Rostam Beiggi H, Ayneband M. Detecting Tax Evasion of Legal Entities Using Artificial Inteligence. J Tax Res 2024; 34 (60) :200-217
URL: http://taxjournal.ir/article-1-2344-fa.html
URL: http://taxjournal.ir/article-1-2344-fa.html
رستم بیگی حمیدرضا، آینه‌بند مقداد. فرار مالیاتی اشخاص حقوقی با استفاده از هوش مصنوعی. پژوهشنامه مالیات. 1402; 34 (60) :200-217
1- ، Me.Aynehband@iau.ac.ir
چکیده: (749 مشاهده)
فرار مالیاتی یکی از دغدغه‌های مستمر نظام‌های مالیاتی بخصوص در کشورهای در حال توسعه می‌باشد. پدیده فرار مالیاتی از این جهت قابل تأمل است که ضمن کاهش درآمدهای دولت و افزایش سطح شکاف مالیاتی نسبت درآمدهای مالیاتی به تولید ناخالص داخلی را تنزل می‌دهد. از آنجا که فناوری داده‌کاوی از قابلیت‌های پیش‌بینی و طبقه‌بندی فراوانی برخوردار است می‌تواند فرآیند تصمیم‌گیری در مسائل مالی را تسهیل نماید. لذا در این تحقیق سعی کردیم از الگوریتم‌های هوش مصنوعی همچون الگوریتم‌های شبکه عصبی مصنوعی، ماشین بردار پشتیبان و الگوریتم کلونی زنبور مصنوعی جهت تشخیص فرار مالیاتی استفاده کنیم. جامعه آماری پژوهش حاضر شامل 3600 مؤدی مالیاتی در سال‌های مورد مطالعه (1381-1391) استان تهران می‌باشند. بنابراین با استفاده از الگوریتم‌های ترکیبی در این تحقیق توانستیم با دقت 85.59 درصد برای داده‌های آموزشی و دقت 83.79 درصد برای داده‌های آزمایشی به تشخیص و طبقه‌بندی مودیان متلقب در پرداخت مالیات و مودیان با پرداخت بهموقع مالیات بپردازیم. بنابراین با توجه به نتایج بدست آمده در می‌یابیم که روش پیشنهادی در این تحقیق از توان بالایی در شناسایی مودیان متقلب از پرداخت مالیات برخوردار است.
فهرست منابع
1. Aynehband, M., Hosseinzadeh, M., Zarrabi, H. et al. Accuracy and Availability Modeling of Social Networks for Internet of Things Event Detection Applications. Wireless Netw 25, 4299-4317 (2019). [DOI:10.1007/s11276-019-02093-5]
2. Khoramniya H, Fallahshams M, Zomorodian G, Asghar Anvary Rostami A. Comparison of Decision Tree (C5.0 Algorithm and Random Forest) and Support Vector Machine in the Validation of Taxpayers. J Tax Res 2023; 33 (59) :50-74 (In Persian) [DOI:10.61186/taxjournal.33.59.50]
3. Hashemi M, Etemadi H, Rezazadeh J. Modeling Tax Evasion in Value Added Tax, A Game Theory Approach. J Tax Res 2022; 30 (55) :7-51 (In Persian) [DOI:10.52547/taxjournal.30.55.2]
4. Abdul-Jabbar, H., Abuamria, F. M., Alkhatib, A. A., & Marimuthu, M. (2020). Tax evasion and the Social Influence Perspective: A conceptual model for Palestine. International Journal of Psychosocial Rehabilitation, 24(02), 4855-4866. https://doi/10.37200/V24I2/30702
5. Bani-Mustafa, A., Nimer, K., Uyar, A., & Schneider, F. (2022). Effect of Government Efficiency on Tax Evasion: The Mediating Role of Ethics and Control of Corruption. International Journal of Public Administration, 1-17. [DOI:10.1080/01900692.2022.2086262]
6. Gurney, K. (2018). An Introduction to Neural Networks. CRC Press. [DOI:10.1201/9781315273570]
7. Khademi Gerashi, M. (2021). Why Do I Have to Pay My Income Taxes? The Effects of Taxpayers' Perceived Value on Commitment to Pay in Light of the Possibility of Tax Evasion. Journal for Management and Development Process, 33(4), 97-114. https://doi/10.52547/jmdp.33.4.97 [DOI:10.52547/jmdp.33.4.97]
8. Kenno, B.G (2020), Factors Affecting Perception of Taxpayers Towards the Seriousness of Tax Evasion in Bale Robe Town Administration, Oromina, Ethiopia. International Journal of Finance and AAccounting, (2)9, 21-30.
9. M. Aynehband, A. M. Rahmani and S. Setayeshi, "COAST: Context-aware Pervasive Speech Recognition System," International Symposium on Wireless and Pervasive Computing, Hong Kong, China, 2011, pp. 1-4, doi: 10.1109/ISWPC.2011.5751306. [DOI:10.1109/ISWPC.2011.5751306]
10. McCulloch, W. S., & Pitts, W. (1943). A logical Calculus of the Ideas Immanent in Nervous Activity. The bulletin of mathematical biophysics, 5(4), 115-133. [DOI:10.1007/BF02478259]
11. Owusu, G. M. Y., Bart-Plange, M. A., Koomson, T. A. A., & Arthur, M. (2021). The Effect of Personality Traits and Tax Morale on Tax Evasion Intention. Journal of Financial Crime, 29(1), 272-292. [DOI:10.1108/JFC-02-2021-0026]
12. Parwati, N., Muslimin, M., Adam, R., Totanan, C., Yamin, N., & Din, M. (2021). The Effect of Tax Morale on Tax Evasion in the Perspective of Tri Hita Karana and Tax Framing. Accounting, 7(6), 1499-1506. https://DOI: 10.5267/j.ac.2021.3.014 [DOI:10.5267/j.ac.2021.3.014]
13. Romero, C., & Ventura, S. (2013). Data Mining in Education. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 3(1), 12-27. [DOI:10.1002/widm.1075]
14. Rostamy-Malkhalifeh, M., Amiri, M., & Mehrkam, M. (2021). Predicting Financial Statement Fraud Using Fuzzy Neural Networks. Advances in Mathematical Finance & Applications, 6(1), 137-145. [DOI:10.22034/ amfa.2020.1892431.1370]
15. Sadjiarto, A. susanto, A.N. yuniat, E. & Hartanto, N.G. (2019), Factors Affecting Perception of Tax Evasion Among Chindos. Advances in Economics, Business and Management Research, 144, 487-393. [DOI:10.2991/aebmr.k.200606.083]
16. Sritharan, N., Sahari, S., & Sharon, C. C. S. (2022). A Systematic Literature Review on Tax Evasion: Insights and Future Research Agenda.
https://doi.org/10.6007/IJARAFMS/v12-i2/13089 [DOI:10.6007/ijarafms/v12-i2/13089]
17. Shuid, S. H., Zazili, A. S. A., & Basri, S. A. (2021). Determinant Factors of Tax Evasion. Global Business & Management Research, 13.
18. Shmilovici, A. (2009). Support Vector Machines. In Data Mining and Knowledge Discovery Handbook (pp. 231-247). Springer, Boston, MA.
https://doi.org/10.1007/978-0-387-09823-4_12 [DOI:10.1007/978-0-387-09823-4_12]
19. Vanhoeyveld, J., Martens, D., & Peeters, B. (2020). Value-added Tax Fraud Detection with Scalable Anomaly Detection Techniques. Applied Soft Computing, 86, 1-38.
https://doi.org/10.1016/j.asoc.2019.105895 [DOI:10.1016/j.asoc. 2019.105895]
20. Fallah Shams Mirfaiz, Zamardian Gholamreza, Anvari Rostami Ali Asghar, Khorramnia Hoshang. Comparison of Neural Network Model and Logit Regression in the Validation of Taxpayers. Tax research paper. 2021; 30 (55): 108-126 (In Persian) [DOI:10.52547/taxjournal.30.55.4]
21. Manzoor D. Analyzing the Behavior of Tax Compliancy in Iran: A Game Theoretical Approach. J Tax Res 2022; 30 (55) :127-150 (In Persian) [DOI:10.52547/taxjournal.30.55.5]
ارسال پیام به نویسنده مسئول
| ./files/site1/images/%D8%B3%D9%85%DB%8C%D9%85_%D9%86%D9%88%D8%B1.pngبازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
