دوره 33، شماره 65 - ( 1404 )
جلد 33 شماره 65 صفحات 45-1 |
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:
Ahmadpour A, Jafari S M, Sarraf F. Modeling tax evasion of related party transactions A hybrid approach of graph mining and deep neural network. J Tax Res 2025; 33 (65) :1-45
URL: http://taxjournal.ir/article-1-2362-fa.html
URL: http://taxjournal.ir/article-1-2362-fa.html
احمدپور امین، جعفری سیده محبوبه، صراف فاطمه. مدل‌سازی فرار مالیاتی معاملات اشخاص وابسته رویکرد هیبریدی گراف کاوی و شبکه عصبی عمیق. پژوهشنامه مالیات. 1404; 33 (65) :1-45
امین احمدپور*1 
، سیده محبوبه جعفری2 ، فاطمه صراف2
، سیده محبوبه جعفری2 ، فاطمه صراف2
1- سازمان امور مالیاتی کشور ، Amin57ah@yahoo.com
2- دانشگاه آزاد اسلامی
2- دانشگاه آزاد اسلامی
چکیده: (80 مشاهده)
فرار مالیاتی مبتنی بر معاملات وابسته یک استراتژی جدید در فرار مالیاتی است که از طریق معاملات قانونی،مانندمعاملات بین گروهی از‌شرکت‌ها که روابط تعاملی ناهمگن،پیچیده وپنهانی برای فرار مالیاتی دارند، انجام می‌شود. مطالعات موجود نمی‌توانند به طور موثر رفتارهای فرار مالیاتی اشخاص وابسته را شناسایی کنند، زیرا روش حسابرسی مبتنی بر یادگیری ماشین می‌تواند وضعیت مالی غیرعادی افراد را با دقت و کارایی بالا تشخیص دهد. با این حال، هنگام مواجهه با روابط تعاملی ناهمگن، پیچیده و پنهانی درمانده می‌شود و نمی‌تواند گروه‌های فرار مالیاتی دارای معاملات اشخاص وابسته را شناسایی کند. هیبرید رویکردهای گراف‌کاوی و شبکه عصبی عمیق، توانایی تشخیص ناهنجاری در ساختارهای سازمانی پیچیده را دارد. در این پژوهش تعداد1780شرکت دارای معاملات وابسته، شامل 523 شرکت واقع در مناطق آزاد تجاری و 1257 شرکت واقع در خارج از مناطق آزاد که دارای عضو هیأت مدیره مشترک و فعالیت اقتصادی تولیدی یا بازرگانی بوده اند، انتخاب شده‌اند. دراین پژوهش، داده‌های مالی و مالیاتی سال‌های 1395 تا 1399 ازاظهارنامه‌های مالیاتی و سامانه‌های سازمان امور مالیاتی کشور مورد استفاده قرار گرفته است. این پژوهش از نظر هدف، کاربردی می‌باشد.جهت برآورد مدل از نرم افزار پایتون و پکیج NetworkX بهره گرفته شده است. جهت پیش‌بینی فرار مالیاتی معاملات اشخاص وابسته از سه الگوریتم شبکه عصبی پیچشی (CNN)، حافظه کوتاه‌مدت ماندگار(LSTM)،و شبکه عصبی پرسپترون چند لایه(MLP) در حالت عمیق بهره گرفته شد. برای شناسایی گروه‌های مشکوک سه مرحله؛ اول: تشخیص تفاوت نرخ مالیات، تطبیق الگوی توپولوژیکی و شناسایی ناهنجاری بار مالیاتی؛ دوم: آزمایش‌های تجربی بر اساس داده‌های 16،756 مبادله خرید و فروش معاملات وابسته درکشور؛سوم:برآورد ضرایب و نحوه ارتباط مابین الگوی توپولوژیک دردو حالت حفظ سودوانتقال سودبراساس رویکرد گراف کاوی وشبکه عصبی عمیق صورت پذیرفته است. نتایج به دست آمده نشان می‌دهد که هر دو حالت حفظ سود و انتقال سود در فرار مالیاتی معاملات اشخاص وابسته وجود داشته است. با این وجود بر اساس نتایج، شدت رابطه حفظ سود در فرار مالیاتی معاملات اشخاص وابسته قوی‌تر از رابطه انتقال سود است و نیز رویکرد گراف کاوی نسبت به مدل‌های لاجیت، پرابیت و احتمال خطی از دقت بالاتری برخوردار بود.
فهرست منابع
1. Tselykh, A., Knyazeva, M., Popkova, E., Durfee, A., & Tselykh, A. (2016, July). An Attributed Graph Mining Approach to Detect Transfer Pricing Fraud. Proceedings of the 9th International Conference on Security of Information and Networks )72-75). New York: Associate for Computing Machinery. [DOI:10.1145/2947626.2947655]
2. Al-Hagery, M. A. (2019). Extracting Hidden Patterns from Dates' Product Data Using a Machine Learning Technique. IAES International Journal of Artificial Intelligence, 8(3), 1-20. [DOI:10.11591/ijai.v8.i3.pp205-214]
3. Arab Mazar, A., Bagheri, B., & Jafar Parvar, M. (2013). Tax Approach to Transfer Pricing and Its Investigation in Iran. Tax Research Paper, 22(21), 9-38. [in Persian]
4. Asadi Yusufabad, M., Pifeh, A., & Ahmadzadeh, H. (1401). The Effect of Transactions with Related Parties on Company Value with an Emphasis on Social Responsibility. Accounting, Auditing and Financial Services in Islamic Environments, 1, 2(2), 100-129. [in Persian]
5. Cameron, A. C., & Trivedi, P. K. (2005). Microeconometrics Methods and Applications. Cambridge: Cambridge University Press. [DOI:10.1017/CBO9780511811241]
6. Chen, K., Zhou, Y., & Dai, F. (2015). An LSTM-Based Method for Stock Returns Prediction: A Case Study of China Stock Market. 2015 IEEE International Conference on Big Data (Big Data)(2823-2824). New York: IEEE Publication. [DOI:10.1109/BigData.2015.7364089]
7. Chong, E., Han, C., & Park, F. C. (2017). Deep Learning Networks for Stock Market Analysis and Prediction: Methodology, Data Representations, And Case Studies. Expert Systems with Applications, 83, 187-205. [DOI:10.1016/j.eswa.2017.04.030]
8. Tian, F., Lan, T., Chao, K. M., Godwin, N., Zheng, Q., Shah, N., & Zhang, F. (2016). Mining Suspicious Tax Evasion Groups in Big Data. IEEE Transactions on Knowledge and Data Engineering, 28(10), 2651-2664. [DOI:10.1109/TKDE.2016.2571686]
9. Gao, P., Zhang, R., & Yang, X. (2020). The Application of Stock Index Price Prediction with Neural Network. Mathematical and Computational Applications, 25(3), 53-69. [DOI:10.3390/mca25030053]
10. Garderodbari, M., Dadashi I., Mohseni Maleki, B., & Zabihi A. (1402). Predicting Tax Evasion of Legal Taxpayers with an Emphasis on Economic Components, Taxpayers and Tax Auditors; Relying on Artificial Intelligence. Tax Research Paper, 32(58), 131-164. [in Persian] [DOI:10.61186/taxjournal.32.58.6]
11. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Feedforward Networks. Deep Learning, 1, 161-217.
12. Gudelek, M. U., Boluk, S. A., & Ozbayoglu, A. M. (2017). A Deep Learning Based Stock Trading Model With 2-D CNN Trend Detection. In 2017 IEEE Symposium Series on Computational Intelligence (SSCI) (1-8). New York: IEEE. [DOI:10.1109/SSCI.2017.8285188]
13. Hazra, T., & Anjaria, K. (2022). Applications of Game Theory in Deep Learning: A Survey. Multimedia Tools and Applications, 81(6), 8963-8994. [DOI:10.1007/s11042-022-12153-2]
14. Heij, C. (2004). Econometric Methods with Applications in Business and Economics. Oxford: Oxford University Press. [DOI:10.1093/oso/9780199268016.001.0001]
15. Hensher, D. A., & Greene, W. H. (2003). The Mixed Logit Model: The State of Practice. Transportation, 30, 133-176. [DOI:10.1023/A:1022558715350]
16. Ruan, J., Yan, Z., Dong, B., Zheng, Q., & Qian, B. (2019). Identifying Suspicious Groups of Affiliated-Transaction-Based Tax Evasion in Big Data. Information Sciences, 477, 508-532. [DOI:10.1016/j.ins.2018.11.008]
17. Javadian Kotanaie, A., Pouraghajan Sarhamami, A., & Hosseini Shirvani, M. (2019). Presenting a Tax Fraud Detection Model Based on the Combination of the Improved ID3 Decision Tree Algorithm and Multilayer Perceptron Neural Networks. Management Accounting, 13(46), 53 -70. [in Persian]
18. Ji, L., Zou, Y., He, K., & Zhu, B. (2019). Carbon Futures Price Forecasting Based with ARIMA-CNN-LSTM Model. Procedia Computer Science, 162, 33-38. [DOI:10.1016/j.procs.2019.11.254]
19. Klassen, K. J., Lisowsky, P., & Mescall, D. (2017). Transfer Pricing: Strategies, Practices, and Tax Minimization. Contemporary Accounting Research, 34(1), 455-493. [DOI:10.1111/1911-3846.12239]
20. Hsu, K. W., Pathak, N., Srivastava, J., Tschida, G., & Bjorklund, E. (2014). Data Mining Based Tax Audit Selection: A Case Study of a Pilot Project at the Minnesota Department of Revenue. In Real World Data Mining Applications (221-245). Cham: Springer International Publishing. [DOI:10.1007/978-3-319-07812-0_12]
21. Karhunen, J., Raiko, T., & Cho, K. (2015). Unsupervised Deep Learning: A Short Review. Advances in Independent Component Analysis and Learning Machines, 2015, 125-142. [DOI:10.1016/B978-0-12-802806-3.00007-5]
22. Kolaczyk, E. D., & Csárdi, G. (2014). Statistical Analysis of Network Data with R (65). New York: Springer. [DOI:10.1007/978-1-4939-0983-4]
23. Liu, L., Schmidt-Eisenlohr, T., & Guo, D. (2020). International Transfer Pricing and Tax Avoidance: Evidence from Linked Trade-Tax Statistics in the United Kingdom. Review of Economics and Statistics, 102(4), 766-778. [DOI:10.1162/rest_a_00871]
24. LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep Learning. Nature, 521(7553), 436-444. [DOI:10.1038/nature14539]
25. Lee, S. I., & Yoo, S. J. (2020). Threshold-based Portfolio: The Role of the Threshold and Its Applications. The Journal of Supercomputing, 76(10), 8040-8057. [DOI:10.1007/s11227-018-2577-1]
26. Leite, R. A., Gschwandtner, T., Miksch, S., Kriglstein, S., Pohl, M., Gstrein, E., & Kuntner, J. (2017). Eva: Visual Analytics to Identify Fraudulent Events. IEEE Transactions on Visualization and Computer Graphics, 24(1), 330-339. [DOI:10.1109/TVCG.2017.2744758]
27. Li, J., Wang, X., & Wu, Y. (2020). Can Government Improve Tax Compliance by Adopting Advanced Information Technology? Evidence from the Golden Tax Project III in China. Economic Modelling, 93, 384-397. [DOI:10.1016/j.econmod.2020.08.009]
28. Li, Y., & Dai, W. (2020). Bitcoin Price Forecasting Method Based on CNN-LSTM Hybrid Neural Network Model. The Journal of Engineering, 2020(13), 344-347. [DOI:10.1049/joe.2019.1203]
29. Livieris, I. E., Kiriakidou, N., Stavroyiannis, S., & Pintelas, P. (2021). An Advanced CNN-LSTM Model for Cryptocurrency Forecasting. Electronics, 10(3), 1-16. [DOI:10.3390/electronics10030287]
30. Livieris, I. E., Pintelas, E., & Pintelas, P. (2020). A CNN-LSTM Model for Gold Price Time-Series Forecasting. Neural Computing & Applications, 32(23), 17351-17360. [DOI:10.1007/s00521-020-04867-x]
31. Long, J. S., & Freese, J. (2006). Regression Models for Categorical Dependent Variables Using Stata (7). College Station: Stata Press.
32. Ferrantino, M. J., Liu, X., & Wang, Z. (2012). Evasion Behaviors of Exporters and Importers: Evidence from the US-China Trade Data Discrepancy. Journal of International Economics, 86(1), 141-157. [DOI:10.1016/j.jinteco.2011.08.006]
33. Maddala, G. S. (1983). Introduction to Econometrics (3rd Ed.). Ohio: Formerly Ohio State University
34. Myerson, R. B. (2013). Game Theory. Cambridge, MA: Harvard University Press.
35. Namazi, M., & Sadeghzadeh Maharloui, M. (2017). Investigating the Usefulness of the Relief Variable Selection Method in Improving the Results of Tax Evasion Prediction Using Data Mining. Applied Research in Financial Reporting, 7(13), 44-70. [in Persian]
36. Narahari, Y. (2014). Game Theory and Mechanism Design (4). Toh Tuck Link: World Scientific Publishing. [DOI:10.1142/8902]
37. Nasl Mousavi, H., Hosseini Shirvani, M., & Nazarpour, M. (1399). Presenting a Tax Evasion Prediction Model Based on ID3 Decision Tree Algorithm and Bayesian Network. Tax Research Paper, 28(45), 59-87. [in Persian]
38. OECD. (2017). Shining Light on the Shadow Economy: Opportunities and Threats. Retrieved 20 February from https://www.oecd.org/tax/crime/shining-light-on-the-shadow-economy-opportunities -and-threats.pdf [DOI:10.1787/e0a5771f-en]
39. Oliva, R. (2004). Model Structure Analysis Through Graph Theory: Partition Heuristics and Feedback Structure Decomposition. System Dynamics Review: The Journal of the System Dynamics Society, 20(4), 313-336. [DOI:10.1002/sdr.298]
40. González, P. C., & Velásquez, J. D. (2013). Characterization and Detection of Taxpayers with False Invoices Using Data Mining Techniques. Expert Systems with Applications, 40(5), 1427-1436. [DOI:10.1016/j.eswa.2012.08.051]
41. Pourzaker Arabani, S., & Ebrahimpour Komleh, H. (2018). Optimizing Cash Demand Forecasting of Atms in the Country's Banking Network Using LSTM Deep Recurrent Neural Network. Operations Research in Its Applications, 16(3), 69-88. [in Persian]
42. Wu, R. S., Ou, C. S., Lin, H. Y., Chang, S. I., & Yen, D. C. (2012). Using Data Mining Technique to Enhance Tax Evasion Detection Performance. Expert Systems with Applications, 39(10), 8769-8777. [DOI:10.1016/j.eswa.2012.01.204]
43. Rahimi Kia, I., Mohammadi, Sh., & Ghazanfari, M. (2014). Detection of Tax Evasion Using Hybrid Intelligent System. Research Journal of Taxation, 23(26), 136-164. [in Persian]
44. Sarker, I. H. (2021). Deep Learning: A Comprehensive Overview on Techniques, Taxonomy, Applications and Research Directions. SN Computer Science, 2(6), 1-20. [DOI:10.1007/s42979-021-00815-1]
45. Sedaghati, S., Farhadi, R., & Fallah Shams, M. (1403). Contagion of Topological Dynamics in the Iranian Stock Market Network. Investment Knowledge, 13(49), 279-298. [in Persian]
46. Matos, T., de Macedo, J. A. F., & Monteiro, J. M. (2015). An Empirical Method for Discovering Tax Fraudsters: A Real Case Study of Brazilian Fiscal Evasion. In Proceedings of the 19th International Database Engineering & Applications Symposium (41-48). New York: Association for Computing Machinery. [DOI:10.1145/2790755.2790759]
47. Taye, M. M. (2023). Machine Learning with Deep Learning: Architectures, Workflow, Applications and Future Directions. Computers, 12(5), 91. [DOI:10.3390/computers12050091]
48. United Nations. (2017). Practical Manual on Transfer Pricing for Developing Countries. Retrieved from chrome-extension://efaidnbmnnnibpcajpcglclefindmkaj/https://www.un.org/esa/ffd/wp-content/uploads/2017/04/Manual-TP-2017.pdf
49. Liu, X., Pan, D., & Chen, S. (2010). Application of Hierarchical Clustering in Tax Inspection Case-Selecting. In 2010 International Conference on Computational Intelligence and Software Engineering (1-4). New York: IEEE. [DOI:10.1109/CISE.2010.5676711]
50. Lin, Y., Wong, K., Wang, Y., Zhang, R., Dong, B., Qu, H., & Zheng, Q. (2020). Taxthemis: Interactive Mining and Exploration of Suspicious Tax Evasion Groups. IEEE Transactions on Visualization and Computer Graphics, 27(2), 849-859. [DOI:10.1109/TVCG.2020.3030370]
51. Kim, Y. J., Baik, B., & Cho, S. (2016). Detecting Financial Misstatements with Fraud Intention Using Multi-Class Cost-Sensitive Learning. Expert Systems with Applications, 62, 32-43. [DOI:10.1016/j.eswa.2016.06.016]
52. Zhou, F., Zhou, H. M., Yang, Z., & Yang, L. (2019). EMD2FNN: A Strategy Combining Empirical Mode Decomposition and Factorization Machine Based Neural Network for Stock Market Trend Prediction. Expert Systems with Applications, 115, 136-151. [DOI:10.1016/j.eswa.2018.07.065]
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. |
