- - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

جستجو در مقالات منتشر شده


۲ نتیجه برای زمردیان
مقایسه مدل شبکه عصبی و رگرسیون لاجیت در اعتبارسنجی مؤدیان مالیاتی
میرفیض فلاح شمس، غلامرضا زمردیان، علی اصغر انواری رستمی، هوشنگ خرم نیا،
دوره ۳۰، شماره ۵۵ - ( ۹-۱۴۰۱ )
چکیده
یکی از مراحل مهم در اجرای طرح جامع مالیاتی، انجام حسابرسی بر مبنای ریسک است. این امر موجب کاهش چشم­گیر هزینه­های حسابرسی مالیاتی و صرفه­جویی در زمان می­شود. حسابرسی بر مبنای ریسک نیازمند شناسایی سطح ریسک هر مؤدی مالیاتی می باشد؛ لذا تبیین مدلی جامع و کامل جهت شناسایی درجه ریسک مؤدیان مالیاتی یکی از گام های اساسی در اجرای طرح جامع مالیاتی می­باشد. جامعه آماری این پژوهش شرکت­های پذیرفته شده در بورس اوراق بهادار تهران هستند که طی سالهای ۱۳۹۲ تا ۱۳۹۷ فعال بوده اند و برای انتخاب نمونه از روش غربالگری (حذفی (استفاده شده است. در این پژوهش ابتدا با استفاده از تکنیک دلفی و متا سنتز ۱۶۴ مؤلفه مؤثر در اعتبارسنجی مؤدیان مالیاتی شناسایی گردید. درگام بعد داده­های مورد نیاز برای اندازه­گیری متغیرهای پژوهش از سایت کدال و با بررسی پرونده های مالیاتی طی سال­های ۱۳۹۷-۱۳۹۲ استخراج شد و در نهایت با استفاده از داده­های جمع آوری شده به بررسی میزان دقت دو مدل شبکه عصبی و رگرسیون لاجیت در اعتبارسنجی مؤدیان مالیاتی پرداختیم. یافته­ها نشان داد که هرچند مدل لاجیت در شناسایی مؤدیان پر ریسک توان بیشتری دارد، ولی در سایر موارد تشخیص مناسبی ندارد و در مجموع بر اساس نتایج حاصل از مقدار AUC[۱] مدل شبکه عصبی برازش بهتری دارد.
 
[۱]. Area under the ROC Curve

مقایسه درخت تصمیم(الگوریتم C۵,۰ و جنگل تصادفی) و ماشین بردار پشتیبان در اعتبارسنجی مؤدیان مالیاتی
هوشنگ خرم نیا، میرفیض فلاح شمس، غلامرضا زمردیان، علی اصغر انواری رستمی انواری رستمی،
دوره ۳۱، شماره ۵۹ - ( ۹-۱۴۰۲ )
چکیده
امروزه روش حسابرسی مبتنی بر ریسک در نظام­های نوین مالیاتی مورد تأکید است، لذا تبیین مدلی جامع جهت رتبه­بندی ریسک مؤدیان یکی از گام­های اساسی اجرای طرح جامع مالیاتی است. بنابراین در این مقاله برآنیم تا عملکرد الگوریتم­های درخت تصمیم و ماشین بردار پشتیبان را در اعتبارسنجی مؤدیان مالیاتی مقایسه کنیم. جامعه آماری این پژوهش شرکت­های پذیرفته شده در بورس اوراق­بهادار تهران هستند که طی سالهای ۱۳۹۲ تا ۱۳۹۷ فعال بوده­اند و برای انتخاب نمونه از روش غربالگری (حذفی (استفاده شده­است. در این پژوهش ابتدا با استفاده از تکنیک دلفی و متاسنتز ۱۶۴ مؤلفه مؤثر در اعتبارسنجی مؤدیان مالیاتی شناسایی گردید. سپس داده­های مورد نیاز برای اندازه­گیری متغیرهای پژوهش از سایت کدال و با بررسی پرونده­های مالیاتی استخراج شد و درنهایت با استفاده از داده­های جمع­آوری شده به بررسی میزان دقت درخت تصمیم (الگوریتم  C۵,۰و جنگل تصادفی) و ماشین بردار پشتیبان در اعتبارسنجی مؤدیان مالیاتی پرداختیم. یافته­ها نشان­داد براساس نتایج حاصل از مقدار [۱]AUC الگوریتمC۵,۰  و جنگل تصادفی برازش بهتری دارند با این وجود فرضیه پژوهش مبنی بر امکان پیش بینی ریسک مؤدیان مالیاتی با استفاده از الگوریتم SVM رد نمی­شود.
 
[۱]. Area under the ROC Curve

صفحه ۱ از ۱     

کلیه حقوق این وب سایت متعلق به پژوهشنامه مالیات می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2025 CC BY-NC 4.0 | Journal of Tax Research

Designed & Developed by : Yektaweb