fa تحلیل آینده‌نگر تشخیص فرار مالیاتی مؤدیان مالیات بر ارزش افزوده با استفاده از الگوریتم‌های طبقه‌بندی و خوشه‌بندی اقتصادی Economic پژوهشي Research <a name="OLE_LINK28"></a><a name="OLE_LINK27"><span style="font-family:b zar;"><span style="font-size:11.0pt;">فرار مالیاتی یکی از دغدغه‌های مستمر نظام&shy;های مالیاتی به‌خصوص در کشور‌های در حال‌ توسعه می&shy;باشد. هدف از دریافت مالیات ‌بر ‌ارزش‌ افزوده، شفاف‌‌‌‌‌سازی تدریجی مبادلات اقتصادی و هم‌چنین ایجاد منبع درآمدی جدید، ثابت و قابل اتکاء برای تأمین هزینه‌های دولت است و ضرورت دارد این شفاف‌‌‌سازی از مرحله خرید مواد اولیه تا تولید و فروش کالا صورت گیرد تا بتوان مالیات را به‌درستی وصول کرد.</span></span></a><a name="OLE_LINK34"></a><a name="OLE_LINK33"></a><span style="font-family:b zar;"><span style="font-size:11.0pt;"> هوش تجاری به‌طورکلی و داده‌کاوی </span></span><span style="font-family:b zar;"><span style="font-size:11.0pt;">به‌</span></span><span style="font-family:b zar;"><span style="font-size:11.0pt;">طور خاص، ابزارهای </span></span><span style="font-family:b zar;"><span style="font-size:11.0pt;">مؤ</span></span><span style="font-family:b zar;"><span style="font-size:11.0pt;">ثر</span></span><span style="font-family:b zar;"><span style="font-size:11.0pt;">ی برای افزایش کارایی و اثربخشی تشخیص فرار از پرداخت مالیات هستند</span></span><span style="font-family:b zar;"><span style="font-size:11.0pt;">. </span></span><span style="font-family:b zar;"><span style="font-size:11.0pt;">در این پژوهش بر اساس اطلاعات موجود در اظهارنامه‌های مالیاتی مؤدیان مالیات بر ارزش افزوده در سال‌های مورد مطالعه <a name="OLE_LINK15"></a><a name="OLE_LINK12">(1393-1388) </a></span>که از سوی سازمان امور مالیاتی کشور حسابرسی شده‌اند و روش‌های داده‌کاوی شامل </span><a name="OLE_LINK37"></a><a name="OLE_LINK36"></a><span style="font-family:b zar;"><span style="font-size:11.0pt;">الگوریتم‌های طبقه‌بندی </span></span><a name="OLE_LINK49"></a><a name="OLE_LINK48"></a><span dir="LTR"><span style="font-size:11.0pt;">Decision Tree</span></span><span style="font-family:b zar;"><span style="font-size:11.0pt;">، </span></span><span dir="LTR"><span style="font-size:11.0pt;">Naive Bayes</span></span><span style="font-family:b zar;"><span style="font-size:11.0pt;"> و </span></span><span dir="LTR"><span style="font-size:11.0pt;">&nbsp;<a name="OLE_LINK322"></a><a name="OLE_LINK323">K-Nearest Neighbor</a></span></span><span style="font-family:b zar;"><span style="font-size:11.0pt;"> و الگوریتم‌های خوشه‌بندی </span></span><span dir="LTR"><span style="font-size:11.0pt;">K-means</span></span><span style="font-family:b zar;"><span style="font-size:11.0pt;"> و </span></span><span dir="LTR"><span style="font-size:11.0pt;">&nbsp;K-medoids</span></span><span style="font-family:b zar;"><span style="font-size:11.0pt;">اقدام به پیش‌بینی فرار مالیاتی مؤدیان شد، سپس با استفاده از</span></span> <span style="font-family:b zar;"><span style="font-size:11.0pt;">شاخص سیلوئت </span></span><span dir="LTR"><span style="font-size:11.0pt;">(Silhouette)</span></span><span style="font-family:b zar;"><span style="font-size:11.0pt;"> ، نتایج به‌دست آمده اعتبارسنجی شد. این نتایج می‌تواند به سازمان امور مالیاتی کشور جهت برنامه‌ریزی برای تشخیص فرار مالیاتی کمک کند.</span></span> فرار مالیاتی, مالیات بر ارزش افزوده, داده‌کاوی, طبقه‌بندی, خوشه‌بندی A Predictive Analysis for Detecting VAT Taxpayers’ Evasion through Classification and Clustering Algorithms 11 37 http://taxjournal.ir/browse.php?a_code=A-10-1068-2&slc_lang=fa&sid=1