fa مدل‌سازی فرار مالیاتی معاملات اشخاص وابسته رویکرد هیبریدی گراف کاوی و شبکه عصبی عمیق حسابداری Accounting پژوهشي Research <span style="font-size:12pt"><span style="text-justify:kashida"><span style="text-kashida:0%"><span style="direction:rtl"><span style="unicode-bidi:embed"><span new="" roman="" style="font-family:" times=""><span lang="FA" style="font-size:13.0pt"><span b="" style="font-family:" zar="">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.<b> </b>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 </span></span>NetworkX<span lang="FA" style="font-size:13.0pt"><span b="" style="font-family:" zar=""> بهره گرفته شده است. جهت پیش‌بینی فرار مالیاتی معاملات اشخاص وابسته از سه الگوریتم شبکه عصبی پیچشی (</span></span>CNN<span lang="FA" style="font-size:13.0pt"><span b="" style="font-family:" zar="">)، حافظه کوتاه‌مدت ماندگار(</span></span>LSTM)،و شبکه عصبی<span style="font-size:13.0pt"><span b="" style="font-family:" zar="">&nbsp;پرسپترون چند لایه(</span></span>MLP<span lang="FA" style="font-size:13.0pt"><span b="" style="font-family:" zar="">) 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.</span></span></span></span></span></span></span></span><br> &nbsp; <span style="font-size:12pt"><span style="unicode-bidi:embed"><span new="" roman="" style="font-family:" times="">Tax evasion based on related party transactions is a new strategy in tax evasion that is carried out through legal transactions, such as transactions between a group of companies that have heterogeneous, complex, and hidden interaction relationships for tax evasion. Existing studies cannot effectively identify tax evasion behaviors of related parties because the machine learning-based audit method can detect the abnormal financial status of individuals with high accuracy and efficiency. However, it is helpless when faced with heterogeneous, complex, and hidden interaction relationships and cannot identify tax evasion groups with related party transactions. The hybrid of graph mining and deep neural network approaches has the ability to detect anomalies in complex organizational structures. In this study, 1,780 companies with related party transactions, including 523 companies located in free trade zones and 1,257 companies located outside free trade zones, which have a common board member and economic activity of production or trade, were selected. In this study, financial and tax data from tax returns and the systems of the Iranian Tax Administration from 2016 to 2019 were used. This study is practical in terms of purpose. Python software and the NetworkX package were used to estimate the model. To predict tax evasion in related party transactions, three algorithms were used: Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), and Multilayer Perceptron Neural Network (MLP) in deep mode. To identify suspicious groups, three steps were taken; first: detecting tax rate differences, matching the topological pattern, and identifying tax burden anomalies; second: experimental tests based on data from 16,756 related party transaction purchases and sales in the country; third: estimating the coefficients and the relationship between the topological pattern in the two cases of profit retention and profit transfer based on the graph mining approach and deep neural network. The results show that both profit retention and profit shifting exist in tax evasion of related party transactions. However, based on the results, the intensity of the profit retention relationship in tax evasion of related party transactions is stronger than the profit shifting relationship. Based on the results, the graph mining approach was more accurate than the logit, probit, and linear probability models.</span></span></span><br> &nbsp; فرار مالیاتی ,گراف‌کاوی‌, گروه‌های مشکوک‌, معاملات اشخاص وابسته graph mining, suspicious groups, tax evasion, related party transactions 7 52 http://taxjournal.ir/browse.php?a_code=A-10-1907-2&slc_lang=fa&sid=1 Amin Ahmadpour امین احمدپور Amin57ah@yahoo.com 100319475328460011761 100319475328460011761 No Iranian National Tax Administration دانشگاه آزاد اسلامی Seyyede Mahboobe Jafari سیده محبوبه جعفری sm_jafari@azad.ac.ir 100319475328460011762 100319475328460011762 Yes Islamic Azad university دانشگاه آزاد اسلامی Fateme Sarraf فاطمه صراف aznyobe@yahoo.com 100319475328460011763 100319475328460011763 No Islamic Azad university دانشگاه آزاد اسلامی واحد تهران جنوب