Journal of Tax Research
پژوهشنامه مالیات
J Tax Res
Literature & Humanities
http://taxjournal.ir
1
admin
2251-6484
2717-1817
0
10.61186/taxjournal
0
0
0
fa
jalali
1394
12
1
gregorian
2016
3
1
23
28
online
1
fulltext
fa
کاربست روشهای داده کاوی به منظور ارتقای عملکرد تشخیص فرار مالیاتی
Using Data Mining Techniques to Enhance Tax Evasion Detection performance
اقتصادی
Economic
پژوهشي
Research
<p>این پژوهش به بررسی کاربست روش­های داده کاوی به منظور ارتقای عملکرد تشخیص فرار مالیاتی می پردازد. داده کاوی، فرایند کشف اطلاعات نامعلوم، ناشناخته و پنهان از یک پایگاه داده است و روشی است منحصر به فرد برای یافتن حقایق جدید و روابط بین داده­های موجود که به وسیله صاحب نظران کشف نشده است. در این پژوهش سودمندی داده کاوی مبتنی بر قواعد وابستگی به عنوان ابزاری برای تشخیص فرار مالیاتی به کار گرفته شده است. جامعه آماری این پژوهش کلیه شرکت­های پذیرفته شده در بورس اوراق بهادار تهران می­باشد که بر اساس شرایط در نظر گرفته شده برای انتخاب نمونه به روش حذف سامانمند، 125 شرکت در دورۀ زمانی 1383 تا 1390 انتخاب گردید<span dir="ltr">.</span> در این پژوهش از 28 متغیر مالی و غیرمالی در قالب 9 طبقه به منظور ایجاد مدل استفاده شد<span dir="ltr">.</span> قواعد وابستگی با به­کارگیری الگوریتم پیشینار برای تشخیص فرار مالیاتی شرکت­ها استفاده شد. بدین منظور داده­ها به طور تصادفی به سه دسته آموزش، اعتبارسنجی و آزمون <strong>تقسیم شدند<span dir="ltr">.</span> نتایج پژوهش نشان داد که روش­های داده­­کاوی مبتنی بر قواعد وابستگی با ایجاد دو مدل با درصد صحت 91% بر روی داده­های آموزش، با درصد صحت </strong>88% بر روی داده­های اعتبارسنجی و با درصد صحت 86% بر روی داده­های آزمون توانسته است موفق به تشخیص فرار مالیاتی گردد.</p>
<p>This study examines using data mining techniques to enhance tax evasion detection performance. Data mining is a process to discover uncertain, unknown, and hidden information from a database and it is a unique method of finding new facts and relationships in the existing data that have not been discovered by experts yet. In this study the usefulness of data mining based on association rules is employed as a tool to detect tax evasion. The research population consists of all listed firms on the Securities and Exchange of Tehran. The sample includes 125 firms which are selected by Cohesiveness Removal Method in the period of 1383 to 1390. In this study, 28 financial and non-financial variables in 9 classes have been used to build models. The association rules were used by apriori algorithm to detect tax evasion firms. For this purpose, the data were randomly divided into three categories: training, validation and test groups. The findings indicate that the method of data mining based on association rules by developing two models of 91% accuracy on training data, the percentage of 88% accuracy on data validation and the percentage of 86% accuracy on test data are able to detect tax evasion.</p>
فرار مالیاتی, قواعد وابستگی, داده کاوی
Tax Evasion, Association Rule, Data Mining
0
0
http://taxjournal.ir/browse.php?a_code=A-10-317-2&slc_lang=fa&sid=1
Mohsen
Dastgir
محسن
دستگیر
10031947532846002698
10031947532846002698
No
Maryam
Qaribi
مریم
غریبی
10031947532846002699
10031947532846002699
Yes