fa بهبود کارایی الگوریتم‌های تشخیص تقلب مالیاتی با استفاده از الگوهای پردازش موازی‌ اقتصادی Economic پژوهشي Research <p dir="RTL"><strong>چکیده</strong></p> <p dir="RTL">تقلب مالیاتی شامل طیف وسیعی از شیوه‌های کتمان حقایق، اظهار اطلاعات نادرست و انجام معاملات مالی خارج از چهارچوب&shy;های قانونی است. امروزه با گسترش سیستم&shy;های مالیاتی و حجم بالای داده&shy;های ذخیره شده در آن، نیاز به ابزاری است تا بتوان داده&shy;های ذخیره شده را پالایش و پردازش کرده و اطلاعات و دانش مورد نظر را استخراج نمود. با توجه به سیاست&shy;های مالیاتی به&shy;ویژه در مالیات بر ارزش افزوده، نرخ تقلب مالیاتی رو به رشد است. اخیراً محققین از روش&shy;های مختلفی از قبیل قوانین همبستگی، خوشه&shy;بندی، شبکه&shy;های عصبی، درخت&shy;های تصمیم، شبکه&shy;های بیزین، رگرسیون و ژنتیک در جهت کشف تقلب مالیاتی استفاده کرده&shy;اند. ولی به دلیل حجم بالای داده&shy;های مالیاتی، اکثر الگوریتم&shy;ها در تشخیص تقلب، دارای زمان اجرای زیادی هستند. در ابتدا از الگوریتم <span dir="LTR">Apriori</span> که از قوانین همبستگی و مدل&shy;های یادگیری بدون ناظر است جهت کشف رفتارهای مشکوک متقلبین مالیاتی استفاده می&shy;شود و همچنین در مرحله بعد، یک سیستم&nbsp;تشخیص تقلب مالیاتی مبتنی بر شبکه&shy;های بیزین ارائه می&shy;شود و با توجه به کارایی پایین آن از نظر سرعت، کارایی آن با استفاده از تکنیک&shy;های پردازش موازی&shy; افزایش داده می&shy;شود. نتایج پیاده&shy;سازی بر روی پایگاه داده&shy;های مختلف مالیاتی نشان داد که با استفاده از الگوهای پردازش موازی، می&shy;توان کارایی برنامه&shy;های کشف تقلب&shy;های مالیاتی را به&shy;طور قابل ملاحظه&shy;ای بهبود بخشید<span dir="LTR">.</span></p> <p>Abstract</p> <p>Tax fraud includes a large spectrum of methods including denying the facts and realities, claiming wrong information and performing financial businesses without considering legal frameworks. Nowadays, with the development of tax systems and the large volume of tax data, it is necessary to have tools to process this large data and to exploit information and knowledge. According to tax policies, especially in value-added tax resource, the rate of tax fraud is increasing. Based on the investigations, researchers use standard methods such as association rules, clustering, neural networks, decision trees, Bayesian networks, regression and genetics to detect tax fraud. Because of large volume of tax database, most of the studied algorithms are time consuming. At first, Apriori Algorithm was used. This algorithm was one of the unsupervised learning models and association rules. It is used to detect suspicious behavior of tax fraudsters. Secondly, a system for tax fraud detection based on Bayesian networks is presented and its performance is improved using parallel processing techniques. Results of the study show that using available parallel processing patterns improve the execution time of tax fraud detection algorithm considerably.</p> داده‌کاوی, تشخیص تقلب مالیاتی, شبکه‌های بیزین, موازی‌‌سازی Data Mining, Tax Fraud Detection, Bayesian Networks, Parallelism 11 32 http://taxjournal.ir/browse.php?a_code=A-10-788-3&slc_lang=fa&sid=1 Mahdi Sameerad مهدی سامعی‌راد 10031947532846004270 10031947532846004270 Yes دانشگاه آزاد اسلامی ، واحد رشت Asodollah Shahbahrami اسدالله شاه بهرامی 10031947532846004271 10031947532846004271 No دانشگاه گیلان، دانشکده فنی و مهندسی