خلاصة:
درآمدهای مالیاتی یکی از مهمترین منابع درآمدی دولت و تأمینکننده بخش عمدهای از هزینههای دولت است. در سالهای اخیر تقلب در صورتهای مالی و اظهارنامه های مالیاتی به طور فزایندهای به یک مشکل جدی برای کسب و کار، دولت و سرمایهگذاران تبدیل شده است. اکثر مؤدیان مالیاتی به دنبال راهی برای دستکاری در صورتهای مالی و کاهش سود مشمول مالیات ابرازی خود میباشند. از اینرو، شناسایی متقلبین مالیاتی و شرکتهایی که به تقلب در صورتهای مالی میپردازند به امری حیاتی برای دولت تبدیل شده است.
هدف از این تحقیق ارائه مدلی است که در آن از الگوریتم درخت تصمیمگیریID3 بهبود یافته استفاده شده است. همچنین برای بهبود عملکرد و دقت آن، با شبکه های عصبی پرسپترون چندلایه بهینه سازی شده توسط الگوریتم ژنتیک ترکیب گردید تا نسبتهای مالی مرتبط با تقلب مالیاتی انتخاب نموده و سربار محاسباتی کاهش یابد. درختی که در مدل پیشنهادی ایجاد میشود دارای کمترین عمق ممکن می باشد که از اینرو دارای سرعت بالا و سربار محاسباتی پایینی میباشد. بدین منظور صورتهای مالی 60 شرکت پذیرفته شده در بورس اوراق بهادار تهران در سالهای 1394 لغایت 1396 بررسی و 54 نسبت مالی از آنها استخراج گردید که به وسیله آزمون ANOVA تعداد 23 نسبت و نهایتاً توسط شبکه های عصبی تعداد 7 نسبت مرتبط با تقلب مالیاتی، به عنوان داده های ورودی مدل انتخاب گردید. مدل ارائه شده با دقت 81/4 درصد، در شناسایی شرکتهای دارای تقلب مالیاتی، موفق بوده که نسبت به الگوریتم آدابوست دارای بالاترین دقت و قدرت پیش بینی بوده است.
Tax revenues are one of the most important sources of governments and cover a large portion of government spending. In recent years, fraud in financial statements and tax returns has increasingly become a serious problem for businesses, governments and investors. Most taxpayers are looking for a way to manipulate their financial statements and reduce their taxable profits. Therefore, identifying tax fraudsters and companies that cheat on financial statements has become a vital issue for the government.The purpose of this study is to present a model that uses the improved ID 3decision tree algorithm. Also, to improve its performance and accuracy, it was combined with multilayer perceptron neural networks optimized by genetic algorithm to select financial ratios associated with tax fraud and reduce computational overhead. The tree in the proposed model has the lowest depth possible, so it has high velocity and low computational overhead. For this purpose, the financial statements of 06companies listed in Tehran Stock Exchange during - 4330 4331were studied and 41financial ratios were extracted. By ANOVA test, 33ratios and finally by neural networks 7ratios related to tax fraud was selected as the model input data. The proposed model, with %4411accuracy, has been successful in identifying fraudulent companies with the highest accuracy and predictive power over the adaboost algorithms.