Abstract:
امروزه روش حسابرسی مبتنی بر ریسک در نظامهای نوین مالیاتی مورد تاکید است، لذا تبیین مدلی جامع جهت رتبه بندی ریسک مودیان یکی از گامهای اساسی اجرای طرح جامع مالیاتی است. بنابراین در این مقاله برآنیم تا عملکرد الگوریتمهای درخت تصمیم و ماشین بردار پشتیبان را در اعتبارسنجی مودیان مالیاتی مقایسه کنیم. جامعه آماری این پژوهش شرکتهای پذیرفته شده در بورس اوراق بهادار تهران هستند که طی سالهای 1392 تا 1397 فعال بودهاند و برای انتخاب نمونه از روش غربالگری (حذفی (استفاده شده است. در این پژوهش ابتدا با استفاده از تکنیک دلفی و متاسنتز 164 مولفه موثر در اعتبارسنجی مودیان مالیاتی شناسایی گردید. سپس دادههای مورد نیاز برای اندازهگیری متغیرهای پژوهش از سایت کدال و با بررسی پروندههای مالیاتی استخراج شد و درنهایت با استفاده از دادههای جمع آوری شده به بررسی میزان دقت درخت تصمیم (الگوریتم C5. 0و جنگل تصادفی) و ماشین بردار پشتیبان در اعتبارسنجی مودیان مالیاتی پرداختیم. یافتهها نشان داد براساس نتایج حاصل از مقدار [1] AUC الگوریتمC5. 0 و جنگل تصادفی برازش بهتری دارند با این وجود فرضیه پژوهش مبنی بر امکان پیش بینی ریسک مودیان مالیاتی با استفاده از الگوریتم SVM رد نمیشود.
Today, the risk-based audit method is emphasized in modern tax systems, so
explaining a comprehensive model for rating the risk of taxpayers is one of
the basic steps of implementing a comprehensive tax plan. Therefore, in this
article, we aim to measure the performance of decision tree algorithms and
support vector machine in the validation of taxpayers. The statistical population
of this research is the companies accepted in the Tehran Stock Exchange,
which were active during the years 2012-2017 and for the selection of the
sample was made using the screening method (elimination). In this research,
first, using Delphi technique and meta synthesis, 164 effective components in
the validation of taxpayers were identified, then the data needed to measure
the variables of the research were extracted from the Kodal website and by
examining tax files, and finally by using the collected data, we investigated
the accuracy of the decision tree (C5.0 algorithm and random forest) and
support vector machine in validating taxpayers. The findings showed that
based on the results of the AUC value, the C5.0 algorithm and the random
forest have a better fit, however, the research hypothesis that it is possible to
predict the risk of taxpayers using the SVM algorithm is not rejected.