چکیده:
با توجه به اجرایی شدن سامانه عملیات الکترونیکی مودیان مالیاتی و ایجاد پایگاه دادههای مالیاتی، امکان پایش اطلاعات موجود با مدل های مختلف فراهم شده است. در این پژوهش، از الگوریتم بهینه سازی جستجوی هارمونی بهمنظور بهینه سازی همزمان پارامترهای شبکه عصبی پرسپترون چند لایه و ترکیب مناسب ورودی ها استفاده شده است. علاوه بر آن نتایج با رگرسیون لجستیک به عنوان هسته سیستم مورد مقایسه قرار گرفته است. متغیرهای ورودی به سیستم 21 مورد بوده که با بررسی پژوهش های مشابه انجام شده طی 30 سال اخیر، اعمال ویژگی های مالیاتی ایران و نظرخواهی از خبرگان انتخاب شده است. مقایسه نتایج حاصل از شبکه عصبی و رگرسیون لجستیک در دو صنعت مواد غذایی و نساجی نشان می دهد، استفاده از شبکه عصبی دارای دقت های بالاتری بوده و این تفاوت از لحاظ آماری معنادار می باشد. در شبکه عصبی به ترتیب در صنعت مواد غذایی و نساجی دقت کلی %78/83 و %85/84، دقت تشخیص شرکت های فراری %31/80 و %34/84 و دقت تشخیص شرکت های سالم %20/87 و %36/85 می باشد. با اعمال مجموعه مدلهای نهایی سیستم بر روی اطلاعات عملکرد سال 91 اشخاص حقوقی و مقایسه آن با نتایج حسابرسی مالیاتی در دو صنعت مواد غذایی و نساجی، به ترتیب دقت کلی %22/92 و %35/82، دقت تشخیص شرکت های فراری %87/83 و %05/84 و دقت تشخیص شرکت های سالم %71/92 و %22/82 حاصل شده است. نتایج در دادههای آزمون بر مبنای اعتبارسنجی ضربدری 10 بخشی با تکرار و میانگین گیری بر روی 8 حلقه موازی ارائه شده است.
خلاصه ماشینی:
"Financial Fraud Detection (FFD) محققـان ایـن پـژوهش تقلـب مـالی را بـه زیـربخش هـای تقلـب بـانکی ١، تقلـب بیمـه ای ، 2 تقلــب در اوراق بهــادار و کــالا٣ و ســایر فرارهــای مــرتبط و همچنــین روش داده کــاوی مــورد استفاده را به زیـر بخـش هـای رگرسـیون، خوشـه بنـدی، پـیش بینـی ، کشـف داده هـای پـرت و تجسم ٤ تقسیم کرده انـد.
ساختار سیستم هوشمند کشف فرار مالیاتی ساختار پیش پردازش سیستم و مجموعه داده ها پــس از تعیــین شــرکت هــای فــراری و ســالم بــر مبنــای معیــار فــرار مالیــاتی طراحــی شــده بــا همکاری سـازمان امـور مالیـاتی کشـور، مشـاهده مـی شـود کـه در تمـامی صـنایع مـورد بررسـی تعداد شرکت های فراری کمتر از تعداد شـرکت هـای سـالم بـوده کـه وضـعیت فـوق منطقـی نیـز به نظر می رسد.
نتیجـه مـی شـود کــه تفــاوت هــای دو ســاختار طبقــه بنــدی شــبکه عصــبی و رگرســیون لجســتیک در ســطح اطمینـان ٩٥% معنـادار بـوده و بـا توجـه بـه بـالاتر بـودن تمـامی دقـت هـا در حالـت اسـتفاده از شبکه عصبی به عنـوان هسـته سیسـتم در صـنعت مـواد غـذایی در مجموعـه داده هـای خـارجی ، ساختار فوق در ترکیب بـا الگـوریتم جسـتجوی هـارمونی بـه عنـوان سـاختار برتـر در ایـن صـنعت انتخاب می شود.
69% مشاهده مـی شـود کـه در حالـت اسـتفاده از شـبکه عصـبی و همچنـین رگرسـیون لجسـتیک دقت طبقه بندی در داده های آزمـون قابـل قبـول بـوده و بـا وجـود کمتـر بـودن دقـت تشـخیص بــر روی داده هــای خــارجی (عملکــرد ١٣٩١) نســبت بــه آزمــون، مجموعــه دقــت هــای اعمــال مدل بـر روی داده هـای خـارجی نیـز مناسـب مـی باشـد."