چکیده:
فرار از مالیات یکی از دغدغههای مستمر برای هر نظام مالیاتی بهخصوص در کشورهای درحالتوسعه است. هدف از دریافت مالیات بر ارزش افزوده، شفافسازی تدریجی مبادلات اقتصادی بهدلیل ویژگی خودکنترلی و قابلیت ردیابی معاملات در زنجیرههای مبادلات و همچنین ایجاد منبع درآمدی جدید، ثابت و قابل اتکا برای تامین هزینههای دولت است و ضرورت دارد این شفافسازی در مبادلات فیمابین فعالان اقتصادی از مراحل اولیه خرید مواد اولیه تا تولید و فروش کالا در کار باشد تا بتوان مالیات را بهدرستی دریافت کرد. هوش تجاری بهطورکلی و دادهکاوی بهطورخاص، ابزارهای موثری برای افزایش کارایی و اثربخشی تشخیص فرار از پرداخت مالیات هستند. در این پژوهش بر اساس اطلاعات موجود در اظهارنامههای مالیاتی مودیان مالیات بر ارزش افزوده در سالهای مورد مطالعه (93-88) که از سوی سازمان امور مالیاتی حسابرسی شدهاند و روشهای دادهکاوی شامل الگوریتمهای طبقهبندی K-Nearest Neighbor، Naive Bayes، Decision Tree و الگوریتمهای خوشهبندی K-means و K-medoids اقدام به پیشبینی فرار مالیاتی مودیان شد، سپس با استفاده از شاخص سیلوئت (Silhouette) به اعتبارسنجی نتایج بهدست آمده پرداخته و با توجه به تحلیلهای صورت گرفته بر روی شاخصهای مالیاتی خوشههای بهدست آمده، مودیان در دو گروه کمریسک و پرریسک طبقهبندی شدند. نتایج بهدست آمده با استفاده از الگوریتمهای طبقهبندی و خوشهبندی، میتواند به سازمان امور مالیاتی جهت برنامهریزی برای تشخیص فرار مالیاتی کمک کند.
Tax evasion is one of the ongoing challenges for any tax system, particularly for developing countries. The purpose of collection of value added taxes, based on its inherent characteristics of self control and capacity of tracking the transactions chain, is the gradual clarification of economical transactions, and also built-up of a new source of income that is sustainable and reliable for financing the government’s budget. Furthermore, it is necessary that such clarification or transactions among the traders be dominant since the first process of purchasing the raw materials up to the production and sale of goods, so as the tax may be rightfully collected.
The business Intelligence in general, and data mining in particular, are effective tools for enhancing effectiveness and efficiency in the assessment of tax evasion. In the present research, based on the available information on VAT taxpayers returns in the years of study (2009-2014), being audited by the tax administration, and data mining methods including, classification algorithms of Decision Tree, Naive Bayes, and K-Nearest Neighbor, and clustering algorithms of K-means and K-medoids, the tax evasions were predicted; then by applying the silhouette index the validation of results were performed, and in view of analysis on the tax indices of earned clusters, they were divided into low-risk and high-risk taxpayers. The results arising from applying the classification and clustering algorithms may assist the tax administration in planning for the assessment and prevention of tax evasion.
خلاصه ماشینی:
در این پژوهش بر اساس اطلاعات موجود در اظهارنامه های مالیاتی مؤدیان مالیات بر ارزش افزوده در سال های مورد مطالعه (١٣٩٣-١٣٨٨) که از سوی سازمان امور مالیاتی کشور حسابرسی شده اند و روش های داده کاوی شامل الگوریتم های طبقه بندی Decision Tree، Naive Bayes و K-Nearest Neighbor و الگوریتم های خوشه بندی K-means و K-medoids پیش بینی فرار مالیاتی مؤدیان انجام شد، سپس با استفاده از شاخص سیلوئت (Silhouette)، نتایج به دست آمده اعتبارسنجی شد.
هدف کلی این پژوهش ، ارائه چهارچوبی جهت پیش بینی فرار مالیاتی مؤدیان مالیات بر ارزش افزوده بر اساس روش های داده کاوی شامل الگوریتم های طبقه بندی ٣ و خوشه بندی ٤ است .
کاربرد روش های داده کاوی با توجه به مطالعات مرتبط و ماهیت آن ها، میتواند طیف گسترده ای شامل پیش بینی ورشکستگی، تخمین ریسک اعتباری، وضعیت تداوم فعالیت ، درماندگی مالی، پیش بینی عملکرد واحد تجاری و انواع تقلب را در برگیرد، بنابراین در این پژوهش جهت پیش بینی فرار مالیاتی به کار گرفته شده است .
(به تصویر صفحه مراجعه شود) میزان خطا به میزان ٠/٠٠٣ بدین مفهوم است که درخت تصمیم ایجاد شده با استفاده از نتایج خوشه بندی، در ٩٩/٧ درصد موارد، طبقه بندی صحیحی را انجام میدهد (به عبارت دیگر بر اساس این درخت تصمیم تنها برای ٠/٣ درصد از مؤدیان طبقه بندی صحیحی از نظر کم ریسک و یا پرریسک بودن انجام نمیشود).
Data Mining Techniques for the Detection of Fraudulent Financial Statements.