چکیده:
یکی از مراحل مهم در اجرای طرح جامع مالیاتی، انجام حسابرسی بر مبنای ریسک است. این امر موجب کاهش چشمگیر هزینههای حسابرسی مالیاتی و صرفهجویی در زمان میشود. حسابرسی بر مبنای ریسک نیازمند شناسایی سطح ریسک هر مؤدی مالیاتی میباشد؛ لذا تبیین مدلی جامع و کامل جهت شناسایی درجه ریسک مؤدیان مالیاتی یکی از گامهای اساسی در اجرای طرح جامع مالیاتی میباشد. 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 متا سنتز 164 مؤلفه مؤثر در اعتبارسنجی مؤدیان مالیاتی شناسایی گردید. درگام بعد دادههای مورد نیاز برای اندازهگیری متغیرهای پژوهش از سایت کدال و با بررسی پروندههای مالیاتی طی سالهای 1397-1392 استخراج شد و در نهایت با استفاده از دادههای جمع آوری شده به بررسی میزان دقت دو مدل شبکه عصبی و رگرسیون لاجیت در اعتبارسنجی مؤدیان مالیاتی پرداختیم. یافتهها نشان داد که هرچند مدل لاجیت در شناسایی مؤدیان پر ریسک توان بیشتری دارد، ولی در سایر موارد تشخیص مناسبی ندارد و در مجموع بر اساس نتایج حاصل از مقدار AUC [1] مدل شبکه عصبی برازش بهتری دارد.
[1]. Area under the ROC Curve
One of the most important steps in implementing a comprehensive tax plan is
risk-based auditing. This significantly reduces tax audit costs and saves time.
Risk-based auditing requires identifying the level of risk of each taxpayer;
Therefore, explaining a comprehensive and complete model to identify the
degree of risks is one of the basic steps in implementing a comprehensive tax
plan. The statistical population of this research is the companies listed on the
Tehran Stock Exchange that have been active during the years 1392 to 1397
and the screening method (elimination) has been used to select the sample. At
first, in this study, 164 effective components in taxpayer accreditation were
identified by Delphi technique and meta synthesis. In the next step, the data
required to measure the research variables were extracted from the CODAL
site and by examining tax files during the years 1392-1397 and finally by the
collected data, we examined the accuracy of the two neural network models
and logistic regression in validating taxpayers. The results showed that although
the logistic model has more power in identifying high-risk taxpayers,
but in other cases it does not have a good diagnosis and in general, based on
the results obtained from the AUC value, the neural network model has a
better fit.
خلاصه ماشینی:
درگام بعد داده هاي مورد نياز براي اندازه گيري متغيرهاي پژوهش از سايت کدال و با بررسي پرونده هاي مالياتي طي سالهاي ۱۳۹۷-۱۳۹۲ استخراج شد و در نهايت با استفاده از داده هاي جمع آوري شده به بررسي ميزان دقت دو مدل شبکه عصبي و رگرسيون لاجيت در اعتبارسنجي مؤديان مالياتي پرداختيم .
جدول (۹) - محدوده زير منحني ROC متغير سطح ريسک اندازه محدوده )به تصویرصفحه رجوع شود) منبع : يافته هاي پژوهش در جدول (۱۰) نتيجه نهايي پيش بيني ريسک بر اساس ميزان دقت و خطا با مدل شبکه عصبي و رگرسيون لاجيت مقايسه شده است .
با انجام اين آزمون مشخص شد که نسبت جاري، نسبت سود و زيان قبل از بهره و ماليات به دارايي ها و اندازه شرکت به ترتيب بيشترين تأثير را در پيش بيني ريسک مؤديان مالياتي در روش شبکه هاي عصبي دارند.
همچنين نتايج به دست آمده از آزمون داده ها با استفاده از رگرسيون لاجيت نشان داد نسبت سود و زيان قبل از بهره و ماليات به دارايي ها، درصد تغييرات ماليات سال قبل نسبت به دو سال قبل ، نوع گزارش حسابرسي و نسبت سود انباشته به کل دارايي ها به ترتيب بيشترين اهميت را دارند و مدل رگرسيوني با اطمينان ۹۵ درصد براي اعتبارسنجي مؤديان مالياتي مناسب است .
با اين وجود فرضيه هاي پژوهش مبني بر امکان پيش بيني ريسک مؤديان مالياتي با استفاده از مدل شبکه عصبي و رگرسيون لاجيت رد نمي شود.