31042

شناسايي فرار مالياتي با متغيرهاي چندگانه با استفاده از تكنيك هاي يادگيري ماشين

كارشاسي ارشد

مهدسي صنايع

1399

1402/06/29

دكتر محمد سعيدي مهرآباد - دكتر روزبه قوسي

ندارم

مهندسي صنايع

در اين تحقيق، چارچوبي را براي شناسايي فرار مالياتي با متغيرهاي چندگانه با استفاده از تكنيك هاي يادگيري ماشين انجام شده است. براي اين منظور از سه مدل پيش بيني درخت تصميم، KNN و شبكه عصبي استفاده شده است. براساس مقايسه مدل ها طبق نتايج اعتبارسنجي پيش¬بيني هر سه مدل، مي¬توان نتيجه گرفت ساير عوامل ديگر (پيچيدگي قانون مالياتي، كاهش ريسك و جريمه، عدم شفافيت مالي، عدم همكاراي بين المللي و اقتصاد زيرزميني) بجز عوامل مربوط به دسته سيستم مالياتي و نرخ مالياتي (فساداداري، قانون مالياتي، اعتماد، نيروي انساني متخصص، فرهنگ مالياتي، سيستم جامع اطلاعاتي و نرخ ماليات) بر روي فرار مالياتي تأثيرگذار هستند. زيرا در هر مدل¬ اعم از درخت تصميم و KNN و شبكه عصبي درصد پيش¬بيني فعاليت¬هاي ديگر به ترتيب 96.47% و 80.67% و87.64% است. با توجه به درصد پيش-بيني¬ها مشاهده مي¬شود، كه درخت تصميم گيري بالاترين درصد پيش¬بيني دارد. به عبارتي ديگر درخت تصميم بهترين عملكرد براي پيش¬بيني دارد. همچنين بعد از درخت تصميم، سيستم مالياتي و نرخ مالياتي بهترين پيش بيني با درصد پيش¬بيني 87.64% دارد. از سويي ديگر مدل KNN ضعيف¬ترين عملكرد در بين سه مدل دارد و درصد پيش¬بيني KNN براي عوامل ديگر 80.67% است. با توجه به نتايج به¬دست آمده مشاهده مي¬شود كه KNN از ساير مدل¬ها بدتر عمل مي‌كند، در حالي كه مدل¬هاي درخت تصميم و شبكه عصبي در مجموع مشابه يكديگر هستند با ذكر اين نكته كه در مقايسه جزئيات و با توجه به اعتبار سنجي هاي دو مدل درخت تصميم و شبكه عصبي، مدل درخت تصميم دسته سيستم مالياتي و نرخ مالياتي و مدل شبكه عصبي دسته ساير عوامل را بهتر پيش‌بيني مي‌كند.

1403/04/23

Identifying tax evasion with multiple variables using machine learning techniques

1/1/1900 12:00:00 AM

In this research, a framework has been developed for identifying tax evasion using multiple variables with machine learning techniques. Three prediction models, namely Decision Tree, KNN, and Neural Network, have been used for this purpose. Based on the comparison of the models and the results of predictive validation, it can be concluded that factors other than those related to the tax system and tax rate (such as complexity of tax laws, risk and penalty reduction, financial opacity, lack of international cooperation, and underground economy) influence tax evasion. This is because in each model, including Decision Tree, KNN, and Neural Network, the percentage of predicting other activities is 96.47%, 80.67%, and 87.64% respectively. Considering the percentages of predictions, it is observed that the Decision Tree has the highest prediction rate. In other words, the Decision Tree performs best in prediction. Furthermore, after the Decision Tree, the tax system and tax rate have the best prediction with a percentage of 87.64%. On the other hand, the KNN model has the weakest performance among the three models, with a prediction rate of 80.67% for other factors. Based on the obtained results, it can be seen that KNN performs worse than other models, while the Decision Tree and Neural Network models are similar to each other overall. It should be noted that in terms of details and considering the validation of the two models, the Decision Tree model predicts the tax system and tax rate category better, while the Neural Network model predicts other factors better.

فرار مالياتي , يادگيري ماشين , خوشه بندي , نرخ ماليات

Tax evasion , Machine learning , Clustering , Tax rate

Ali Shirzad Chenari

Dr. Mohammad Saeedi Mehrabad / Dr. Rouzbeh Ghousi