مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

مقاله مقاله نشریه

مشخصات مقاله

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

903
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

741
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

توسعه مدل شناسایی مودیان کم اظهار در مالیات بر ارزش افزوده با استفاده از رویکردهای داده کاوی

صفحات

 صفحه شروع 103 | صفحه پایان 139

چکیده

 تعداد زیاد اظهارنامه ها, محدودیت منابع و مقرون به صرفه نبودن بررسی تمامی آن ها, توسعه روشی هوشمند جهت شناسایی مودیان کم اظهار را ضروری می نماید. در این مقاله, بر اساس نظرات ممیزین مالیاتی, داده های هجده متغیر بالقوه موثر بر شناسایی کم اظهاری مالیات بر ارزش افزوده در یکی از مناطق تهران به همراه نتایج ممیزی آن ها جمع آوری شده است. روش های فیتلری و روش الگوریتم ژنتیک تعداد متغیرهای موثر را به ترتیب ده و هفت متغیر شناسایی کرده اند. دو روش پایه رده بندی «درخت تصمیم» و « kنزدیک ترین همسایگی» بر اساس دو نوع متغیرهای موثر (روش های فیلتری و الگوریتم ژنتیک) برای شناسایی کم اظهاری توسعه داده شده و برای توازن داده ها دو روش جمعی «بگینگ» و «بوستینگ» استفاده شده است. بررسی دقت پیش بینی در دوازده مدل پیش بینی (درخت تصمیم و K نزدیکترین همسایگی با دو گروه متغیر مستقل و در سه حالت «عادی», «بگینگ» و «بوستینگ») نشان می دهد, روش های جمعی «بگینگ» و «بوستینگ» تاثیری بر پیش بینی ندارند و درخت تصمیم ساده با ده متغیر منتخب با روش های فیلتری, بیشترین دقت پیش بینی و معادل %14.82 را برای تشخیص مودیان کم اظهار دارد. استخراج قوانین مناسب برای تشخیص مودیان کم اظهار بر اساس ده متغیر موثر بر پیش بینی آن ها از دیگر نتایج این مقاله است.

استنادها

  • ثبت نشده است.
  • ارجاعات

  • ثبت نشده است.
  • استناددهی

    APA: کپی

    برادران، وحید، و محمدحسنی، شیما. (1396). توسعه مدل شناسایی مودیان کم اظهار در مالیات بر ارزش افزوده با استفاده از رویکردهای داده کاوی. پژوهشنامه مالیات، 25(34 (مسلسل 82) )، 103-139. SID. https://sid.ir/paper/89666/fa

    Vancouver: کپی

    برادران وحید، محمدحسنی شیما. توسعه مدل شناسایی مودیان کم اظهار در مالیات بر ارزش افزوده با استفاده از رویکردهای داده کاوی. پژوهشنامه مالیات[Internet]. 1396؛25(34 (مسلسل 82) ):103-139. Available from: https://sid.ir/paper/89666/fa

    IEEE: کپی

    وحید برادران، و شیما محمدحسنی، “توسعه مدل شناسایی مودیان کم اظهار در مالیات بر ارزش افزوده با استفاده از رویکردهای داده کاوی،” پژوهشنامه مالیات، vol. 25، no. 34 (مسلسل 82) ، pp. 103–139، 1396، [Online]. Available: https://sid.ir/paper/89666/fa

    مقالات مرتبط نشریه ای

    مقالات مرتبط همایشی

  • ثبت نشده است.
  • طرح های مرتبط

  • ثبت نشده است.
  • کارگاه های پیشنهادی






    بازگشت به بالا
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button