کاربست روش های داده کاوی به منظور ارتقای عملکرد تشخیص فرار مالیاتی
نویسنده:
چکیده:
این پژوهش به بررسی کاربست روش های داده کاوی به منظور ارتقای عملکرد تشخیص فرار مالیاتی می پردازد. داده کاوی، فرایند کشف اطلاعات نامعلوم، ناشناخته و پنهان از یک پایگاه داده است و روشی است منحصر به فرد برای یافتن حقایق جدید و روابط بین داده های موجود که به وسیله صاحب نظران کشف نشده است. در این پژوهش سودمندی داده کاوی مبتنی بر قواعد وابستگی به عنوان ابزاری برای تشخیص فرار مالیاتی به کار گرفته شده است. جامعه آماری این پژوهش کلیه شرکت های پذیرفته شده در بورس اوراق بهادار تهران می باشد که بر اساس شرایط در نظر گرفته شده برای انتخاب نمونه به روش حذف سامانمند، 125 شرکت در دوره زمانی 1383 تا 1390 انتخاب گردید. در این پژوهش از 28 متغیر مالی و غیرمالی در قالب 9 طبقه به منظور ایجاد مدل استفاده شد. قواعد وابستگی با به کارگیری الگوریتم پیشینار برای تشخیص فرار مالیاتی شرکت ها استفاده شد. بدین منظور داده ها به طور تصادفی به سه دسته آموزش، اعتبارسنجی و آزمون تقسیم شدند. نتایج پژوهش نشان داد که روش های داده کاوی مبتنی بر قواعد وابستگی با ایجاد دو مدل با درصد صحت 91% بر روی داده های آموزش، با درصد صحت 88% بر روی داده های اعتبارسنجی و با درصد صحت 86% بر روی داده های آزمون توانسته است موفق به تشخیص فرار مالیاتی گردد.
کلیدواژگان:
زبان:
فارسی
در صفحه:
95
لینک کوتاه:
magiran.com/p1536603
دانلود و مطالعه متن این مقاله با یکی از روشهای زیر امکان پذیر است:
اشتراک شخصی
با عضویت و پرداخت آنلاین حق اشتراک یکساله به مبلغ 1,390,000ريال میتوانید 70 عنوان مطلب دانلود کنید!
اشتراک سازمانی
به کتابخانه دانشگاه یا محل کار خود پیشنهاد کنید تا اشتراک سازمانی این پایگاه را برای دسترسی نامحدود همه کاربران به متن مطالب تهیه نمایند!
توجه!
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.
In order to view content subscription is required
Personal subscription
Subscribe magiran.com for 70 € euros via PayPal and download 70 articles during a year.
Organization subscription
Please contact us to subscribe your university or library for unlimited access!