مقایسه مدل شبکه عصبی و رگرسیون لاجیت در اعتبارسنجی مودیان مالیاتی
یکی از مراحل مهم در اجرای طرح جامع مالیاتی، انجام حسابرسی بر مبنای ریسک است. این امر موجب کاهش چشم گیر هزینه های حسابرسی مالیاتی و صرفه جویی در زمان می شود. حسابرسی بر مبنای ریسک نیازمند شناسایی سطح ریسک هر مودی مالیاتی می باشد؛ لذا تبیین مدلی جامع و کامل جهت شناسایی درجه ریسک مودیان مالیاتی یکی از گام های اساسی در اجرای طرح جامع مالیاتی می باشد. جامعه آماری این پژوهش شرکت های پذیرفته شده در بورس اوراق بهادار تهران هستند که طی سالهای 1392 تا 1397 فعال بوده اند و برای انتخاب نمونه از روش غربالگری (حذفی (استفاده شده است. در این پژوهش ابتدا با استفاده از تکنیک دلفی و متا سنتز 164 مولفه موثر در اعتبارسنجی مودیان مالیاتی شناسایی گردید. درگام بعد داده های مورد نیاز برای اندازه گیری متغیرهای پژوهش از سایت کدال و با بررسی پرونده های مالیاتی طی سال های 1397-1392 استخراج شد و در نهایت با استفاده از داده های جمع آوری شده به بررسی میزان دقت دو مدل شبکه عصبی و رگرسیون لاجیت در اعتبارسنجی مودیان مالیاتی پرداختیم. یافته ها نشان داد که هرچند مدل لاجیت در شناسایی مودیان 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.
- 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.