ارائه الگوی پیش بینی فرار مالیاتی اصناف مبتنی بر تکنیک داده کاوی

پیام:
نوع مقاله:
مقاله پژوهشی/اصیل (دارای رتبه معتبر)
چکیده:

در این پژوهش با توجه به اهمیت موضوع و خلا پژوهش های پیشین، یک مدل پیش بینی فرار مالیاتی اصناف مبتنی بر تکنیک داده کاوی ارایه می گردد. داده های مورد تحلیل شامل بررسی 5600 پرونده مالیاتی کلیه اصناف دارای کد مالیاتی در استان قزوین طی سال های 93 تا 98 می باشد. پرونده مالیاتی مرتبط با اصناف در پنج گروه مالیاتی شامل گروه صنفی صاحبان دفاتر رسمی، گروه صنفی مشاورین املاک، گروه صنفی تالارهای پذیرایی، رستوان و مشاغل وابسته، گروه صنفی خدمات ارتباطی و گروه صنفی نمایشگاه و فروشگاه لوازم خودرویی و مشاغل وابسته می باشند. جهت مدل سازی از الگوی کلاس بندی درخت تصمیم استفاده گردید. نتایج نشان می دهد، مدل درخت تصمیم بر اساس داده های موجود، مدل مناسبی جهت پیش بینی محسوب می شود. معیار پوشش برابر 68 %، معیار کاپا برابر 0.612 بدست آمده است که عملکرد خوب مدل ساز را نشان می دهد. همچنین با استفاده از تکنیک Cross Validation صحت اعتبار مدل پیش بینی مورد آزمون قرار گرفت تا با اطمینان بیشتری درصد عملکرد مدل سازی تخمین زده شود. معیار صحت برابر 67.79%  نشان از قابلیت اطمینان مناسب جهت مدل پیش بینی می باشد. نتایج حاصل از این پژوهش می تواند در تدوین راهبردهای عملیاتی مبنی بر داده کاوی جهت  پیش بینی فرار مالیاتی اصناف در استان ها مورد بهره برداری قرار گیرد.

زبان:
فارسی
صفحات:
7 تا 30
لینک کوتاه:
magiran.com/p2609028 
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!