ارزیابی مالیات عملکرد شرکت‌ها و تحلیل روندهای مالیاتی با استفاده از الگوریتم‌های داده‌کاوی

همواره فاصله قابل‌توجهی میان مالیات ابرازی شرکت‌ها و مالیات تشخیصی آن‌ها وجود دارد که منجر به عدم رعایت عدالت میان مودیان شده است. یکی از علت‌های دشواربودن رعایت عدالت، شناسایی مودیان بر مبنای رفتار مالیاتی و برخورد مناسب با آ‌ن‌هاست. هدف اصلی پژوهش حاضر طراحی سیستم پیش‌بینی و تحلیل رفتار مالیاتی شرکت‌هاست. این سیستم کمک می‌کند تا با بهره‌گیری از متغیرهای کلیدی ارزیابی عملکرد مالیاتی، رفتار مالیاتی شرکت‌ها شناسایی و تحلیل شود. این سیستم برای سازمان امور مالیاتی کشور به‌منظور ارزیابی ریسک مالیاتی شرکت‌ها طراحی شده است و بر مبنای آن، ریسک مالیاتی شرکت‌ها به سه گروه پرریسک، با ریسک مالیاتی متوسط و کم‌ریسک تقسیم‌بندی شده است. همچنین، به کمک الگوریتم‌های خوشه‌بندی و طبقه‌بندی، خوشه‌های مالیاتی مشتریان شناسایی و درخت تصمیمی با دقت 80% طراحی شد که رفتار مالیاتی هر یک از خوشه‌ها را بررسی و تحلیل می‌کند و با اضافه‌شدن شرکت‌های جدید به فهرست شرکت‌های مالیات‌دهنده، رفتار مالیاتی آن‌ها را نیز پیش‌بینی می‌نماید.

Evaluating the Corporate Tax Performance and Analyzing the Tax Trends through the Utilization of Data Mining Algorithms

There is always a considerable difference between the corporate performance and the tax levy that is identified by the taxation authorities which has become a common practice. This fact has led to no fairness among taxpayers, a fact that influences the horizontal and vertical sides of equity. Horizontal equity is created when people feel the benefits of the tax gain that is proportional to the loss of benefits. People with more financial means should also pay more taxes that is equivalent to vertical equity. One reason for the difficulty of attaining the horizontal and vertical equities is to identify the taxpayers based on their previous taxation behavior and to deal with them effectively. The aim of this study is the design of a predictive system that evaluates the corporates taxation behavior based on their previous payments. The predicting system uses key performance variables that are identified during research and it will also help in the classification of companies based on their taxation behavior into three groups of high risk, medium risk and low risk. The system is specifically designed for the taxation authorities who are attempting to effectively assessing the risk of corporate taxes gaining. In this study, the taxation clusters of customers are identified and a decision tree is designed with 80% of accuracy by the utilization of clustering and classification algorithms and effective validation methods. The resulting models of applied algorithms investigate the taxation behavior of each customer and are capable of predicting the tax payment risk of taxpayers in the future with the addition of new corporates to the list.