تحلیل آینده‌نگر تشخیص فرار مالیاتی مودیان مالیات بر ارزش افزوده با استفاده از الگوریتم‌های طبقه‌بندی و خوشه‌بندی.

فرار از مالیات یکی از دغدغه های مستمر برای هر نظام مالیاتی به خصوص در کشور های درحال توسعه است. هدف از دریافت مالیات بر ارزش افزوده، شفاف سازی تدریجی مبادلات اقتصادی به دلیل ویژگی خودکنترلی و قابلیت ردیابی معاملات در زنجیره های مبادلات و هم چنین ایجاد منبع درآمدی جدید، ثابت و قابل اتکا برای تامین هزینه های دولت است و ضرورت دارد این شفاف سازی در مبادلات فی مابین فعالان اقتصادی از مراحل اولیه خرید مواد اولیه تا تولید و فروش کالا در کار باشد تا بتوان مالیات را به درستی دریافت کرد. هوش تجاری به طورکلی و داده کاوی به طورخاص، ابزارهای موثری برای افزایش کارایی و اثربخشی تشخیص فرار از پرداخت مالیات هستند. در این پژوهش بر اساس اطلاعات موجود در اظهارنامه های مالیاتی مودیان مالیات بر ارزش افزوده در سال های مورد مطالعه (9388) که از سوی سازمان امور مالیاتی حسابرسی شده اند و روش های داده کاوی شامل الگوریتم های طبقه بندی knearest neighbor ،naive bayes ،decision tree و الگوریتم های خوشه بندی kmeans و kmedoids اقدام به پیش بینی فرار مالیاتی مودیان شد، سپس با استفاده از شاخص سیلوئت (silhouette) به اعتبارسنجی نتایج به دست آمده پرداخته و با توجه به تحلیل های صورت گرفته بر روی شاخص های مالیاتی خوشه های به دست آمده، مودیان در دو گروه کم ریسک و پرریسک طبقه بندی شدند. نتایج به دست آمده با استفاده از الگوریتم های طبقه بندی و خوشه بندی، می تواند به سازمان امور مالیاتی جهت برنامه ریزی برای تشخیص فرار مالیاتی کمک کند.