کشف فرار مالیاتی اشخاص حقوقی: مقایسه کارایی رگرسیون خطی چند متغیره و شبکه های عصبی مصنوعی

یکی از مهمترین مشکلات نظام مالیاتی در عمده کشورهای دنیا، فرار مالیاتی است. فرار مالیاتی عبارت از هر گونه تلاش غیرقانونی به منظور نپرداختن مالیات است؛ در تحقیق حاضر عوامل موثر بر فرار مالیاتی از دیدگاه خبرگان با استفاده از روش دِلفی استخراج گردید که بر این اساس تعداد 29 عامل شناسایی و از بین عوامل شناسایی شده با توجه به قابلیت اندازه گیری تعداد 16 عامل استخراج نهایی گردید. جامعه آماری شامل شرکت های فعال دارای پرونده در 42 اداره کل امور مالیاتی سطح کشور بوده که بر اساس جدول مورگان تعداد 400 شرکت به عنوان نمونه برای عملکرد سال 1391 انتخاب گردید. داده های استخراج شده بر اساس روش های رگرسیون خطی چند متغیره و همچنین شبکه های عصبی مصنوعی مورد تحلیل و بررسی قرار گرفت که هر دو روش بیانگر تاثیر عوامل شناسایی شده بر فرار مالیاتی شرکت ها بوده است. در مرحله بعدی کارایی هر یک از تکنیک های رگرسیون خطی چند متغیره و شبکه عصبی مصنوعی مورد بررسی قرار گرفت که نتایج آن بیانگر کارایی بیشتر شبکه های عصبی مصنوعی در مقایسه با رگرسیون خطی چند متغیره بوده است. بر این اساس کارایی رگرسیون خطی چند متغیره در کشف فرار مالیاتی اشخاص حقوقی 60 درصد، در حالی که کارایی شبکه های عصبی مصنوعی 82,5 درصد بوده است.

The Comparison of Multi-variable Linear Regression and Artificial Neutral Networks in Tax Evasion of Legal Persons in Iranian Tax System

Tax evasion is one of the most important problems of tax system in the most countries around the world. It covers any unlawful attempt to avoid paying taxes. In present study, the affective factors on tax evasion based on experts rsquo; views were extracted by using Delphi method, so we identified 29 factors and finally 16 factors were extracted based on measurement ability among them. The statistical population of this study was the companies who had files in Tax organization. Based on Morgan rsquo;s table, 400 companies were selected as sample for performance of year 2012. The extracted data were analyzed based on multivariable linear regression and artificial neutral networks, that both methods represent the effect of identified factors on tax evasion of companies. Then we analyzed the efficiency of multivariable linear regression and artificial neutral networks, the results showed that artificial neutral networks have more efficiency in comparison with multivariable linear regression. So, efficiency of multivariable linear regression to detect tax evasion of legal persons was 60%, while efficiency of artificial neutral networks was 82.5%.