ارائه مدل پیش‌بینی فرار مالیاتی برمبنای الگوریتم درخت تصمیم id3 و شبکه بیزین

امروزه دانش به‌عنوان یک منبع ارزشمند و استراتژیک و نیز یک دارایی برای ارزیابی و پیش‌بینی مطرح است و ارائه این راهکارها در زمینه کشف فرار مالیاتی شرکت ها امروزه به بحث داغی تبدیل شده است و راهکارهای مختلفی در این زمینه ارائه شده است. هدف از این تحقیق ارائه مدل جدید برای تشخیص مودیان که دارای فرار مالیاتی هستند، می باشد. ایده اصلی مقاله از مقایسه نسبت های مالی شرکت مورد نظر با نسبت های سال گذشته و همچنین برآورد مالیات سال مورد رسیدگی از روی مالیات سال قبل گرفته شده است. الگوریتمی که در این تحقیق از آن استفاده شده مبتنی بریک الگوریتم ترکیبی است که از ترکیب الگوریتم درخت تصمیمid3 و شبکه بیزین تشکیل شده است. نتایج حاصل از اجرای مدل ها نشان می دهد که که الگوریتم پیشنهادی با 60.58% دقت، دارای بالاترین دقت صحت و با 43.76% اشتباه دارای کمترین میزان اشتباه می باشد. که از الگوریتم هایid3 و الگوریتم بیزین که الگوریتم های پایه روش پیشنهادی می باشند، نیز بسیار بهتر عمل می کند.

A Model for Tax Evasion Forcasting based on ID3 Algorithm and Bayesian Network

Nowadays, knowledge is a valuable and strategic source as well as an asset for evaluation and forecasting. Presenting these strategies in discovering corporate tax evasion has become an important topic today and various solutions have been proposed. In the past, various approaches to identify tax evasion and the like have been presented, but these methods have not been very accurate and the overhead of calculations has also been high. Hence, in this study, a solution is proposed that is based on a combination of the three methods of ID3, Bayesian network and SVM algorithm. In this research, the hybrid RAF set algorithm and hierarchical decision algorithm are used for preprocessing and selecting effective data. The proposed solution in Visual Studio environment using C # programming language and help from Veka library has been compared with popular methods such as ID3, Bayesian and SVM and it is found that this method has much higher accuracy than other methods. The case has been investigated and this indicates the robustness of the proposed method compared to the methods investigated.