ارائه الگویی برای کشف تقلب مالیاتی بر اساس تیپ‌های شخصیتی مدیران مالی شرکتها با استفاده از رویکرد شبکه‌های عصبی

یکی از اقدامات مدیریتی به‌منظور کاهش تعهدات مالیاتی، عدم پرداخت مالیات از طریق تقلب مالیاتی است. ازآنجاکه عوامل شخصیتی احتمالاً در توضیح روحیه مالیات دخیل هستند، بررسی ویژگی‌های شخصیتی و جنبه‌های آن در رابطه با تقلب مالیاتی می‌تواند به شناخت بهتر عوامل تاثیرگذار بر تصمیمات مالیاتی کمک کند. هدف اصلی این پژوهش ارائه الگویی برای کشف تقلب مالیاتی بر اساس تیپ‌های شخصیتی مدیران مالی شرکت‌ها با استفاده از رویکرد شبکه‌های عصبی است. جامعه آماری پژوهش را کلیه مدیران مالی شرکت‌های بورسی و غیربورسی در سال 1399 که معاف از مالیات نیستند، تشکیل می‌دهند. اطلاعات مربوط به مدیران مالی از طریق پرسشنامه جمع‌آوری و با استفاده از نرم‌افزار spss نسخه 21 و نرم‌افزار matlab نسخه 2015 مورد تجزیه‌وتحلیل قرار گرفت. نتایج پژوهش حاکی از آن است که الگوی شبکه عصبی طراحی‌شده با 10 نرون در لایه پنهان دارای دقت 79.5 درصد توانایی کشف تقلب مالیاتی صورت گرفته توسط مدیران مالی شرکت‌ها را دارد. همچنین طبق نتایج حاصل از آزمون مدل رگرسیونی، تیپ‌های شخصیتی روان‌رنجوری، برون‌گرایی، انعطاف‌پذیری و توافق‌پذیری بر تقلب مالیاتی تاثیر مثبت و معنی‌دار و تیپ شخصیتی باوجدان بودن تاثیر منفی و معنی‌دار بر تقلب مالیاتی دارد.

providing a model for detecting tax fraud based on the personality types of corporate financial managers using the neural network approach

one of the management measures to reduce tax liabilities is non-payment of taxes through tax fraud. because personality factors may play a role in explaining tax ethics, examining personality traits and aspects of tax fraud can help to better understand the factors that influence tax decisions. the main purpose of this study is to provide a model for detecting tax fraud based on the personality types of corporate financial managers using the neural network approach. the statistical population of the study consists of all financial managers of listed and non-listed companies in 2020 who are not exempt from taxes. the information about financial managers was collected through a questionnaire and analyzed using spss software version 21 and matlab software version 2015. the results indicate that the neural network model designed with 10 neurons in the hidden layer with an accuracy of 79.5% has the ability to detect tax fraud committed by financial managers of companies. also according to the results of the regression model test, personality traits of neuroticism, extraversion, flexibility and agreement have a positive and significant effect on tax fraud and the personality trait of conscientious has a negative effect on tax fraud.