ارائه الگوی پیش بینی فرار مالیاتی اصناف مبتنی بر تکنیک داده کاوی

در این پژوهش با توجه به اهمیت موضوع و خلا پژوهش‌های پیشین، یک مدل پیش بینی فرار مالیاتی اصناف مبتنی بر تکنیک داده کاوی ارائه می‌گردد. داده‌های مورد تحلیل شامل بررسی 5600 پرونده مالیاتی کلیه اصناف دارای کد مالیاتی در استان قزوین طی سال های 98-1393 می‌باشد. پرونده مالیاتی مرتبط با اصناف در پنج گروه مالیاتی شامل گروه صنفی صاحبان دفاتر رسمی، گروه صنفی مشاورین املاک، گروه صنفی تالارهای پذیرایی، رستوان و مشاغل وابسته، گروه صنفی خدمات ارتباطی و گروه صنفی نمایشگاه و فروشگاه لوازم خودرویی و مشاغل وابسته می باشند. جهت مدل سازی از الگوی کلاس بندی درخت تصمیم استفاده گردید. نتایج نشان می‌دهد، مدل درخت تصمیم بر اساس داده‌های موجود، مدل مناسبی جهت پیش بینی محسوب می‌شود. معیار پوشش برابر 68 %، معیار کاپا برابر 0.612 بدست آمده است که عملکرد خوب مدل ساز را نشان می‌دهد. همچنین با استفاده از تکنیک cross validation صحت اعتبار مدل پیش بینی مورد آزمون قرار گرفت تا با اطمینان بیشتری درصد عملکرد مدل سازی تخمین زده شود. معیار صحت برابر 67.79%  نشان از قابلیت اطمینان مناسب جهت مدل پیش بینی می‌باشد. نتایج حاصل از این پژوهش می‌تواند در تدوین راهبردهای عملیاتی مبنی بر داده کاوی جهت  پیش بینی فرار مالیاتی اصناف در استان‌ها مورد بهره برداری قرار گیرد.

presenting a model for predicting tax evasion of guilds based on data mining technique

in this research, considering the importance of the topic and the gap in previous researches, a model for predicting tax evasion of guilds based on data mining technique is presented. the analyzed data includes the review of 5600 tax files of all trades with tax codes in qazvin province during the years 2013-2018. the tax file related to guilds is in five tax groups, including the guild group of owners of official offices, the guild group of real estate consultants, the guild group of catering halls, restaurants and related businesses, the guild group of communication services, and the guild group of showrooms and auto accessories stores and related businesses. the decision tree classification model was used for modeling. the results show that the decision tree model based on the available data is considered a suitable model for prediction. the coverage criterion is 68%, the kappa criterion is 0.612, which shows the good performance of the modeler. also, using the cross validation technique, the validity of the prediction model was tested in order to more reliably estimate the percentage of modeling performance. the accuracy criterion equal to 67.79% shows the appropriate reliability for the prediction model. the results of this research can be used in formulating operational strategies based on data mining to predict the tax evasion of guilds in the provinces.