مقایسه درخت تصمیم(الگوریتم c5.0 و جنگل تصادفی) و ماشین بردار پشتیبان در اعتبارسنجی مودیان مالیاتی

امروزه روش حسابرسی مبتنی بر ریسک در نظام های نوین مالیاتی مورد تاکید است، لذا تبیین مدلی جامع جهت رتبه بندی ریسک مودیان یکی از گام های اساسی اجرای طرح جامع مالیاتی است. بنابراین در این مقاله برآنیم تا عملکرد الگوریتم های درخت تصمیم و ماشین بردار پشتیبان را در اعتبارسنجی مودیان مالیاتی مقایسه کنیم. جامعه آماری این پژوهش شرکت های پذیرفته شده در بورس اوراق بهادار تهران هستند که طی سالهای 1392 تا 1397 فعال بوده اند و برای انتخاب نمونه از روش غربالگری (حذفی (استفاده شده است. در این پژوهش ابتدا با استفاده از تکنیک دلفی و متاسنتز 164 مولفه موثر در اعتبارسنجی مودیان مالیاتی شناسایی گردید. سپس داده های مورد نیاز برای اندازه گیری متغیرهای پژوهش از سایت کدال و با بررسی پرونده های مالیاتی استخراج شد و درنهایت با استفاده از داده های جمع آوری شده به بررسی میزان دقت درخت تصمیم (الگوریتم  c5.0و جنگل تصادفی) و ماشین بردار پشتیبان در اعتبارسنجی مودیان مالیاتی پرداختیم. یافته ها نشان داد براساس نتایج حاصل از مقدار [1]auc الگوریتمc5.0  و جنگل تصادفی برازش بهتری دارند با این وجود فرضیه پژوهش مبنی بر امکان پیش بینی ریسک مودیان مالیاتی با استفاده از الگوریتم svm رد نمی شود. 

comparison of decision tree (c5.0 algorithm and random forest) and support vector machine in the validation of taxpayers

today, the risk-based audit method is emphasized in modern tax systems, so explaining a comprehensive model for rating the risk of taxpayers is one of the basic steps of implementing a comprehensive tax plan. therefore, in this article, we aim to measure the performance of decision tree algorithms and support vector machine in the validation of taxpayers. the statistical population of this research is the companies accepted in the tehran stock exchange, which were active during the years 2012-2017 and for the selection of the sample was made using the screening method (elimination). in this research, first, using delphi technique and meta synthesis, 164 effective components in the validation of taxpayers were identified, then the data needed to measure the variables of the research were extracted from the kodal website and by examining tax files, and finally by using the collected data, we investigated the accuracy of the decision tree (c5.0 algorithm and random forest) and support vector machine in validating taxpayers. the findings showed that based on the results of the auc value, the c5.0 algorithm and the random forest have a better fit, however, the research hypothesis that it is possible to predict the risk of taxpayers using the svm algorithm is not rejected.