تشخیص فرار مالیاتی با استفاده از سیستم هوشمند ترکیبی

با توجه به اجرایی شدن سامانه عملیات الکترونیکی مودیان مالیاتی و ایجاد پایگاه داده های مالیاتی، امکان پایش اطلاعات موجود با مدل های مختلف فراهم شده است. در این پژوهش، از الگوریتم بهینه سازی جستجوی هارمونی به منظور بهینه سازی همزمان پارامترهای شبکه عصبی پرسپترون چند لایه و ترکیب مناسب ورودی ها استفاده شده است. علاوه بر آن نتایج با رگرسیون لجستیک به عنوان هسته سیستم مورد مقایسه قرار گرفته است. متغیرهای ورودی به سیستم 21 مورد بوده که با بررسی پژوهش های مشابه انجام شده طی 30 سال اخیر، اعمال ویژگی های مالیاتی ایران و نظرخواهی از خبرگان انتخاب شده است. مقایسه نتایج حاصل از شبکه عصبی و رگرسیون لجستیک در دو صنعت مواد غذایی و نساجی نشان می دهد، استفاده از شبکه عصبی دارای دقت های بالاتری بوده و این تفاوت از لحاظ آماری معنادار می باشد. در شبکه عصبی به ترتیب در صنعت مواد غذایی و نساجی دقت کلی %78/83 و %85/84، دقت تشخیص شرکت های فراری %31/80 و %34/84 و دقت تشخیص شرکت های سالم %20/87 و %36/85 می باشد. با اعمال مجموعه مدل های نهایی سیستم بر روی اطلاعات عملکرد سال 91 اشخاص حقوقی و مقایسه آن با نتایج حسابرسی مالیاتی در دو صنعت مواد غذایی و نساجی، به ترتیب دقت کلی %22/92 و %35/82، دقت تشخیص شرکت های فراری %87/83 و %05/84 و دقت تشخیص شرکت های سالم %71/92 و %22/82 حاصل شده است. نتایج در داده های آزمون بر مبنای اعتبارسنجی ضربدری 10 بخشی با تکرار و میانگین گیری بر روی 8 حلقه موازی ارایه شده است.