استفاده از تکنیک‌های داده‌کاوی برای سنجش ریسک مالیاتی مودیان مالیات بر ارزش افزوده

در این مقاله با استفاده از تکنیک‌های داده‌کاوی ریسک مالیاتی مودیان در نظام مالیات بر ارزش افزوده مورد مطالعه قرار می‌گیرد. اهمیت ارزیابی ریسک مالیاتی مودیان مالیات بر ارزش افزوده به منظور تدوین طرح موثر انتخاب مودیان برای حسابرسی مالیاتی با هدف افزایش کارایی و اثر بخشی در نظام مالیات بر ارزش افزوده کشور می‌باشد. مودیان مالیاتی در این تحقیق به سه گروه مودیان فاقد ریسک، با ریسک پایین و پر ریسک طبقه بندی شده‌اند به منظور ارزیابی ریسک مالیاتی از دو تکنیک داده‌کاوی ماشین بردار پشتیبان و رگرسیون لجستیک استفاده شده است. جامعه آماری پژوهش شامل اشخاص حقوقی بزرگ در شهر تهران می‌باشد که در سال های 1390 تا 1393 مورد حسابرسی مالیاتی در نظام مالیات بر ارزش افزوده قرار گرفته‌اند در این تحقیق متغیرها شامل ساز و کارهای حاکمیت شرکتی، ویژگی‌های خاص شرکتی، ماهیت فعالیت مودیان سیستم کنترلی مودیان و نسبت‌های مالی می‌باشد که به منظور آموزش و آزمون مدل استفاده شده‌اند نتایج تحقیق نشان می‌دهد دو تکنیک lsvm و logistic از توان صحت ارزیابی70% برخوردار هستند و نوعی ادغام در نتایج این دو تکنیک توانسته است با کسب نزدیک به 83% صحت ارزیابی از توان بالاتری برخوردار باشد.

Using data mining techniques to measure tax risk of value added taxes

In this paper using data mining to studied taxpayers risk value added taxes. the importance of assessing the taxpayers risk of value added taxes in order to formulate an effective plan for choosing taxpayers for tax audit with the goal of increasing efficiency and effectiveness, in the country’s value added taxes system. In this research taxpayers are catogorized into three, risk_free , low_ risk and risk _averse groups. To assess tax risk two techniques, data mining machin backup vector and logistic regression have been used. The research community consist of large legal entities in Tehran.that wich have been subject to tax audit in value added taxes system in 2012 to 2015. In this research, variables are include corporate governance mechanisms, special corporate features, the nature of the activity of the pioneers of the control system and tax ratios wich are used to train and use the model. The research’s results show two techniques LSVM ,Logistic, have a reliability of 70percent and a kind of integration into the results of these two techniques has been achieved nearly 83 percent of reliability has a higher potential.