انتخاب برای حسابرسی مالیات بر ارزش افزوده

در این مقاله به منظور مدیریت ریسک عدم تمکین مالیاتی، مدل بهینه &انتخاب برای حسابرسی­ مالیات ­بر ارزش افزوده& با استفاده از تکنیک­های داده کاوی(ماشین بردار و درخت تصمیم) مورد مطالعه قرار می­گیرد. در انتخاب برای حسابرسی، مسئله مهم انتخاب پرونده­های مناسب برای حسابرسی از درون مجموعه­ای از کاندیدهای بالقوه است، به نحوی که این انتخاب ضمن پوشش حداکثری ریسک مالیاتی موجب افزایش کارایی دستگاه مالیاتی­گردد، چرا که با توجه به محدودیت‌های موجود در زمان و منابع، حسابرسی تمامی مودیان هزینه‌های مختلفی را به همراه خواهد داشت. علاوه بر این هزینه­های مرتبط با حسابرسی و درآمد ناشی از حسابرسی هم مطرح است، بنابراین خروجی فرآیند حسابرسی مالیاتی به‌میزان زیادی­ به کیفیت انتخاب مجموعه مودیان مورد حسابرسی بستگی دارد. برای انجام این تحقیق در ابتدا با استفاده از روش دلفی عوامل موثر بر ریسک مالیاتی ­شناسایی و در ادامه با استفاده از نمونه­های آماری تحقیق که شامل 281 شرکت که در سال‌های 1390تا 1393 مورد حسابرسی مالیات بر ارزش افزوده قرار­گرفته­اند مدل‌های مختلف استخراج و توانایی آن‌ها در انتخاب بهینه برای حسابرسی مالیات بر ارزش افزوده مورد ارزیابی قرار گرفت نتایج مطالعه نشان می‌دهد که روش ماشین بردار پشتیبان خطی(lsvm) تا70% از مودیان به‌وسیله این الگوریتم خوشه بندی به‌درستی با توجه به واکاوی داده‌های موجود تفکیک خواهند شد که از صحت بالاتری نسبت به سایر تکنیک‌های داده کاوی درخت تصمیم برخوردار می‌باشد.

Selection for value added tax audit

In this article in order manage the risk from the lack of tax compliance.The optimal model “selection forvat audit” using data mining techniques  (vector machine and decision tree) be studied. In the selection for auditing, the important issue is select the right files for auditing from within the range of potential candidates .So that’s the choice while covering the maximum tax risk, it will increase the efficiency of the tax system. because of the limits available in time and sources, Audit all tax payer will get various costs . In addition, the costs associated with the audit and the revenue from auditing are also raised .therefore, the output of the tax audit process greatly contributes depending on the quality of the selection of the audited tax payers collection. To do this research in it all, using the Delphi method, factors affecting tax risk are identified and continuing with the using of the statistical samples of research. Which includes 281 companies that were subject to Vat audit between 2001 to 2015,Different models were extracted and their ability  was evaluated to choose optimally for Vat audit. The results of the study show that the Linear support vector machine method up to 70% of tax payers with this clustering algorithm correctly they will be separated depending on the analysis of existing data. Which is more  reliaboh le then other data mining techniques of decision tree.