کاربرد هوش مصنوعی در حسابرسی مالیاتی

مالیات در ایران به لحاظ تامین مالی و ابزار سیاستگذاری از جایگاه مناسبی برخوردار نمی باشد. بین عملکرد مالیات و سطح بالقوه آن، شکاف وجود دارد که یکی از دلایل اصلی ایجاد آن، وجود پدیده فرار مالیاتی است. در این میان، شناسایی فرار مالیاتی اشخاص حقوقی و ارائه راهکارهایی به منظور شناسایی و مقابله با آن به دلیل درآمدزایی عمده این پایه مالیاتی از اهمیت بالایی برخوردار است. از طرف دیگر وقتی مامورین مالیاتی جهت حسابرسی به پرونده مالیاتی اشخاص حقوقی مراجعه می کنند با حجم زیاد اطلاعات مواجه می باشند که در بعضی مواقع ظرف مهلت کمتر از یک روز باید پرونده ها را حسابرسی نمایند که نبود فرصت کافی و عدم تفکیک پرونده های پرریسک و کم ریسک و ... باعث کاهش کیفیت حسابرسی مالیاتی می گردد و مقدمه افزایش فرار مالیاتی مودیان را فراهم می کند. در این پژوهش به منظور پیش بینی و مبارزه با فرار مالیاتی، تعداد 28 نسبت مالی مربوط به تعداد 1186 شرکت طی سال های 1393 تا 1395 که از سایت سازمان بورس اوراق بهادار استخراج گردید به عنوان ورودی مدل، مبنای آموزش و تست روش های ترکیبی شبکه بیزین و الگوریتم svm قرار می گیرد. بعد از ارائه مدل، خروجی مشخص می کند که شرکت دارای فرار مالیاتی می باشد یا خیر. سازمان مالیاتی می تواند با استفاده از مدلهای این پژوهش، قبل از حسابرسی مالیاتی مودیان، تشخیص دهد که مودی دارای فرار مالیاتی می باشد یا خیر و میزان ریسک مودی را تعیین نماید. نتایج حاصل از این تحقیق نشان می دهد که به ترتیب، روش های الگوریتم ترکیبی، الگوریتم svm و شبکه بیزین از دقت و کارایی بیشتری در کشف و شناسایی فرار مالیاتی برخوردار هستند.

The Use of Artificial Intelligence in Tax Audit

Nowadays, knowledge is a valuable and strategic resource as well as an asset for evaluation and forecasting. Presenting these strategies in discovering corporate tax evasion has become a hot topic today and various solutions have been proposed. In the past, various approaches to identify tax evasion and the like have been presented, but these methods have not been very accurate and the overhead of calculations has also been high. Hence, in this study, a solution is proposed that is based on a combination of Bayesian network and SVM algorithm. In this research, the hybrid RAF set algorithm and hierarchical decision algorithm are used for preprocessing and selecting effective data. The proposed solution in Visual Studio environment using C # programming language and help from Veka library has been compared with popular methods such as ID3, Bayesian and SVM and it is found that this method has much higher accuracy than other methods. The case has been investigated and this indicates the robustness of the proposed method compared to the methods investigated.