انتخاب ویژگی توسط شبکه عصبی عمیق جهت بهبود روش های شناسایی مودیان ریسک دار مالیاتی

به هرگونه تلاش قانونی یا غیرقانونی یک کسب‌وکار با هدف خودداری از پرداخت مالیات قانونی یا کمتر پرداخت نمودن آن، به هر شیوه که انجام شود، فرار مالیاتی می‌گویند. فرار مالیاتی یک اصطلاح رایج در رابطه با کارهایی است که برای عدم پرداخت بدهی مالیاتی در نظر گرفته می‌شود و به این معنی است که مودی کمتر از میزانی که قانوناً موظف است پرداخت کند. در سال های اخیر تقلب در صورت های مالی و اظهارنامه های مالیاتی به طور فزایندهای به یک مشکل جدی برای کسب و کار، دولت و سرمایه گذاران تبدیل شده است. اکثر مودیان مالیاتی به دنبال راهی برای دستکاری در صورت های مالی و کاهش سود مشمول مالیات ابرازی خود می باشند. از این رو، شناسایی متقلبین مالیاتی و شرکت هایی که به تقلب در صورت های مالی می پردازند به امری حیاتی برای دولت تبدیل شده است.استفاده از روش های داده کاوی یکی از روش های کارامد در این خصوص است و روش های داده کاوی در حوزه مسائل مالی بستر مناسبی را برای به دست آمدن اطلاعات مفید برای پیش بینی نرخ جرم و پیش گیری از وقوع آن به عمل آورده است. هدف اصلی این پژوهش ارائه ارائه یک روش ترکیبی هوشمند برای پیشبینی مودیان ریسک دار مالیاتی در داده کاوی می باشد که برای این منظور از ترکیب دو تکنیک شبکه عصبی عمیق و ماشین بردار پشتیبان استفاده شده است. . به طور کلی هدف این است که بدون بررسی تمام پرونده‌ها توسط ممیزین مالیاتی، مودیان ریسک دار شناسایی شده و از این طریق از نظر زمان و نیروی کار در اداره مالیات بهبود داشته باشیم.