ترکیب بصری سازی (دیداری سازی) شبکه و داده کاوی برای ارزیابی ریسک مالیات

نوع فایل : word

تعداد صفحات : 19

تعداد کلمات : 8500

مجله : Digital Object Identifier

انتشار : 2019

ترجمه متون داخل جداول : ترجمه شده است

درج جداول در فایل ترجمه : درج شده است

منابع داخل متن : به صورت فارسی درج شده است

کیفیت ترجمه : طلایی

:

تاریخ انتشار
8 جولای 2020
دسته بندی
تعداد بازدیدها
1240 بازدید
29,000 تومان

عنوان فارسی مقاله:ترکیب بصری سازی (دیداری سازی) شبکه و داده کاوی برای ارزیابی ریسک مالیات

 چکیده  

 این مقاله، یک رویکرد جدید به نام MALDIVE را برای پشتیبانی از مراکز مدیریت مالیات در ارزیابی خطر مالیاتی برای کشف فرار مالیاتی و اجتناب از پرداخت مالیات ارائه می‌کند. MALDIVE به یک مدل شبکه متکی است که به توصیف انواع مختلف روابط میان مالیات پردازان می‌پردازد. رویکرد ما ترکیبی از روش‌های داده کاوی مختلف و روش‌های تحلیل بصری برای پشتیبانی از عموم در شناسایی مالیات پردازان ریسک کننده می‌باشد. MALDIVE متشکل از یک فرایند چهار بخشی است: الف- شبکه‌ی اجتماعی از داده‌های مالیات پردازان ساخته شده و چندین شبکه‌ی ویژگی با محاسبه‌ی هر دو شاخص‌های شبکه‌ی اجتماعی کلاسیک و شاخص‌های خاص حوزه استخراج می‌شوند. ب: مجموعه‌ی اولیه از مالیات پردازان با استفاده از الگوریتم یادگیری ماشینی شناسایی می‌شوند.۳- مجموعه‌ای از مالیات پردازان ریسکی با استفاده از استراتژی انتشار اطلاعات ایجاد شده و خروجی، از طریق سیستم بصری سازی شبکه برای تحلیل گر نشان داده می‌شود. ث: بررسی بصری شبکه توسط تحلیل گر برای اعتبار سنجی و اصلاح مجموعه مالیات پردازان انجام می‌شود. ما در مورد اثر بخشی رویکرد MALDIVE از طریق هر دو تحلیل کمی بحث کرده و مطالعات موردی در زمینه‌ی داده‌های واقعی همراه با سازمان درامد ایتالیا ارائه می‌شوند(ترکیب بصری سازی (دیداری سازی) شبکه).

ادامه مطلب

راهنمای خرید:
  • لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
  • همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
  • ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
  • در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Combining Network Visualization and Data Mining for Tax Risk Assessment

Abstract

This paper presents a novel approach, called MALDIVE, to support tax administrations in the tax risk assessment for discovering tax evasion and tax avoidance. MALDIVE relies on a network model describing several kinds of relationships among taxpayers. Our approach suitably combines various data mining and visual analytics methods to support public officers in identifying risky taxpayers. MALDIVE consists of a 4-step pipeline: (i) A social network is built from the taxpayers data and several features of this network are extracted by computing both classical social network indexes and domain-specific indexes; (ii) an initial set of risky taxpayers is identified by applying machine learning algorithms; (iii) the set of risky taxpayers is possibly enlarged by means of an information diffusion strategy and the output is shown to the analyst through a network visualization system; (iv) a visual inspection of the network is performed by the analyst in order to validate and refine the set of risky taxpayers. We discuss the effectiveness of the MALDIVE approach through both quantitative analyses and case studies performed on real data in collaboration with the Italian Revenue Agency.
دیدگاهتان را بنویسید