تشخیص تقلب مالیاتی از طریق شبکه های عصبی

نوع فایل : word

تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش : 17

تعداد کلمات : 5300

مجله : future internet

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
12 مارس 2022
دسته بندی
تعداد بازدیدها
1254 بازدید
34,000 تومان

عنوان فارسی مقاله:تشخیص تقلب مالیاتی از طریق شبکه های عصبی: برنامه ای با استفاده از نمونه ای از مالیات دهندگان درآمد شخصی

 چکیده

  هدف پژوهش حاضر کمک به شناسایی تقلب مالیاتی در مورد اظهارنامه مالیات بر درآمد شخصی (IRPF، به زبان اسپانیایی) ثبت شده در اسپانیا، از طریق استفاده از ابزارهای پیش‌بینی پیشرفته یادگیری ماشین، با استفاده از مدل‌های شبکه عصبی پرسپترون چندلایه (MLP) است. . احتمالات ناشی از این تکنیک ها برای طیف گسترده ای از داده های بازگشت درآمد شخصی ارائه شده توسط موسسه مطالعات مالی (IEF) اعمال شده است. استفاده از شبکه های عصبی تقسیم بندی مالیات دهندگان و همچنین محاسبه احتمال تمایل مالیات دهندگان به تلاش برای فرار از مالیات را امکان پذیر کرد. نتایج نشان داد که مدل انتخاب شده دارای نرخ کارایی ۸۴٫۳ درصد است که حاکی از بهبود در رابطه با سایر مدل‌های مورد استفاده در کشف تقلب مالیاتی است. این پیشنهاد را می توان برای تعیین کمیت تمایل افراد به ارتکاب کلاهبرداری در رابطه با سایر انواع مالیات تعمیم داد. این مدل‌ها از دفاتر مالیاتی پشتیبانی می‌کنند تا به آنها کمک کنند تا بهترین تصمیم‌ها را در مورد برنامه‌های اقدام برای مبارزه با تقلب مالیاتی بگیرند(تشخیص تقلب مالیاتی از شبکه عصبی).

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: Tax Fraud Detection through Neural Networks: An Application Using a Sample of Personal Income Taxpayers

Abstract

 The goal of the present research is to contribute to the detection of tax fraud concerning personal income tax returns (IRPF, in Spanish) filed in Spain, through the use of Machine Learning advanced predictive tools, by applying Multilayer Perceptron neural network (MLP) models. The possibilities springing from these techniques have been applied to a broad range of personal income return data supplied by the Institute of Fiscal Studies (IEF). The use of the neural networks enabled taxpayer segmentation as well as calculation of the probability concerning an individual taxpayer’s propensity to attempt to evade taxes. The results showed that the selected model has an efficiency rate of 84.3%, implying an improvement in relation to other models utilized in tax fraud detection. The proposal can be generalized to quantify an individual’s propensity to commit fraud with regards to other kinds of taxes. These models will support tax offices to help them arrive at the best decisions regarding action plans to combat tax fraud.