عنوان فارسی مقاله:تشخیص تقلب با استفاده از شبکه های عصبی: مطالعه موردی مالیات بر درآمد

چکیده

کشف تقلب مالیاتی یک هدف اصلی عملاً برای همه سازمان‌های مالیاتی به منظور به حداکثر رساندن درآمد و حفظ سطح بالایی از انطباق است. داده کاوی، یادگیری ماشین و سایر رویکردها مانند حسابرسی تصادفی سنتی در بسیاری از مطالعات برای مقابله با تقلب مالیاتی استفاده شده است. هدف این مطالعه استفاده از شبکه های عصبی مصنوعی برای شناسایی عوامل تقلب مالیاتی در داده های مالیات بر درآمد است. نتایج نشان می‌دهد که شبکه‌های عصبی مصنوعی در شناسایی تقلب مالیاتی با دقت ۹۲%، دقت ۸۵%، امتیاز فراخوانی ۹۹% و AUC-ROC 99% عملکرد خوبی دارند. همه کسب و کارها، اعم از مرزی یا داخلی، دوره کسب و کار، کسب و کارهای کوچک، و کسب و کارهای شرکتی، از جمله عواملی هستند که توسط مدل شناسایی شده‌اند تا با کشف تقلب مالیات بر درآمد مرتبط‌تر باشند. این مطالعه از نظر ویژگی‌های مربوط به تقلب مالیاتی با مطالعات قبلی همخوانی دارد طوری که همه انواع مالیات را با هم با استفاده از مدل‌های مختلف یادگیری ماشین پوشش می‌دهد. تا جایی که ما می دانیم، این مطالعه اولین مطالعه ای است که از شبکه های عصبی مصنوعی برای شناسایی تقلب مالیات بر درآمد در رواندا با مقایسه پارامترهای مختلف مانند لایه ها، اندازه دسته و دوره ها و انتخاب بهینه هایی که دقت بهتری نسبت به سایرین ارائه می دهند، استفاده می کند. برای این مطالعه، یک مدل ساده بدون لایه‌های پنهان، تابع فعال‌سازی softsign بهتر عمل می‌کند. شواهد حاصل از این مطالعه به حسابرسان در درک عواملی که در تقلب مالیات بر درآمد موثرهستند و زمان و هزینه حسابرسی را کاهش می‌دهد و همچنین پول از دست رفته در تقلب مالیات بر درآمد را بازیابی می‌کند کمک می کند.

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: Fraud Detection Using Neural Networks: A Case Study of Income Tax

Abstract

Detecting tax fraud is a top objective for practically all tax agencies in order to maximize revenues and maintain a high level of compliance. Data mining, machine learning, and other approaches such as traditional random auditing have been used in many studies to deal with tax fraud. The goal of this study is to use Artificial Neural Networks to identify factors of tax fraud in income tax data. The results show that Artificial Neural Networks perform well in identifying tax fraud with an accuracy of 92%, a precision of 85%, a recall score of 99%, and an AUC-ROC of 95%. All businesses, either cross-border or domestic, the period of the business, small businesses, and corporate businesses, are among the factors identified by the model to be more relevant to income tax fraud detection. This study is consistent with the previous closely related work in terms of features related to tax fraud where it covered all tax types together using different machine learning models. To the best of our knowledge, this study is the first to use Artificial Neural Networks to detect income tax fraud in Rwanda by comparing different parameters such as layers, batch size, and epochs and choosing the optimal ones that give better accuracy than others. For this study, a simple model with no hidden layers, softsign activation function performs better. The evidence from this study will help auditors in understanding the factors that contribute to income tax fraud which will reduce the audit time and cost, as well as recover money foregone in income tax fraud.