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

به هر گونه تلاش قانونی یا غیر قانونی یک کسب و کار با هدف خودداری از پرداخت مالیات قانونی یا کمتر پرداخت نمودن آن، به هر که انجام شود فرار مالیاتی می گویند. فرار مالیاتی یک اصطلاح رایج در رابطه کارهایی است که برای عدم پرداخت بدهی مالیاتی درنظر گرفته می شود و به این معنی است که مودی کمتر از میزانی که قانونا موظف است پرداخت کند. در سال های اخیر تقلب در صورت های مالی و اظهارنامه های مالیاتی به طور فزاینده ای 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 پردازد به امری حیاتی برای دولت تبدیل شده است. استفاده از روش های داده کاوی یکی از روش های کارآمد در این خصوص است و روش های داده کاوی در حوزه مسائل مالی بستر مناسبی را برای به دست آوردن اطلاعات مفید برای پیش بینی نرخ جرم و پیش گیری از وقوع آن به عمل آورده است. هدف اصلی این پژوهش ارائه یک روش ترکیبی هوشمند برای پیش بینی مودئیان 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 پرونده ها توسط ممیزین مالیاتی، مودیان ریسک دار شناسایی شده و از این طریق از نظر زمان و نیروی کار در ادامه مالیات بهبود داشته باشیم.

Keywords:

فرار مالیاتی , داده کاوی , شبکه عصبی عمیق , ماشین بردار پشتیبان