دانلود ترجمه مقاله تشخیص فرار مالیاتی از طریق یک سیستم هوشمند ترکیبی

1. مقدمه 2. سیستم های هوشمند برای تشخیص تقلب 3. الگوریتم های تشخیص فرار مالیاتی 4. ساختار سیستم هوشمند ترکیبی تشخیص فرار مالیاتی شرکت 5. روش 6. نتایج و بحث و بررسی 7. نتیجه گیری و مسیرهای پژوهشی آتی

این مقاله بر اثربخشی استفاده از یک سیستم نبوغ هیبرید (ترکیبی) که شبکه عصبی ادراک چندلایه (MLP)، ماشین بردار پشتیبانی (SVM) و مدل های دسته بندی رگرسیون لجستیک (LR) را با الگوریتم بهینه سازی «جستجوی هارمونی (هماهنگی)» (HS) ترکیب می کند تا فرار از مالیات شرکتی برای اداره مالیات ملی ایران» (INTA)، را شناسایی کند، تمرکز می کند. در این پژوهش، نقش الگوریتم بهینه سازی، جستجو و یافتن پارامترهای مدل دسته بندی بهینه و ترکیب مالی متغیرها می باشد. سیستم پیشنهادی ما، ساختار بهینه مدل دسته بندی را براساس مشخصات مجموعه داده های استخراج شده، پیدا می کند. این سیستم برروی داده های بخش های غذا و منسوجات، با استفاده از یک ساختار تکرار شونده «اعتبار یابی متقابل» 10 لایه (یا 10 برابر) متشکل از 2451 و 2053 نمونه مجموعه آزمون از بازده مالیاتی یک دوره دو ساله و 1118 و 906 نمونه به عنوان «خارج از نمونه» با استفاده از بازده مالیاتی سال بعدی، تست شدند. نتایج داده های «خارج از نمونه» نشان می دهند که شبکه عصبی MLP در ترکیب با الگوریتم بهینه سازی HS عملکرد بهتری در مقایسه با ترکیبات دیگر با بترتیب 90.07% و 82.45% دقت، 85.48% و 84.85% حساسیت و 90.34% و 82.26% ویژگی، در بخش های غذا و منسوجات، برتری دارد. علاوه بر آن، همچنین بین مدل های انتخاب شده و دقت های بدست آمده براساس داده های آزمون و داده های «خارج از نمونه» در هر دو بخش و متغیرهای مالی انتخاب شده هر بخش، تفاوت وجود دارد. مقدمه: بازده مالیاتی، حاوی اطلاعات مفیدی برای شناسایی فرار مالیاتی است. اما، مقدار زیادی از این اطلاعات، حجیم و پیچیده هستند. بنابراین استفاده از مدل های ریاضیاتی و آماری برای تحلیل این اطلاعات لازم است. بخاطر هزینه های مرتبط با حسابرسی بازده مالیاتی تک تک شرکت ها، یافتن مدل هایی که به دقت بازده های بنادرست بیان شده را شناسایی می کنند، مهم است. در نتیجه، هدف این تحلیل داده، کمک به حسابرسان و مقامات مالیاتی برای آشکار سازی شرکت های دارای احتمال زیاد فعالیت تقلب برای انجام حسابرسی تفصیلی تر از این شرکت های مشکوک می باشد. با استفاده از این مدل ها، مقامات مالیاتی می توانند به میزان قابل توجهی مالیات بر درآمد را افزایش دهند و هزینه های منابع انسانی مرتبط با حسابرسی دستی بازده های مالیاتی را کاهش دهند.

This paper concentrates on the effectiveness of using a hybrid intelligent system that combines multilayer perceptron (MLP) neural network, support vector machine (SVM), and logistic regression (LR) classification models with harmony search (HS) optimization algorithm to detect corporate tax evasion for the Iranian National Tax Administration (INTA). In this research, the role of optimization algorithm is to search and find the optimal classification model parameters and financial variables combination. Our proposed system finds optimal structure of the classification model based on the characteristics of the imported dataset. This system has been tested on the data from the food and textile sectors using an iterative structure of 10-fold cross-validation involving 2451 and 2053 test set samples from the tax returns of a two-year period and 1118 and 906 samples as out-of-sample using the tax returns of the consequent year. The results from out-of-sample data show that MLP neural network in combination with HS optimization algorithm outperforms other combinations with 90.07% and 82.45% accuracy, 85.48% and 84.85% sensitivity, and 90.34% and 82.26% specificity, respectively in the food and textile sectors. In addition, there is also a difference between the selected models and obtained accuracies based on the test data and out-of-sample data in both sectors and selected financial variables of every sector. Introduction: Tax returns contain useful information for detecting tax evasion. However, much of this information is voluminous and complex. Therefore, it is necessary to use mathematical and statistical models to analyze this information. Because of the costs associated with auditing individual companies’ tax returns, finding models that accurately identify misstated returns is important. Consequently, the goal for this data analysis is to help tax auditors and tax authorities to detect companies with a high probability of misstated activities in order to give these suspect companies a more detailed audit. By using these models, tax authorities can significantly increase tax income and decrease the human resource costs associated with manually auditing tax returns.