سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات161
تعداد شماره‌ها6,532
تعداد مقالات70,501
تعداد مشاهده مقاله124,095,680
تعداد دریافت فایل اصل مقاله97,202,129
سهرابی, بابک, رئیسی وانانی, ایمان, قانونی شیشوان, وحیده. (1394). ارزیابی مالیات عملکرد شرکت‌ها و تحلیل روندهای مالیاتی با استفاده از الگوریتم‌های داده‌کاوی. , 17(2), 219-238. doi: 10.22059/jfr.2015.57311
بابک سهرابی; ایمان رئیسی وانانی; وحیده قانونی شیشوان. "ارزیابی مالیات عملکرد شرکت‌ها و تحلیل روندهای مالیاتی با استفاده از الگوریتم‌های داده‌کاوی". , 17, 2, 1394, 219-238. doi: 10.22059/jfr.2015.57311
سهرابی, بابک, رئیسی وانانی, ایمان, قانونی شیشوان, وحیده. (1394). 'ارزیابی مالیات عملکرد شرکت‌ها و تحلیل روندهای مالیاتی با استفاده از الگوریتم‌های داده‌کاوی', , 17(2), pp. 219-238. doi: 10.22059/jfr.2015.57311
سهرابی, بابک, رئیسی وانانی, ایمان, قانونی شیشوان, وحیده. ارزیابی مالیات عملکرد شرکت‌ها و تحلیل روندهای مالیاتی با استفاده از الگوریتم‌های داده‌کاوی. , 1394; 17(2): 219-238. doi: 10.22059/jfr.2015.57311

ارزیابی مالیات عملکرد شرکت‌ها و تحلیل روندهای مالیاتی با استفاده از الگوریتم‌های داده‌کاوی

تحقیقات مالی
مقاله 2، دوره 17، شماره 2، مهر 1394، صفحه 219-238    اصل مقاله (810.79 K)
نوع مقاله: مقاله علمی پژوهشی
شناسه دیجیتال (DOI): 10.22059/jfr.2015.57311
نویسندگان
بابک سهرابی* 1؛ ایمان رئیسی وانانی2؛ وحیده قانونی شیشوان3
1استاد گروه مدیریت فناوری اطلاعات، دانشکدة مدیریت، دانشگاه تهران، تهران، ایران
2استادیار گروه مدیریت صنعتی، دانشکدة مدیریت و حسابداری، دانشگاه علامه طباطبایی، تهران، ایران
3دانشجوی کارشناسی‌ارشد رشتة مدیریت فناوری اطلاعات، دانشکدة مدیریت و حسابداری، دانشگاه تهران، تهران، ایران
چکیده
همواره فاصلة قابل‌توجهی میان مالیات ابرازی شرکت‌ها و مالیات تشخیصی آن‌ها وجود دارد که منجر به عدم رعایت عدالت میان مؤدیان شده است. یکی از علت‌های دشواربودن رعایت عدالت، شناسایی مؤدیان بر مبنای رفتار مالیاتی و برخورد مناسب با آ‌ن‌هاست. هدف اصلی پژوهش حاضر طراحی سیستم پیش‌بینی و تحلیل رفتار مالیاتی شرکت‌هاست. این سیستم کمک می‌کند تا با بهره‌گیری از متغیرهای کلیدی ارزیابی عملکرد مالیاتی، رفتار مالیاتی شرکت‌ها شناسایی و تحلیل شود. این سیستم برای سازمان امور مالیاتی کشور به‌منظور ارزیابی ریسک مالیاتی شرکت‌ها طراحی شده است و بر مبنای آن، ریسک مالیاتی شرکت‌ها به سه گروه پرریسک، با ریسک مالیاتی متوسط و کم‌ریسک تقسیم‌بندی شده است. همچنین، به کمک الگوریتم‌های خوشه‌بندی و طبقه‌بندی، خوشه‌های مالیاتی مشتریان شناسایی و درخت تصمیمی با دقت 80% طراحی شد که رفتار مالیاتی هر یک از خوشه‌ها را بررسی و تحلیل می‌کند و با اضافه‌شدن شرکت‌های جدید به فهرست شرکت‌های مالیات‌دهنده، رفتار مالیاتی آن‌ها را نیز پیش‌بینی می‌نماید.
کلیدواژه‌ها
ارزیابی مالیاتی؛ خوشه‌بندی؛ پیش‌بینی؛ تحلیل روند؛ داده‌کاوی
مراجع
  1. Abasian, E., Mahmoodi, V. and Shaker, I. (2013/ 1391). Forecast Error Analysis of State Tax Revenues in Iran. Journal of Financial  Research 13(32).109-132. In Persian.
  2. Abdulsalam, M. and Abd Manaf, N. (2014). Do trust and power moderate each other in relation to tax compliance? Procedia- Social and Behavioral Sciences 164: 49–54.
  3.  Andrade, G., Ramos, G., Madeira, D., Sachetto, R., Ferreira, R. and Rocha, L. (2013). G-DBSCAN: A GPU Accelerated Algorithm for Density-based Clustering. Procedia Computer Science. 18: 369–378.
  4.  Anil, K.J. and Richard, C.D. (1988). Algorithms for clustering data .Prentice- Hall.
  5.  Bernardino da Silva, B., Leitão Paes, N. and Ospina, R. (2015). The replacement of    payroll tax by a tax on revenues: A study of sectorial impacts on the Brazilian economy. Economia. 16:46–59.
6.Lawson, D.J. and Falush, D. (2012). Similarity matrices and clustering algorithms for  population identification using genetic data. March 1, in edited.

  1. Falahpoor, S., Gol arzi, Q. and Fatore chiyan, N. (2014/ 1392). Predicting Stock Price Movement Using Support Vector Machine Based on Genetic Algorithm in Tehran Stock Exchange Market. Journal of Financial Research 15(2).269-288. In Persian.
  2. Ghosh, S. and Kumar Dubey, S. (2013). Comparative Analysis of K-Means and Fuzzy CMeans Algorithms. (IJACSA) International Journal of Advanced Computer Science and Applications,4(4): 35-39.
  3. Hasani, M., Shaban, M., Mokhtari Masinaee, M., and Moodi, M. (2012/ 1391). Discussion effective factor on tax capacity and prediction Khorasan Jonobi tax revenues with using ARMA model. Tax administration core research in Khorasan Jonobi state. In Persian.
10. http://www.mathworks.com/help/stats/classificationtree-class.html. (Seen in July 2015)

  1. 11.  Karami, A. and Johansson, R. (2014). Choosing DBSCAN Parameters Automatically using Differential Evolution. International Journal of Computer Applications. 91(7).
12. Lewis, R., Mello, C. and White, A. (2012). Tracking Epileptogenesis Progressions with Layered Fuzzy K-means and K-medoids Clustering. International Conference on Computational Science, ICCS.

13. Mohd Isa, K., Yussof, S. and Mohdali, R. (2014). The role of tax agents in sustaining the Malaysian tax system. sciences, 31:366–371.

14. Nurpratami, I. and Sitanggang, I. (2015). Classification rules for hotspot occurrence using spatial entropy based Decision tree algorithm. Procedia Environmental Sciences 24:120-126.

15. Popa, M. (2014). Taxes, Fees and Obligations in Romania- Main Components of Companies’ Fiscal Costs. Procedia- Social and Behavioral Sciences109:150-154. 

16. Radfar, R., Nezafati, N. and YousefiAsl, Y. (2014/ 1393), Classification of bank customer based on data mining algorithms. Journal of IT management .1: 71-90. In Persian.

17. Raee, R., Falahpoor, S. and Ameri matin, H. (2013/ 1391). Financial Risk Assessment Model for LNG Projects, Case Study: Iran LNG Project.Journal of Financial Research 14(2): 47-64. In Persian.

  1. 18.  Rokach, R. and Maimon, O. (2008). Data Mining with Decision Trees: Theory and Applications (Series in Machine Perception and Artificial Intelligence. 69, (USA) World Scientific Publishing Co.
  2. 19.  Wentian, J., Zhong Sheng, G. and En, Z. (2013). Improved K-medoids Clustering Algorithm under Semantic Web. Proceedings of the 2nd International Conference on Computer Science and Electronics Engineering (ICCSEE 2013).
25. Wu, R.Sh., Ou, C.S., Chang Sh. and Yen, D.C. (2012). Using Data Mining Technique to Enhance Tax Evasion DetectionPerformance. Expert Systems with Applications, 39: 8769-8777.

  1. Clusterevaluation http://www.uniweimar.de/medien/webis/teaching/lecturenotes/machine-learning/unit-en-cluster-analysis-evaluation.pdf. Seen at July 2015.
آمار
تعداد مشاهده مقاله: 2,780
تعداد دریافت فایل اصل مقاله: 3,003


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب