ارائه مدلي مبتني بر شبكه عصبي مصنوعي و گرگ خاكستري بهبوديافته جهت بهبود پيشبيني مؤديان ريسك‌دار مالياتي

درآمدهاي مالياتي يكي از مهم ترين منابع درآمدي دولت و تأمين كننده بخش عمده اي از هزينه‌هاي دولت است. در سال هاي اخير تقلب در صورت هاي مالي و اظهارنامه‌هاي مالياتي به طور فزاينده‌اي به يك مشكل جدي براي كسب‌وكار، دولت و سرمايه گذاران تبديل شده است. اكثر مؤديان مالياتي به دنبال راهي براي دست‌كاري در صورت هاي مالي و كاهش سود مشمول ماليات ابرازي خود مي‌باشند. ازاين‌رو، شناسايي متقلبين مالياتي و شركت هايي كه به تقلب در صورت هاي مالي مي‌پردازند به امري حياتي براي دولت تبديل شده است. حال هدف اصلي اين پژوهش ارائه يك روش تركيبي هوشمند براي پيش‌بيني مؤديان ريسك دار مالياتي در كه براي اين منظور از تركيب دو تكنيك شبكه عصبي مصنوعي و الگوريتم گرگ خاكستري بهبوديافته استفاده شده است. نتايج نشان داد كه با استفاده از الگوريتم گرگ خاكستري با زمان كم تر و خروجي مطلوب تر به هدف مدنظر كه افزايش دقت بود دست يافتيم. هم چنين مزيت الگوريتم گرگ خاكستري نسبت به الگوريتم هاي ديگر نظير ژنتيك اين است كه اين الگوريتم بر روي كل يك ژن عمل مي كند و تغييراتي را بر روي تك‌تك ژن ها انجام مي دهد اما مثلاً ژنتيك بر روي كروموزوم عمل مي كند. از معايب الگوريتم گرگ خاكستري مي توان به اين نكته اشاره نمود كه از لحاظ تحليل پيچيدگي زماني نسبت به انتخاب ويژگي نسبت به الگوريتم‌هاي ديگر بهترين عملكرد را ندارد.