ارائه مدل شناسايي تقلب مالياتي بر مبناي تركيب الگوريتم درخت تصميم ID3 بهبود يافته و شبكه هاي عصبي پرسپترون چند لايه

A Model for Identification Tax Fraud Based on Improved ID3 Decision Tree Algorithm and Multilayer Perceptron Neural Network

درآمدهاي مالياتي يكي از مهم­ترين منابع درآمدي دولت و تأمين­ كننده بخش عمده­اي از هزينه ­هاي دولت است. در سالهاي اخير تقلب در صورت‌هاي مالي و اظهارنامه هاي مالياتي به طور فزاينده­اي به‌ يك مشكل جدي براي كسب و كار، دولت و سرمايه‌گذاران تبديل شده است. اكثر مؤديان مالياتي به دنبال راهي براي دستكاري در صورتهاي مالي و كاهش سود مشمول ماليات ابرازي خود مي­باشند. از اين­رو، شناسايي متقلبين مالياتي و شركتهايي كه به تقلب در صورتهاي مالي مي­پردازند به امري حياتي براي دولت تبديل شده است. هدف از اين تحقيق ارائه مدلي است كه در آن از الگوريتم درخت تصميم­ گيريID3 بهبود يافته استفاده شده است. همچنين براي بهبود عملكرد و دقت آن، با شبكه هاي عصبي پرسپترون چندلايه بهينه سازي شده توسط الگوريتم ژنتيك تركيب گرديد تا نسبت­هاي مالي مرتبط با تقلب مالياتي انتخاب نموده و سربار محاسباتي كاهش يابد. درختي كه در مدل پيشنهادي ايجاد مي­شود داراي كمترين عمق ممكن مي باشد كه از اين­رو داراي سرعت بالا و سربار محاسباتي پاييني مي­باشد. بدين منظور صورتهاي مالي 60 شركت پذيرفته شده در بورس اوراق بهادار تهران در سالهاي 1394 لغايت 1396 بررسي و 54 نسبت مالي از آن­ها استخراج گرديد كه به وسيله آزمون ANOVA تعداد 23 نسبت و نهايتاً توسط شبكه هاي عصبي تعداد 7 نسبت مرتبط با تقلب مالياتي، به عنوان داده هاي ورودي مدل انتخاب گرديد. مدل ارائه شده با دقت 81/4 درصد، در شناسايي شركتهاي داراي تقلب مالياتي، موفق بوده كه نسبت به الگوريتم آدابوست داراي بالاترين دقت و قدرت پيش بيني بوده است.

Tax revenues are one of the most important sources of governments and cover a large portion of government spending. In recent years, fraud in financial statements and tax returns has increasingly become a serious problem for businesses, governments and investors. Most taxpayers are looking for a way to manipulate their financial statements and reduce their taxable profits. Therefore, identifying tax fraudsters and companies that cheat on financial statements has become a vital issue for the government. The purpose of this study is to present a model that uses the improved ID 3decision tree algorithm. Also, to improve its performance and accuracy, it was combined with multilayer perceptron neural networks optimized by genetic algorithm to select financial ratios associated with tax fraud and reduce computational overhead. The tree in the proposed model has the lowest depth possible, so it has high velocity and low computational overhead. For this purpose, the financial statements of 06companies listed in Tehran Stock Exchange during - 4330 4331were studied and 41 financial ratios were extracted. By ANOVA test, 33ratios and finally by neural networks 7ratios related to tax fraud was selected as the model input data. The proposed model, with %4411accuracy, has been successful in identifying fraudulent companies with the highest accuracy and predictive power over the adaboost algorithms.