ارائه مدل پيش‌بيني فرار مالياتي برمبناي الگوريتم درخت تصميم ID3 و شبكه بيزين

A Model for Tax Evasion Forcasting based on ID3 Algorithm and Bayesian Network

امروزه دانش به‌عنوان يك منبع ارزشمند و استراتژيك و نيز يك دارايي براي ارزيابي و پيش‌بيني مطرح است و ارائه اين راهكارها در زمينه كشف فرار مالياتي شركت­ ها امروزه به بحث داغي تبديل شده است و راهكارهاي مختلفي در اين زمينه ارائه شده است. هدف از اين تحقيق ارائه مدل جديد براي تشخيص مؤديان كه داراي فرار مالياتي هستند، مي­ باشد. ايده اصلي مقاله از مقايسه نسبت­ هاي مالي شركت مورد نظر با نسبت­ هاي سال گذشته و همچنين برآورد ماليات سال مورد رسيدگي از روي ماليات سال قبل گرفته شده است. الگوريتمي كه در اين تحقيق از آن استفاده شده مبتني بريك الگوريتم تركيبي است كه از تركيب الگوريتم درخت تصميمID3 و شبكه بيزين تشكيل شده است. نتايج حاصل از اجراي مدل­ها نشان مي­ دهد كه كه الگوريتم پيشنهادي با 60.58% دقت، داراي بالاترين دقت صحت و با 43.76% اشتباه داراي كمترين ميزان اشتباه مي­ باشد. كه از الگوريتم هايID3 و الگوريتم بيزين كه الگوريتم­ هاي پايه روش پيشنهادي مي ­باشند، نيز بسيار بهتر عمل مي­ كند.

Nowadays, knowledge is a valuable and strategic source as well as an asset for evaluation and forecasting. Presenting these strategies in discovering corporate tax evasion has become an important topic today and various solutions have been proposed. In the past, various approaches to identify tax evasion and the like have been presented, but these methods have not been very accurate and the overhead of calculations has also been high. Hence, in this study, a solution is proposed that is based on a combination of the three methods of ID3, Bayesian network and SVM algorithm. In this research, the hybrid RAF set algorithm and hierarchical decision algorithm are used for pre-processing and selecting effective data. The proposed solution in Visual Studio environment using C # programming language and help from Veka library has been compared with popular methods such as ID3, Bayesian and SVM and it is found that this method has much higher accuracy than other methods. The case has been investigated and this indicates the robustness of the proposed method compared to the methods investigated.