كاربست روش هاي داده كاوي به منظور ارتقاي عملكرد تشخيص فرار مالياتي

Using Data Mining Techniques to Enhance Tax Evasion Detection Performance

اين پژوهش به بررسي كاربست روش هاي داده كاوي به منظور ارتقاي عملكرد تشخيص فرار مالياتي مي پردازد. داده كاوي، فرايند كشف اطلاعات نامعلوم، ناشناخته و پنهان از يك پايگاه داده است و روشي است منحصر به فرد براي يافتن حقايق جديد و روابط بين داده هاي موجود كه به وسيله صاحب نظران كشف نشده است. در اين پژوهش سودمندي داده كاوي مبتني بر قواعد وابستگي به عنوان ابزاري براي تشخيص فرار مالياتي به كار گرفته شده است. جامعه آماري اين پژوهش كليه شركت-هاي پذيرفته شده در بورس اوراق بهادار تهران مي باشد كه بر اساس شرايط در نظر گرفته شده براي انتخاب نمونه به روش حذف سامانمند، 125 شركت در دوره زماني 1383 تا 1390 انتخاب گرديد. در اين پژوهش از 28 متغير مالي و غيرمالي در قالب 9 طبقه به منظور ايجاد مدل استفاده شد. قواعد وابستگي با به كارگيري الگوريتم پيشينار براي تشخيص فرار مالياتي شركت ها استفاده شد. بدين منظور داده ها به طور تصادفي به سه دسته آموزش، اعتبارسنجي و آزمون تقسيم شدند. نتايج پژوهش نشان داد كه روش هاي داده كاوي مبتني بر قواعد وابستگي با ايجاد دو مدل با درصد صحت 91% بر روي داده هاي آموزش، با درصد صحت 88% بر روي داده هاي اعتبارسنجي و با درصد صحت 86% بر روي داده هاي آزمون توانسته است موفق به تشخيص فرار مالياتي گردد.

This study examines using data mining techniques to enhance tax evasion detection performance. Data mining is a process to discover uncertain, unknown, and hidden information from a database and it is a unique method of finding new facts and relationships in the existing data that have not been discovered by experts yet. In this study the usefulness of data mining based on association rules is employed as a tool to detect tax evasion. The research population consists of all listed firms on the Securities and Exchange of Tehran. The sample includes 125 firms which are selected by Cohesiveness Removal Method in the period of 1383 to 1390. In this study, 28 financial and non-financial variables in 9 classes have been used to build models. The association rules were used by apriori algorithm to detect tax evasion firms. For this purpose, the data were randomly divided into three categories: training, validation and test groups. The findings indicate that the method of data mining based on association rules by developing two models of 91% accuracy on training data, the percentage of 88% accuracy on data validation and the percentage of 86% accuracy on test data are able to detect tax evasion.