ارائه مدل شناسایی تقلب مالیاتی بر مبنای ترکیب الگوریتم درخت تصمیم ID3 بهبود یافته و شبکه های عصبی پرسپترون چندلایه

درآمدهای مالیاتی یکی از مهم ترین منابع درآمدی دولت و تامین کننده بخش عمده ای از هزینه های دولت است. در سالهای اخیر تقلب در صورت های مالی و اظهارنامه های مالیاتی به طور فزاینده ای به یک مشکل جدی برای کسب و کار، دولت و سرمایه گذاران تبدیل شده است. اکثر مودیان مالیاتی به دنبال راهی برای دستکاری در صورتهای مالی و کاهش سود مشمول مالیات ابرازی خود می باشند. از این رو، شناسایی متقلبین مالیاتی و شرکتهایی که به تقلب در صورتهای مالی می پردازند به امری حیاتی برای دولت تبدیل شده است. هدف از این تحقیق ارایه مدلی است که در آن از الگوریتم درخت تصمیم گیریID3 بهبود یافته استفاده شده است. همچنین برای بهبود عملکرد و دقت آن، با شبکه های عصبی پرسپترون چندلایه بهینه سازی شده توسط الگوریتم ژنتیک ترکیب گردید تا نسبت های مالی مرتبط با تقلب مالیاتی انتخاب نموده و سربار محاسباتی کاهش یابد. درختی که در مدل پیشنهادی ایجاد می شود دارای کمترین عمق ممکن می باشد که از این رو دارای سرعت بالا و سربار محاسباتی پایینی می باشد. بدین منظور صورتهای مالی 60 شرکت پذیرفته شده در بورس اوراق بهادار تهران در سالهای 1394 لغایت 1396 بررسی و 54 نسبت مالی از آن ها استخراج گردید که به وسیله آزمون ANOVA تعداد 23 نسبت و نهایتا توسط شبکه های عصبی تعداد 7 نسبت مرتبط با تقلب مالیاتی، به عنوان داده های ورودی مدل انتخاب گردید. مدل ارایه شده با دقت 81/4 درصد، در شناسایی شرکتهای دارای تقلب مالیاتی، موفق بوده که نسبت به الگوریتم آدابوست دارای بالاترین دقت و قدرت پیش بینی بوده است.