تحلیل آینده‌نگر تشخیص فرار مالیاتی مؤدیان مالیات بر ارزش افزوده با استفاده از الگوریتم‌های طبقه‌بندی و خوشه‌بندی

فرار مالیاتی یکی از دغدغه‌های مستمر نظام­های مالیاتی به‌خصوص در کشور‌های در حال‌ توسعه می­باشد. هدف از دریافت مالیات ‌بر ‌ارزش‌ افزوده، شفاف‌‌‌‌‌سازی تدریجی مبادلات اقتصادی و هم‌چنین ایجاد منبع درآمدی جدید، ثابت و قابل اتکاء برای تأمین هزینه‌های دولت است و ضرورت دارد این شفاف‌‌‌سازی از مرحله خرید مواد اولیه تا تولید و فروش کالا صورت گیرد تا بتوان مالیات را به‌درستی وصول کرد. هوش تجاری به‌طورکلی و داده‌کاوی به‌طور خاص، ابزارهای مؤثری برای افزایش کارایی و اثربخشی تشخیص فرار از پرداخت مالیات هستند. در این پژوهش بر اساس اطلاعات موجود در اظهارنامه‌های مالیاتی مؤدیان مالیات بر ارزش افزوده در سال‌های مورد مطالعه (1393-1388) که از سوی سازمان امور مالیاتی کشور حسابرسی شده‌اند و روش‌های داده‌کاوی شامل الگوریتم‌های طبقه‌بندی Decision Tree، Naive Bayes و  K-Nearest Neighbor و الگوریتم‌های خوشه‌بندی K-means و  K-medoidsاقدام به پیش‌بینی فرار مالیاتی مؤدیان شد، سپس با استفاده از شاخص سیلوئت (Silhouette) ، نتایج به‌دست آمده اعتبارسنجی شد. این نتایج می‌تواند به سازمان امور مالیاتی کشور جهت برنامه‌ریزی برای تشخیص فرار مالیاتی کمک کند.