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

درآمدهای مالیاتی یکی از مهم­ترین منابع درآمدی دولت و تأمین­کننده بخش عمده­ای از هزینه­های دولت است. در سالهای اخیر تقلب در صورت‌های مالی و اظهارنامه های مالیاتی به طور فزاینده­ای به‌ یک مشکل جدی برای کسب و کار، دولت و سرمایه‌گذاران تبدیل شده است. اکثر مؤدیان مالیاتی به دنبال راهی برای دستکاری در صورتهای مالی و کاهش سود مشمول مالیات ابرازی خود می­باشند. از این­رو، شناسایی متقلبین مالیاتی و شرکتهایی که به تقلب در صورتهای مالی می­پردازند به امری حیاتی برای دولت تبدیل شده است. هدف از این تحقیق ارائه مدلی است که در آن از الگوریتم درخت تصمیم­گیریID3 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 نسبت­های مالی مرتبط با تقلب مالیاتی انتخاب نموده و سربار محاسباتی کاهش یابد. درختی که در مدل پیشنهادی ایجاد می­شود دارای کمترین عمق ممکن می باشد که از این­رو دارای سرعت بالا و سربار محاسباتی پایینی می­باشد. بدین منظور صورتهای مالی 60 شرکت پذیرفته شده در بورس اوراق بهادار تهران در سالهای 1394 لغایت 1396 بررسی و 54 نسبت مالی از آن­ها استخراج گردید که به وسیله آزمون ANOVA تعداد 23 نسبت و نهایتاً توسط شبکه های عصبی تعداد 7 نسبت مرتبط با تقلب مالیاتی، به عنوان داده های ورودی مدل انتخاب گردید. مدل ارائه 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.