نوع مقاله : مقاله پژوهشی
نویسندگان
1 هیات علمی گروه حسابداری دانشگاه فردوسی مشهد
2 کارشناس ارشد حسابداری دانشگاه فردوسی مشهد
چکیده
مالیات به عنوان یکی از مهمترین منابع مالی دولت، نقش به سزایی در رشد اقتصادی و توزیع درآمد ایفا می کند.
سازمان امور مالیاتی به عنوان متولی وصول قانونی درآمدهای مالیاتی کشور، با موضوع گریز مالیاتی مودیان مواجه
می باشد. انحراف مالیات ابرازی مودیان از مالیات قطعی شده آنان، می تواند مصداقی از گریز مالیاتی باشد که به نوبه
خود تاثیرات مخربی بر اقتصاد کشور وارد می کند. رویکرد سازمان امور مالیاتی جهت رویارویی با این چالش،
استفاده از روش های سنتی ممیزی و زمانبر می باشد. استفاده از این رویکرد در بلندمدت موجب کاهش درآمدهای
مالیاتی دولت و افزایش هزینه های آن می شود. پژوهش حاضر قصد دارد تا با استفاده از تکنیک های طبقه بندی داده
کاوی، تاثیر 32 متغیر مالی و غیرمالی را بر گریز مالیاتی شرکت های بورسی فعال در صنعت خودرو و ساخت قطعات
بررسی کند. نتایج پژوهش راهکارهایی به سیاستگزاران حوزه مالیاتی در خصوص قانونگذاری و چارچوبی را به
ممیزان مالیاتی جهت رسیدگی کارا و اثربخش )خصوصا" حسابرسی مبتنی بر ریسک"( ارائه می دهد. نتایج حاصله
نشان می دهند که متغیرهای "نسبت دارایی ها به درآمد خالص"، "قدر مطلق نسبت هزینه بهره به درآمد خالص" و
"استقلال هیات مدیره" رابطه مستقیم و متغیرهای "نسبت سود و زیان خالص به دارایی ها" و "عملکرد شرکت )سود
یا زیان(" رابطه عکس با احتمال گریز مالیاتی مودیان مالیاتی دارند
کلیدواژه‌ها
عنوان مقاله [English]
Examine the Effects of Financial and Non-Financial Variables on Tax Evasion Using of Data Mining Techniques: Automotive and Parts Manufacturing Industry
نویسندگان [English]
- M-B Bagherpour 1
- M Bagheri 2
- H Khadem 2
- R Hosieni Pour 2
چکیده [English]
Tax revenue is one of the most important financial sources of the Government, which has a leading role in the economic development of each country. However, some companies try to avoid paying their correct taxes, which creates a problem called "tax evasion". The difference between the tax stated by the company and the tax payment identified by the tax authorities (Tax Organization) can be considered as an example of tax evasion. At this time, Tax organization is applying traditional methods to deal with this challenge, which can reduce the Government's revenue and increase its expenses in the long-term. The objective of this research is to apply data mining techniques to examine the effects of financial and non-financial variables on tax evasion by the companies operating in automotive and parts manufacturing industry. The findings show that "assets to net revenue ratio", absolute value of interest expense to net revenue ratio", and board independence" increase and "net income (loss) to assets ratio", and company's performance (net income or loss) decrease the likelihood of tax evasion. These findings can help tax authorities in both policy making as well as conducting tax audit
کلیدواژه‌ها [English]
- Tax Evasion
- Data mining
- Decision tree
- artificial neural networks
شرکتهای پذیرفته شده در بورس اوراق بهادار تهران با استفاده از اطلاعات مالی منتشره".
- . بررسی های حسابداری و حسابرسی، شماره 48 بهار، ص 71 45
.2 سجادی، سید حسین و زراء نژاد، منصور و جعفری، علیرضا. ) 1833 (. "ویژگی های غیرمالی
موثر بر کیفیت گزارشگری مالی در شرکتهای پذیرفته شده در بورس اوراق بهادار تهران".
- . بررسی های حسابداری و حسابرسی، شماره 57 پاییز، ص 63 51
.8 " .) سجادی، سید حسین و فرازمند، حسن و دستگیر، محسن و دهقانفر، دلشا. ) 1836
عوامل موثر بر گزارش مشروط حسابرسی". فصلنامه مطالعات حسابداری، شماره 13
تابستان.
.4 شفیعی، سعیده و صبوری دیلمی، محمد حسن. ) 1833 (. "بررسی شیوه های مبارزه با پدیده
- پولشویی با تاکید بر راهکاهای مالیاتی". فصلنامه تخصصی مالیات، شماره پنجم، ص 187
.161
.5 شکیبایی، علیرضا. ) 1831 ( . "برآورد اقتصاد غیر رسمی در ایران و تحلیل علل پیدایش آن
)رویکرد منطق فازی(". رساله دکتری، دانشگاه تربیت مدرس.
.6 عزیزخانی، فاطمه و افشاری، غلامرضا. ) 1834 (. "فرار مالیاتی و تاثیر آن بر تولید ناخالص
- - . داخلی و توزیع درآمد". مجلس و پژوهش، سال 12 ، شماره 51 41 ، ص 422 815
.7 فرشکاران، محمد. ) 1833 (. "طرح جامع مالیاتی؛ جلوگیری از فرار مالیاتی و گسترش
عدالت اجتماعی". تکفا، سال هفتم، شماره اول و دوم، اردیبهشت و خرداد.
.3 فلاحی، محمدعلی و خالوزاده، حمید و حمیدی علمداری، سعیده. ) 1835 (. "الگوسازی
غیرخطی و پیش بینی درآمدهای مالیات بر مشاغل در ایران )کاربرد شبکه های عصبی
مصنوعی و مقایسه آن با الگوهای رگرسیون خطی و سری زمانی(". مجله تحقیقات
- . اقتصادی، شماره 76 ، ص 167 148
.1 مشکانی، علی و ناظمی، عبدالرضا. ) 1833 (. مقدمه ای بر داده کاوی، چاپ اول، بهار،
انتشارات دانشگاه فردوسی.
.11 مکیان، سید نظام الدین و المدرسی، سید محمد تقی و تکلو، سلیم کریمی. ) 1831 (. "مقایسه
مدل شبکه های عصبی مصنوعی با روشهای رگرسیون لجستیک و تحلیل ممیزی در پیش
- بینی ورشکستگی شرکت ها". فصلنامه پژوهشهای اقتصادی، شماره 2 تابستان، ص 141
.161
.11 موسوی جهرمی، یگانه و طهماسبی بلداجی، فرهاد و خاکی، نرگس. ) 1833 (. "فرار مالیاتی
در نظام مالیات بر ارزش افزوده : یک مدل نظری". فصلنامه تخصصی مالیات، شماره پنجم
- . )مسلسل 58 (، ص 83 27
بررسی عوامل مالی و غیرمالی موثر بر گریز مالیاتی.... 182
.12 مهدیخانی، فرزاد و کیان راد، احمد. ) 1835 (. داده کاوی. گزارش درس بانک اطلاعاتی
پیشرفته، گروه فناوری اطلاعات دانشکده برق و کامپیوتر دانشکده های فنی، دانشگاه تهران.
.18 نمازی، محمد و کرمانی، احسان. ) 1837 (. "تاثیر ساختار مالکیت بر عملکرد شرکتهای
پذیرفته شده در بورس اوراق بهادار تهران". بررسی های حسابداری و حسابرسی، شماره 58
- . پاییز، ص 111 38
.14 نیکخواه آزاد، علی و مجتهدزاده، ویدا. ) 1873 (. "بررسی حوزه های مسوولیت حسابرسان
مستقل از دیدگاه استفاده کنندگان خدمات حسابرسی و حسابرسان مستقل". بررسی های
- . حسابداری و حسابرسی، سال هفتم، شماره 27 ، ص 71 5
.51 هاشمی، سید عباس و مهرابی، مهدی. ) 1837 (. "شناسایی عوامل مالیاتی موثر بر مزیت
استفاده از بدهی برای تامین مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران".
- . بررسی های حسابداری و حسابرسی، دوره 15 ، شماره 54 ، ص 154 187
16. Ata Ali, Seyrek .H. (2009). “The use of data mining techniques in detecting fraudulent financial statements : an application on manufacturing firms”. The Journal of Faculty of Economics and Administrative Sciences, Vol 142, pp.157-170.
17. DeAngelo L. E. (1981). “Audit size and Audit Quality”. journal of accounting and economics,Vol 3, pp. 183-199.
18. Fadairo, S. A., Williams, R., Trotman, R., & Onyekelu-Eze, A. (2008). “Using data mining to ensure payment integrity”. Journal of Government Financial Management, 57, 22–24.
19. Fanning Kurt, Cogger Kenneth O. (2003). “Neural Network Detection of Management Fraud using Published Financial Data”. International Journal of Intelligent Systems in Accounting, Finance and Management, Vol 7, No.1, pp. 21-41.
20. Farinha, Jorge Viana, Luis Filipe. (2009). “Board Structure and Modified Audit Opinions: Evidence from the Portuguese Stock Exchange”. International Journal of Auditing, Vol 13, pp. 237–258.
21. Gebauer, A., Nam, C. W., & Parsche, R. (2007). “Can reform models of value added taxation stop the VAT evasion and revenue shortfalls in the EU?”. Journal of Economic Policy Reform, Vol.10,pp.1–13.
22. Graham, J. R. (1996). "Debt and the Marginal Tax Rate", Journal of Financial Economics, Vol. 41, pp: 41-74.
23. Healy, P. M., & Wahlen, J. M. (1999). “A review of the earnings management literature and its implications for standard setting”. Accounting Horizons, Vol. 13, No.4, pp. 365−383.
24. Hoover, J. N. (2009). “States use BI, data warehousing to recoup unpaid taxes”. Intelligent Enterprise, Vol.12.
25. Ireland Jennifer C. (2003). “An Empirical Investigation of Determinants of Audit Reports in the UK”. Journal of Business Finance & Accounting, Vol 307&8, pp.975-1015.
411 فصلنامه مطالعات تجربی حسابداری مالی، سال دهم، شماره 41 ، تابستان 4434
26. Kirkos Efstathios, Spathis Charalambos, Manolopoulos Yannis. (2007). “Data Mining techniques for the detection of fraudulent financial statements”. Expert Systems with Applications, Vol 32, pp.995–1003.
27. Kotsiantis S, Koumanakos E, Tzelepis D, Tampakas V. (2006). “Forecasting Fraudulent Financial Statement susing Data Mining”. International journal of computational intelligence, Vol 32, pp.1304-2386.
28. Laing David, Weir Chales M. (1999). “Governance structure, size and corporate performance in UK firms”. Management Decision, Vol 37, pp. 457-464.
29. Liao, S. H. (2003). “Knowledge management technologies and applications- literature review from 1995 to 2002”. Expert System with Application, Vol.25, pp.155–164.
30. Lin Tzong-Huei. (2009). “A cross model study of corporate financial distress prediction in Taiwan: Multiple discriminate analysis, Logit, probit and neural networks models”. Neuro computing, Vol 72, pp.3507–3516.
31. Micci-Barrera, D., & Ramachandran, S. (2004). “Improving tax administration with data mining”. Online-Available at : www.spss.com.
32. Ravisankar P, Ravi V, Raghava G, Bose I. (2010). “Detection of Financial Statement Fraud and Feature Selection”. Decision Support Systems, Vol 50 (2), pp.491-500.
33. Wu, Roung-Shiunn and Ou, C.S and Chang She-I and Yen David C. (2012). “Using Data Mining Technique to Enhance Tax Evasion Detection Performance”. Expert Systems With Applications, Vol.39, pp.8769-8777
)