نوع مقاله : مقاله پژوهشی
نویسندگان
1 دانشجوی دکتری، گروه حسابداری، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه، ایران
2 دانشیار، گروه حسابداری، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه، ایران
3 استادیار، گروه حسابداری، دانشگاه ارومیه، ارومیه، ایران
چکیده
شرکتها گاهی به تدوین گزارشهای مالی متقلبانه در راستای تقلب مالیاتی میپردازند. هدف این پژوهش، ترکیب ابزارهای دادهکاوی و هوش مصنوعی همراه با الگوریتمهای فراابتکاری جهت تبیین و بهینهسازی مدلی در شناسایی تقلب و فرار مالیاتی با بهکارگیری ظرفیت گزارشهای مالی است. نشانگرهای کیفی و کمی گزارشهای مالی 1056 سال- شرکت بورس اوراق بهادار تهران از 1385 تا 1398 در رویکرد کلاسیک بررسی و جهت تبیین مدل در سیستم استنتاج فازی–عصبی تطبیقی بهکارگرفته شد. یافتههای پژوهش نشان میدهد که در بهینهسازی با الگوریتم ژنتیک، الگوریتم بهینهسازی ازدحام ذرات و الگوریتم تکامل تفاضلی، الگوریتم ازدحام ذرات، بهینهترین مدل را حاصل نموده و در بررسی با دادههای آزمایشی و آموزشی کاراترین الگوریتم است. نتایج حاکی از این است که بهکارگیری الگوریتمهای بهینهسازی مختلف در رویکرد دادهکاوی، سبب افزایش قدرت پیشبینی مدل شناسایی گزارشگری مالی- مالیاتی متقلبانه میگردد.
کلیدواژهها
موضوعات
عنوان مقاله [English]
Combination of CDM, ANFIS & MH Algorithms in a model to determine Fraudulent Financial-Tax Report
نویسندگان [English]
- maryam yokhanehalghyani 1
- jamal bahrisales 2
- Saeid Jabbarzadeh Kangarluei 2
- Akbar Zavari Rezaei 3
1 Ph.D. student, Department of Accounting, Urmia Branch, Islamic Azad University, Urmia, Iran
2 Associate Professor Department of Accounting, Urmia Branch, Islamic Azad University, Urmia, Iran
3 Assistant Professor, Department of Accounting, Urmia University, Urmia, Iran
چکیده [English]
Companies sometimes file fraudulent financial statements for tax fraud. The purpose of this study is to combine data mining tools and artificial intelligence with meta-heuristic algorithms to explain and optimize a model for detecting fraud and tax evasion by using the capacity of financial reporting. Qualitative and quantitative indicators of financial reports of 1056 year- companies in the Tehran Stock Exchange in the period of 2006 to 2019 were studied in the classical approach and used to expand the model in the Adaptive Neural-Fuzzy Inference System. Findings show that in optimization with genetic algorithm, particle swarm optimization algorithm and differential evolution algorithm, the most efficient model is obtained by particle swarm algorithm, which is the most efficient algorithm in the study with experimental and educational data. The results indicate that the application of different optimization algorithms in the data mining approach increases the predictive power of the fraudulent financial-tax reporting identification model
کلیدواژهها [English]
- Tax Fraud
- Financial Reports
- Adaptive Neural-Fuzzy Inference System
- Optimization Algorithms