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

10.22054/qjma.2021.59092.2234

چکیده

گاهی شرکت‌ها به تدوین گزارش‌های مالی متقلبانه در راستای تقلب مالیاتی می‌پردازند. هدف پژوهش پیش‌رو، 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 شرکت‌هاست. به‌منظور گردآوری داده‌های پژوهش، گزارش‌های مالی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران شامل 1056 سال- شرکت در سال‌های 1385 تا 1398 مورد بررسی قرارگرفته است. ابتدا اثرگذاری نشانگرهای کیفی و کمی برگرفته از گزارش‌های مالی به روش کلاسیک بررسی، پالایش و سپس جهت تبیین مدل در سیستم استنتاج فازی– عصبی تطبیقی (ANFIS) به‌کارگرفته شد. مدل مذکور در مرحله بهینه‌سازی و با هدف بیشینه‌سازی قدرت تشخیص، با الگوریتم‌های بهینه‌سازی فراابتکاری شامل الگوریتم ژنتیک، الگوریتم بهینه‌سازی ازدحام ذرات و الگوریتم تکامل تفاضلی ترکیب و توسعه یافت. یافته‌های پژوهش نشان می‌دهد که از حیث قدرت پیش‌بینی در میان الگوریتم‌های بهینه‌سازی به-کارگرفته شده در پژوهش، الگوریتم ازدحام ذرات با بیشترین درصد پیش‌بینی صحیح، بهینه‌ترین مدل را حاصل نموده و در بررسی توسط داده‌های آزمایشی و آموزشی کاراترین الگوریتم است. نتایج حاصل از پژوهش انجام شده حاکی از این است که به‌کارگیری الگوریتم‌های بهینه‌سازی مختلف در رویکرد داده‌کاوی، سبب افزایش قدرت پیش‌بینی صحیح مدل‌ شناسایی گزارشگری مالی- مالیاتی متقلبانه می-گردد.

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]

Sometimes companies file fraudulent financial statements for tax fraud. The purpose of this research 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 financial reporting capacity of companies. In order to collect research data, the financial reports of companies listed on the Tehran Stock Exchange, including 1056 years-company in the years 2007 to 2020 were examined. First, the effect of qualitative and quantitative indicators derived from financial reports was investigated, refined and then used to form the explaining model in the Adaptive Neural-Fuzzy Inference System (ANFIS). The model was combined and developed in the optimization stage with the aim of maximizing detection power, by using meta-heuristic optimization algorithms including genetic algorithm, particle swarm optimization algorithm and differential evolution algorithm. The research findings show that in terms of predictive power among the optimization algorithms used in the research, the particle swarm algorithm with the highest percentage of correct prediction, produces the most optimal model and in examination by test and training data is the most efficient algorithm. The results of the research indicate that the use of different optimization algorithms in the data mining approach increases the predictive power of the fraudulent fiscal reporting model.

کلیدواژه‌ها [English]

  • Tax Fraud
  • Financial Reports
  • Adaptive Neural-Fuzzy Inference System
  • Optimization Algorithms