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