تحليل آينده‌نگر تشخيص فرار مالياتي مؤديان ماليات بر ارزش افزوده با استفاده از الگوريتم‌هاي طبقه‌بندي و خوشه‌بندي.

فرار از ماليات يكي از دغدغه هاي مستمر براي هر نظام مالياتي به خصوص در كشور هاي درحال توسعه است. هدف از دريافت ماليات بر ارزش افزوده، شفاف سازي تدريجي مبادلات اقتصادي به دليل ويژگي خودكنترلي و قابليت رديابي معاملات در زنجيره هاي مبادلات و هم چنين ايجاد منبع درآمدي جديد، ثابت و قابل اتكا براي تامين هزينه هاي دولت است و ضرورت دارد اين شفاف سازي در مبادلات في مابين فعالان اقتصادي از مراحل اوليه خريد مواد اوليه تا توليد و فروش كالا در كار باشد تا بتوان ماليات را به درستي دريافت كرد. هوش تجاري به طوركلي و داده كاوي به طورخاص، ابزارهاي مؤثري براي افزايش كارايي و اثربخشي تشخيص فرار از پرداخت ماليات هستند. در اين پژوهش بر اساس اطلاعات موجود در اظهارنامه هاي مالياتي مؤديان ماليات بر ارزش افزوده در سال هاي مورد مطالعه (9388) كه از سوي سازمان امور مالياتي حسابرسي شده اند و روش هاي داده كاوي شامل الگوريتم هاي طبقه بندي KNearest Neighbor ،Naive Bayes ،Decision Tree و الگوريتم هاي خوشه بندي Kmeans و Kmedoids اقدام به پيش بيني فرار مالياتي مؤديان شد، سپس با استفاده از شاخص سيلوئت (Silhouette) به اعتبارسنجي نتايج به دست آمده پرداخته و با توجه به تحليل هاي صورت گرفته بر روي شاخص هاي مالياتي خوشه هاي به دست آمده، مؤديان در دو گروه كم ريسك و پرريسك طبقه بندي شدند. نتايج به دست آمده با استفاده از الگوريتم هاي طبقه بندي و خوشه بندي، مي تواند به سازمان امور مالياتي جهت برنامه ريزي براي تشخيص فرار مالياتي كمك كند.