چکیده:
دولتها برای انجام وظایف عمومی خود نیاز به منابع مالی باثبات و مطمین دارند و از دیرباز مالیات، یکی از مهمترین منابع تامین مالی دولتها برای انجام وظایفشان بوده است. جلوگیری یا کاهش میزان فرار مالیاتی طی سالیان اخیر از دغدغههای مهم دولتها در عرصه اقتصادی بوده است. در این پژوهش مقوله فرار مالیاتی با استفاده از هوش مصنوعی و با تمرکز بر مجموعهای متشکل از 57 شاخص مالی و غیرمالی در سطح کلان اقتصادی، مودیان و حسابرسان مالیاتی، در نمونه ای شامل 978 پرونده مودیان حقوقی اداره کل امور مالیاتی مازندران برای سالهای 1391 تا 1398 مورد بررسی قرار گرفته است. در این پژوهش به منظور استخراج ویژگیهای تاثیرگذار، از الگوریتمهای بهینه سازی سینوس کسینوس و گرگ خاکستری و جهت مدلسازی فرار مالیاتی و آزمون ویژگیها، از الگوریتمهای درخت تصمیم و شبکه عصبی مصنوعی استفاده شده است. براساس نتایج حاصله، الگوریتم بهینه سازی سینوس کسینوس به همراه پیش بینی کننده درخت تصمیم، مقدار خطای کمتری را نسبت به سایر مدلها دارا بوده و مدلی دقیقتر جهت پیشبینی فرار مالیاتی ارایه میدهد.
Governments need stable and reliable financial resources to carry out their public duties, and taxes have long been one of the most important sources of funding for governments to carry out their duties. Preventing or reducing the amount of tax evasion has been one of the important concerns of governments in the economic field in recent years. In this research, the category of tax evasion using artificial intelligence and focusing on a set of 57 financial and non-financial indicators at the macro-economic level, taxpayers and tax auditors, in a sample including 978 legal taxpayers' files of the General Directorate of Tax Affairs of Mazandaran. It has been examined for the years 2011 to 2018. In this research, in order to extract effective features, sine cosine and gray wolf optimization algorithms were used, and decision tree and artificial neural network algorithms were used to model tax evasion and test features. Based on the results, the sine-cosine optimization algorithm along with the decision tree predictor has a lower error value than other models and provides a more accurate model for predicting tax evasion.