تقلب مالیاتی یک چالش قابل توجه برای دولت‌ها در سراسر جهان است که منجر به ضرر مالی قابل توجهی می‌شود. برای بهبود قابلیت‌های تشخیص تقلب و حفاظت از درآمدهای دولت، مقامات مالیاتی به طرح‌های یادگیری ماشینی روی می‌آورند. با این حال، روش‌های کنونی تشخیص تقلب کاستی‌هایی دارند و نیاز به رویکرد نوینی دارند.
مطالعه‌ای اخیر توسط پژوهشگران دانشگاه سعودی سعود معرفی می‌شود که یک چهارچوب یادگیری ماشینی بتازگی برای تشخیص تقلب مالیاتی معرفی کرده است. این چهارچوب با استفاده از مدل‌های نظارتی و بدون نظارت، با استفاده از روش‌های یادگیری مجموعه، دقت و جامعیت را بهبود می‌بخشد.
این چهارچوب شامل چهار واحد است:
1. ماژول نظارتی: از مدل Gradient Boosting (XGBoost) برای طبقه‌بندی اظهارات مالیاتی به گروه‌های مختلف استفاده می‌کند. این مدل ماتریسی تولید می‌کند که نشان‌دهنده واگذاری اظهارات مالیاتی به گره‌های برگ در هر درخت است و به عنوان ورودی برای ماژول بعدی عمل می‌کند.
2. ماژول بدون نظارت: از مدل‌های خودکدگذارها برای شناسایی ویژگی‌های نادرست در داده‌های اصلی استفاده می‌کند. با تمرکز بر ترمیم و بازسازی ورودی، نابسامانی‌ها بر اساس خطاهای بازسازی شناسایی می‌شوند. ماتریس و نمرات نابسامانی حاصل به ماژول بعدی منتقل می‌شوند.
3. ماژول رفتاری: برای هر شخص مالیاتی، یک نمره تطابق را با در نظر گرفتن نتایج حسابرسی و زمان اندازه‌گیری می‌کند. این نمره نشان‌دهنده رعایت یا نقض در طول زمان است و اطلاعات ارزشمندی را برای تشخیص تقلب فراهم می‌کند.
4. ماژول پیش‌بینی: تمام ویژگی‌های مهندسی را برای پیش‌بینی تقلب مالیاتی ترکیب می‌کند. این ماژول ورودی را از ماژول نظارتی، ماژول بدون نظارت و ماژول رفتاری دریافت می‌کند و با استفاده از دو طبقه‌بند مصنوعی (شبکه عصبی مصنوعی و ماشین بردار پشتیبان) عملکرد ویژگی‌های مهندسی را آزمایش می‌کند.
مطالعه ارزیابی با استفاده از داده‌های مقام مالیاتی زکات، مالیات و گمرک سعودی نتایج قابل اطمینانی را نشان داد. مدل شبکه عصبی مصنوعی در پیش‌بینی کلاس “تقلب” دقت بالایی را نشان داد. این چهارچوب نسبت به مدل‌هایی که فقط از داده‌های اصلی استفاده می‌کنند عملکرد بهتری داشته و قابلیت بهره‌برداری جهانی را نشان می‌دهد.
با وجود موفقیت‌های آن، این چهارچوب برخی محدودیت‌ها دارد. به عنوان مثال، فرضیات رفتار یکنواخت در صنایع/اندازه‌های کسب و کار و نمرات تطابق نزدیک به صفر برای بسیاری از شخص‌های مالیاتی است. با این حال، این رویکرد نوآورانه به طور قابل توجهی قابلیت‌های مقامات مالیاتی را در تشخیص تقلب مالیاتی ارتقا می‌دهد. ترکیب مدل‌های نظارتی و بدون نظارت با نمرات تطابق رفتاری، یک شیفت پارادایمی در تشخیص تقلب را ارائه می‌دهد و اقدامات دقیق و جامعی را ترویج می‌کند.
The source of the article is from the blog smartphonemagazine.nl