کاربرد داده کاوی در بهبود فرایندهای مالیاتی: مرور ادبیات سیستماتیک و دسته بندی (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
هدف: با توجه به اهمیت استخراج دانش مفید از داده های مالیاتی و نقش مؤثر داده کاوی در این زمینه، هدف این پژوهش، مرور ادبیات جامع و نظام مند و ارائه گزارشی از وضعیت تحقیقات حوزه داده کاوی و مالیات، دسته بندی پژوهش های انجام شده و معرفی شکاف های تحقیقاتی و ارائه نقشه راهی برای محققان و علاقه مندان در این زمینه است. روش: جامعه آماری پژوهش، تحقیقات انجام شده در زمینه داده کاوی و مالیات، طی سال های 2000 تا 2021 بوده است. با مرور ادبیات جامع و نظام مندِ تحقیقات، از دیدگاه فرایندی، 4 فرایند و از دیدگاه حوزه های کاربردی مختلف، 7 زمینه مطالعه و بررسی شد. دسته بندی تحقیقات بر اساس چارچوب پیشنهادی انجام گرفت و تحلیل های مختلفی از منظر فرایندها، حوزه های کاربردی و روش های داده کاوی ارائه شد. یافته ها: نتایج این تحقیق نشان می دهد که فرایند بازرسی (آزمون) و حوزه کاربردی «انتخاب مبتنی بر ریسک برای حسابرسی مالیاتی» بیشترین حجم از تحقیقات را به خود اختصاص داده اند. محبوب ترین و پرکاربردترین تکنیک استفاده شده، «رده بندی و پیش بینی» بوده و الگوریتم های شبکه عصبی، درخت تصمیم و ماشین بردار پشتیبان نیز به ترتیب بیشترین کاربرد را داشته اند. نتیجه گیری: در زمینه های کاربردی هفت گانه، پتانسیل خوبی برای پیاده سازی تکنیک های داده کاوی وجود دارد. رویکردهای مبتنی بر یادگیری انتقالی، یادگیری عمیق، تحلیل گراف و تحلیل کلان داده برای تحقیقات آتی پیشنهاد می شود. ارائه چارچوب های کاربردی بومی سازی شده برای سیستم ها و اداره های امور مالیاتی کشورهای مختلف و یکپارچه سازی منابع داده داخلی و خارجی اداره های امور مالیاتی و تحلیل آن، از خلأهای اصلی این حوزه است که می تواند اثربخشی ویژه ای ایجاد کند.Application of Data Mining in Tax Processes Improvement: A Literature Review and Classification
Objective Data mining is an effective tool to improve and enhance the efficiency and effectiveness of tax processes by extracting beneficial knowledge and insight from tax data. The purpose of this paper is to study the status of research pieces in the field, classify them, identify the research gaps and provide a roadmap for researchers and practitioners through a systematic literature review.
Methods Due to the importance of the subject, this study focuses on studies conducted in the field of data mining and taxation from 2000 to 2021. It investigates their processes and practical domains. The reviewed studies were categorized based on the proposed framework and various analyses were presented in terms of processes, practical domains, and data mining techniques. Furthermore, the distribution of papers according to the year of their publication and also regarding the journal in which they were published were presented. Tax processes were divided into four groups i.e. submission, examination, collection, and taxpayer services. The defined practical domains included tax payment, tax refund, shell corporation identification, identification of non-filer taxpayers, risk-based tax audit selection, tax debt management, and tax comments analysis. The classification framework for data mining techniques in this study was defined as clustering, association analysis, classification and prediction, regression, time series, anomaly detection, and visualization.
Results According to the obtained findings, most of the reviewed studies were assigned to the inspection process, 94 percent of which worked on the practical domain of “risk-based tax audit selection”. The most popular and widely used technique was "classification and prediction", while the three algorithms including neural network, decision tree, and support vector machine were widely used, compared to other algorithms.
Conclusion Currently, tax administrations have huge databases and traditional methods and tools cannot analyze them due to the limited resources of organizations as well as the large amounts of available data. Data mining can have an effective performance on various tax processes and can be effective in making decisions and adopting appropriate approaches. There is good potential for the application of data mining techniques in all of the proposed practical domains. In the submission and collection processes, more research needs to be done. Some approaches including reinforcement learning, deep learning, graph analysis, and big data analytics are recommended for future research. Proposing practical frameworks for using data mining techniques in tax systems and tax administrations is also recommended. To the best of the author's knowledge, no study has been conducted to investigate the issue, while there is a definite need in this regard. Besides, one of the important issues, which needs to be addressed as the main gap in this field, is integrating the internal and external sources of data, which can improve effectiveness.
تبلیغات
