مقاله ترجمه شده شناسایی گروه های مشکوک به فرار مالیاتی مبتنی بر معاملات وابسته در داده های بزرگ

سال نشر: ۲۰۱۹

نوع نگارش مقاله: علمی پژوهشی (Research articles)

تعداد صفحه انگلیسی: ۲۵ صفحه PDF

تعداد صفحه ترجمه فارسی:   ۶۸ صفحه WORD

دانلود رایگان مقاله انگلیسی

کد محصول: H628

نام ناشر (پایگاه داده): الزویر

نام مجله:   Information Sciences

عنوان کامل فارسی:

مقاله انگلیسی ترجمه شده ۲۰۱۹ :  شناسایی گروه های مشکوک به فرار مالیاتی مبتنی بر معاملات وابسته(معامله با اشخاص وابسته) در داده های بزرگ

عنوان کامل انگلیسی:

Identifying suspicious groups of affiliated-transaction-based tax evasion in big data

چکیده فارسی:

فرار مالیاتی مبتنی بر معاملات وابسته (ATTE) یک استراتژی جدید در فرار مالیاتی است که از طریق معاملات شبه قانونی بین گروهی از شرکت ها که برای فرار از مالیات روابط تعاملی ناهمگن ، پیچیده و پنهانی دارند، انجام می شود. مطالعات موجود نمی توانند به طور موثری رفتارهای ATTE را تشخیص دهند زیرا (i) آنها فقط برای تعیین وضعیت مالی غیر عادی افراد عملکرد خوبی دارند و در شناسایی روابط تعاملی بین شرکت ها ناکارآمد هستند ، (ii) هدف آنها شناسایی ATTE از منظر ویژگی های ساختاری است که منجر به نرخ مثبت کاذب ضعیفی می شود و (iii) تعداد کمی از آنها در اغلب بخش های شرکت عملکرد خوبی دارند. شناسایی موثر گروه های مشکوک با توجه به ویژگی های ساختاری گروه های ATTE و ویژگی های تجاری ابزار ATTE  (BC-ATTEM) همچنان یک مسئله مفتوح است. در این مقاله ، ما یک شبکه مرتبط با منافع گروه های وابسته (APIRN) را برای مدل سازی گروه های وابسته ، روابط مربوط به منابع و خصوصیات آنها برای شناسایی ATTE.، پیشنهاد می دهیم. سپس ، ما الگوهای رفتاری ATTE را از طریق انتزاع الگوی توپولوژیکی حاصل از APIRN و استنباط نظری BC-ATTEM شناسایی می کنیم. ما همچنین بر اساس موارد فوق ، یک روش ترکیبی ، یعنی ۳TI ، برای شناسایی گروه های مشکوک ATTE از طریق سه مرحله پیشنهاد می دهیم: تشخیص تفاضل نرخ مالیات ، تطبیق الگوی توپولوژیک و شناسایی بار مالیاتی غیر عادی. آزمون های آزمایشی که بر اساس دو سال داده مالیاتی در دنیای واقعی از استانی در چین انجام شده است ، نشان می دهد که ۳TI  می تواند گروه های مشکوک ATTE را با دقت بالاتر و تعمیم پذیری بهتر نسبت به مطالعات موجود شناسایی کند. علاوه بر این ، ما نتایج جذاب متعددی را شناسایی می کنیم و بر اساس تجزیه و تحلیل نتایج تجربی خود ، دستورالعمل های مفیدی برای بازرسی ATTE ارائه می دهیم.

واژه های کلیدی: استخراج نمودار ، معاملات وابسته ، فرار مالیاتی ، کلان داده ها

Abstract

Affiliated-transaction-based tax evasion (ATTE) is a new strategy in tax evasion that is carried out via legal-like transactions between a group of companies that have heterogeneous, complex and covert interactive relationships to evade taxes. Existing studies cannot effectively detect ATTE behaviors since (i) they perform well only for determining the abnormal financial status of individuals and ineffectively address the interactive relationships among companies, (ii) they aim at detecting ATTE from the perspective of structural characteristics, which leads to a poor false-positive rate, and (iii) few of them perform well in most sectors of companies. Effectively detecting suspicious groups according to both structural characteristics of ATTE groups and business characteristics of ATTE means (BC-ATTEM) re- mains an open issue. In this paper, we propose an affiliated-parties interest-related net- work (APIRN) for modeling affiliated parties, interest-related relationships, and their properties for identifying ATTE. Then, we identify the behavioral patterns of ATTE via topological pattern abstraction from APIRN and theoretical inference of BC-ATTEM. Based on the above, we further propose a hybrid method, namely, 3TI, for identifying ATTE suspicious groups via three steps: tax rate differential detection, topological pattern matching and tax burden abnormality identification. Experimental tests that are based on two years of real- world tax data from a province in China demonstrate that 3TI can identify ATTE suspicious groups with higher accuracy and better generality than existing works. Moreover, we identify various interesting implications and provide useful guidance for ATTE inspection based on an analysis of our experimental results.

 Keywords: Graph mining, Affiliated transaction, Tax evasion, Big data