آمار

تعداد نشریات36
تعداد شماره‌ها1,192
تعداد مقالات8,579
تعداد مشاهده مقاله6,988,728
تعداد دریافت فایل اصل مقاله4,032,597
قمری مقدم, امین, اله نخعی, حبیب. (1400). ارائه راهکاری برای پیش بینی شرکت های متقلب مالیاتی مبتنی بر الگوریتم های داده کاوی درخت تصمیم بهینه شده، ماشین بردار پشتیبان و شبکه بیزین. پدافند الکترونیکی و سایبری, 2(2), 15-32.
امین قمری مقدم; حبیب اله نخعی. "ارائه راهکاری برای پیش بینی شرکت های متقلب مالیاتی مبتنی بر الگوریتم های داده کاوی درخت تصمیم بهینه شده، ماشین بردار پشتیبان و شبکه بیزین". پدافند الکترونیکی و سایبری, 2, 2, 1400, 15-32.
قمری مقدم, امین, اله نخعی, حبیب. (1400). 'ارائه راهکاری برای پیش بینی شرکت های متقلب مالیاتی مبتنی بر الگوریتم های داده کاوی درخت تصمیم بهینه شده، ماشین بردار پشتیبان و شبکه بیزین', پدافند الکترونیکی و سایبری, 2(2), pp. 15-32.
قمری مقدم, امین, اله نخعی, حبیب. ارائه راهکاری برای پیش بینی شرکت های متقلب مالیاتی مبتنی بر الگوریتم های داده کاوی درخت تصمیم بهینه شده، ماشین بردار پشتیبان و شبکه بیزین. پدافند الکترونیکی و سایبری, 1400; 2(2): 15-32.

ارائه راهکاری برای پیش بینی شرکت های متقلب مالیاتی مبتنی بر الگوریتم های داده کاوی درخت تصمیم بهینه شده، ماشین بردار پشتیبان و شبکه بیزین

مجله نوآوری های فناوری اطلاعات و ارتباطات کاربردی
مقاله 2، دوره 2، شماره 2، اسفند 1400، صفحه 15-32    اصل مقاله (1.6 M)
نوع مقاله: مقاله پژوهشی
نویسندگان
امین قمری مقدم* 1؛ حبیب اله نخعی2
1دانشجوی دکتری، رشته حسابداری، دانشگاه ازاد اسلامی واحد قائنات
2استادیار گروه حسابداری دانشگاه آزاد اسلامی واحد بیرجند
تاریخ دریافت: 29 آبان 1400،  تاریخ بازنگری: 04 دی 1400،  تاریخ پذیرش: 28 بهمن 1400 
چکیده
بسیاری از شرکت‌ها با تخلف در صورت‌های مالی موجب به‌هم‌ریختگی نظام اقتصادی می‌شوند و این امر موجب یک بحران مهم نظام اقتصادی شده است. راهکارهای مختلفی برای تشخیص وجود دارد که اکثراً انسانی می‌باشند. این راهکارها دارای هزینه‌های بالایی برای محاسبه و بررسی صورت‌های مالی تمامی شرکت‌ها دارند ازاین‌جهت باید به دنبال راهکاری بود که بتواند با استفاده از داده‌کاوی و خودکار این فرآیند تشخیص را انجام دهد. البته روش‌های داده‌کاوی نیز برای این قضیه ارائه‌شده‌اند که هر یک دارای مزایا و معایبی می‌باشند. روش‌های داده‌کاوی که تا به اینجا برای این کار ارائه شدند دارای سربار بالای محاسباتی و یا دقت پایین بودند. حال‌آنکه در روش پیشنهادشده در این تحقیق از درخت تصمیم‌گیری ID3 بهبودیافته به همراه شبکه بیزین و ماشین بردار پشتیبان به‌عنوان یک روش ترکیبی استفاده‌شده است. در این روش پیشنهادی برای بهبود عملکرد و دقت از الگوریتم مجموعه راف و تحلیل سلسله مراتبی در جهت انتخاب ویژگی‌های مؤثر کمک گرفته‌شده است. درختی که در روش پیشنهادی ایجاد می‌شود دارای کمترین عمق ممکن است و ازاین‌رو دارای سرعت بالایی است. سربار محاسباتی روش پیشنهادی به دلیل استفاده از الگوریتمی بهینه پایین می‌باشد. داده‌های استفاده‌شده در ارزیابی داده‌های مربوط به 3 سال از 60 شرکت است. در ارزیابی روش پیشنهادی نشان داده‌شده است که روش پیشنهادی دارای دقت 80 درصد می‌باشد که نسبت به روش‌های مشابه به خود دقت بالایی به حساب می‌آید. سربار زمانی در روش پیشنهادی O(m.n) و سربار حافظه O(n) است که m، نشان‌دهنده اندازه مجموعه آموزش و n نشان‌دهنده مجموعه ویژگی مورد استفاده در آموزش می‌باشد.
کلیدواژه‌ها
شبکه بیزین؛ ماشین بردار پشتیبان؛ درخت تصمیم؛ فازی راف؛ تحلیل سلسله مراتبی؛ تقلب
عنوان مقاله [English]
Providing a solution for predicting tax fraud companies based on optimized decision tree, support vector machine and Bayesian network
نویسندگان [English]
Amin Ghamari Moghaddam1؛ Habibollah Nakhaei2
1PhD student, Accounting Course, Islamic Azad University, Ghaenat Branch
2Assistant professor, Department of accounting, Birjand Branch, Islamic Azad University, Birjand, Iran
چکیده [English]
Many companies disrupt the economic system by violating their financial statements, which has led to a major economic crisis. There are various diagnostic strategies that are mostly human. These solutions have high costs for calculating and reviewing the financial statements of all companies, so we must look for a solution that can use data mining and automation to perform this diagnostic process. Of course, data mining methods have also been proposed for this case, each of which has advantages and disadvantages. The data mining methods presented so far have high computational overhead or low accuracy. However, in the method proposed in this research, the improved ID3 decision tree with Bayesian network and support vector machine has been used as a combined method. In this proposed method, to improve performance and accuracy, the rough set algorithm and hierarchical analysis are used to select effective features. The tree created in the proposed method has the lowest possible depth and therefore has a high velocity. The computational overhead of the proposed method is low due to the use of an optimal algorithm. The data used in the evaluation of 3-year data from 60 companies. In evaluating the proposed method, it is shown that the proposed method has an accuracy of 80%, which is considered to be high accuracy compared to similar methods. The time overhead in the proposed method is O(m.n) and the memory overhead is O(n) where m represents the size of the training set and n represents the feature set used in the training
کلیدواژه‌ها [English]
Bayesian network, Support vector machine, decision tree, fuzzy rough, hierarchical analysis, fraud
سایر فایل های مرتبط با مقاله
مراجع
  • Andon, Paul, Clinton Free, and Benjamin Scard, 2019, Pathways to accountant fraud: Australian evidence and analysis, Accounting Research Journal 28, vol. 1, pp. 10-44.
  • Lookman, Sanni, and Selmin Nurcan, 2020, A Framework for Occupational Fraud Detection by Social Network Analysis, In CAISE 2015 FORUM.
  • Sarno, Riyanarto, Rahadian Dustrial Dewandono, Tohari Ahmad, Mohammad Farid Naufal, and Fernandes Sinaga, 2019, Hybrid Association Rule Learning and Process Mining for Fraud Detection, IAENG International Journal of Computer Science 42, p. no. 2.
  • Van Vlasselaer, Véronique, Tina Eliassi-Rad, Leman Akoglu, Monique Snoeck, and Bart Baesens, 2019, Afraid: fraud detection via active inference in time-evolving social networks, In Proceedings of the 2019 IEEE/ACM International Conference on Advances in Social Networks Analysis, pp. 659-666.
  • Mugarura, N., 2020, Uncoupling the relationship between corruption and money laundering crimes.Journal of Financial Regulation and Compliance, 24(1).
  • Nikoloska, s., Simonovski, I., 2019, Role of banks as entity in the system for prevention of money laundering in the Macedonia, Procedia - Social and Behavioral Sciences 44, 453 – 459.
  • Armideh, Javad, Asghari Vasksi. Shideh, 2013, Application of Fuzzy Logic in Presenting a Fuzzy Expert System for Diagnosis of Different Mental Illnesses, The First Conference on New Approaches in Computer Engineering and Information Retrieval in Iran, October 6, (In Persian).
  • Krishna Anand, R. Kalpana and S. Vijayalakshmi, 2019, Design and Implementation of a Fuzzy Expert System for Detecting and Estimating the Level of Asthma and Chronic Obstructive Pulmonary Disease, Middle-East Journal of Scientific Research 14 (11): 1435-1444, [ISSN 1990-9233 © IDOSI Publications].
  • Rupinder Kaur, Amrit Kaur, 2019, Hypertension Diagnosis Using Fuzzy Expert System, International Journal of Engineering Research and Application (IJERA), ISSN: 2248-9622.
  • Kantesh Kumar Oad, Xu DeZhi & Pinial Khan Butt , 2019, A Fuzzy Rule based Approach to Predict Risk Level of Heart Disease, Global Journal of Computer Science and Technology: C Software & Data Engineering, Volume 14 Issue 3 Version 1.0, Online ISSN: 0975-4172 & Print ISSN: 0975-4350
  • Adams, J.; and Sargin, E., 2016, Deep neural networks for youtube recommendations, In Proceedings of the 10th ACM Conference on Recommender Systems, 191–198. ACM.
  • Ojeme Blessing Onuwa et. All, 2019, Fuzzy Expert System for Malaria Diagnosis, An International Open Free Access, Peer Reviewed Research Journal, Published By: Oriental Scientific Publishing Co., India, Vol.7,No. (2):Pgs. 273-284 [ISSN: 0974-6471]
  • Ziming Yin, Yinhong Zhao, Xudong Lu, and Huilong Duan, 2020, Screening of Alzheimer’s Disease Based on Multiple Neuropsychological Rating Scales, Hindawi Publishing Corporation Computational and Mathematical Methods in Medicine, Volume, Article ID 258761, 13 pages.
  • Site: http://farsithesis.ht3.ir/farsithesis/41484/html, 2018, (In Persian).
  • Colladon, A. F., Remondi, E. 2020. Using Social Network Analysis to Prevent Money Laundering, Elsevier Science, DOI: 10.1016/j.eswa.2020.09.029.
  • Chi DJ., Chu CC., Chen D. 2019, Applying Support Vector Machine, C5.0, and CHAID to the Detection of Financial Statements Frauds. In: Huang DS., Huang ZK., Hussain A. (eds) Intelligent Computing Methodologies. ICIC 2019. Lecture Notes in Computer Science, vol 11645. Springer, Cham.
  • Hao Wang, Chengzhi Mao, Hao He, Mingmin Zhao, Tommi S. Jaakkola, Dina Katabi, 2019, Bidirectional Inference Networks: A Class of Deep Bayesian Networks for Health Profiling”, Machine Learning (stat.ML); Artificial Intelligence (cs.AI); Computer Vision and Pattern Recognition (cs.CV); Machine Learning (cs.LG).
  • Hariri, N. Mobasher, B. and Burke, R., 2017, Context-aware music recommendation based on latenttopic sequential patterns, In Proceedings of the sixth ACM conference on Recommender systems, 131 –138. ACM.
  • Kim, Yeonkook J., Baik, Bok. Cho, Sungzoon, 2020, Detecting financial misstatements with fraud intention using multi-class cost-sensitive learning, Expert Systems with Applications, No. 62, pp. 32-43.
  • Dashtbayaz, Mahmoud, 2019, Data search and discovery process for financial statement fraud, Research Journal of Finance and Accounting, Vol.6, No.3.
  • Mohamed Yusof. K., Ahmad Khair A.H. & Jon Simon., 2015, Fraudulent Financial Reporting: An Application of Fraud Models to Malaysian Public Listed Companies, The Macrotheme Review. 4(3), (In Persian).
  • Ravenda D., Valencia-Silva M. M., Argiles-Bosch J. M., García-Blandón J., 2018, Money laundering through the strategic management of accounting transactions, Critical Perspectives on Accounting.
  • I O Eweoya, A Adebiyi, A Azeta, F Chidozie, F O Agono, B Guembe, 2019, A Naive Bayes approach to fraud prediction in loan default, Journal of Physics: Conference Series, Volume 1299, Number 1.
    •  
آمار
تعداد مشاهده مقاله: 100
تعداد دریافت فایل اصل مقاله: 42