پیش بینی فاکتورهای موثر بر تشخیص اجتناب مالیاتی با الگوریتم بهینه سازی گرگ خاکستری و شبکه عصبی بازخوردی

این پژوهش با هدف پیش بینی عوامل موثر بر اجتناب مالیاتی در شرکتهای ایرانی، از ترکیب نوآورانه الگوریتم بهینه سازی گرگ خاکستری و شبکه عصبی بازگشتی استفاده کرده است. مطالعه حاضر که بر روی ۵ شرکت نمونه از صنایع معدنی و فولادی انجام شده، نشان می دهد مدل پیشنهادی با صحت قابل توجه ۰.۰۰۱٪ در برخی طبقات و میانگین دقت ۷۸.۵٪، عملکرد مناسبی دارد. تحلیل اهمیت متغیرها حاکی از آن است که اندازه شرکت با ۷۱.۵٪ اهمیت، هزینه های تحقیق و توسعه با ۱۵٪ اهمیت، و مالکیت نهادی با ۳۱.۵٪ اهمیت، بیشترین تاثیر را در پیش بینی اجتناب مالیاتی دارند. نتایج ماتریس درهمریختگی نیز حساسیت ۰.۰۰۱٪ و ویژگی ۰.۹٪ مدل را تایید می کند. این تحقیق از دو جنبه حائز اهمیت است: نخست آنکه با بهینه سازی پارامترهای شبکه عصبی از طریق الگوریتم گرگ خاکستری، توانسته روابط پیچیده و غیرخطی بین متغیرهای مالی را با دقت بالایی شناسایی کند؛ دوم آنکه با ارائه راهکارهای عملی مانند نظارت هدفمند بر شرکت های بزرگ و شفاف سازی هزینه های تحقیق و توسعه، ابزار موثری در اختیار سیاستگذاران مالیاتی قرار داده است. یافته های این مطالعه نه تنها در طراحی سیستم های نظارتی هوشمند کاربرد دارد، بلکه الگویی جدید برای تحقیقات آتی در حوزه کاربردهای هوش مصنوعی در نظام مالیاتی ارائه می دهد.

کلیدواژه ها:

اجتناب مالیاتی ، بهینه سازی گرگ خاکستری ، شبکه عصبی بازگشتی