مرتضی کاظمی

مرتضی کاظمی

عنوان پایان‌نامه

پیش بینی اجتناب مالیاتی شرکت های پذیرفته شده در بورس تهران با استفاده از الگوریتم چرخه آب



    دانشجو مرتضی کاظمی در تاریخ ۳۱ شهریور ۱۴۰۳ ساعت ۰۹:۰۰ ، به راهنمایی هدی اسکندر ، پایان نامه با عنوان "پیش بینی اجتناب مالیاتی شرکت های پذیرفته شده در بورس تهران با استفاده از الگوریتم چرخه آب" را دفاع نموده است.


    دانشجو
    مرتضی کاظمی
    استاد راهنما
    هدی اسکندر
    استاد مشاور
    مهدی نیک روش
    استاد داور
    قاسم بولو
    رشته تحصیلی
    مقطع تحصیلی
    کارشناسی ارشد
    محل دفاع
    مدیریت و حسابداری
    شماره ساختمان محل ارائه
    ۴۵
    نام کلاس محل ارائه
    کلاس ۱۰۱[۲۴۱۰۱]
    شماره کلاس محل ارائه
    ۲۰۱
    تاریخ دفاع
    ۳۱ شهریور ۱۴۰۳
    ساعت دفاع
    ۰۹:۰۰

    چکیده

    امروزه در اقتصاد جهانی، اجتناب از مالیات شرکتها به یک مسئله اساسی تبدیل شده است. اجتناب مالیاتی به فعالی تهایی اطالق میشود که به منظور افزایش سود شخصی و سازمانی مورد استفاده قرار م یگیرند . با این حال این روشها میتوانند بر توان دولت در تأمین مالی، اجرای سیاستها و برنامه های عمومی تأثیر نامطلوب بگذارند. هدف پژوه ش حاضر، پیشبینی اجتناب مالیاتی با استفاده از الگوریتم فراابتکاری چرخه آب و مقایسه آن با رگرسیون لجستیک از طریق معیارهای ارزیابی صحت، دقت، حساسیت و تشخیصپذیری است . جامعه هدف پژوهش، شرکتهای پذیرفته شده در بورس تهران بوده و مطابق شرایط قید شده در ادامه، ۱۸۱ شرکت برگزیده و دادههای آنها جمعآوری شدند. در این پژوهش، ۱۵ متغیر مالی و غیرمالی توضیحدهنده اجتناب مالیاتی از ادبیات استخراج و در راستای پیشبینی مورد نظر بکار گرفته شدند. یافتهها حاکی از کارآمدی الگوریتم چرخه آب برای پیشبینی اجتناب مالیاتی دارد. همچنین، مقایسه نتایج الگوریتم چرخه آب و مدل رگرسیون لجستیک نشان داد الگوریتم چرخه آب عملکرد بهتری در زمینه پیشبینی اجتناب مالیاتی دارد. به طور کلی، معیارهای صحت، دقت، حساسیت و تشخیصپذ یری الگوریتم چرخه آب به ترتیب برابر با ،۷۷ ،۶۲ ۶ و ۹۹ درصد بودهاند. در مقابل، این معیارها برای رگرسیون لجستیک به ترتیب ،۷۶ ،۵۲ ۴ و ۹۹ درصد را نشان میدهند. با استفاده از نتایج این پژوهش، سرمایه گذاران م یتوانند تصمیمات بهتری در مورد سرمایهگذاریهای آتی اتخاذ کنند. از طرفی، تحلیلگران مال ی نیز قادر خواهند بود برداشتهای مناسبتری از آینده شرکت داشته باشند و با کمک این ابزار، اجتناب مالیاتی شرکتها را پیش بینی و تبعات مرتبط با این نوع استراتژیهای مالیاتی را بررسی نمایند . عالوه بر این، نهادهای ناظر میتوانند با استفاده از این الگوریتم، اقدامات اجتناب مالیاتی را در شرکتها پیشبینی کرده و نظارت خود را بر شرکتهایی که احتمال و امکان بیشتری برای اجتناب مالیاتی دارند، افزا یش و بهبود ببخشند .   

    Abstract

    In today's global economy, corporate tax avoidance has become a critical issue. Tax avoidance refers to activities undertaken to increase personal or organizational profits, which can adversely affect the government's capacity to finance, implement policies, and support public programs. The purpose of this study is to predict tax avoidance using the Water Cycle Algorithm (WCA) and compare its performance with logistic regression, using evaluation metrics such as accuracy, precision, sensitivity, and specificity. The target population of the study includes companies listed on the Tehran Stock Exchange, from which ۱۸۱ companies were selected based on predefined conditions, and their data were collected. Fifteen financial and non-financial variables related to tax avoidance, derived from the literature, were employed for prediction purposes. The results demonstrate the efficacy of the Water Cycle Algorithm in forecasting tax avoidance. Moreover, the comparison between WCA and the logistic regression model shows that WCA outperforms logistic regression in predicting tax avoidance. The accuracy, precision, sensitivity, and specificity of the WCA were found to be ۷۷%, ۶۲%, ۶%, and ۹۹%, respectively, while the corresponding values for logistic regression were ۷۶%, ۵۲%, ۴%, and ۹۹%. By applying the findings of this study, investors can make more informed decisions about their future investments. Furthermore, financial analysts will be better equipped to form accurate assessments of a company's future performance. This tool enables them to predict corporate tax avoidance and evaluate the potential consequences of such tax strategies effectively. Additionally, regulatory authorities could leverage this algorithm to predict tax avoidance behaviors, thereby strengthening oversight of companies more likely to engage in tax avoidance practices.