طراحی الگوی هوشمندسازی نظام مالیاتی با تأکید بر کشف فرار مالیاتی، عدالت مالیاتی و تحلیل تراکنشهای اقتصادی
کلمات کلیدی:
هوشمندسازی مالیاتی, فرار مالیاتی, عدالت مالیاتی, تحلیل تراکنشهای اقتصادی, حکمرانی داده, یادگیری ماشین, تمکین مالیاتیچکیده
هدف این پژوهش طراحی الگوی کیفی هوشمندسازی نظام مالیاتی با تمرکز بر کشف فرار مالیاتی، ارتقای عدالت مالیاتی و تحلیل دادهمحور تراکنشهای اقتصادی بود. این پژوهش با رویکرد کیفی و طرح پدیدارشناسی تفسیری انجام شد. مشارکتکنندگان شامل 24 نفر از خبرگان مالیاتی، مدیران مالی، حسابرسان، متخصصان داده و کارشناسان فناوری اطلاعات مالیاتی در شهر تهران بودند که به روش نمونهگیری هدفمند و گلولهبرفی انتخاب شدند. ابزار گردآوری دادهها مصاحبه نیمهساختاریافته بود و فرایند گردآوری دادهها تا رسیدن به اشباع نظری ادامه یافت. اشباع نظری در مصاحبه بیستویکم حاصل شد و سه مصاحبه تکمیلی برای اطمینان از پایداری مقولهها انجام گرفت. دادهها با استفاده از کدگذاری باز، محوری و انتخابی در نرمافزار NVivo تحلیل شدند. تحلیل دادهها به استخراج پنج مقوله اصلی انجامید: یکپارچهسازی پایگاههای داده مالیاتی و اقتصادی؛ کشف هوشمند ریسک و فرار مالیاتی؛ عدالت مالیاتی و اعتماد عمومی؛ حکمرانی الگوریتمی و صیانت از دادهها؛ و توانمندسازی سازمانی و پیادهسازی مرحلهای. مشارکتکنندگان تأکید داشتند که هوشمندسازی مالیاتی صرفاً به معنای خرید نرمافزار نیست، بلکه نیازمند تحول در معماری داده، قوانین تبادل اطلاعات، مهارت نیروی انسانی، شفافیت الگوریتمها و طراحی سازوکارهای پاسخگویی است. همچنین، تحلیل تراکنشهای اقتصادی زمانی میتواند به کاهش فرار مالیاتی منجر شود که با قواعد حقوقی روشن، کنترل خطای الگوریتمی و رویکرد غیرتبعیضآمیز همراه باشد. الگوی پیشنهادی نشان میدهد هوشمندسازی نظام مالیاتی زمانی اثربخش خواهد بود که سه منطق فنی، نهادی و اجتماعی بهصورت همزمان دیده شوند. از نظر فنی، یکپارچگی دادهها و تحلیل ریسک ضروری است؛ از نظر نهادی، قوانین دسترسی، امنیت و پاسخگویی باید تقویت شود؛ و از نظر اجتماعی، عدالت ادراکشده و اعتماد مؤدیان شرط پایداری تمکین مالیاتی است.
دانلودها
مراجع
Alexopoulos, A., Dellaportas, P., Gyoshev, S., Kotsogiannis, C., Olhede, S. C., & Pavkov, T. (2021). A network and machine learning approach to detect value added tax fraud. arXiv. https://doi.org/10.48550/arXiv.2106.14005
Alm, J. (2019). What motivates tax compliance? Journal of Economic Surveys, 33(2), 353–388. https://doi.org/10.1111/joes.12272
Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative Research in Psychology, 3(2), 77–101. https://doi.org/10.1191/1478088706qp063oa
Creswell, J. W., & Poth, C. N. (2018). Qualitative inquiry and research design: Choosing among five approaches (4th ed.). SAGE Publications.
International Monetary Fund. (2025). Generative artificial intelligence for compliance risk analysis: Applications in tax and customs administration. International Monetary Fund.
Kirchler, E., Hoelzl, E., & Wahl, I. (2008). Enforced versus voluntary tax compliance: The “slippery slope” framework. Journal of Economic Psychology, 29(2), 210–225. https://doi.org/10.1016/j.joep.2007.05.004
Lincoln, Y. S., & Guba, E. G. (1985). Naturalistic inquiry. SAGE Publications.
OECD. (2016). Advanced analytics for better tax administration: Putting data to work. OECD Publishing. https://doi.org/10.1787/9789264256453-en
OECD. (2019). Tax morale: What drives people and businesses to pay tax? OECD Publishing. https://doi.org/10.1787/f3d8ea10-en
OECD. (2020). Tax Administration 3.0: The digital transformation of tax administration. OECD Publishing. https://doi.org/10.1787/ca274cc5-en
OECD. (2023). Tax administration 2023: Comparative information on OECD and other advanced and emerging economies. OECD Publishing. https://doi.org/10.1787/900b6382-en
OECD. (2025). Tax administration digitalisation and digital transformation initiatives. OECD Publishing.
Okunogbe, O., & Santoro, F. (2022). The promise and limitations of information technology for tax mobilization. World Bank. https://doi.org/10.1596/1813-9450-9848
Savić, M., Atanasijević, J., Jakovetić, D., & Krejić, N. (2021). Tax evasion risk management using a hybrid unsupervised outlier detection method. arXiv. https://doi.org/10.48550/arXiv.2103.01033
Torgler, B. (2007). Tax compliance and tax morale: A theoretical and empirical analysis. Edward Elgar Publishing.
Zumaya, M., Guerrero, R., Islas, E., Pineda, O., Gershenson, C., Iñiguez, G., & Pineda, C. (2021). Identifying tax evasion in Mexico with tools from network science and machine learning. In O. M. Granados & J. R. Nicolás-Carlock (Eds.), Corruption networks: Understanding complex systems (pp. 89–113). Springer. https://doi.org/10.1007/978-3-030-81484-7_6