博碩士論文 90532018 詳細資訊




以作者查詢圖書館館藏 以作者查詢臺灣博碩士 以作者查詢全國書目 勘誤回報 、線上人數:7 、訪客IP:3.233.239.102
姓名 吳進照(Jinn-Jaw Wu)  查詢紙本館藏   畢業系所 資訊工程學系在職專班
論文名稱 類神經網路於營利事業所得稅選案之應用
(Application of Neural Networks in Business Income Tax Case Selection)
相關論文
★ 以Q-學習法為基礎之群體智慧演算法及其應用★ 發展遲緩兒童之復健系統研製
★ 從認知風格角度比較教師評量與同儕互評之差異:從英語寫作到遊戲製作★ 模糊類神經網路為架構之遙測影像分類器設計
★ 複合式群聚演算法★ 身心障礙者輔具之研製
★ 指紋分類器之研究★ 背光影像補償及色彩減量之研究
★ 一個新的線上學習系統及其於稅務選案上之應用★ 人眼追蹤系統及其於人機介面之應用
★ 結合群體智慧與自我組織映射圖的資料視覺化研究★ 追瞳系統之研發於身障者之人機介面應用
★ 以類免疫系統為基礎之線上學習類神經模糊系統及其應用★ 基因演算法於語音聲紋解攪拌之應用
★ 虹膜辨識系統之研究與實作★ 可攜式手型辨識系統
檔案 [Endnote RIS 格式]    [Bibtex 格式]    [相關文章]   [文章引用]   [完整記錄]   [館藏目錄]   [檢視]  [下載]
  1. 本電子論文使用權限為同意立即開放。
  2. 已達開放權限電子全文僅授權使用者為學術研究之目的,進行個人非營利性質之檢索、閱讀、列印。
  3. 請遵守中華民國著作權法之相關規定,切勿任意重製、散佈、改作、轉貼、播送,以免觸法。

摘要(中) 逃漏稅在各國都是一個嚴重的問題,如果個人發覺逃漏稅的益處勝於成本,就有可能逃漏稅,由於稅務查核人力不足,無法逐一查核申報案件,亦即有多少申報案件被選出審查,決定了查核機率,所以高查核機率及高懲罰率通常會導致逃漏稅減少,高查核機率需要比較多資源,這是將面臨的一個難題,因此如何發展一個電腦化的檢測方法,已成為迫切的挑戰,本論文提出一個以類神經網路為基礎的方法,以完成有效檢測系統,首先使用皮爾森係數法、主成分分析法、費雪比率法及統計數量法,這四種不同的特色抽出方法,從申報案件中抽出有效特色,然後再採用多維矩形複合式類神經網路、倒傳遞演算法、學習向量量化網路、二元羅吉斯迴歸及決策樹,以完成檢測系統。稅務資料集取自財政部臺灣省北區國稅局八十七及八十八年度資料,資料集分為包含八十七年度申報案件之訓練資料集及八十八年度申報案件之測試資料集,模擬實驗結果顯示電腦化的檢測系統之性能勝過現有檢測方法,所以這些檢測系統為防止逃漏稅提供了一個替代工具。
摘要(英) Tax evasion is a serious problem in all countries. If the perceived benefits of evasion outweigh the perceived costs then, if it is possible, individuals will evade taxes. Owing to the lack of enough tax officers, reported cases cannot be audit one by one. That is, the audit probability determines how many reported cases will be randomly selected and reexamined. Therefore, high audit probability and high penalty rate usually may lead to a decrease of evasion. A crucial problem to be encountered is that a high audit probability needs high resources. Therefore, how to develop a computerized detection method becomes a very demanding challenge. In this thesis, a neural-network-based method is proposed to implement an efficient detection system. First, four different feature extractors; such as Pearson’s correlation, Principal component analysis, Fisher ratio, and Statistics quantity method are employed to extract effective features from reported cases. Then a Hyper Rectangular Composite Neural Networks(HRCNNs),multi-layer perceptrons(MLPs) with the backpropagation algorithm, learning vector quantization(LVQ)networks, binary logistic regression method, and decision Tree are employed to implement detection systems. The tax data sets were collected from National Tax Administration Northern Province Ministry of Finance in 1998 and 1999, respectively, the data sets were splitted into a training data set consisting of reported cases in 1998 and a testing data set consisting of reported cases in 1999. Simulation results show that the computerized detection systems outperformed the present auditing process. Therefore, these detection systems provide an alternative tool for preventing tax evasion.
關鍵字(中) ★ 類神經網路
★ 逃漏稅
★ 營利事業所得稅
★ 稅務管理
關鍵字(英) ★ neural networks
★ tax administration
★ business income taxt
★ tax evasion
論文目次 第一章、緒論 1
1.1研究動機及目的 1
1.2研究架構 1
第二章、文獻探討及研究樣本 3
2.1文獻探討 3
2.2研究對象及樣本 4
2.3研究變數之挑選 5
第三章、資料前置處理方法 8
3.1皮爾森相關係數(Pearson’s correlation) 8
3.2主成分分析 9
3.3費雪比率法(Fisher Ratio) 13
3.4統計數量法 14
第四章、學習測試方法 16
4.1多維矩形複合式類神經網路 16
4.2倒傳遞類神經網路 22
4.3學習向量量化網路 26
4.4二元羅吉斯迴歸(Binary Logistic Regression) 31
4.5決策樹 34
第五章、實驗結果與討論 41
5.1各行業別資料學習測試結果 41
5.1.1倒傳遞類神經網路 41
5.1.2多維矩形複合式類神經網路 45
5.1.3學習向量量化網路 49
5.1.4二元羅吉斯迴歸 51
5.1.5決策樹 54
5.2全年度所有資料學習測試結果 60
5.3說明與討論 65
第六章、結論 67
參考文獻 [1] 八十九年度營利事業各業同業利潤所得額標準。
[2] 丁 承,「統計方法與資料分析」SAS講義,交通大學經營管理研究所,1999。
[3] 李庸三,財政部年來的稅制稅政工作成果與展望,稅務旬刊第1829期,第7-10頁,2002。
[4] 何敏男,我國所得稅查帳制度之研究,中華工學院工業工程與管理研究所碩士論文,1995。
[5] 林坤淵、丁 承,營利事業所得稅逃漏稅預測模式之比較研究,中華決策科學學會研討會,2002。
[6] 林逸修,運用決策樹演算法於波長分割多工技術環狀接取網路之動態波長分配機制,元智大學資訊工程學系碩士論文,2002。
[7]相關網站(Sas), URL: http://www.sas.com/,http://www.spss.com/spssbi/ applications/fraud/index.htm.
[8] 施肇華,我國營利事業所得稅查核方式暨一般逃漏稅查緝方法之研究,中原大學會計學系碩士論文,2002。
[9] 陳順宇,多變量分析,華泰書局,台北, 1998。
[10] 陳徹工作實驗室,VISUAL BASIC 6.0 資料庫程式設計實務 WITH ACCESS & SQL SERVER,松崗電腦圖書資料股份有限公司,台北,2001.05
[11] 彭昭英、唐麗英,SAS 123, 儒林圖書公司,台北,2002.03.
[12] 彭明柳,VISUAL BASIC 6 中文專業版徹底研究,博碩文化股份有限公司,台北,2000.03
[13] 楊永欽,預測模型在稅務選案上之比較,靜宜大學會計學系碩士論文,2002。
[14] 葉怡成,類神經網路模式應用與實作,儒林書局,台北, 2000。
[15] 廖雅郁,應用資料挖採於我國西藥行銷之研究,交通大學經營管理研究所碩士論文,2002。
[16] 劉興浚,類神經網路在稅務稽徵選案模式之應用,元智大學管理研究所碩士論文,1998。
[17] 盧欽滄,稅務調查與間接證明法兼論租稅詐欺,凱侖出版社,台北,1994。
[18] 羅榮鎮,我國營利事業所得稅選案查核之研究,中華工學院工業工程與管理研究所碩士論文,1997。
[19] 蘇木春、張孝德,機器學習:類神經網路、模糊系統以及基因演算法則,全華科技圖書公司,台北, 2000。
[20] D. R. Cooper,P. S. Schindler,Business Research Methods seventh edition ,Irwin/Mc Graw-Hill,New York 2001.
[21] R. O. Duda and P.E.Hart,Pattern Classification and Scene Analysis. New York:Wiley,1973.
[22] J. Han and M. Kamber,Data Mining:Concepts and Techniques,Morgan Kaufmann Publishers,San Francisco,2001.
[23] S. Haykin, Neural Networks: A Comprehensive Foundation, second edition, Prentice-Hall, 1999.
[24] K. Z. Mao, "RBF Neural Network Center Selection Based on Fisher Ratio Class Separability Measure",IEEE Trans. on Neural Networks,vol. 13 no. 5,pp.1211-1217,2002.
[25] M. C. Su, "Use of Neural Networks as Medical Diagnosis Expert Systems," Computers in Biology and Medicine, Vol. 24, No. 6, pp. 419-429, 1994.
[26] M. C. Su, C. T. Hsieh, and C. C. Chin, "A Neuro-Fuzzy Approach to Speech Recognition without Time Alignment," Fuzzy Sets and Systems, Vol. 98, No. 1, pp. 33-41, 1998.
[27] M. C. Su, C. -W. Liu, and S. -S. Tsay, "Neural-network-based Fuzzy Model and its Application to Transient Stability Prediction in Power Systems, " IEEE Trans. on Systems, Man, and Cybernetics, vol. 29, no. 1, pp. 149-157, 1999.
指導教授 蘇木春(Mu-Chun Su) 審核日期 2003-7-7
推文 facebook   plurk   twitter   funp   google   live   udn   HD   myshare   reddit   netvibes   friend   youpush   delicious   baidu   
網路書籤 Google bookmarks   del.icio.us   hemidemi   myshare   

若有論文相關問題,請聯絡國立中央大學圖書館推廣服務組 TEL:(03)422-7151轉57407,或E-mail聯絡  - 隱私權政策聲明