臺灣博碩士論文加值系統

我國營利事業所得稅查核，目前以電腦選案或人工選案抽查方式調帳查核，電腦選案係依財政部財稅資料中心，按電腦模式計算不誠實率，列印選案清冊，並選取若干案件，交稅捐稽徵機關查核，由於查核人力不足，案件選取績效不佳，致使營利事業誠實申報程度降低，另人工選查案件，亦限於人力之不足，各局查核方式亦不一致，有採帳證檢查（普通申報案件）或調噸|計師簽證工作底稿（會計師簽證申報案件），或者調噫﹞彌b證及實地查核等方式，由於選案及查核之方式不同，容易因人為設定條件，可能影響選案之公平性。因此本研究之動機為擬應用資訊技術建立一套營利所得稅選案系統，期能提昇查核績效並兼顧公平性。
本研究係以財政部臺灣省南區國稅局84年至91年度營利事業所得稅資料，以核定應補稅本稅為目標變數，亦選取一些預測變數，並採用IBM Intelligent Miner for data V8.1軟體為探勘工具，利用類神經網路及決策樹資料探勘方法建立模型，以探討資料探勘技術對於營所稅逃漏稅是否具有分類能力，另配合分析在資料探勘技術協助改善營所稅稽徵績效下可節省的人力成本。
研究發現如下：
1.決策樹模型與類神經網路模型，於營所稅逃漏稅分類能力上，兩者均有效篩選異常案件，以型一錯誤比較下，類神經網路對於實際逃漏稅案件而預測未逃漏稅者之型一錯誤效果較好，而以節省人工成本及稅收損失比較之下，類神經網路亦較有效率。
2.由決策樹模型中選取前五大區隔變數及運用類神經網路各實驗結果，歸納出營利事業是否有漏稅情形與總收入金額高低最有密切關係，其次是毛利率、純益率及淨利率的高低也是極大影響漏稅條件，稽徵機關查核人員於查核時，應特別注意的科目或項目為薪資支出比率、佣金支出比率、毛利率差及存貨週轉率等是否有異常，因其為影響漏稅額重要的項目，另申報類別是否會計師簽證案件，也是重要因素。

The Financial Data Center of the Ministry of Finance selected audit cases of the profit-seeking enterprise income tax by computers and hand for further investigation by the National Tax Administrations. Due to the scarcity of human resources to fully audit all the cases, different National Tax Administrations units would audit the assigned cases in different ways. It might result in unfairness and become difficult to encourage the profit-seeking enterprises to honestly file their tax reports. Therefore, we proposed an objective and systematic model to assist tax auditors to spot the suspects of tax evasion. It helped avoid wasting time on invaluable cases and ensure fairness.
The research used the profit-seeking enterprise income tax data of the National Tax Administration of Southern Taiwan Province between 1995 and 2002. The data were preprocessed before being applied to IBM Intelligent Miner for Data V8.1 to create the decision tree and neural net algorithms that identified tax evasive declarers. The effectiveness of the models was evaluated by whether the savings on the costs of checking entire population and imposing the evasion tax exceeded the amounts of tax losses from the tax evasion declarers who were not identified by the models.
The findings are as follows.
1.The neural net outperformed decision tree in classifying tax evasion. The amounts of tax losses from the tax evasion declarers who were not identified by the models were lower than the savings on the costs of checking entire population and imposing the evasion tax. Therefore, both the decision tree models and neural net algorithms effectively detected tax evasion.
2.The five most important independent variables in discriminating tax evasion suspects identified by the decision tree models and neural net algorithms were gross profit margin, net profit margin, business net profit margin, salary expenditure rate, and commission expenditure rate.

目錄
第一章 緒論 1
1.1研究背景與動機 1
1.2研究目的與問題 4
1.3研究對象及範圍 6
1.4研究步驟 7
第二章 文獻探討 9
2.1營利事業逃漏營所稅 9
2.2營所稅現行選案制度 12
2.3營利事業所得稅查核人力 18
2.4選案方法 19
2.5資料探勘方法之介紹 26
第三章 研究方法 34
3.1變數的選擇 34
3.2預測方法 37
第四章 實證研究 39
4.1研究樣本 39
4.2資料預處理 40
4.3變數的選擇與分類 42
4.4模式的建立 53
第五章 結論與建議 67
5.1研究結論 67
5.2研究限制 69
5.3研究建議 69
參考文獻 71
附錄-專家會談資料整理 77


圖目錄
圖1-1研究步驟流程 1
圖2-1南區國稅局審查營利事業所得稅單位組織圖 18
圖2-2倒傳遞類神經網路架構 26
圖2-3決策樹的形成 31
圖4-1資料預處理程序 41
圖4-2資料匯入DB2 55
圖4-3 MINER連結DB2 55
圖4-4類神經網路預測 56
圖4-5類神經網路訓練模式設立各種參數 56
圖4-6產生預測之目標變數OUT欄位 57
圖4-7完成訓練模式 57
圖4-8 DB2資料庫表格 58
圖4-9建立決策樹模型 60
圖4-10建立決策樹訓練模型 61





表目錄
表1-1賦稅收入成長比率及金額 1
表1-2公司登記統計表 2
表1-3財政部台灣省南區國稅局近年度誠實申報指標數值統計表 2
表1-4各年度樣本篩選的過程 6
表2-1營利事業逃漏所得稅的型態彙整表 9
表2-2誠實申報程度比較 10
表2-3所得稅申報案件核定方式分類表 12
表2-4五區國稅局選案查核件數及百分比統計表 16
表2-5臺灣省南區國稅局審查營利事業所得稅人力表 18
表2-6彙總文獻研究變數表 21
表2-7近期類神經網路運用於各方面的研究-中文文獻 27
表2-8近期類神經網路運用於各方面的研究-英文文獻 28
表2-9近期決策樹運用於各方面的研究-中文文獻 32
表2-10近期決策樹運用於各方面的研究-英文文獻 33
表3-1目標變數分類表 34
表3-2本研究預測變數 35
表3-3歸類錯誤率之形成架構表 38
表3-4實驗之可節省成本及稅收損失 38
表4-1各年度樣本件數統計 39
表4-2目標變數分類基準-誠實案件與逃漏稅案件 42
表4-3會計師簽證申報與非會計師簽證申報案件分類方式 43
表4-4應自行補繳稅額申報案件分類方式 44
表4-5營業費用率分類方式 44
表4-6營業淨利率分類方式 45
表4-7純益率分類方式 45
表4-8毛利率分類方式 46
表4-9交際費分類方式 46
表4-10總收入分類方式 47
表4-11流動比率分類方式 48
表4-12負債比率分類方式 48
表4-13存貨週轉率分類方式 49
表4-14應收帳款週轉率分類方式 49
表4-15股東往來比率分類方式 50
表4-16佣金支出比率分類方式 50
表4-17薪資支出比率分類方式 51
表4-18毛利率差分類方式 51
表4-19營業淨利率差分類方式 52
表4-20類神經網路模糊矩陣 59
表4-21決策樹模糊矩陣 62
表4-22測試及驗證年度查核成本 63
表4-23節省成本及稅收損失比較 64
表4-24決策樹模型前五大區隔變數 65
表4-25類神經網路模型前八大預測變數敏感度 65

中文部份
尹相志，SQL 2000 Analysis Service資料採礦服務，維科圖書有限公司，2003。
王建國，我國營利事業所得稅課稅與爭訟之研究，國立成奶j學會計學研究所碩士論文，2002。
吳升享，應用倒傳遞網路於鉛心橡膠隔震墊基本設計參數之分析評估，國立中興大學土木工程學系碩士論文，2004。
吳文進，利用排除的觀念改善入侵偵測特徵比對效能之研究，華梵大學資訊管理學系碩士論文，2004。
李興起，資料採礦技術導入ＵＡＶ系統維修需求預測之研究，國防大學中正理工學院兵器系統研究所碩士論文，2004。
周世燁，運用決策樹於財務危機預警模型之研究，國立台灣大學會計學研究所碩士論文，2004。
孟德成，營利事業所得稅選案調查模型之建立-類神經網路之應用，國立臺灣大學會計學研究所碩士論文，2001。
林坤淵，營利事業所得稅逃漏稅預測模式之比較研究，國立交通大學經營管理研究所碩士論文，2001。
林苡妊，應用Logit模型於營利事業所得稅選案模式之實證研究，逢甲大學會計與財稅所碩士論文，2003。
林聖義，資料採礦技術應用於艦艇維修備料件預測之研究，國防大學中正理工學院兵器系統研究所碩士論文，2004。
施政男，資料探勘於電磁干擾診斷之應用，華梵大學資訊管理學系碩士論文，2004。
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，2001。
洪吉山，稅捐申報行為之研究，國立成奶j學法律學研究所碩士論文，2002。
胡秀杏，營利事業所得稅逃漏行為之研究，國立台灣大學商學研究所碩士論文，1986。
胡錦康，我國營利事業所得稅稅負之研究，義守大學管理研究所碩士論文，2001。
孫益君，以PDA為平台之語音辨識應用系統開發，中原大學資訊工程研究所碩士論文，2004。
張玉霜，類神經網路應用於綜合所得稅選案查核之研究，國立成奶j學工業管理研究所碩士論文，2003。
張鈺砥A以資料探勘技術進行電子行銷區隔基礎研究，長庚大學企業管理研究所碩士論文，2004。
梁雅芳，電話檢傷行動決策支援系統之開發：以門診化療居家衛教諮詢為例，長庚大學護理學研究所碩士論文，2004。
郭哲佑，決策樹在中醫哮喘診斷之應用，長庚大學資訊管理研究所碩士論文，2004。
陳世榮，租稅逃漏與最適所得稅制，國立政治大學財政學系研究所碩士論文，2002。
黃壽佐，營利事業所得稅選案調查研究，國立政治大學財政研究所碩士論文，1970。
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，2001。
楊志斌，類神經網路在兩測站間波浪資料互補之應用，國立中興大學土木工程學系碩士論文，2004。
楊雅淨，資料探勘技術於綜合所得稅逃漏稅選查之應用，國立中正大學會計與資訊科技研究所碩士論文，2003。
楊曉涵，應用資料探勘方法建立半導體生產績效預測系統，華梵大學資訊管理學系碩士論文，2004。
劉祖漶A運用決策樹於營利事業所得稅結算申報書選案查核之研究，國立臺灣大學會計學研究所碩士論文，2002。
劉興浚，類神經網路在稅務稽核選案模式之應用，元智科技大學管理研究所碩士論文，1998。
歐陽良全，應用資料探勘技術於目標行銷之研究-以國內某醫院健康檢查中心，國立中正大學資訊管理學系碩士論文，2004。
謝長宏、王得山、蘇樂明、蔡忠義、張美燕，專題報告-營利所得稅查核工作之檢討與改進，財政部賦稅改革委員會，1989。
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，1996。
蘇海清，專題報告-從營利事業所得稅逃漏稅型態論行政罰法之改進，財政部高雄市國稅局，1994。

英文部分
Abram, Mike, “ Watercourse warning over spring herbicide,” Farmers Weekly, April 2005, Vol. 142 , Iss. 17, p. 41.
Alimghan, M. and A. Sandom, “Income tax evasion: a theoretical analsys,” Joural of Publix Economic, 1972, Vol. 1, pp. 328-338.
Arentze, Theo A. and Harry J. P. Timmermans, “A learning-based transportation oriented simulation system,” Transportation Research Part B: Methodological, 2004, Vol. 38, Iss. 7, pp. 613-633.
Cowell, F. A., “Taxation and labor supply with risky activities,” Economica, 1981, Vol. 48, pp. 365-379.
Ertugrul, Meliksah and Kaynak Okyay, “Neuro sliding mode control of robotic manipulators,” Mechatronics, 2000, Vol. 10, No.1-2, pp. 239-263.
Faizal, A. Hasham, Kindzierski, Warren B., and Stephen J. Stanley, “Modeling of hourly NO ^sub X^ concentrations using artificial neural networks,” Journal of Environmental Engineering and Science, 2004, Vol. 3, pp. 111-120.
Han, Jiawei and Micheline Kamber, Data Mining: Concepts and Techniques, New York, NY: Academic Press, 2001.
Ho, Seung Hee, Jee, Sun Ha, Lee, Jong Eun, and Jong Sup Park “Analysis on risk factors for cervical cancer using induction technique,” Expert Systems with Applications, 2004, Vol. 27, Iss. 1, pp. 97-105.
Hua, Jiuyi, “Applications of ANNs in transportation engineering: Development of a neural traffic signal control system,” Transportion Research Part A: Policy and Practice, 1997, Vol. 31, No. 1, p. 59.
Hunter, W. J. and M. A. Nelson, “An IRS production function,” National Tax Journal, 1996, Vol. 49, pp. 105-115.
Irudayaraj, J., Xu, F. and J. Tewari, “Rapid determination of invert cane sugar adulteration in honey using FTIR spectroscopy and multivariate analysis,” Journal of Food Science, 2003, Vol. 68, Iss. 6, pp. 2040-2045.
Law, Rob and Norman Au, “A neural network model to forecast Japanese demand for travel to Hong Kong,” Tourism Management, 1999, Vol. 20, No. 1, pp. 89-97.
Lee, Kidong, Booth, David, and Pervaiz Alam, “A comparison of supervised and unsupervised neural networks in predicting bankruptcy of Korean firms,” Expert Systems With Applications, 2005, Vol. 29, Iss .1, pp. 1-16.
Leonardo, P. Santiago and Thomas G. Bifano, “Management of R&D Projects Under Uncertainty: A Multidimensional Approach to Managerial Flexibility,” IEEE Transactions on Engineering Management, 2005, Vol. 52, Iss. 2, pp. 269-280.
Loukas, Tsironis, Nikos, Bilalis, and Vassilis Moustakis, “Using machine learning to support quality management: Framework and experimental investigation,” The TQM Magazine, 2005, Vol. 17, Iss. 3, pp. 237-249.
Pattie, Douglas C. and John Snyder, “Using a neural network to forecast visitor behavior,” Annals of Tourism Research, 1996, Vol. 23, No. 1, pp. 151-164.
Rai, P., Majumdar, G. C., Das Gupta, S. and S. De, “Modeling the performance of batch ultrafiltration of synthetic fruit juice and mosambi juice using artificial neural network,” Journal of Food Engineering, 2005, Vol. 71, Iss.3, pp.273-281.
Rovithakis, George A., Gagains, Vassilis, Perrakis, Stelios E., and Manolis A. Christodoulou, “Neuro schedulers for flexible manufacturing systems,” Computers in Industry, 1999, Vol. 39, No. 3, pp. 209-217.
Rygielski, Chris, Wang, Jyun-Cheng, and David C. Yen, “Data mining techniques for customer relationship management,” Technology in Society, 2002, Vol. 24, Iss. 4,pp. 483-502.
Saraf, Rajeev Kumar, “Adaptive traffic control using netural networks,” Transportion Research Part A: Policy and Practice, 1996, Vol. 30, No. 1, pp. 57-58.
Wang, Dianhui, Lim, Joon Shik, Han, Myung-Mook, and Byung-Wook Lee, “Learning similarity for semantic images classification,” Neurocomputing, 2005, Vol. 67, pp. 363-368.
Wanous, Mohammed, Boussabaine, Halim A., and John Lewis, “A neural network bid/no bid model: The case for contractors in Syria,” Construction Management and Economics, 2003, Vol. 21, Iss. 7, pp. 737-744.
Wong, Carly W. Y., Luk, Robert W. P., and Edward K. S. Ho, “Discovering "title-like" terms,” Information Processing & Management, 2005, Vol. 41, Iss. 4, pp. 789-800.
Yao, H. M., Vuthaluru, H. B., Tadé, M. O., and, D. Djukanovic, “Artificial neural network-based prediction of hydrogen content of coal in power station boilers,” Fuel, 2005., Vol. 84 , Iss. 12-13, pp. 1535-1542.
Yitzhaki, S., “Income Tax evasion Note,” Journal of Public Economics, 1974, vol. 3, pp. 201-202.
Zhang, Gioqinang and Michael Y. Hu, “Neural Network Forecasting of the British Pound/US Dollar Exchange Rate,” Omega, 1998, Vol. 26, No.4, pp. 495-506.