(3.238.250.105) 您好!臺灣時間:2021/04/20 05:12
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

我願授權國圖
: 
twitterline
研究生:游崇熙
研究生(外文):Chong-Si You
論文名稱:加值型營業稅選案研究 -以財政部中區國稅局某稽徵所為例
論文名稱(外文):The Study of Cases Selection in Value-Added Tax-The cases of An Office of National Taxation Bureau of The Central Area, Ministry of Finance
指導教授:柯俊禎柯俊禎引用關係
指導教授(外文):Jim-Chen Ko
口試委員:許可達周宗南柯俊禎
口試委員(外文):Ker-Tah HsuTsung-Nan ChouJim-Chen Ko
口試日期:2014-05-05
學位類別:碩士
校院名稱:朝陽科技大學
系所名稱:財務金融系
學門:商業及管理學門
學類:財務金融學類
論文種類:學術論文
論文出版年:2014
畢業學年度:102
語文別:中文
論文頁數:79
中文關鍵詞:加值型營業稅選案查核類神經網路模糊決策樹
外文關鍵詞:Value-added taxCases selectionNeural networkFuzzy decision tree
相關次數:
  • 被引用被引用:4
  • 點閱點閱:571
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:157
  • 收藏至我的研究室書目清單書目收藏:0
本研究以100及101年度財政部中區國稅局某稽徵所轄內遭查獲或輔導補稅之營業人187筆樣本及未曾調查補稅之營業人145筆樣本,其申報之營業稅及營利事業所得稅資料組合為10個自變數,並爰用類神經網路及模糊決策樹方法建立選案查核模型,除藉以協助稅務人員挑選可能逃漏營業稅之案件外,並以實際查核情形說明分類矩陣N01案件並非單純分類錯誤,反而是稅務人員更應加強注意的案源;另外,比較模糊決策樹以語意變數產生的規則與類神經網路黑箱作業的特性,藉以說明模糊規則在查核上的實用性及類神經網路並不適合建立稅務選案模型。
Our study data is selected from An official office of National Taxation Bureau of the Central Area, Ministry of Finance ROC which include being value-added tax (VAT) levied cases 187 and not being VAT levied cases 145. We set up 10 independent variables based on the possible combination through the variations of VAT report and Annual Business income tax report, also using Neural Network and Fuzzy Decision Tree methods to build up cases selection model. We expect these models not only help tax officers to choose those tax avoidance cases more efficiently, but also through N01 cases to identify those categorized metric into more significant cases for tax levy uses, besides, in comparison with Linguistic Variables rule settings of Fuzzy Decision Tree, Neural Network are not appropriated to build tax selection cases model, while rule settings in Fuzzy Decision Tree are more practicable in tax selection cases model.
目錄

摘要I
致謝III
目錄IV
表目錄VI
圖目錄VIII
第1章 緒論1
第1節 研究背景與動機1
第2節 研究目的4
第3節 研究架構5
第4節 研究限制6
第2章 文獻探討7
第1節 加值型營業稅介紹7
第2節 營業人逃漏加值型營業稅樣態介紹9
第3節 資料探勘概述11
第4節 類神經網路概述13
第5節 模糊決策樹概述16
第6節 加值型營業稅逃漏稅偵測相關文獻22
第3章 研究方法29
第1節 研究設計29
第2節 研究對象及樣本31
第3節 研究變數設定32
第4節 類神經網路訓練流程39
第5節 模糊決策樹訓練流程42
第6節 評估方法45
第4章 實證結果47
第1節 類神經網路實證結果47
第2節 模糊推論系統實證結果53
第3節 各模型分類結果比較70
第5章 結論與建議73
第1節 研究結論73
第2節 研究貢獻74
第3節 後續研究建議75
參考文獻76
中文文獻76
英文文獻77
附錄78
表目錄
表1-1 民國99至101年間政府歲入與稅課收入1
表1-2 民國99至101年間我國3大賦稅收入1
表1-3 民國99至101年間我國3大賦稅占整體稅收比率2
表1-4 民國99至101年間我國3大賦稅裁罰金額及件數2
表1-5 99至101年間我國3大賦稅裁罰金額及件數占整體賦稅比率3
表2-1 ID3決策樹案例情況表19
表2-2 偵測加值型營業稅逃漏稅有關文獻彙總表27
表3-1 樣本營業人行業分類表31
表3-2 分業樣本營業人分布情形表31
表3-3 蒐集營業人申報資料範例32
表3-4 應變數與自變數定義及說明33
表3-5 自變數參考資料來源37
表3-6 分類矩陣45
表3-7 稅務分類矩陣46
表4-1 網路架構為10-6-2,訓練1,000次分類結果48
表4-2 網路架構為10-21-2,訓練1,000次分類結果49
表4-3 網路架構為10-6-2,訓練2,000次分類結果50
表4-4 網路架構為10-21-2,訓練2,000次分類結果51
表4-5 稅務分類矩陣-類神經網路模型52
表4-6 各自變數敏感度分析52
表4-7 未分業別各變數之模糊集合及語意程度表53
表4-8 未分業別學習組模糊規則54
表4-9 稅務分類矩陣-未分業別規則55
表4-10 製造業各變數之模糊集合及語意程度表56
表4-11 製造業學習組模糊規則-57
表4-12 稅務分類矩陣-製造業規則57
表4-13 製造業修正後模糊規則58
表4-14 稅務分類矩陣-製造業修正後規則58
表4-15 買賣業各變數模糊集合及語意程度表59
表4-16 買賣業學習組模糊規則60
表4-17 稅務分類矩陣-買賣業規則61
表4-18 買賣業修改後模糊規則61
表4-19 稅務分類矩陣-買賣業修正後規則62
表4-20 服務業各變數模糊集合及語意程度表63
表4-21 服務業學習組模糊規則64
表4-22 稅務分類矩陣-服務業規則64
表4-23 服務業修改後模糊規則65
表4-24 稅務分類矩陣-服務業修正後規則66
表4-25 營造業各變數模糊集合及語意程度表66
表4-26 營造業學習組模糊規則67
表4-27 稅務分類矩陣-營造業規則68
表4-28 稅務分類矩陣-對營造業學習組*樣本69
表4-29 稅務分類矩陣-分業別規則69
表4-30 各分類模型比較70
圖目錄
圖1-1 研究流程圖5
圖2-1 類神經網路基本架構13
圖2-2 處理單元之基本構造14
圖2-3 三角形歸屬函數17
圖2-4 語意變數隸屬函數17
圖2-5 決策樹示意圖18
圖2-6 案例之根節點與分支21
圖3-1 研究步驟流程圖29
圖3-2 WEKA 3軟體圖樣39
圖3-3 FisPro軟體圖樣42
圖3-4 本研究變數X1隸屬函數圖42
圖3-5 本研究變數X7隸屬函數圖43




中文部分
1.中國租稅研究會(2012)。中華民國租稅制度與法規。台北市:中國租稅研究會。
2.王淑芳(2010)。營業人加值型營業稅逃漏金額之決定因素-以內湖科學園區逃漏稅營業人為例(未出版之碩士論文)。國立政治大學,台北市。
3.加值型及非加值型營業稅法(2014)。
4.江振豐(2006)。營業稅選案查核-以類神經網路建構選案模型。雲林科技大學,雲林縣。
5.邱家永(2008)。加值型營業稅冒退稅選案查核模式之研究。國立臺中技術學院,台中市。
6.林惠英(2006)。應用資料探勘技術於營業稅逃漏稅選案之研究。國立中正大學,嘉義縣。
7.林月桃(2009)。影響逃漏稅之因素-以加值型營業稅為例。國立政治大學,台北市。
8.胡萬(2011)。運用決策樹演算法於營業稅選案之研究。元智大學,桃園縣。
9.洪梓玲(2011)。建構加值型營業稅選案查核模式之研究。臺中技術學院,台中市。
10.財政部。民國101財政統計年報。台北市:財政部統計處。
11.財政部。財政部財政統計資料庫。取自:http://web02.mof.gov.tw/njswww/WebProxy.aspx?sys=100&funid=defjspf2
12.財政部。中華民國稅務行業標準分類(第7次修訂)。台北市:財政部統計處。
13.兼營營業人營業稅額計算辦法(2006)。
14.陳國元(2002)。加值型營業稅中營業人涉嫌虛設行號之實證研究。朝陽科技大學,台中市
15.陳彥文(2003)。類神經網路之應用-以營業稅選案模型為例。銘傳大學,台北市。
16.陳秀(2013)。營業稅之稅捐主體與客體之探討。當代財政,25,19-40。
17.張春蓮(2013)。加值型營業稅逃漏偵測之研究。國立臺中科技大學,台中市。
18.葉怡成(2009)。類神經網路模式應用與實作。台北市:儒林圖書有限公司。
19.稅務違章案件裁罰金額或倍數參考表(2013)。
20.萬絢、林明毅、陳宏杰(2006)。模糊理論應用與實務。台北市:儒林圖書有限公司。
21.廖述賢、溫志皓(2012)。資料探勘理論與應用-以IBM SPSS Modeler為範例。新北市:博碩文化股份有限公司。
22.廖述賢(2007)。資訊管理。台北市:雙葉書廊。
23.謝明俊(2003)。刑案知識庫,情資e點靈(2003,2月16日)。中國時報,社會綜合版。
24.謝碧霞(2010)。虛設行號查緝之研究-以財政部臺灣省中區國稅局查核案件為例。台中市,臺中技術學院。
25.謝劍平(2012)。財務報表分析。台北市:智勝文化事業有限公司。
26.營業人開立銷售憑證時限表(2014)。

英文部分
27.Berry, M. J., & Linoff, G. (1997). Data mining techniques: for marketing, sales, and customer support. John Wiley & Sons, Inc..
28.Craig, F., & Garceau, L. (1996). Beyond Expert System: Neural Networks in Accounting. The National Public Accounting , June 1996, 26-43.
29.Guillaume, S., & Charnomordic, B. (2011). Learning interpretable fuzzy inference systems with FisPro. Information Sciences, 181(20), 4409-4427.
30.Hecht-Nielsen, R. Neurocomputing, 1990. Addison-Wisley, Sydney.
31.Hopfield, J. J. (1982). Neural networks and physical systems with emergent collective computational abilities. Proceedings of the national academy of sciences, 79(8), 2554-2558.
32.Lippmann, R. P. (1987). An introduction to computing with neural nets. ASSP Magazine, IEEE, 4(2), 4-22.
33.McCulloch, W. S., & Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity. The bulletin of mathematical biophysics, 5(4), 115-133.
34.Mitchell, D., & Pavur, R. (2002). Using modular neural networks for business decisions. Management Decision, 40(1), 58-63.
35.Moutinho, L., & Phillips, P. A. (2002). The impact of strategic planning on the competitiveness, performance and effectiveness of bank branches: a neural network analysis. International Journal of Bank Marketing, 20(3), 102-110.
36.Phillips, P., Davies, F., & Moutinho, L. (1999). The interactive effects of strategic planning on hotel performance: a neural network analysis. Management Decision, 37(3), 279-288.
37.Quinlan, J. R. (1986). Induction of decision trees. Machine learning, 1(1), 81-106.
38.Takagi, T., & Sugeno, M. (1985). Fuzzy identification of systems and its applications to modeling and control. Systems, Man and Cybernetics, IEEE Transactions on, (1), 116-132.
39.Venugopal, V., & Baets, W. (1994). Neural networks and statistical techniques in marketing research: A conceptual comparison. Marketing Intelligence & Planning, 12(7), 30-38.
40.Walczak, S. (2001). An empirical analysis of data requirements for financial forecasting with neural networks. Journal of management information systems, 17(4), 203-222.
41.Wray, B., Palmer, A., & Bejou, D. (1994). Using neural network analysis to evaluate buyer-seller relationships. european Journal of Marketing, 28(10), 32-48.
42.Weber, R. (1992, July). Fuzzy-ID3: a class of methods for automatic knowledge acquisition. In The second international conference on fuzzy logic and neural networks (pp. 265-268).
43.Yuan, Y., & Shaw, M. J. (1995). Induction of fuzzy decision trees. Fuzzy Sets and systems, 69(2), 125-139.
44.Zadeh, L. A. (1965). Fuzzy sets. Information and control, 8(3), 338-353.

QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
系統版面圖檔 系統版面圖檔