دانش حسابداری و حسابرسی مدیریت

دانش حسابداری و حسابرسی مدیریت

ردیابی استقرایی فرار مالیاتی: یک چارچوب ترکیبی مبتنی‌بر کشف جامعه و GraphSAGE

نوع مقاله : مقاله پژوهشی

نویسندگان
فاطمه عیوقی تفتی 1
احمد ابراهیمی 2
بابک فرهنگ مقدم 3
علیرضا رشیدی کمیجان 4
رویا سلطانی 5
1 دانشجوی دکتری، مدیریت فناوری اطلاعات گرایش کسب و کار هوشمند، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.
2 دانشیار، عضو هیات علمی گروه مهندسی صنایع، دانشکده فنی و مهندسی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.
3 دانشیار، عضو هیأت علمی گروه سیستم ها و اقتصاد، موسسه عالی آموزش و پژوهش مدیریت و برنامه ریزی، تهران، ایران
4 دانشیار، عضو هیأت علمی گروه مهندسی صنایع، دانشکده فنی و مهندسی، واحد علوم و تحقیقات دانشگاه آزاد اسلامی، تهران ، ایران.
5 استاد یار، عضو هیأت علمی گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه خاتم، تهران، ایران..
10.22034/jmaak.2026.78986.4669
چکیده
فرار مالیاتی یکی از مهم‌ترین چالش‌های نظام مالیاتی به شمار می‌رود و بخش قابل‌توجهی از آن ناشی از معاملات اشخاص وابسته، جابه‌جایی سود، و رفتارهای شبکه‌ای میان شرکت‌هاست. پیچیدگی ساختارهای مالکیتی، زنجیره‌های تراکنشی چندلایه و روابط پنهان بین شرکت‌ها باعث می‌شود روش‌های سنتی شناسایی فرار مالیاتی توان کافی برای تحلیل الگوهای سازمان‌یافته نداشته باشند. در پاسخ به این خلأ، پژوهش حاضر یک چارچوب گراف‌محور مبتنی بر کشف جامعه با الگوریتم لوین و شبکه عصبی گرافی GraphSAGE ارائه می‌کند تا بتواند ساختارهای پنهان تبانی، خوشه‌های غیرعادی و احتمال فرار مالیاتی در شبکه‌ای شامل بیش از ۱۶۲ هزار شرکت ایرانی را شناسایی کند. داده‌های پژوهش شامل ۳۳ شاخص مالی، بانکی و اطلاعات مالکیتی بوده و بیش از ۳۰۰ هزار رابطه تراکنشی و ساختاری میان شرکت‌ها استخراج شد. نتایج نشان می‌دهد مدل پیشنهادی به AUC معادل ۰٫۹۵۷۹، دقت ۰٫۸۹۰۵ و امتیاز F1 برابر ۰٫۸۹۴۴ دست می‌یابد و قادر است جوامع پرریسک و الگوهای شبکه‌ای مؤثر در فرار مالیاتی را با تفکیک‌پذیری بالا شناسایی کند. همچنین تحلیل جامعه‌ای نشان می‌دهد بخش مهمی از روابط غیرعادی، در خوشه‌های متراکم شرکت‌های وابسته و گروه‌های اقتصادی بروز می‌کند. به‌طور کلی، یافته‌ها بیان می‌کند ترکیب کشف جامعه و GraphSAGE ابزاری کارآمد برای شناسایی الگوهای پیچیده فرار مالیاتی در داده‌های بزرگ است و می‌تواند به بهبود فرآیندهای تحلیل ریسک در نظام مالیاتی کمک کند.
کلیدواژه‌ها
تحلیل گراف
تشخیص اجتماع
شبکه های عصبی گراف
فرار مالیاتی
کشف تقلب مالیاتی
یادگیری استقرایی

عنوان مقاله English

Inductive Tax Evasion Detection: A Hybrid Framework Integrating Community Discovery and GraphSAG

نویسندگان English

Fatemeh Ayoughi Tafti 1
Ahmad Ebrahimi 2
Babak Farhang-Moghaddam 3
Alireza Rashidi-Komijan 4
Roya Soltani 5
1 Ph.D. Candidate, Department of Information Technology Management- Business Intelligence, Faculty of Management and Economics, SR.C., Islamic Azad University, Tehran, Iran
2 Associate Professor, Department of Industrial Engineering, SR.C., Islamic Azad University, Tehran, Iran
3 Associate Professor, Department of Systems and Economics, Institute for Management and Planning studies, Tehran, Iran.
4 Associate Professor, Department of Industrial Engineering, SR.C., Islamic Azad University, Tehran, Iran.
5 Assistant Professor, Department of Industrial Engineering, Faculty of Engineering, Khatam University, Tehran, Iran
چکیده English

Abstract
Tax evasion is one of the most significant challenges in tax systems, with a considerable portion stemming from transactions among related parties, profit shifting, and networked behaviors between companies. The complexity of ownership structures, multi-layered transaction chains, and hidden relationships between companies render traditional tax evasion detection methods inadequate for analyzing organized patterns. To address this gap, this study presents a graph-based framework utilizing community detection with the Louvain algorithm and the GraphSAGE graph neural network to identify hidden collusive structures, anomalous clusters, and tax evasion probabilities within a network of over 162,000 Iranian companies. The research data includes 33 financial, banking, and ownership indicators, with over 300,000 transactional and structural relationships extracted among companies. Results indicate that the proposed model achieves an AUC of 0.9579, an accuracy of 0.8905, and an F1-score of 0.8944, demonstrating high discriminative capability in identifying high-risk communities and network patterns contributing to tax evasion. Community analysis further reveals that a significant portion of anomalous relationships occurs within dense clusters of affiliated companies and economic groups. Overall, the findings suggest that combining community detection and GraphSAGE provides an effective tool for detecting complex tax evasion patterns in large-scale data and can enhance risk analysis processes in tax administration.

کلیدواژه‌ها English

Graph Analysis
Community Detection
Graph Neural Networks
Tax Evasion
Financial Fraud Detection
Inductive Learning
  1. احمدپور، ا.، جعفری، س. م.، و صراف، ف. (۱۴۰۴). مدل‌سازی فرار مالیاتی معاملات اشخاص وابسته: رویکرد گراف‌کاوی و شبکه‌های عصبی عمیق. پژوهشنامه مالیات، 33(113)، 1–45.
  2. حیرانی، ف.، زارعیان، ح.، و معین‌الدین، م. (۱۴۰۰). شناسایی شاخصه‌های مؤثر بر ریسک حسابرسی مالیاتی با روش ترکیبی اکتشافی. فصلنامه دانش حسابداری و حسابرسی مدیریت، ۳۳، ۱۲۱–۱۳۹.
  3. زارع بهنمیری، م. ج.، رحیمیان امیری، م. ح.، و تیرگان، م. (۱۴۰۱). اولویت‌بندی عوامل موثر بر فرار مالیاتی. تحقیقات حسابداری و حسابرسی، 54، 187–202.
  4. مددی‌زاده، ا.، تائبی‌نقندری، ا.ح.، و زینلی، ح. (۱۴۰۱). تأثیر استراتژی‌های مالیاتی جسورانه و تقلب حسابداری بر خوانایی گزارشگری مالی شرکت‌ها. فصلنامه دانش حسابداری و حسابرسی مدیریت، ۴۳، ۳۷۹–۳۹۲.
  5. مرادی، م.، اسکندر، ه.، و گرشاسبی، ف. (۱۴۰۲). تأثیر گرایش مدیران به ریسک و انتظارات آن‌ها بر گزارشگری مالی تقلب‌آمیز: شواهدی از بازی نظریه‌ای. فصلنامه دانش حسابداری و حسابرسی مدیریت، ۵۳، ۱–۲۳.
  6. Blondel, V. D., Guillaume, J. L., Lambiotte, R., & Lefebvre, E. (2008). Fast unfolding of communities in large networks. Journal of Statistical Mechanics: Theory and Experiment, *2008*(10), P10008.
  7. Chen, Z., Wang, Y., & Liu, Q. (2023). Enhancing GraphSAGE with gated aggregation for financial fraud detection. Proceedings of the 29th ACM SIGKDD Conference on Knowledge Discovery and Data Mining, 2455-2465.
  8. Grama, T.-I. (2025). Money Laundering Detection Using Graph Neural Networks Enhanced with Autoencoder Components. Studia Universitatis Babeș-Bolyai Informatica, 70(1–2), 88–105. https://doi.org/10.24193/subbi.2025.06
  9. Grover, A., & Leskovec, J. (2016). node2vec: Scalable feature learning for networks. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 855–864.
  10. Gounoue, S., Sao, A., & Gottschalk, S. (2025). TeMP-TraG: Edge-based Temporal Message Passing in Transaction Graphs.
  11. Hamilton, W., Ying, Z., & Leskovec, J. (2017). Inductive representation learning on large graphs. Advances in Neural Information Processing Systems, *30*.
  12. Huang, R. (2025). FinGuard-GNN: Dynamic Graph Neural Network Framework for Financial Fraud Detection. Frontiers in Business, Economics and Management, 19(3), 121–125. https://doi.org/10.54097/wh6hg844
  13. Kipf, T. N., & Welling, M. (2017). Semi-supervised classification with graph convolutional networks. International Conference on Learning Representations (ICLR).
  14. Kulkarni, O., & Chandra, R. (2025). DynBERG: Dynamic BERT-based Graph Neural Network for Financial Fraud Detection. arXiv.
  15. Lee, J., Lee, J., & Park, S. (2016). Detecting financial fraud using graph-based features. Expert Systems with Applications, *59*, 84–93.
  16. Liu, Y., Li, Z., Zhou, C., & Yang, J. (2022). Temporal Graph Neural Networks for Dynamic Fraud Detection in E-commerce Transactions. IEEE Transactions on Knowledge and Data Engineering, *35*(8), 7895-7908.
  17. Ngai, E. W. T., Hu, Y., Wong, Y. H., Chen, Y., & Sun, X. (2011). The application of data mining techniques in financial fraud detection: A classification framework and an academic review of literature. Decision Support Systems, *50*(3), 559–569.
  18. OECD. (2023). Tax Administration 2023: Comparative Information on OECD and Other Advanced and Emerging Economies. OECD Publishing.
  19. Perozzi, B., Al-Rfou, R., & Skiena, S. (2014). DeepWalk: Online learning of social representations. Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 701–710.
  20. Rahmati, M. (2025). Real-Time Financial Fraud Detection Using Adaptive Graph Neural Networks and Federated Learning. International Journal of Management and Data Analytics (IJMADA), 5(1), 98–110.
  21. Shi, X., Ye, Y., & Zhang, Y. (2023). Financial fraud detection using graph neural networks: A comprehensive study. Journal of Financial Technology, *15*(2), 45–60.
  22. Takahashi, R., Nishimura, H., & Matsuda, K. (2025). A Graph Neural Network Model for Financial Fraud Prevention. Frontiers in Artificial Intelligence Research, 2(1).
  23. Velickovic, P., Cucurull, G., Casanova, A., Romero, A., Lio, P., & Bengio, Y. (2018). Graph attention networks. International Conference on Learning Representations (ICLR).
  24. Wang, C., Zhang, Y., & Liu, J. (2023). Heterogeneous Graph Attention Networks for Tax Evasion Detection. ACM Transactions on Knowledge Discovery from Data, *17*(4), 1–24.
  25. Wu, Z., Pan, S., Chen, F., Long, G., Zhang, C., & Yu, P. S. (2021). A comprehensive survey on graph neural networks. IEEE Transactions on Neural Networks and Learning Systems, *32*(1), 4–24.
  26. Zhang, S., Tong, H., Xu, J., & Maciejewski, R. (2019). Graph convolutional networks: A comprehensive review. Computational Social Networks, *6*(1), 1–23.
  27. Zhou, J., Cui, G., Hu, S., Zhang, Z., Yang, C., Liu, Z., ... & Sun, M. (2020). Graph neural networks: A review of methods and applications. AI Open, *1*, 57–81.