Zobrazit minimální záznam
dc.contributor.author |
Abedin, Mohammad Zoynul
|
|
dc.contributor.author |
Chi, Guotai
|
|
dc.contributor.author |
Uddin, Mohammed Mohi
|
|
dc.contributor.author |
Satu, Md Shahriare
|
|
dc.contributor.author |
Khan, Imran
|
|
dc.contributor.author |
Hájek, Petr
|
|
dc.date.accessioned |
2022-06-03T12:29:25Z |
|
dc.date.available |
2022-06-03T12:29:25Z |
|
dc.date.issued |
2021 |
|
dc.identifier.issn |
2169-3536 |
|
dc.identifier.uri |
https://hdl.handle.net/10195/79305 |
|
dc.description.abstract |
This study proposes to address the economic significance of unpaid taxes by using an automatic system for predicting a tax default. Too little attention has been paid to tax default prediction in the past. Moreover, existing approaches tend to apply conventional statistical methods rather than advanced data analytic approaches, including state-of-the-art machine learning methods. Therefore, existing studies cannot effectively detect tax default information in real-world financial data because they fail to take into account the appropriate data transformations and nonlinear relationships between early-warning financial indicators and tax default behavior. To overcome these problems, this study applies diverse feature transformation techniques and state-of-the-art machine learning approaches. The proposed prediction system is validated by using a dataset showing tax defaults and non-defaults at Finnish limited liability firms. Our findings provide evidence for a major role of feature transformation, such as logarithmic and square-root transformation, in improving the performance of tax default prediction. We also show that extreme gradient boosting and the systematically developed forest of multiple decision trees outperform other machine learning methods in terms of accuracy and other classification performance measures. We show that the equity ratio, liquidity ratio, and debt-to-sales ratio are the most important indicators of tax defaults for 1-year-ahead predictions. Therefore, this study highlights the essential role of well-designed tax default prediction systems, which require a combination of feature transformation and machine learning methods. The effective implementation of an automatic tax default prediction system has important implications for tax administration and can assist administrators in achieving feasible government expenditure allocations and revenue expansions. |
eng |
dc.format |
p. 19864-19881 |
eng |
dc.language.iso |
eng |
|
dc.publisher |
IEEE (Institute of Electrical and Electronics Engineers) |
eng |
dc.relation.ispartof |
IEEE ACCESS, volume 9, issue: 29.12.2020 |
eng |
dc.rights |
open access |
eng |
dc.rights.uri |
https://creativecommons.org/licenses/by/4.0/ |
|
dc.subject |
finance |
eng |
dc.subject |
data analysis |
eng |
dc.subject |
machine learning |
eng |
dc.subject |
predictive models |
eng |
dc.subject |
feature extraction |
eng |
dc.subject |
economics |
eng |
dc.subject |
support vector machines |
eng |
dc.subject |
default prediction |
eng |
dc.subject |
corporate tax |
eng |
dc.subject |
machine learning |
eng |
dc.subject |
feature transformation |
eng |
dc.title |
Tax default prediction using feature transformation-based machine learning |
eng |
dc.title.alternative |
Predikce nesplácení daní pomocí strojového učení založeného na transformaci atributů |
cze |
dc.type |
article |
eng |
dc.description.abstract-translated |
Tato studie navrhuje řešit ekonomický význam nezaplacených daní pomocí automatického systému pro predikci nesplácení daní. Predikce daňové neschopnosti byla v minulosti věnována příliš malá pozornost. Stávající přístupy navíc spíše používají konvenční statistické metody než pokročilé přístupy analýzy dat, včetně nejmodernějších metod strojového učení. Stávající studie proto nemohou účinně odhalit informace o daňovém selhání v reálných finančních datech, protože nezohledňují vhodné transformace dat a nelineární vztahy mezi finančními ukazateli včasného varování a chováním při daňovém selhání. K překonání těchto problémů používá tato studie různé techniky transformace atributů a nejmodernější přístupy strojového učení. Navrhovaný predikční systém je ověřen pomocí souboru dat zobrazujícího daňové selhání a neselhání u finských společností s ručením omezeným. Naše zjištění poskytují důkazy o významné roli transformace atributů, jako je logaritmická transformace a transformace s odmocninou, při zlepšování výkonnosti predikce daňového selhání. Ukazujeme také, že extrémní gradientní boosting a systematicky rozvíjený les vícenásobných rozhodovacích stromů překonávají ostatní metody strojového učení z hlediska přesnosti a dalších měřítek klasifikační výkonnosti. Ukazujeme, že poměr vlastního kapitálu, poměr likvidity a poměr dluhu k tržbám jsou nejdůležitějšími ukazateli daňového selhání pro předpověď na 1 rok dopředu. Tato studie proto zdůrazňuje zásadní roli dobře navržených systémů pro predikci daňových selhání, které vyžadují kombinaci transformace atributů a metod strojového učení. Efektivní implementace automatického systému predikce daňového selhání má důležité důsledky pro správu daní a může správcům pomoci při dosahování proveditelných alokací vládních výdajů a expanze příjmů. |
cze |
dc.peerreviewed |
yes |
eng |
dc.publicationstatus |
published version |
eng |
dc.identifier.doi |
10.1109/ACCESS.2020.3048018 |
|
dc.relation.publisherversion |
https://ieeexplore.ieee.org/document/9310180 |
|
dc.rights.licence |
CC BY 4.0 |
|
dc.project.ID |
GA19-15498S/Modelování emocí ve verbální a neverbální manažerské komunikaci pro predikci podnikových finančních rizik |
cze |
dc.identifier.wos |
000615028400001 |
|
dc.identifier.scopus |
2-s2.0-85099111620 |
|
dc.identifier.obd |
39886241 |
|
Tento záznam se objevuje v následujících kolekcích
Zobrazit minimální záznam
Kromě případů, kde je uvedeno jinak, licence tohoto záznamu je open access
|
Vyhledávání
Procházet
-
Vše v Digitální knihovně
-
Tato kolekce
Můj účet
|