杨叶坤，刘东华，陈仕鸿

(1.广东金融学院，广东 广州 510521；2.广东外语外贸大学，广东 广州 510006)

税务稽查是税务机关对纳税人进行检查监督的合法行为，是打击偷税漏税行为、保障国家税收秩序的根本［1］。但是，当前稽查案件的确定主要通过人工筛选、群众举报或上级交办，稽查对象的选择一直依靠稽查人员的主观经验来判断，缺乏科学有效的方法来替代人工选案，明显暴露了选案职能的不规范性，根本无法有效应对层出不穷的偷逃税手法，较高的稽查成本往往换来较低的稽查效果。随着信息科学的快速发展，税务稽查数据被不断挖掘、整理和完善，机器学习和算法应用在税务稽查领域不断推广，使基于机器学习的税务稽查选案系统在稽查工作中发挥着越来越明显的作用。为了不断提高税务稽查工作的效率，众多学者纷纷对稽查选案的模型方法进行了很多有益的研究：文献［2］采用二分类Logistic 回归分析方法；文献［3］采用决策树的方法进行分类；文献［4］采用自组织特征映射(SOM)神经网络的方法，进行无指导分类；文献［5］认为采用基于支持向量机(SVM)与自组织特征映射(SOM)神经网络相结合的方法可以优化稽查选案环节；文献［6］主张通过改进型K-均值聚类算法对稽查选案进行科学的分类。

本研究基于BP 神经网络的基本原理，将BP神经网络算法用于稽查选案环节，并与二分类Logistic 回归分析方法的结果进行了策略的比较，以期提高选案工作的准确度，为税务稽查工作的科学选案提供些许参考。……