Hybrydowy model systemu ekspertowego do oceny podatników

• Authors: Ryszard Budziński , Leszek Misztal

Title variants

EN

Hybrid model of expert system for estimation of taxpayers

• Languages of publication: PL

Abstracts

PL

Proponowany model identyfikuje podatników na podstawie ich cech i właściwości, które wskazują na większą możliwość występowania problemów z przestrzeganiem prawa podatkowego. Eliminuje słabości występujące w znanych algorytmach zaliczających się do klasyfikatorów, jak również systemów wnioskujących oraz wspomagających typowanie stosowanych w administracji podatkowej. Jest to możliwe dzięki utworzeniu hybrydowego modelu, który dobrze odzwierciedla zachowania podatników. Model dzięki zastosowaniu nowoczesnych rozwiązań predysponuje do przyszłego utworzenia i uruchomienia w administracji bazującego na nim systemu ekspertowego.

EN

Proposed model identifies taxpayers on the basis of their features and properties that point to bigger possibility of taxation law observance problems. Model eliminates weaknesses of well known classification algorithms, as well as expert systems and taxpayers typing assists applications used wildly in tax offices. It is possible because of designing hybrid model that reflects well behavior of payers. Applying modern concepts in model predisposes it for future implementation of software solution that can be used in taxation administration.

Keywords

PL

klasyfikacja podatników; teoria zbiorów przybliżonych; rozmyta analiza skupień; metoda AHP; eksploracja danych

EN

taxpayers classification; rough set theory; fuzzy clustering; AHP method; data mining

• Publisher: Katedra Ekonometrii i Statystyki, Szkoła Główna Gospodarstwa Wiejskiego w Warszawie
• Journal: Metody Ilościowe w Badaniach Ekonomicznych
• Year: 2011
• Volume: 12
• Issue: 2
• Pages: 101-111

Dates

published

2011

Contributors

author

Ryszard Budziński

• Katedra Inżynierii Systemów Informacyjnych, Zachodniopomorski Uniwersytet Technologiczny w Szczecinie

author

Leszek Misztal

• Katedra Inżynierii Systemów Informacyjnych, Zachodniopomorski Uniwersytet Technologiczny w Szczecinie

References

• Bandyopadhyay S., Maulik U., Holder L. B, Cook D. J. (2005)Advanced Methods for Knowledge Discovery from Complex Data, Springer.
• Bazan J., Synak P., Wrobleski J. (2000) Rough Set Algorithms in Classification Problem, Springer.
• Becker J., Misztal L. (2010) Wielokryterialny model oceny podatników indywidualnych, Seria: Studia i Materiały Polskiego Stowarzyszenia Zarządzania Wiedzą nr 28, Bydgoszcz.
• Bezdek J.C., Dubois D., Prade H. (1999) Fuzzy sets In apprioximate resoning and information systems, Kluwer Academic.
• Budziński R., Misztal L. (2009) Wykorzystanie drzew decyzyjnych oraz ekstrakcji reguł w zadaniu klasyfikacji podatników, Polskie Stowarzyszenie Zarządzania Wiedzą, Bydgoszcz.
• Budziński R., Misztal L. (2009) Zastosowanie algorytmu maszyny wektorów wspierających do klasyfikacji podatników z wykorzystaniem bazy danych Oracle 11g, Polskie Stowarzyszenie Zarządzania Wiedzą, Bydgoszcz.
• COMARCH (2004) Wizja systemu ISKOS. Cross Industry Standard Process for Data Mining (2005), http://www.crisp-dm.org
• Drzymala-Busse J. (2006) Rough Set Strategies to Data with Missing Attribute Values, Springer.
• Duntsch I., Gediga G. (2000) Rough set data analysis, Methodos Publisher.
• Goch W. (2006) Typowanie podmiotów do kontroli w podsystemie KONTROLA, Białobrzegi.
• Han J., Kamber M. (2006) Data Mining: Concepts and Techniques second edition, Morgan Kaufmann Publishers.
• Hand D., Mannila H., Smith P. (2001) Principles of Data Mining, Massachusetts Institute of Technology.
• Jain K.A., Dubes C.R. (1988) Algorithms for clustering data, Prentice Hall.
• Lewis D., Gale W. (1994) Training text classifiers by uncertainty sampling, ACM SIGIR Conference.
• Michael W.Berry, Matu Castellanos (2008) Survey of text mining II clustering, classification and retrival, Springer.
• Ministerstwo Finansów (2010) Krajowy Plan Dyscypliny Podatkowej na 2010 rok.
• Misztal L. (2009) Applying Rough Sets for the Task of Rule Classification of Tax Payers, Advanced Computer Systems (PAK), Szczecin (Gliwice).
• Misztal L. (2009) Wykorzystanie naiwnego algorytmu Bayes’a w zadaniu klasyfikacji podatników, Kwartalnik Informatyki Stosowanej, Szczecin.
• Miyamoto S.,Ichihashi H., Honda K. (2008) Algorithms for fuzzy clustering, Springer.
• Pawlak Z. (1991) Rough Sets – Theoretical Aspects of Reasoning about Data, Kluwer Academic Publishers.
• Piegat A. (2006) Zbiory przybliżone – wykłady, Szczecin.
• Rogacka E., Janicki T.(2009) Opis tabel podsystemu KONTROLA wydanie 1.6.1, IS Wrocław.
• Saaty T.L. (1994) Fundamentals of Decision Making and Priority Theory with the analytic hierarchy process, Pittsburgh, PA RWS Publications.
• Schoelkopf B., Smola A.J. (2002) Learning with kernels, Support Vector Machines, Regularization, Optimization, and Beyond, The MIT Press.
• SPSS (2004) Clementine Data Mining Project.
• Triantaphyllou E., Felici G.(2006) Data Mining & Knowledge Discovery based in Rule Induction, Springer Science.
• Vercellis C. (2009) Business intelligence – data mining and optimization for decision making, Wiley.
• Witten I.H., Eibe Frank (2005) Data Mining Practical Machine Learning Tools and Techniques, Morgan Kaufmann.
• Xie L.X., Beni G. (1991) A validity measure for fuzzy clustering, IEEE Transactions.
• Yao J., Dash M., Tan S.T., Liu H. (2000) Entropy-based fuzzy clustering and fuzzy modeling, Fuzzy Sets and Systems.
• Zabicka K. (2003) Poradnik użytkownika aplikacji KONTROLA, IS Wrocław OZ Bielsko-Biała.
• Zespół projektowy KONTROLA (2009) Podręcznik użytkownika aplikacji POLTAX KONTROLA, IS Wrocław.