財政資訊中心提供全國去識別化之報稅資訊給需求單位申請，其中會計師簽證、普通申報等營所稅申報類別皆可能發生逃漏稅行為，但由於稽核人力有限，再加上稽徵機關過往較難產生合理懷疑之抽查理由，因而本研究希望利用資訊科技開發一套稽核模式，並產生抽查名目及重點抽查項目，協助國稅局進行稽核。
經評估比較曾應用於營所稅稽核之4種演算法後，決定選用貝氏網路(Bayesian Network)建立稽核預測模型。以全國100年至102年被國稅局抽查到之案件建構全國稽核預測模型；也依行業、縣市分別建立39種分類稽核預測模型，並找出6項能辨別是否需補稅之變數。運用全國103年被國稅局抽查到之案件套入全國稽核預測模型進行驗證後準確度達87.2%。再將102、103年之預估補稅金額逐一加總進行驗證後，誤差率皆低於10%。 
將全國104年申報案件套入模型依預估補稅金額大小排序挑選出前0.1%之案件，配合分類模型產出精準化抽查名單共531件，預估帶來約117億元稅收，平均每件約2,100萬元，並針對個別案件產出建議重點項目抽查順序供國稅局參考。

Fiscal Information Agency provides the nationwide de-identification tax-related information to units to apply. Enterprise income tax evasion may occur in the declarations of Certified Public Accountants, ordinary declaration, expanded paper review, and others. The purpose of the study was to use information technology to assist National Taxation Bureau under limited resources to do the auditing efficiently by developing auditing models and find a legitimate reason for auditing. 
This study uses Bayesian Network Algorithm to build the model after comparing to 4 Algorithms applied to tax-auditing of enterprise income tax. The study uses the cases declared between 2011 and 2013 as training data to build the nationwide auditing model and we also find 6 statistically significant attributes. In addition, according to company’s industry and location, 39 classified models were built separately. Then we put the cases declared in 2014 as the testing data into the model to check the accuracy of model, and the accuracy rate is 87.2 %. The predicted sum of tax repayment error ratio of cases in 2013 and 2014 is below 10%. 
We put the cases declared in 2014 into model, sort the predicted value of repayment in descending order and select top 0.1% as the model precision is close to 90%. Combined with 39 classified models, we could output a more precise checklist of potential tax-evasion companies(531 cases),which is estimated to bring 11.7 billion of tax repayment. (an average of 210 million per case). Besides, according to single cases, we provide key checking items for National Taxation Bureau to prioritize the auditing process.

目錄
論文提要內容	II
Abstract	III
壹、緒論	1
一、研究背景	1
二、研究動機	1
三、研究目的	2
四、研究步驟	3
貳、文獻探討	4
一、我國現行營所稅申報類別	4
二、我國營所稅抽查要點及選案原則	7
三、營所稅常見逃漏稅型態	10
四、貝氏網路介紹	12
五、營所稅稽核之相關參考文獻	18
參、研究方法	20
一、變數選擇	20
二、預測方法	28
三、資料前置處理	31
四、研究設計	33
肆、實證研究	34
一、研究範圍及流程	34
二、國稅局近四年抽查績效	36
三、樣本篩選	37
四、訓練樣本相關補稅案件統計	38
五、建立預測模型	41
伍、結論與建議	52
一、結論	52
二、建議	53
參考文獻	54
附錄一：最大補稅金額前十名統計表	59
附錄二：前兩年是否被抽查及是否需補稅狀況統計表	63
附錄三：相關係數矩陣表	72

 
圖目錄
圖1-1：研究步驟圖	3
圖2-1：我國104年營所稅申報案件樹狀圖	4
圖2-2：貝氏網路架構圖範例圖	15
圖2-3：貝氏網路架構圖範例加上機率表	15
圖3-1：本研究資料前置處理示意圖	31
圖3-2：硬體示意圖	33
圖4-1：研究實作流程圖	35
圖4-2：變數初步篩選過程圖	41
圖4-3：變數二次篩選過程圖	42
圖4-4：本研究貝氏網路架構圖	44



 
表目錄
表2-1：規定採用會計師簽證適用對象表	6
表2-2：104年度全國營所稅結算申報統計表	6
表2-3：假設之範例歷史資料表	14
表2-4：貝氏網路應用於各領域之研究比較表	16
表2-5：營所稅稽核之相關參考文獻比較表	18
表3-1：目標變數分類基準表	20
表3-2：本研究變數總表	21
表3-3：本研究變數與參考文獻變數比較表	25
表3-4：本研究變數在參考文獻使用次數統計表	27
表3-5：本研究分類之模糊矩陣架構表	29
表3-6：本研究資料前置處理說明表	32
表4-1：各年度全國營所稅申報案件統計表	35
表4-2：近四年全國國稅局營所稅抽查績效表	36
表4-3：100年度至104年度樣本前置處理步驟	37
表4-4：依不同方式區分之平均補稅金額排名統計總表	38
表4-5：依不同方式區分之各項比率排名表	39
表4-6：變數篩選表	42
表4-7：貝氏網路參數調整實驗表	43
表4-8：分類演算法比較表	44
表4-9：貝氏網路驗證方式比較表	45
表4-10：全國103年驗證樣本單一預估補稅案件誤差表	46
表4-11：102年度(第二波)預估抽查績效表	46
表4-12：104年度預估抽查績效表	47
表4-13：分類模型準確度表	48
表4-14：精準化抽查名單各縣市分佈表	48
表4-15：104年度範例某X公司建議重點項目抽查順序範例表	50

1.田佳儒(2016)，電子商務與大數據在壽險應用之研究，淡江大學保險學系研究所碩士專班論文。
2.曾彥儒(2009)，設計錯誤驅動式之個人化非刻意語言學習機制：以電影為例，淡江大學資訊工程學系研究所碩士論文。
3.謝金育(2013)，結合貝氏網路與激勵理論之推薦機制- 電影推薦系統設計，國立交通大學資訊管理學系研究所碩士論文。
4.楊志輝(2011)，運用貝氏網路於商品推薦之研究，碩士論文，國立屏東科技大學資訊管理系研究所。
5.李依蓉(2016)，資料探勘於評估股權投資項目應用之研究，銘傳大學資訊工程學系研究所碩士論文。
6.陳彥文(2006)，應用類神經網路於營業稅逃漏稅預測模式之建構，銘傳大學資訊管理學系研究所碩士論文。
7.李依蓉(2016)，資料探勘於評估股權投資項目應用之研究，銘傳大學資訊工程學系研究所碩士論文。
8.呂瑞芳(2015)，擴大書面審核申報方式;營利事業所得稅;逃漏稅捐，國立高雄應用科技大學會計系碩士在職碩士專班論文。
9.吳慶輝(2005)，資料探勘技術於營利事業所得稅逃漏稅選查之應用，國立中正大學會計與資訊科技研究所碩士論文。
10.邱志恆(2010)，最佳指標相對應ROC曲線之統計推論，國立臺灣大學數學研究所碩士論文。
11.林坤淵(2001)，營利事業所得稅逃漏稅預測模式之比較研究，國立交通大學經營管理研究所碩士論文。
12.林惠英(2006)，應用資料探勘技術於營業稅逃漏稅選案之研究，國立中正大學會計與資訊科技研究所碩士論文。
13.孟德成(2002)，營利事業所得稅選案調查模型之建立-類神經網路之應用，國立臺灣大學會計系研究所碩士論文。
14.施肇華(2002)，我國營利事業所得稅查核方式暨一般逃漏稅查緝方法之研究，中原大學會計學系研究所碩士論文。
15.洪士程、許方玫(2016)，『決策樹於國小教師工作滿意度之研究』，資訊科技國際期刊，第十卷，第一期：51~58頁。
16.胡秀杏(1986)，營利事業所得稅逃漏行為之研究，國立台灣大學商學研究所碩士論文。
17.胡錦康(2001)，我國營利事業所得稅稅負之研究，義守大學管理研究所碩士論文。
18.袁梅宇，2015，WEKA機器學習與大數據聖經(第2版)，台灣：佳魁資訊圖書公司。
19.郭念親，(2016)，企業特性對逃漏營利事業所得稅之影響. ─以臺灣中小企業為例，東吳大學會計系研究所碩士論文。
20.張凱翔(2015)，使用K-means與貝氏網路偵測遊戲外掛，國立臺北大學資訊工程研究所碩士論文。
21.連子建(2012)，結合混合型離散化和挑選簡易貝氏特徵選取來改善簡易貝氏分類器正確率之方法，國立成功大學資管系研究所碩士論文。
22.許育文、黃志強、林婉玉、余金燕、吳宜樺(2013)，『應用模糊理論於醫院門診服務品質滿意度評比』，大仁學報，第四十三期：63~79頁。
23.曾彥儒(2009)，『設計錯誤驅動式之個人化非刻意語言學習機制：以電影為例』。淡江大學資訊工程學系研究所碩士論文。
24.黃美祝、林世銘(2009)，『國稅局選案查核與企業租稅逃漏之探討』，會計評論，第48期：35~66頁。
25.黃寶環(2009)，營利事業所得稅結算申報案件運用電腦選案查核之研究，中原大學會計系研究所碩士論文。
26.黄文、王正林，(2016)，利用R語言打通大數據的經脈(第2版)。台灣：佳魁資訊圖書公司。
27.楊乃玉、鄭瓊茹(2012)，『藉由貝氏屬性挑選法改善簡易貝氏分類器處理連續型態資料之效能』，工程科技與教育學刊，第九卷，第二期：197~203頁。
28.劉佩芬(2002)，運用決策樹於營利事業所得稅結算申報書選案查核之研究，國立臺灣大學會計系研究所碩士論文。
29.劉羣冠(2016)，基於貝氏網路之圖書推薦系統，淡江大學資管系研究所碩士論文。
30.劉哲勳(2015)，基於貝氏推論之新制Android惡意程式偵測，國立台灣大學電機工程系碩士論文。
31.蔡孟娟(2005)，決策樹法在垃圾郵件過濾之應用，淡江大學統計學系應用統計學研究所碩士論文。
32.謝金育(2013)，結合貝氏網路與激勵理論之推薦機制- 電影推薦系統設計，國立交通大學資訊管理學系研究所碩士論文。
33.謝佩佩（2013），貝氏分類法於營利事業所得稅查核之應用，國立成功大學工業與資訊管理學系研究所碩士專班論文。
34.Boudali, H. and Dugan, J. B., 2005, “A discrete-time Bayesian network reliability modeling and analysis framework,” Reliability Engineering and System Safety, Vol. 87, No. 3, pp. 337-349.
35.Cooper, G.F. and Herskovits, E., 1992, ‘‘A Bayesian method for the induction of probabilistic networks from data,’’ Machine Learning, Vol. 9, No. 4, pp. 309-347.
36.Heckerman, David, 1995, “A Tutorial on Learning With Bayesian Network”, Technical Report MSR-TR-95-06, Microsoft Research, Microsoft Corporation, pp. 301-354.
37.Heckerman, D. and M. P. Wellman, 1995, ‘‘Bayesian networks,’’ Communications of the ACM, Vol. 38, No. 3, pp. 27-31.
38.Judea, P., 1988, BAYESIAN NETWORK, Los Angeles: University of California Press. 
39.Karl Pearson, 1985, ‘‘Notes on regression and inheritance in the case of two parents,’’ Proceedings of the Royal Society of London, Vol 58, pp. 240–242.
40.Loukas, Tsironis, Nikos, Bilalis, and VassilisMoustakis, 2005, “Using machine learning to support quality management: Framework and experimental investigation,” The TQM Magazine, Vol. 17, No. 3, pp. 237-249.
41.Martin, J. E., Matias, J. M., Rivas, T., and Taboada, J., 2008, “A machine learning methodology for the analysis of workplace accidents,” International Journal of Computer Mathematics, Vol. 85, No. 3, pp. 559-578.
42.Marcot, B. C., Holthausen, R. S., Raphael, M. G., Rowland, M. M., and Wisdom, M. J., 2001, “Using Bayesian belief networks to evaluate fish and wildlife population viability  under  management  alternatives  from  an environmental impact statement,” Forest Ecology and Management, Vol. 153, No. 1-3, pp. 29-42.
43.Singh, M. and Macro, V., 1995, “Construction of Bayesian Network Structures from Data: A Brief Survey and an Efficient Algorithm,” International Journal of Approximate Reasoning, Vol. 12, pp. 111-131.
44.財政部財政資訊中心(2014)，103年度營利事業所得稅結算申報案件收件統計表，http://www.fia.gov.tw/public/Attachment/56159133071.pdf(存取日期2016/11/12)。