綜合所得稅為國家稅捐中主要稅源之一，其每年近500萬申報案件之查核係採逐案普查而非選案查核，在稽徵機關查審人力不足情況下，如能找出一種可行又有效之選案模式，縮短作業流程，將能減輕查審人員工作負荷，提升工作效率。本研究嘗試以類神經網路來建構綜合所得稅選案查核模式，並找出影響綜合所得稅逃漏稅之因素。同時以財政部臺灣省南區國稅局臺南市分局綜合所得稅申報資料及查核核定資料加以分析過濾。經資料前置處理後，建立倒傳遞網路模式之訓練資料及測試資料，並透過學習驗證，以找出最佳綜合所得稅選案模式。為使選案模式具最佳效能且找出具影響逃漏稅因素，先以排除法、皮爾森係數法及訪談稅務專家等方式篩選輸入變數，建構出4種預測分類模式，每一預測分類模式均分別以不同資料正規化區間、隠藏層神經元數、學習演算法及轉換函數等網路學習條件，並進行多次各16種組合測試，以挑選出最佳網路架構及適當之學習演算法與轉換函數。研究結果顯示，以稅務專家選定之「申報所得淨額」、「申報應納稅額」、「申報投資抵減稅額」、「扣繳稅額合計」、「申報退稅額」、「申報自繳稅額」、「捐贈扣除額」及「醫藥生育費扣除額」等8個輸入變數預測分類結果最佳，網路架構為3層：輸入層8個神經元、隠藏層5個神經元、輸出層1個神經元，學習演算法：Delta Rule，轉換函數：雙彎曲函數。實證分析發現分類正確率可達87%，因此本研究提供一個有效綜合所得稅選案模式之雛型，稽徵機關可作為選案之參考。

none

中文部分
林坤淵，2002。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。
財政部統計處，2003。賦稅統計年報。
財政部，2003。稅法輯要。
財政部，2002。綜合所得稅結算申報查核實務，財政部各地區國稅局國稅查核技術手冊。
財政部，2000。綜合所得稅結算申報異常案件查核實務，財政部各地區國稅局國稅查核技術手冊。
財政部，1992。漏稅查緝查核實務，財政部各地區國稅局國稅查核技術手冊。
黃聰明，1992。自動化知識擷取－神經網路於稅務查核之應用，國立台灣大學商學研究所碩士論文。
陳彥文，2003。類神經網路之應用－以營業稅選案模型為例，銘傳大學資訊管理研究所碩士論文。
葉怡成，2001。類神經網路模式應用與實作，儒林圖書有限公司。
楊永欽，2002。預測模型在稅務選案上之比較，靜宜大學會計學研究所碩士論文。
劉興浚，2002。類神經網路在稅務稽核選案模式之應用，元智大學管理研究所碩士論文。
盧欽滄，1993。租稅詐欺與間接證明法，凱侖出版社。
羅華強，2001。類神經網路─MATLAB的應用，清蔚科技股份有限公司。
英文部分
Adam, F. and Lin,.C. H., 2001. An analysis of the applications of neural networks in finance. INFORMS, electronic ISSN 1526-551X,Interfaces 31:4 July-August 2001, pp112-122.
Chris, B., 2001. Give credit where credit is due. November 29, 2001.
Cooper, R. O. and Schindler, P. S., 2001. Bussiness Research Methods seventh edition. Irwin/Mc Graw-Hill, New York.
Creput, J. C. and Caron, A., 1999. A neural network model to index medical images, Journal of Biological Systems. Vol. 7, No. 1, pp45-51.
Greg, M., 2001. To Catch A Thief. Credit Union Management, Jan2001, Vol. 24 Issue 1, p48, 4p, 1c.
Haykin, S., 1999. Neural Network: A Comprehensive Foundation. Second Edition, Prentice Hall, Englewood Cliffs, NJ.
Hunter, W. J. and Nelson M. A. , 1996. An IRS production function. National Tax Journal, 49, pp. 105-115.
Johann, S. and Stacy, N., 2002. Toward V&V of neural network based controllers. ISBN: 1581136099, pp. 67-72.
Kiernan, V., 1994. Weapons scientists finger tax fiddlers. New Scientist, Vol.142 Issue 1922,p5.
King, D., Lyons, W. B., Flanagan, C. and Lewis E., 2004. Signal processing technique utilising fourier transform methods and Artificial Neural Network pattern recognition for interpreting complex data from a multipoint optical fibre sensor system. ISBN: 8-999-99999-9, pp. 1-6.
Lim, W. P. and Siti, M. S., 2004. 3D object reconstruction and representationusing neural networks. ISBN: 1-58113-883-0, pp. 139-147.
Littlewood, D. J., Drakopoulos, P. A. and Subbarayan, G., 2002. Pareto-optimal formulations for cost versus colorimetic accuracy trade-offs in printer color management. ISSN: 0730-0301, pp. 132-175.
Madrid, 2004. Improvement of TAX and customs control techniques in the Spanish public TAX administration (AGENCIA TRIBUTARIA). Meeting with European UNION TAX officials, April 2004.
McCluskey, W. J. and Borst, R. A., 1997. An evaluation of MRA, comparable sales analysis, and ANNs. Assessment Journal, Jan/Feb97, Vol. 4 Issue 1, p47, 9p, 9 charts.
Olcay, B., 2002. Extracting decision trees from trained neural network. ISBN:1-58113-567-X, pp. 456-461.
Rebecca C.W., 1997. Neural network models : Foundations and applications to an audit decision problem. Annals of Operation Research 75 (1997) 291-301.
Shengke, Y., Marianne, W., Jonghyun, L. and Xiaosong, M. 2002. Automatic and portable performance modeling for parallel I/O: a machine-learning approach. ISBN:0163-5999, pp. 3-5.
Stewart, R.and Thanos, A., 2001. Using simulation and neural networks to develop a scheduling advisor. ISBN: 0-7803-7309-X, pp. 954-958.
Webley, P., M. and Eidjar O., 2001. The prediction of self-reported and hypothetical tax-evasion: evidence from England, France and Norway Journal of Economic Psychology, 22, pp. 141-155.
Zurada, J. M., 1992. Introduction to Artificial Neural Systems, West Publishing Company, USA.