Advertisement

Indicators for Smart Cities: Tax Illicit Analysis Through Data Mining

Conference paper
  • 239 Downloads
Part of the Advances in Intelligent Systems and Computing book series (AISC, volume 1245)

Abstract

The anomalies in the data coexist in the databases and in the non-traditional data that can be accessed and produced by a tax administration, whether these data are of internal or external origin. The analysis of certain anomalies in the data could lead to the discovery of patterns that respond to different causes, being able to evidence these causes certain illicit by taxpayers or acts of corruption when there is the connivance of the taxpayer with the public employee or public official. The purpose of this research is the theoretical development of the causal analysis of certain anomalies of tax data, demonstrating that the data mining methodology contributes to evidence of illicit and corrupt acts, through the application of certain algorithms.

Keywords

Data mining Anomalous data Algorithms Automatic learning Big data Noise 

References

  1. 1.
    Newton K, Norris P (2000) Confidence in public institutions, faith, culture and performance? In: Pharr SJ, Putnam RD (eds) Disaffected democracies Princeton. Princeton University Press, New Jersey, pp 52–73Google Scholar
  2. 2.
    León Medina FJ (2014) Mecanismos generadores de la confianza en la institución policial. Indret: Revista para el Análisis del Derecho 2:15–30Google Scholar
  3. 3.
    Liu B, Xu G, Xu Q, Zhang N (2012) Outlier detection data mining of tax based on cluster. In: 2012 international conference on medical physics and biomedical engineering (ICMPBE2012) 33 (Supplement C), pp 1689–1694.  https://doi.org/10.1016/j.phpro.2012.05.272
  4. 4.
    Malone MFT (2010)The verdict is in: the impact of crime on public trust in Central American Justice Systems. J Politics Lat Am 2:99–128Google Scholar
  5. 5.
    Bedoya Velasco ÁY, Rojas Cruz AE, Sandoval Rozo O (2019) El derecho a la defensa técnica en el proceso jurisdiccional de cobro coactivo adelantado por la dirección de impuestos y aduanas nacionales de colombiaGoogle Scholar
  6. 6.
    Bottia Rengifo, RE (2019) Apoyo en las actividades de los programas posconsumo en la coordinación de inventarios y almacén de la Unidad Administrativa Especial Dirección de Impuestos y Aduanas Nacionales (DIAN)Google Scholar
  7. 7.
    Lis-Gutiérrez JP, Reyna-Niño HE, Gaitán-Angulo M, Viloria A, Abril JES (2018) Hierarchical ascending classification: an application to contraband apprehensions in Colombia (2015–2016). In: International conference on data mining and big data, June 2018. Springer, Cham, pp 168–178Google Scholar
  8. 8.
    Amelec V, Carmen V (2015) Relationship between variables of performance social and financial of microfinance institutions. Adv Sci Lett 21(6):1931–1934CrossRefGoogle Scholar
  9. 9.
    Romero R, Milena S, Torres González B (2019) Núcleo de apoyo contable y fiscal, NAF convenio DIAN Universidad Cooperativa de Colombia-campus NeivaGoogle Scholar
  10. 10.
    Godoy Godoy DL, González Gómez LA (2019) Big data para la priorización de zonas de atención a emergencias causadas por inundaciones en Bogotá Colombia: uso de las redes socialesGoogle Scholar
  11. 11.
    Becerra G, Alurralde JPL (2017) Big data y Data mining. Un analisis crítico acerca de su significación para las ciencias psicosociales a partir de un estudio de caso. {PSOCIAL} 3(2):66–85Google Scholar
  12. 12.
    Magnani E (2017) Big data y política: El poder de los algoritmos. Nueva sociedad, (269)Google Scholar
  13. 13.
    Segovia C, Haye A, González R, Manzi J (2008) Confianza en instituciones políticas en Chile: un modelo de los componentes centrales de juicios de confianza. Revista de Ciencia Política 28(2):39–60Google Scholar
  14. 14.
    Tankebe J (2008) Police effectiveness and police trustworthiness in Ghana: an empirical appraisal. Criminol Crim Justice 8:185–202CrossRefGoogle Scholar
  15. 15.
    DANE (2019) Proyecciones de Población [database]. DANE, BogotáGoogle Scholar
  16. 16.
    Rojas Nonzoque JD, Ramírez Barbosa N (2019) El Impuesto a la Renta y Complementarios en Colombia Desde el Punto de Vista del Contribuyente Persona Natural, Ley 1819 De 2016Google Scholar
  17. 17.
    Demsar J, Curk T, Erjavec A, Gorup C, Hocevar T, Milutinovic M, Mozina M, Polajnar M, Toplak M, Staric A, Stajdohar M, Umek L, Zagar L, Zbontar J, Zitnik M, Zupan B (2013) Orange: data mining toolbox in python. J Mach Learn Res 14(Aug):2349–2353Google Scholar
  18. 18.
    Viloria A, Neira-Rodado D, Pineda Lezama OB (2019) Recovery of scientific data using intelligent distributed data warehouse. ANT/EDI40 2019:1249–1254Google Scholar
  19. 19.
    Tarazona LTA, Gómez YH, Granados CM (2019) Caracterización y creación del manual de los procesos y procedimientos de importación de gráneles sólidos en el puerto marítimo de Buenaventura ColombiaGoogle Scholar
  20. 20.
    Vargas D, Lineht L, Santis Criado AC (2019) Aplicación de las disposiciones tributarias actuales en las entidades sin ánimo de lucro en Colombia respecto al impuesto de renta y complementariosGoogle Scholar

Copyright information

© Springer Nature Singapore Pte Ltd. 2021

Authors and Affiliations

  1. 1.Universidad de la CostaBarranquillaColombia
  2. 2.Corporación Universitaria Minuto de Dios. UNIMINUTOBarranquillaColombia
  3. 3.Universidad Simón BolívarBarranquillaColombia

Personalised recommendations