基于直觉模糊集的纳税人利益关联度评估方法

摘要

本发明提出了一种基于直觉模糊集的纳税人利益关联度评估方法，根据纳税人之间的各类税务数据，包括发票、商品交易、所有权占比等，评估纳税人之间的利益关联程度。该方法将纳税人之间的各类税务数据作为量测数据，根据量测数据自身分布规律进行等级划分；计算各量测数据所属的等级，以及对应的隶属度值和非隶属度值，构造量测数据的直觉模糊集；采用基于Einstein操作的直觉模糊集融合方法对量测数据进行融合计算，得到纳税人利益关联度的直觉模糊集，评估纳税人之间的利益关联程度。本发明能够很好地处理多样的和异构的税务数据，将多样异构的税务数据归一化后进行融合，且不要求多个税务指标数据之间相互独立，具有广阔的适用范围。

主权项

基于直觉模糊集的纳税人利益关联度评估方法，其特征在于，包括如下步骤：1)、根据输入的纳税人之间的各类税务数据，计算各个利益关联指标的取值范围，采集已有评估纳税人利益关联度的等级数量，根据各项利益关联指标的范围和分布，划分等级并确定不同等级的取值范围；2)、根据利益关联指标与纳税人利益关联度的相关性，确定纳税人间各利益关联指标的量测数据所对应的等级；计算纳税人间各利益关联指标的量测数据的隶属度值和非隶属度值，构造量测数据的直觉模糊集；3)、采用基于Einstein操作的直觉模糊集融合方法对量测数据进行融合计算，得到纳税人利益关联度的直觉模糊集；步骤1)中计算n个利益关联指标的取值范围的方法为：根据输入的纳税人之间的各类税务数据，令第i个利益关联指标的取值范围为[L_i,H_i]，其中L_i为采集的样本数据中的最小值，H_i为采集的样本数据中的最大值；i＝1,2,...,n；步骤1)中采集已有评估纳税人利益关联度的等级数量m；令包含m个评估等级的集合G为：G＝{G₀,G₁,...,G_m‑1}，G₀表示最低等级，G_m‑1表示最高等级；步骤1)中根据利益关联指标的范围和分布，将第i个利益关联指标的取值范围划分等级的方法为：根据评估等级集合G的元素个数m，将第i个利益关联指标的取值范围区间[L_i,H_i]平均划分为m个子区间；令第i个利益关联指标的第j个子区间为δ_i,j＝[l_i,j,h_i,j]，其中，j＝0,1,...,m‑1，l_i,j是第j个子区间的下界，且$l_{i,j}=L_i+\frac{H_i-L_i}{m}·j,$h_i,j是第j个子区间的上界，且$h_{i,j}=L_i+\frac{H_i-L_i}{m}·(j+1);$步骤2)中确定纳税人间各利益关联指标的量测数据所对应的等级的方法为：a、对于第i个利益关联指标，若该利益关联指标与纳税人利益关联度有正相关的关系，则该利益关联指标的第j个子区间δ_i,j＝[l_i,j,h_i,j]对应评估等级G中的G_j等级；b、对于第i个利益关联指标，若该利益关联指标与纳税人利益关联度有负相关的关系，则该利益关联指标的第j个子区间δ_i,j＝[l_i,j,h_i,j]对应评估等级G中的G_m‑1‑j等级；步骤2)中计算各利益关联指标的量测数据的隶属度值和非隶属度值的方法为：令函数Rounddown(x,k)为舍去x小数点k位后的数字，第i个利益关联指标与纳税人利益关联度有正相关关系时，令和分别为该利益关联指标的隶属度函数和非隶属度函数；第i个利益关联指标与纳税人利益关联度有负相关关系时，令和分别为该利益关联指标的隶属度函数和非隶属度函数，具体如下：a、第i个利益关联指标与纳税人利益关联度有正相关关系时，若x∈[l_i,j,h_i,j]，x对应评估等级G中的G_j等级，隶属度函数${\mu }_i^{+}\left(x\right)=Rounddown(\frac{j}{m},k)+Rounddown(\frac{x-l_{i,j}}{(h_{i,j}-l_{i,j})·m},k);$b、第i个利益关联指标与纳税人利益关联度有正相关关系时，若x∈[l_i,j,h_i,j]，x对应评估等级G中的G_j等级，非隶属度函数$v_i^{+}\left(x\right)=Rounddown(\frac{m-1-j}{m},k)+Rounddown(\frac{h_{i,j}-x}{(h_{i,j}-l_{i,j})·m},k);$c、第i个利益关联指标与纳税人利益关联度有负相关关系时，若x∈[l_i,j,h_i,j]，x对应评估等级G中的G_m‑1‑j等级，隶属度函数为${\mu }_i^{-}\left(x\right)=Rounddown(\frac{m-1-j}{m},k)+Rounddown(\frac{h_{i,j}-x}{(h_{i,j}-l_{i,j})·m},k);$d、第i个利益关联指标与纳税人利益关联度有负相关关系时，若x∈[l_i,j,h_i,j]，x对应评估等级G中的G_m‑1‑j等级，非隶属度函数为$v_i^{-}\left(x\right)=Rounddown(\frac{j}{m},k)+Rounddown(\frac{x-l_{i,j}}{(h_{i,j}-l_{i,j})·m},k);$步骤2)中构造量测数据的直觉模糊集的方法为：令第i个利益关联指标的量测数据为x，当该利益关联指标与纳税人利益关联度为正相关关系时，x的直觉模糊集为当该利益关联指标与纳税人利益关联度为负相关关系时，x的直觉模糊集为步骤3)中基于Einstein操作的直觉模糊集融合方法为：令α_i＝(μ_i,v_i)为第i个利益关联指标的量测数据x_i的直觉模糊集，ω＝(ω₁,ω₂...,ω_n)^T是n个利益关联指标的权重向量，并且ω_i∈[0,1]，则此n个利益关联指标的直觉模糊集融合后的结果为具体描述如下：${\mathrm{IFWA}}_{\omega }^{ϵ}({\alpha }_1,{\alpha }_2,...,{\alpha }_n)=(\frac{{\Pi }_{i=1}^n{(1+{\mu }_i)}^{{\omega }_i}-{\Pi }_{i=1}^n{(1-{\mu }_i)}^{{\omega }_i}}{{\Pi }_{i=1}^n{(1+{\mu }_i)}^{{\omega }_i}+{\Pi }_{i=1}^n{(1-{\mu }_i)}^{{\omega }_i}},\frac{2·{\Pi }_{i=1}^n{v}_i^{{\omega }_i}}{{\Pi }_{i=1}^n{(2-v_i)}^{{\omega }_i}+{\Pi }_{i=1}^n{v}_i^{{\omega }_i}}).$