DATA SCIENCE TEXNOLOGIYALARINING SOLIQ MA’MURCHILIGINI TAKOMILLASHTIRISHDAGI O’RNI VA ISTIQBOLLARI
Keywords:
Data Science, soliq ma’murligi, Machine Learning, sun’iy intellekt, Big Data, Predictive Analytics, risk menejment, soliqdan bo’yin tovlash, raqamli transformatsiya, soliq nazorati, algoritm, O’zbekiston soliq tizimi, xalqaro tajriba, elektron hukumat, soliq deklaratsiyasiAbstract
Ushbu tadqiqot Data Science texnologiyalarining soliq ma’murchiligini modernizatsiya qilishdagi nazariy va amaliy ahamiyatini kompleks tarzda o’rganishga bag’ishlangan. Tadqiqotda sun’iy intellekt, Machine Learning algoritmlari, Big Data tahlili va Predictive Analytics kabi zamonaviy texnologiyalarning soliq tizimiga integratsiyasi, ularning soliq nazorati samaradorligini oshirish, soliqdan bo’yin tovlash holatlarini aniqlash hamda soliq risklarini boshqarishdagi imkoniyatlari ilmiy asosda tahlil etiladi. Qiyosiy metodologiya asosida AQSh, Buyuk Britaniya, Estoniya, Singapur va Janubiy Koreya kabi davlatlarning ilg’or tajribasi o’rganildi va O’zbekiston soliq tizimi bilan solishtirildi. Tadqiqot shuni ko’rsatadiki, Machine Learning algoritmlarini qo’llagan davlatlarda soliq devonini aniqlash darajasi 25-40% ga oshgan, ma’muriy xarajatlar esa 15-30% ga kamaygan. O’zbekistonda "Soliq-2024" tizimi va elektron deklaratsiya tizimining joriy etilishi ijobiy qadam bo’lsa-da, Data Science imkoniyatlaridan to’liq foydalanilmayotganligi aniqlandi. Tadqiqot natijalari asosida O’zbekiston soliq ma’murchiligini raqamli transformatsiya yo’li bilan takomillashtirish bo’yicha konkret taklif va tavsiyalar ishlab chiqildi. Maqola soliq sohasidagi tadqiqotchilar, siyosatchilar va amaliyotchilar uchun muhim ilmiy manba sifatida xizmat qiladi.References
1. Abdallah, A., Maarof, M. A., & Zainal, A. (2016). Fraud detection system:
A survey. Journal of Network and Computer Applications, 68, 90–113.
2. Allingham, M. G., & Sandmo, A. (1972). Income tax evasion: A
theoretical analysis. Journal of Public Economics, 1(3-4), 323–338.
3. Donoho, D. (2017). 50 years of data science. Journal of Computational
and Graphical Statistics, 26(4), 745–766.
4. Kleven, H. J., Knudsen, M. B., Kreiner, C. T., Pedersen, S., & Saez, E.
(2011). Unwilling or unable to cheat? Evidence from a tax audit experiment in
Denmark. Econometrica, 79(3), 651–692.
5. Lijphart, A. (1971). Comparative politics and the comparative method.
American Political Science Review, 65(3), 682–693.
6. Osei-Bryson, K. M., & Ngwenyama, O. K. (2021). Tax administration
and artificial intelligence: A framework for decision support. Government Information
Quarterly, 38(3), 101585.
7. OECD. (2023). Tax Administration 2023: Comparative Information on
OECD and Other Advanced and Emerging Economies. OECD Publishing.
8. IMF. (2022). Tax Administration Diagnostic Assessment Tool (TADAT):
Performance Assessment Report. IMF Fiscal Affairs Department.
9. O‘zbekiston Respublikasi Prezidentining 2020-yil 28-noyabrdagi PQ4868-son Qarori. O‘zbekiston Soliq Qo‘mitasining vazifalari va faoliyatini
takomillashtirish to‘g‘risida.
10. O‘zbekiston Soliq Qo‘mitasi. (2023). 2022 yil yakunlari bo‘yicha soliq
ma’murchiligining asosiy ko‘rsatkichlari. Rasmiy statistik to‘plam.