Evaluación comparativa en el desempeño de modelos de machine learning en la predicción de pagadores del impuesto predial de la ciudad de Tingo María para el año 2019 / presentado por Antonio Gabriel Junco Aranciaga ; [Hubel Solis Bonifacio, asesor]

By:

Junco Aranciaga, Antonio Gabriel, 1986- [autor]

Contributor(s):

Material type:

TextLanguage: Spanish Original language: Spanish Publisher: Tingo María, Perú : Universidad Nacional Agraria de la Selva, facultad de Ingeniería en Informática y Sistemas, 2023Description: [11], 71 hojas : ilustraciones (color), tablas (blanco y negro), figuras (color) ; 30 cm + 1 CD-ROMContent type:

texto impreso

Media type:

sin mediación

Carrier type:

volumen

DDC classification:

22 006.31

Partial contents:

Introducción : Objetivos general. Objetivos específicos -- Revisión de literatura : Marco teórico. Estado del arte -- Metodología : Tipo y nivel de investigación. Población y muestra. Hipótesis. Variables de investgación. Operacionalización de variables. Herramientas de recolección de datos. Metodología -- Resultados y discusión : Descripción e influencia de características. Evaluación de la exactitud. Evaluación de la precisión. Evaluación del recall. Puntuación F1 o desempeño -- Conclusión -- Referencias bibliográficas -- Anexos.

Dissertation note: Tesis (Ingeniería)--Universidad Nacional Agraria de la Selva, facultad de Ingeniería en Informática y Sistemas, 2023. Abstract: La evasión fiscal y el retraso en el pago de impuestos son problemas persistentes a nivel mundial que afectan la mejora de ingresos y la prestación de servicios sociales. En contextos locales, como en la ciudad de Tingo María, estos problemas se manifiestan de manera más aguda. Según los datos de la Municipalidad Provincial de Leoncio Prado, de los 12,821 contribuyentes registrados, 8,269 no pagan sus impuestos y 187 pagan con retraso, lo que representa una pérdida significativa de ingresos para la municipalidad. Para abordar esta problemática, se implementó una metodología de clasificación de pagadores basada en la recopilación de información socioeconómica y de percepción a través de encuestas telefónicas. Se seleccionó una muestra de 372 contribuyentes, distribuida equitativamente entre las categorías de pagadores puntuales, impuntuales y no pagadores. Los datos recopilados se sometieron a un análisis descriptivo utilizando un mapa de calor y la prueba de Chi², revelando una evaluación significativa entre el ingreso económico y la puntualidad en el pago de impuestos. Para mejorar la identificación temprana de contribuyentes impuntuales o no pagadores, se evaluaron seis modelos de Machine Learning en términos de exactitud, precisión y sensibilidad. Los modelos de K-Nearest Neighbors (KNN) y Redes Neuronales (RNN) demostraron ser los más precisos, con una exactitud superior al 97%. Estos hallazgos sugieren que las autoridades fiscales podrían utilizar estos modelos para tomar medidas proactivas y prevenir la evasión fiscal. Además, se recomienda la inclusión de más variables socioeconómicas y de percepción para mejorar aún más la precisión de estos modelos. La implementación de estas recomendaciones podría permitir a las autoridades fiscales optimizar sus recursos, mejorar la recaudación de impuestos y, en última instancia, mejorar la prestación de servicios sociales en la ciudad de Tingo María.

List(s) this item appears in: Programa de estudios Ing. Informática y Sistemas

Average rating: 0.0 (0 votes)

Holdings
Cover image	Item type	Current library	Home library	Collection	Shelving location	Call number	Materials specified	Vol info	URL	Copy number	Status	Notes	Date due	Barcode	Item holds	Item hold queue priority	Course reserves
	THESIS	BIBLIOTECA CENTRAL Banco de Investigación				T-SIS 006.31 8522 J95 2023 (Browse shelf(Opens below))				1	Available	Préstamo en sala		0024182

Total holds: 0

Tesis (Ingeniería)--Universidad Nacional Agraria de la Selva, facultad de Ingeniería en Informática y Sistemas, 2023.

There are no comments on this title.

to post a comment.

Click on an image to view it in the image viewer