An Intelligent Accounting-legal Simulation Model for Proactive Resolution of Tax Disputes: Empirical and Comparative Evidence from Egypt
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This study develops a smart accounting–legal reform model to prevent tax disputes in Egypt by integrating high-quality accounting information, digital audit trails, and simulation-based decision support. A mixed-methods design combines a structured survey of taxpayers, CPAs, and tax officers (n≈280), semi-structured interviews, and a multi-agent simulation calibrated to sectoral risk patterns. The empirical results show that weak documentation and fragmented IT systems are the primary drivers of recurring disputes; by contrast, e-filing/e-audit and early mediation shorten resolution time and reduce escalation. The simulation forecasts that embedding AI-enabled risk scoring and CPA-facilitated pre-assessment reconciliation can lower dispute frequency by 25–30% over five years, while cutting administrative costs relative to litigation. Comparative benchmarks (UK ADR, Canada digital compliance audits, Australia independent pre-litigation review) corroborate the preventive governance approach and inform implementation priorities for Egypt. The paper contributes theoretically by linking accounting information quality, agency incentives, and preventive governance within a simulation-driven framework; and practically by offering an actionable roadmap-digital mediation platform, SME documentation standards, targeted training, and sector-focused pilots-to institutionalize proactive dispute resolution. Overall, the findings demonstrate that sustainable reform depends less on temporary settlement laws and more on accounting transparency, intelligent analytics, and trust-building procedures embedded in everyday administration.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle