税收是大多数国家包括我国的财政收入的一个主要的来源,同时,它也是衡量一个国家经济能力的一个非常核心的指标。税收征收是世界各国都非常看重的工作,它关系到国家财政收入的数量。但是企业在生产经营过程中,必然不会总是盈利的,为了经济利益,有些企业就会少缴税款或者不缴纳税款,这些都属于欠税行为。欠税行为会给国家和社会带来很多负面影响,包括:国家和政府的财政收入减少,社会经济秩序变得混乱,使广大人民群众的利益受到损害。政府税务部门在对企业进行纳税评估之前,无法准确地识别认定企业是否有欠税的行为,同时由于工作量的原因,政府税务部门没有办法对所有企业进行纳税评估工作,因此,通过预测出企业的欠税风险而筛选出疑似欠税企业,对于保障国家财政收入,具有重要意义。目前,对税源企业的欠税风险预测,主要有两部分构成:一是政府税务部门对大数据情报平台里的企业数据进行规则判定识别风险点,二是税务专家根据经验知识对前期自动化识别的风险点进行人工判断。也就是说目前欠税风险预测的自动化部分召回率较高,准确率较低,仍然依赖税务专家的人工经验。随着税源企业的日益增多,以及税收管理信息系统上线之后,企业相关数据越来越多,仅凭简单的规则判定和人工经验知识难以完成风险预测任务。本文研究针对当前企业欠税风险预测召回率高但准确率低、依赖人工经验判定的问题,利用企业税务和社保数据,使用数据挖掘（Data Mining）方法对企业欠税风险进行预测,消除对人工经验判定的依赖,提高欠税风险预测的效率。本文的主要工作包括:1、利用企业税务和社保数据,使用Weka工具中内置的多种数据挖掘分类模型,对企业欠税风险进行预测。主要包括:抽取政府税务部门大数据情报平台里的部分企业税务和社保数据,对其进行数据预处理;使用weka软件内置的分类算法对处理后的数据进行模型训练和测试,选取F1分数作为欠税风险预测问题的评价指标,比较各算法的预测效果。实验结果表明随机森林算法对企业欠税风险预测效果最好。2、在税务大数据背景下,海量的企业税务和社保数据将导致模型训练时间不可接受。本文针对随机森林模型训练时耗时较多的缺点,对随机森林算法进行并行优化。在充分理解随机森林算法的原理和构造的基础上,提出并行优化随机森林算法的两种思路:决策树之间并行与决策树内部并行,并将两种思路结合起来应用。使用Java代码实现了上述并行优化方案,在8颗CPU机器上同样使用企业税务和社保数据进行测试,实验结果表明并行优化方案能够在一定程度上利用多核资源,加速随机森林模型训练过程。3、针对人工使用Weka GUI步骤繁琐的缺点,实现面向Weka API的数据分类与自动处理系统,并将改进的随机森林模型集成至Weka软件内,解决Weka软件使用时需要人工不断操作的不足。通过调用Weka软件提供的API,间接调用优化过的随机森林模型,使用程序自动化地进行模型的训练和预测,用户只需提供企业税务和社保的训练数据集和候选企业测试集,一键点击,即可自动完成模型训练和预测任务,减少人工操作Weka软件的步骤。