Steuerbetrug stellt eine erhebliche Herausforderung für Regierungen weltweit dar und führt zu erheblichen finanziellen Verlusten. Um die Fähigkeiten zur Erkennung von Betrug zu verbessern und staatliche Einnahmen zu schützen, greifen Steuerbehörden zunehmend auf Machine Learning-Strategien zurück. Allerdings haben bisherige Erkennungsstrategien ihre Grenzen, was die Notwendigkeit eines neuen Ansatzes verdeutlicht.
Eine kürzlich veröffentlichte Studie von Forschern der King Saud University stellt ein bahnbrechendes Machine Learning-Framework zur Erkennung von Steuerbetrug vor. Anders als herkömmliche Ansätze kombiniert dieses Framework überwachte und unüberwachte Modelle und nutzt Ensemble-Learning-Paradigmen, um Genauigkeit und Umfassendheit zu verbessern.
Das Framework besteht aus vier Modulen:
1. Überwachtes Modul: Implementiert ein Extreme Gradient Boosting (XGBoost)-Modell, um Steuererklärungen in verschiedene Gruppen zu klassifizieren. Das Modell generiert eine Matrix, die die Zuordnung der Steuererklärung zu Blattknoten in jedem Baum darstellt und als Eingabe für das nächste Modul dient.
2. Unüberwachtes Modul: Nutzt Autoencoder, um Anomalien in den Originaldaten zu identifizieren. Durch die Codierung und Rekonstruktion der Eingabe werden Anomalien anhand des Rekonstruktionsfehlers erkannt. Die resultierende Matrix und Anomalie-Scores werden dem nächsten Modul zugeführt.
3. Verhaltensmodul: Misst einen Compliance-Score für jeden Steuerpflichtigen, unter Berücksichtigung von Prüfergebnissen und Zeit. Diese Punktzahl spiegelt die Einhaltung oder Nicht-Einhaltung im Laufe der Zeit wider und liefert wertvolle Informationen für die Betrugserkennung.
4. Prognosemodul: Kombiniert alle konstruierten Merkmale, um Steuerbetrug vorherzusagen. Es erhält Eingaben aus dem überwachten Modul, dem unüberwachten Modul und dem Verhaltensmodul und verwendet zwei Klassifikatoren (Artificial Neural Network und Support Vector Machine), um die Leistung der konstruierten Merkmale zu testen.
Die Evaluationsstudie, die mit Daten der Saudi-Zakat-, Steuer- und Zollbehörde durchgeführt wurde, zeigte vielversprechende Ergebnisse. Das Modell des Artificial Neural Network zeigte eine hohe Präzision bei der Vorhersage der „Betrugs“-Klasse. Das Framework übertraf Modelle, die nur Originaldaten verwendeten, und zeigt damit sein Potenzial für eine weltweite Übernahme.
Trotz seines Erfolges hat das Framework einige Einschränkungen. Dazu gehören Annahmen über homogenes Verhalten innerhalb von Sektoren/Unternehmensgrößen und Compliance-Scores nahe null für viele Steuerpflichtige. Dennoch verbessert dieser innovative Ansatz signifikant die Fähigkeiten der Steuerbehörden zur Erkennung von Steuerbetrug. Die Integration von überwachten und unüberwachten Modellen mit verhaltensbezogenen Compliance-Scores bietet einen potenziellen Paradigmenwechsel in der Betrugserkennung, der genauere und umfassendere Maßnahmen fördert.
The source of the article is from the blog hashtagsroom.com