Η φορολογική απάτη αποτελεί μια σημαντική πρόκληση για τις κυβερνήσεις παγκοσμίως, προκαλώντας σημαντικές οικονομικές απώλειες. Για να ενισχύσουν τις δυνατότητες ανίχνευσης απάτης και να προστατεύσουν τα κυβερνητικά έσοδα, οι φορολογικές αρχές στρέφονται όλο και περισσότερο προς μεθόδους μηχανικής μάθησης. Ωστόσο, οι υπάρχουσες μεθόδοι ανίχνευσης έχουν περιορισμούς, κάτι που επιτάσσει την ανάγκη για μια καινοτόμο προσέγγιση.
Μια πρόσφατη δημοσίευση από ερευνητές του Πανεπιστημίου King Saud παρουσιάζει ένα πρωτοποριακό πλαίσιο μηχανικής μάθησης για τον εντοπισμό φορολογικής απάτης. Αντίθετα από τις παραδοσιακές προσεγγίσεις, αυτό το πλαίσιο συνδυάζει επιβλεπόμενα και ανεπιβλεπτικά μοντέλα, εκμεταλλευόμενο παραδείγματα μάθησης σύνολου για να βελτιώσει την ακρίβεια και την εκτενή κάλυψη.
Το πλαίσιο αποτελείται από τέσσερα ενότητες:
1. Επιβλεπόμενη Ενότητα: Εφαρμόζει ένα μοντέλο Extreme Gradient Boosting (XGBoost) για την ταξινόμηση των φορολογικών δηλώσεων σε διάφορες ομάδες. Το μοντέλο δημιουργεί έναν πίνακα που αναπαριστά την ανάθεση της φορολογικής δήλωσης σε φύλλα κάθε δέντρου, ο οποίος λειτουργεί ως είσοδος για την επόμενη ενότητα.
2. Ανεπιβλεπτική Ενότητα: Χρησιμοποιεί τομείς αυτοκωδικοποίησης για την εντοπισμό ασυνήθιστων χαρακτηριστικών στα αρχικά δεδομένα. Με την κωδικοποίηση και αποκωδικοποίηση της εισόδου, εντοπίζονται ανωμαλίες με βάση το σφάλμα αναγέννησης. Ο πίνακας που προκύπτει και οι βαθμολογίες ανωμαλίας τροφοδοτούνται στην επόμενη ενότητα.
3. Συμπεριφορική Ενότητα: Υπολογίζει μια βαθμολογία συμμόρφωσης για κάθε φορολογούμενο, λαμβάνοντας υπόψη τα αποτελέσματα ελέγχων και τον χρόνο. Αυτή η βαθμολογία αντικατοπτρίζει τη συμμόρφωση ή τη μη-συμμόρφωση στον χρόνο, παρέχοντας πολύτιμες πληροφορίες για την ανίχνευση απάτης.
4. Ενότητα Πρόβλεψης: Συνδυάζει όλα τα διαμορφωμένα χαρακτηριστικά για την πρόβλεψη φορολογικής απάτης. Λαμβάνει είσοδο από την επιβλεπόμενη ενότητα, την ανεπιβλεπτική ενότητα και τη συμπεριφορική ενότητα, χρησιμοποιώντας δύο ταξινομητές (Τεχνητό Νευρωνικό Δίκτυο και Μηχανή Διανυσμάτων Υποστήριξης) για να δοκιμάσει την απόδοση των διαμορφωμένων χαρακτηριστικών.
Η αξιολογική μελέτη που διεξήχθη με χρήση δεδομένων από τη Σαουδική Αρχή Ζακάτ, Φόρου και Τελωνείου έδειξε ελπιδοφόρα αποτελέσματα. Το μοντέλο Τεχνητού Νευρωνικού Δικτύου έδειξε υψηλή ακρίβεια στην πρόβλεψη της κατηγορίας “απάτη”. Το πλαίσιο υπερκέρασε τα μοντέλα που χρησιμοποιούσαν μόνο τα αρχικά δεδομένα, επιδεικνύοντας τη δυνατότητα παγκόσμιας υιοθέτησης.
Παρά την επιτυχία του, το πλαίσιο έχει μερικούς περιορισμούς. Αυτοί περιλαμβάνουν υποθέσεις ομοιογενούς συμπεριφοράς εντός κλάδων/μεγεθών επιχειρήσεων και βαθμολογίες συμμόρφωσης κοντά στο μηδέν για πολλούς φορολογούμενους. Παρ’ όλα αυτά, αυτή η καινοτόμος προσέγγιση ενισχύει σημαντικά τις δυνατότητες των φορολογικών αρχών στον εντοπισμό φορολογικής απάτης. Η ένταξη επιβλεπόμενων και ανεπιβλεπτικών μοντέλων με επιθεωρησιακές βαθμολογίες συμμόρφωσης που προτείνεται από το πλαίσιο προσφέρει μια δυνητική αλλαγή παραδειγματισμού στον εντοπισμό απάτης, προωθώντας πιο ακριβείς και εκτενείς μέτρα.
The source of the article is from the blog radardovalemg.com