Mokesčių slėpimas kelia didelį iššūkį visame pasaulyje veikiantiems vyriausybėms ir sukelia reikšmingas finansines nuostolius. Norint padidinti sukčiavimo aptikimo galimybes ir apsaugoti valstybės pajamas, mokesčių institucijos vis dažniau griebiasi mašininio mokymosi strategijų. Tačiau esamos aptikimo strategijos turi ribas, todėl reikalingas naujas požiūris.
Neseniai King Saud universiteto mokslininkų paskelbtame darbe pristatomas naujas mašininio mokymosi modelis mokesčių slėpimo aptikimui. Skirtingai nuo tradicinių metodų, šis modelis sujungia valdomus ir nervaldomus subjektus, naudojant ensemble mokymo paradigmas, siekiant pagerinti tikslumą ir išsamumą.
Modelis susideda iš keturių modulių:
1. Valdomasis modulis: Taikomas ekstremalaus gradientinio paspartinimo (XGBoost) modelis, skirtas suskirstyti mokesčių deklaracijas į skirtingas grupes. Modelis generuoja matricą, atitinkančią mokesčių deklaracijos priskyrimą kiekvienam medžio lapui, kuri tarnauja kaip įvestis kitam moduliui.
2. Nervaldomasis modulis: Naudojami autoencoders, skirti identifikuoti neįprastumo bruožus pradiniuose duomenyse. Kodavus ir pergeneravus įvestį, remiantis pergeneravimo klaida, nustatomi anomalijų taškai. Gauta matrica ir anomalijų rezultatai perduodami kitam moduliui.
3. Elgsenos modulis: Kiekvienam mokesčių mokėtojui įvertinama derinimo taškų reikšmė, atsižvelgiant į audito rezultatus ir laiką. Ši vertė atspindi derinį arba ne-derinimą per laiką, suteikiant vertingos informacijos apie sukčiavimo aptikimą.
4. Prognozavimo modulis: Suderinami visi sukurti bruožai, siekiant prognozuoti mokesčių slėpimą. Jis gauna įvestį iš valdomojo modulio, nervaldomojo modulio ir elgsenos modulio, naudodamas dvi klasifikatorius (dirbtinis neuroninis tinklas ir parametrinė mašina) suderinti bruožų veikimą.
Tyrimų studija, atlikta naudojant duomenis iš Saudo Arabijos Zakat, Mokesčių ir muitų valdžios institucijos, davė perspektyvių rezultatų. Dirbtinio neuroninio tinklo modelis parodė didelį tikslumą prognozuojant „sukčiavimo” klasę. Ši platforma pranoko modelius, naudojančius tik pradinius duomenis, demonstruodama savo galimybę pasauliniam diegimui.
Nepaisant sėkmės, platforma turi tam tikrų apribojimų. Tai apima prielaidas apie homogenišką elgesį sektoriuose / verslo dydžiuose ir daugelio mokesčių mokėtojų derinimo balo artimą nulį. Nepaisant to, šis inovatyvus požiūris iš esmės padidina mokesčių institucijų pajėgumus aptikti mokesčių slėpimą. Platformos sujungimas suvaldžiotais ir nervaldomais modeliais bei elgsenos derinimo balais siūlo potencialų slygos poslinkį sukčiavimo aptikime, skatinant tikslesnius ir išsamiausius veiksmus.
The source of the article is from the blog revistatenerife.com