Evaziunea fiscală reprezintă o provocare considerabilă pentru guvernele din întreaga lume, cauzând pierderi financiare semnificative. Pentru a îmbunătăți capacitatea de detectare a fraudelor și a proteja veniturile guvernului, autoritățile fiscale apelează tot mai mult la strategii de învățare automată. Cu toate acestea, strategiile actuale de detecție au limitări, ceea ce determină necesitatea unei abordări inovatoare.
O publicație recentă realizată de cercetători de la King Saud University prezintă un cadru revoluționar de învățare automată pentru detectarea evaziunii fiscale. Spre deosebire de abordările tradiționale, acest cadru combină modele supravegheate și nesupravegheate, utilizând paradigme de învățare în ansamblu pentru a îmbunătăți acuratețea și cuprinderea.
Cadru este format din patru module:
1. Modul supravegheat: Implementează un model Extreme Gradient Boosting (XGBoost) pentru a clasifica declarațiile fiscale în diferite grupuri. Modelul generează o matrice care reprezintă atribuirea declarației fiscale la nodurile frunză din fiecare arbore, care servește ca intrare pentru următorul modul.
2. Modul nesupravegheat: Folosește autoencodere pentru a identifica caracteristici anormale în datele originale. Prin codificarea și regenerarea intrării, se detectează anomaliile în funcție de eroarea de regenerare. Matricea rezultată și scorurile de anomalie sunt introduse în modulul următor.
3. Modul comportamental: Măsoară un scor de conformitate pentru fiecare contribuabil, luând în considerare rezultatele și timpul de auditare. Acest scor reflectă conformitatea sau neconformitatea în timp, furnizând informații valoroase pentru detectarea fraudelor.
4. Modul de predicție: Combină toate caracteristicile formulate pentru a prezice evaziunea fiscală. Acesta primește informații de la modulul supravegheat, modulul nesupravegheat și modulul comportamental, utilizând două clasificatoare (Rețea Neurală Artificială și Mașină Vectorială de Suport) pentru a testa performanța caracteristicilor formulate.
Studiul de evaluare realizat folosind date de la Autoritatea Saudiă pentru Zakat, Taxe și Vamă a demonstrat rezultate promițătoare. Modelul Rețea Neurală Artificială a arătat o precizie ridicată în prezicerea clasei „fraudă”. Cadru a depășit modelele care utilizează doar date originale, demonstrându-și potențialul pentru adopție globală.
În ciuda succesului său, cadru are unele limitări. Acestea includ presupuneri de comportament omogen în cadrul sectorului/dimensiunilor de afaceri și scoruri de conformitate apropiate de zero pentru mulți contribuabili. Cu toate acestea, această abordare inovatoare îmbunătățește semnificativ capacitatea autorităților fiscale de a detecta evaziunea fiscală. Integrarea modelelor supravegheate și nesupravegheate cu scoruri de conformitate comportamentală oferă o potențială schimbare de paradigmă în detectarea fraudelor, promovând măsuri mai precise și cuprinzătoare.
The source of the article is from the blog motopaddock.nl