TED: Related Party Transaction guided Tax Evasion Detection on Heterogeneous Graph
تقترح هذه الورقة نموذج TED، وهو نموذج جديد للشبكات العصبية الرسومية يستفيد من الرسوم البيانية غير المتجانسة وآلية انتباه هرمية لتحليل معاملات الأطراف ذات الصلة، مما يحسن بشكل كبير من أداء الكشف عن التهرب الضريبي من خلال التقاط المعلومات التفاعلية المعقدة التي تغفل عنها الطرق الإحصائية التقليدية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل الاقتصاد العالمي كأنه سوق ضخم يعج بالحركة. في هذا السوق، يلعب معظم الناس وفق القواعد، لكن بعض أصحاب المتاجر يحاولون التسلل لإخفاء أرباحهم لتجنب دفع حصتهم العادلة من الضرائب. هذا هو التهرب الضريبي، وهو يشبه لصاً يسرق من الخزانة العامة، مما يترك مالاً أقل للمدارس والطرق والمستشفيات.
لفترة طويلة، حاولت السلطات الضريبية الإمساك بهؤلاء اللصوص عبر فحص دفاتر حسابات أصحاب المتاجر الفرديين (بياناتهم المالية) وطلب خبراء لكتابة قائمة بـ "العلامات المشبوهة". إذا كان صاحب المتجر لديه الكثير من الأعلام الحمراء، يتم تمييزه. لكن هذه الطريقة كانت تشبه محاولة البحث عن إبرة في كومة قش عبر النظر فقط إلى لون الإبرة، متجاهلين حقيقة أنها قد تكون مخبأة داخل نوع معين من الصناديق.
تقدم هذه الورقة طريقة جديدة وأكثر ذكاءً للإمساك بهؤلاء المتهربين ضريبياً، تسمى TED (كشف التهرب الضريبي). وإليك كيف تعمل، مشروحة عبر تشبيهات بسيطة:
1. المشكلة: الأمر لا يتعلق بصاحب متجر واحد فقط
أدرك المؤلفون أن التهرب الضيائي نادراً ما يحدث بمعزل عن الآخرين. فهو عادة ما يتضمن شبكة من العلاقات. فقد يكون "صاحب المتجر السيئ" مرتبطاً بـ "مورد سيئ"، و"محاسب سيئ"، و"مستثمر سيئ".
- الطريقة القديمة: النظر إلى صاحب متجر واحد في معزل عن غيره.
- الطريقة الجديدة (TED): النظر إلى شبكة العلاقات بأكملها.
بنى المؤلفون خريطة ضخمة تسمى الرسم البياني غير المتجانس (Heterogeneous Graph). تخيل هذه الخريطة ليس فقط كنقاط وخطوط، بل كمدينة معقدة تضم أنواعاً مختلفة من المباني:
- الشركات (المتاجر)
- الأشخاص (المالكون والمستثمرون)
- الأصناف (السلع التي تُباع)
- الأحداث (المعاملات)
في هذه المدينة، تربط الخطوط بين هذه المباني؛ شخص يمتلك شركة، وشركة تشتري أصنافاً، وشركة تبيع لشركة أخرى.
2. التحدي: الكثير من الضجيج
المشكلة في خريطة هذه المدينة الضخمة هي أنها مليئة بالضجيج. هناك ملايين الروابط البريئة؛ فقد تشتري شركة قلماً من شركة أخرى لمجرد أنها صفقة تجارية عادية. إذا نظرت إلى كل رابط، ستشعر بالارتباك بسبب الضجيج وتفقد القدرة على رؤية المجرمين الحقيقيين.
تحدد الورقة نوعاً معيناً من الروابط التي تعد بمثابة "الدليل القاطع": معاملات الأطراف ذات العلاقة (RPT).
- التشبيه: تخيل اثنين من أصحاب المتاجر وهما في الحقيقة أبناء عمومة سرياً. يبيعان لبعضهما سلعاً بأسعار وهمية لنقل الأموال حولاً وإخفاء الأرباح. بالنسبة لشخص غريب، تبدو العملية كأنها عملية بيع عادية، لكن بالنسبة لمأمور الضرائب، فهي "تجمع عائلي" مشبوه للأموال.
3. الحل: المحقق "TED"
ابتكر المؤلفون نظاماً يسمى TED يعمل كمحقق فائق الذكاء. هو لا ينظر إلى المدينة بأكملها فحسب، بل يركز على أحياء مشبوهة محددة تسمى مجموعات معاملات الأطراف ذات العلاقة (RPT Groups).
إليك كيف يحل TED المشكلتين الرئيسيتين:
أ. تصفية الضجيج (فلتر "الرتب العليا")
معظم البرامج الحاسوبية تنظر إلى الجيران الذين يبعدون خطوة واحدة فقط (مثلاً: "من باع لشركة أ؟"). أما TED فينظر بعمق أكبر؛ فهو يبحث عن مجموعات RPT — وهي أنماط محددة من الروابط المعروف باستخدامها للتهرب الضريبي (مثل شخص يمتلك شركتين تتاجران مع بعضهما البعض).
- التشبيه: تخيل أنك تبحث عن لص. البحث العادي ينظر إلى كل من مر بجانب اللص. أما TED فيتجاهل الحشد ويركز فقط على "الدائرة المقربة" من شركائه. ومن خلال التركيز على هذه المجموعات المحددة، يقوم TED بتصفية "الضجيج" البريء الناتج عن الأعمال التجارية العادية.
ب. الانتباه الهرمي (المكبر الذكي)
بمجرد أن يجد TED هذه المجموعات المشبوهة، فإنه يحتاج لمعرفة أي أجزاء المجموعة هي الأكثر خطورة.
- مستوى RPT الداخلي: ينظر TED داخل مجموعة مشبوهة واحدة. ويسأل: "في هذه المجموعة المكونة من خمسة أشخاص، مَن هما الشخصان اللذان يقومان بأكثر عمليات تجارية مشبوهة؟" ويستخدم آلية انتباه متعددة الرؤوس (تخيلها كأن لديك عدة عدسات مكبرة تنظر من زوايا مختلفة) لتقدير أهمية كل رابط.
- مستوى RPT المتقاطع: ثم ينظر TED إلى الشركة بأكملها. قد تكون الشركة متورطة في خمس مجموعات مشبوهة مختلفة. يسأل TED: "أي من هذه المجموعات الخمس هي التهديد الأكبر؟" ويقوم بتعيين "وزن" أو درجة لكل مجموعة لتحديد مدى تأثيرها في الحكم النهائي.
4. النتائج: الإمساك بمزيد من اللصوص
اختبر المؤلفون TED على بيانات حقيقية من مكاتب الضر "في الصين". وقارنوه بـ 13 طريقة أخرى رفيعة المستوى (مثل نماذج الذكاء الاصطناي القياسية وأنظمة الخبراء القائمة على القواعد).
- النتيجة: كان TED أفضل بشكل ملحوظ في كشف المتهربين ضريبياً. فقد حسن دقة الكشف بنسبة تقارب 7.6% وحسن مقياس F1 (وهو مقياس لمدى قدرته على التوازن بين كشف اللصوص دون اتهام الأبرياء ظلماً) بنسبة 8.5% مقارنة بأفضل الطرق الموجودة.
- لماذا نجح: لأنه توقف عن النظر إلى نقاط البيانات المنعزلة وبدأ في فهم العلاقات المعقدة والخفية بين الأشخاص والشركات.
ملخص
فكر في كشف التهرب الضريبي كعملية بحث عن إبرة في كومة قش.
- الطرق القديمة حاولت إيجاد الإبرة عبر النظر إلى لون القش.
- أما TED فقد أدرك أن الإبرة غالباً ما تكون مخبأة داخل صندوق غريب الشكل (مجموعة RPT). فهو يتجاهل بقية كومة القش، ويركز على تلك الصناديق، ويستخدم مكبراً ذكياً ليرى بالضبط أي جزء من الصندوق يحتوي على الإبرة.
تخلص الورقة إلى أن هذه الطريقة فعالة للغاية لدرجة أنه قد تم تطبيقها بالفعل في أنظمة إدارة المخاطر الحقيقية في مكاتب الضرائب، مما يثبت أن فهم "مَن يعرف مَن" في عالم الأعمال هو المفتاح لوقف الاحتيال الضريبي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.