A Predictive Model to Detect Property Taxpayer Non-Compliance and Estimate Property Tax Liabilities in Rwanda Using Supervised Machine Learning
تُظهر هذه الدراسة أن إطار عمل التعلم الآلي الخاضع للإشراف والقائم على خوارزمية XGBoost، والذي تم تدريبه على أكثر من مليون سجل من سجلات هيئة الإيرادات الرواندية، يكتشف بفعالية عدم الامتثال لضريبة العقارات ويقدر الالتزامات، مما يتيح استراتيجية تدقيق قائمة على المخاطر يمكنها استرداد 80% من الضرائب غير المدفوعة من خلال استهداف أعلى 20% من دافعي الضرائب ذوي المخاطر العالية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
في أجزاء كثيرة من العالم، تُعد عملية تحصيل الضرائب على المباني والأراضي مهمة صعبة. فالحكومات تحتاج إلى هذه الأموال لبناء الطرق والمدارس والمستشفيات، لكن النظام غالباً ما يعتمد على صدق الناس فيما يتعلق بقيمة ممتلكاتهم. فعندما يعلن المالكون عن قيمة أقل مما هي عليه في الواقع، تخسر الحكومة الإيرادات، وينتهي الأمر بالدافعين الملتزمين بدفع أكثر من حصتهم العادلة. ولإصلاح ذلك، اعتمد مسؤولو الضرائب تقليدياً على عمليات التدقيق اليدوي، حيث يقوم المراجعون بزيارة العقارات فعلياً أو مراجعة الملفات الورقية واحداً تلو الآخر. ومع ذلك، ومع نمو المدن وازدياد عدد المباني، أصبح هذا الأسلوب القديم في العمل بطيئاً ومكلفاً للغاية بحيث لا يمكنه مواكبة التطور. وفي السنوات الأخيرة، بدأ الخبراء في استكشاف ما إذا كان بإمكان الحواسيب التعلم من السجلات الماضية لرصد الأنماط التي قد تغفل عنها العين البشرية، مما يساعد المسؤولين على تحديد من يجب فحص ملفاتهم أولاً دون الحاجة إلى النظر في كل ملف على حده.
هذا هو التحدي الذي سعى الباحثون من جامعة رواندا لحله. فقد أرادوا معرفة ما إذا كان بإمكان الحاسوب أن ينظر إلى السجلات الضخمة التي تحتفظ بها هيئة الإيرادات في رواندا ويكتشف أمرين: أولاً، أي من مالكي العقارات من المرجح ألا يدفع المبلغ الصحيح للضريبة، وثانياً، ما هو المبلغ الصحيح الذي يجب دفعه. جمع الفريق مجموعة بيانات ضخمة تحتوي على معلومات لأكثر من مليون مالك عقار. وتضمنت هذه البيانات تفاصيل عن المباني، ومدة تسجيل المالكين، والمبالغ المستحقة عليهم، وما دفعوه بالفعل، وأي غرامات أو فوائد تراكمت عليهم. وبدلاً من التخمين، قام الباحثون بتعليم ثلاثة أنواع مختلفة من البرامج الحاسوبية للتعلم من هذا التاريخ. وقد اختبروا مدى قدرة هذه البرامج على التنبؤ بمن لم يلتزم بالدفع، ومدى دقتها في تقدير فاتورة الضريبة الحقيقية لكل عقار.
وجد الباحثون أن نوعاً معيناً من البرامج الحاسوبية، يُعرف باسم "XGBoost"، كان أفضل بكثير في أداء المهمة من غيره. هذا البرنامج مصمم للتعلم من خلال بناء العديد من خطوات القرار الصغيرة ودمجها لاتخاذ تنبؤ نهائي. وعند اختباره على بيانات من عام 2024 لم يسبق للحاسوب رؤيتها، تمكن هذا النموذج من تحديد الممولين غير الملتزمين بدقة بلغت 88 بالمائة تقريباً. كما كان بارعاً جداً في تقدير الالتزام الضريبي الصحيح، حيث كانت تنبؤاته أقرب بك הרבה إلى الأرقام الفعلية مقارنة بالنماذج الأخرى. وقد كشفت الدراسة أن أهم الأدلة لضبط المخالفات لم تكن تتعلق دائماً بالمبنى نفسه، مثل حجمه أو موقعه؛ بل تعلم الحاسوب أن سلوك الممول هو الإشارة الأقوى. فالعوامل مثل نسبة ما دفعوه مقابل ما استحق عليهم، وحجم الغرامات المستحقة عليهم، ومدة تسجيلهم، كانت أفضل المؤشرات على احتمال عدم التزام الشخص بالدفع.
تكمتر القوة الحقيقية لهذا الاكتشاف في كيفية تغيير الطريقة التي تُجرى بها عمليات التدقيق الضريبي. فقد أجرى الباحثون محاكاة لمعرفة ما سيحدث إذا استخدم المسؤولون هذه التنبؤات الحاسوبية لتحديد من يجب التحقيق معهم. في النهج التقليدي، إذا اختار المسؤولون دافعي الضروس عشوائياً للتدقيق، فإنهم لن يستردوا سوى حوالي 20 بالمائة فقط من الأموال غير المدفوعة التي يبحثون عنها. ومع ذلك، عندما استخدموا الحاسوب لتصنيف دافعي الضرائب حسب درجة الخطورة وركزوا جهودهم على أعلى 20 بالمائ المائ من المخالفين المحتملين، أظهرت المحاكاة أنه يمكنهم استرد ما يقرب من 80 بالمائ من الالتزامات غير المدفوعة. وهذا يشير إلى أنه من خلال استخدام البيانات لتوجيه عملهم، يمكن لسلطات الضرائب العثيد على الجزء الأكبر من الإيرادات المفقودة مع إنفاق وقت ومال أقل بكثير على عمليات التدقيق.
تخلص الدراسة إلى أن هذا النهج يوفر مساراً عملياً لرواندا والدول الأخرى التي تواجه تحديات مماثلة. فمن خلال دمج هذه الأدوات التنبؤية في عملهم اليومي، يمكن لمديري الضرایب الانتقال من عمليات الفحص العشوائية إلى نظام يتم فيه توجيه الموارد بدقة إلى حيث تشتد الحاجة إليها. ويؤكد الباحثون أنه بينما يعد النموذج الحاسوبي قوياً، إلا أنه يجب استخدامه كأداة لدعم اتخاذ القرار البشري، وليس لاستبداله بالكامل. وهم يوصون بأن تتبنى هيئة الإيرادات في رواندا هذا النظام القائم على تقييم المخاطر، مع الاستمرار في تحسين جودة بياناتهم وضمان بقاء العملية عادلة. ويُظهر هذا العمل أنه حتى في البيئات محدودة الموارد، يمكن للاستخدام الذكي للسجلات الموجودة أن يؤدي إلى نظام ضريبي أكثر كفاءة وإنصافاً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.