Unsupervised Identification of Corporate Tax-Risk Profiles Using Multilayer Network and Financial Characteristics
تقترح هذه الدراسة إطار عمل غير خاضع للإشراف يدمج خصائص الشبكة متعددة الطبقات مع الانحرافات المالية لتحديد ملفات تعريف مخاطر الضرائب المؤسسية المتباينة دون الاعتماد على معايير محددة مسبقاً أو بيانات مصنفة.
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
تواجه السلطات الضريبية في جميع أنحاء العالم تحديًا مستمرًا: الشركات لا تعمل في معزل عن غيرها، بل تشكل شبكات معقدة من الملكية والإدارة والروابط العائلية، وغالبًا ما تمتد عبر الحدود لإنشاء هياكل يصعب فك تشابكها. وعندما تقوم هذه المجموعات من الشركات بنقل الأموال أو الأرباح أو الأصول بطرق غير عادية، فقد يشير ذلك إلى تخطيط ضريبي عدواني أو تهرب ضريبي. تقليديًا، اعتمد مسؤولو الضرائب على التقدير الخبير والقواعد الثابتة لرصد هذه العلامات التحذيرية، من خلال النظر في حسابات الشركات الفردية أو تطبيق قوائم مراجعة معيارية. ومع ذلك، ومع تزايد عدد الشركات المترابطة وتنوع بياناتها المالية، تكافح هذه الأسالط التقليدية لمواكبة التطور؛ فهي غالبًا ما تغفل الصورة الكبيرة لكيفية سلوك مجموعة كاملة من الشركات معًا، بدلًا من التركيز فقط على كيفية ظهور شركة واحدة بمفردها. ولحل هذه المشكلة، يتجه الباحثون إلى نهج مختلف: استخدام الكمبيوتر للعثور على أنماط خفية في كميات هائلة من البيانات دون الحاجة لمعرفة مسبقة لما تبدو عليه الشركة "المخاطرة". هذا الأسلوب، المعروف باسم التعلم غير الخاضع للإشراف، يسمح للبيانات بالكشف عن أشكالها الغريبة أو غير العادية بنفسها، مما يساعد المسؤولين على تحديد المجموعات التي تبرز عن السائد بناءً على كيفية بنائها وحركة أموالها.
لقد طور فريق من الباحثين من جامعة كاوناس للتكنولوجيا في ليتوانيا طريقة جديدة لرسم خرائط لهذه المجموعات من الشركات لفهم مخاطرها الضريبية بشكل أفضل. فبدلاً من النظر إلى شركة واحدة، عاملوا مجموعات كاملة من الشركات المرتبطة كواحدة موحدة، حيث حللوا كلاً من أرقامهم المالية وروابطهم الهيكلية. بدأ الباحثون بمجموعة بيانات ضخمة قدمتها مصلحة ضرائب الدولة الليتوانية، والتي احتوت على معلومات حول أكثر من 113,000 كيان قانوني وأكثر من 261,000 شخص. كانت هذه الكيانات مرتبطة عبر ثلاثة أنواع محددة من العلاقات: من يملك حصصًا في من، ومن يدير أو يسيطر على من، والروابط العائلية. بنى الفريق نموذجًا رقميًا لهذه الاتصالات، مع الحفاظ على كل نوع من العلاقات منفصلاً للحفاظ على المعلومات الفريدة التي يحملها، تمامًا مثل إبقاء طبقات الخريطة المختلفة متميزة بدلاً من دمجها جميعًا في طبقة واحدة. ومن هذه الشبكة المعقدة، استخرجوا أوصافًا واضحة وقابلة للقراءة لكيفية تنظيم كل مجموعة، من خلال حساب أشياء مثل عدد الشركات المشاركة، وعدد الكيانات الأجنبية التي كانت جزءًا من المجموعة، وما إذا كانت حلقة الملكية تعود على نفسها في دوائر.
لفهم الجانب المالي، نظر الباحثون في كيفية توزيع الأموال داخل كل مجموعة. فقد حسبوا مقدار مساهمة كل شركة في إجمالي أصول المجموعة، وإيراداتها، وأرباحها، وديونها. في المجموعة النموذجية، قد تكون هذه المساهمات متوازنة نوعًا ما، ولكن في بعض المجموعات، قد تمتلك شركة واحدة حصة ضخمة من الربح بينما تحمل أخرى معظم الديون. قام الباحثون بقياس هذه الاختلالات لإنشاء ملف تعريف للسلوك المالي لكل مجموعة. ثم دمجوا هذه الأوصاف الهيكلية مع الملفات التعريفية المالية وغذوها في خوارزمية حاسوبية متخصصة تسمى "طريقة التجميع المختزل" (Reduced Clustering Method). هذه الخوارزمية مصممة لإيجاد تجمعات طبيعية في البيانات دون إخبارها بما يجب البحث عنه. فهي تمسح المعلومات وتقول: "هذه المجموعات تبدو متشابهة مع بعضها البعض، ومختلفة عن تلك التي هناك"، مما يؤدي فعليًا إلى تصنيف آلاف المجموعات من الشركات إلى فئات متميزة بناءً على مزيجها الفريد من الهيكل والتمويل.
ركزت الدراسة على 722 مجموعة من الشركات التي توفرت لديها بيانات مالية كاملة بما يكفي للتحليل، والتي تمثل إجمالي 7,050 كيانًا قانونيًا. وعندما ترك الباحثون الكمبيوتر يصنف هذه المجموعات بناءً على أرقامها المالية فقط، وجد ثمانية ملفات تعريف متميزة. وقعت معظم المجموعات في فئة كبيرة وشائعة حيث كانت الأدوار المالية متوازنة نسبيًا. ومع ذلك، برزت بعض المجموعات الصغيرة بخصائص متطرفة؛ حيث أظهرت مجموعة صغيرة جدًا، تتكون من ثلاث شركات فقط، انحرافات هائلة في نتائج عملياتها، بينما أظهرت مجموعة صغيرة أخرى مكونة من سبع شركات تقلبات غير عادية في الأرباح. لم يتم تصنيف هذه المجموعات كجانية لأي شيء، ولكن تم تحديدها كحالات غير عادية إحصائيًا، مما يشير إلى أن شيئًا ما في ترتيبها المالي كان نادرًا مقارنة بالمعيار السائد.
وعندما حلل الباحثون المجموعات بناءً على روابطها الهيكلية فقط، وجد الكمبيوتر اثني عشر ملف تعريف مختلفًا. تم تعريف بعض المجموعات بامتلاكها العديد من الملاك الأجانب، بينما اتسمت مجموعات أخرى بسلاسل معقدة من السيطرة أو هياكل ملكية دائرية حيث تملك الشركة (أ) الشركة (ب)، والتي تملك بدورها الشركة (ج)، والتي بدورها تملك الشركة (أ). هذه الهياكل الدائرية يمكن أن تجعل أحيانًا من الصعب معرفة من هو المسيطر الحقيقي. وأظهر التحليل أن المجموعات ذات الأحجام المتشابهة يمكن أن يكون لها تنظيمات داخلية مختلفة تمامًا؛ فبعضها بسيط ومباشر، بينما البعض الآخر عبارة عن شبكات معقدة تتضمن طبقات عديدة من الملكية والمشاركة الأجنبية.
كان الجزء الأكثر كشفًا في الدراسة هو عندما دمج الباحثون المعلومات المالية والهيكلية في تحليل واحد. خلق هذا النهج سبعة عشر ملف تعريف متميزًا، مما قدم رؤية أكثر تفصيلًا من النظر في أي من العاملين بمفرده. وأظهر التحليل المشترك أن الشذوذ المالي والتعقيد الهيكلي لا يحدثان دائمًا معًا؛ فبعض المجموعات كانت غريبة ماليًا ولكنها بسيطة هيكليًا، بينما امتلكت مجموعات أخرى شبكات ملكية معقدة ولكنها اتبعت أنماطًا مالية قياسية تمامًا. والأهم من ذلك، حددت الدراسة مجموعات محددة تمتلك كلاً من السلوكيات المالية غير العادية والسمات الهيكلية المعقدة. على سبيل المثال، وجد الباحثون مجموعات لديها مشاركة أجنبية كبيرة، وهياكل ملكية دائرية، واختلالات شديدة في كيفية توزيع الأرباح أو الأصول بين أعضائها. هذه التركيبات المحددة هي ما يهتم به مسؤولو الضراب أكثر من غيرها، لأنها تمثل نوع التعقيد الخفي الذي غالبًا ما يصاحب التخطيط الضريبي العدواني.
يؤكد الباحثون أن هذه الطريقة لا تثبت أن أي مجموعة معينة تتهرب من الضرائب؛ فالخوارزمية ببساطة تحدد المجموعات التي تبدو مختلفة عن المتوسط، وتعمل كأداة لمساعدة الخبراء البشريين في تحديد الحالات التي تستحق نظرة فاحصة. ومن خلال تصنيف بحر بيانات الشركات الشاسع إلى ملفات تعريف مفهومة، يسمح النظام لسلطات الضرائب بالانتقال من التخمين إلى استراتيجية تحقيق أكثر استهدافًا. وتوضح الدراسة أنه من خلال النظر في كيفية اتصال الشركات وكيفية تحرك أموالها معًا، يمكن الكشف عن أنماط خفية تظل غير مرئية إذا تم فحص الشركات بمعزل عن بعضها البعض. وبينما تعتمد النتائج الحالية على بيانات من ليتوانيا ومقتصرة على المجموعات ذات السجلات المالية الكاملة، فإن هذا النهج يقدم مسارًا واعدًا لتحديث تقييم المخاطر الضريبية. وهو يشير إلى أن مستقبل الامتثال الضريبي قد لا يكمن في قواعد أكثر صرامة، بل في طرق أذكى لرؤية الروابط التي تجمع عالم الشركات معًا.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.