🔬 physics

Stochastic compliance/evasion dynamics in tax models: a piecewise deterministic Markov process approach

Dieser Beitrag stellt ein neuartiges Framework für stückweise deterministische Markov-Prozesse (PDMP) vor, das ein deterministisches Modell der Steuerhinterziehung durch die Einbeziehung stochastischer Prüfungs- und Imitationsmechanismen erweitert und nachweist, dass deren Wechselwirkung extreme Gleichgewichte verhindert und stattdessen anhaltende Schwankungen um eine stationäre Verteilung erzeugt, die die realen Dynamiken der Compliance besser widerspiegelt.

Ursprüngliche Autoren: Jonas Mayr, Amira Meddah, Irene Tubikanec

Veröffentlicht 2026-05-26

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Jonas Mayr, Amira Meddah, Irene Tubikanec

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Ganze: Ein Steuermodell, das „atmet"

Stellen Sie sich eine Gesellschaft als einen riesigen, geschäftigen Marktplatz vor. Auf diesem Markt haben Menschen unterschiedlich viel Geld (Einkommensklassen) und handeln ständig miteinander. Manche zahlen ihren vollen Steueranteil, während andere versuchen, ihr Geld zu verstecken, um weniger zu zahlen (Steuerhinterziehung).

Lange Zeit versuchten Mathematiker, das Verhalten dieses Marktes mit einem deterministischen Modell vorherzusagen. Stellen Sie sich das wie einen Zug auf einer festen Strecke vor. Sobald der Zug startet, wissen Sie genau, wohin er fährt. Im alten Modell blieb eine Person, sobald sie sich für einen „Steuerhinterzieher" oder einen „Steuerzahler" entschieden hatte, für immer dabei. Sie konnten zwar im Einkommen auf- oder absteigen (wie den Waggon wechseln), aber ihre Einstellung zu Steuern änderte sich nie.

Die Autoren dieses Papiers sagen: „Das ist zu starr. Echte Menschen ändern ihre Meinung." Sie führen ein neues Modell ein, das weniger wie ein Zug und mehr wie ein Fangspiel mit einem Schiedsrichter wirkt. In diesem neuen Spiel können die Spieler plötzlich die Mannschaft wechseln (vom Hinterzieher zum Zahler oder umgekehrt), basierend auf zufälligen Ereignissen. Sie nennen dies einen stückweise deterministischen Markov-Prozess (PDMP).

So funktioniert ihr neues „Spiel", aufgeteilt in drei Teile:

1. Die zwei Kräfte: Der Schiedsrichter und die Menge

Das Papier identifiziert zwei Hauptkräfte, die dazu führen, dass Menschen ihr Steuerverhalten ändern. Zuerst modellierten sie diese als zwei separate „Spiele", dann kombinierten sie sie.

Kraft A: Die Prüfung (Der Schiedsrichter)

Die Metapher: Stellen Sie sich einen Schiedsrichter vor, der zufällig in eine Pfeife bläst. Wenn die Pfeife ertönt, ist es eine Prüfung.
Wie es funktioniert: Wenn eine Person betrügt (Steuern hinterzieht) und vom Schiedsrichter erwischt wird, muss sie zur „ehrlichen" Mannschaft wechseln.
Das Ergebnis: Wenn Sie nur den Schiedsrichter haben, der Pfeifen bläst, wird schließlich jeder ehrlich. Das „Betrüger"-Team verschwindet vollständig. Das System beruhigt sich in einem Zustand von 100-prozentiger Compliance.

Kraft B: Nachahmung (Die Menge)

Die Metapher: Stellen Sie sich eine Gruppe von Freunden vor, die zusammenhängen. Wenn ein Freund sagt: „Hey, ich habe meine Steuern nicht bezahlt und bin damit durchgekommen", denken die anderen vielleicht: „Das klingt schlau. Das mache ich auch." Das ist Nachahmung.
Wie es funktioniert: Menschen beobachten ihre Peers. Wenn sie sehen, dass andere erfolgreich Steuern hinterziehen, kopieren sie diese wahrscheinlich und wechseln zur „Betrüger"-Mannschaft.
Das Ergebnis: Wenn Sie nur diesen „Kopierer"-Effekt haben, wird schließlich jeder ein Betrüger. Das „ehrliche" Team verschwindet. Das System beruhigt sich in einem Zustand von 100-prozentiger Hinterziehung.

2. Die reale Welt: Das kombinierte Spiel

Die Autoren erkannten, dass in der realen Welt sowohl der Schiedsrichter (Prüfungen) als auch die Menge (Nachahmung) gleichzeitig stattfinden. Sie bauten ein drittes Modell, in dem diese beiden Kräfte gegeneinander kämpfen.

Die Analogie: Stellen Sie sich ein Seilziehen vor. Auf der einen Seite zieht der Schiedsrichter die Menschen zur Ehrlichkeit. Auf der anderen Seite zieht die Menge sie zum Betrug.
Das Ergebnis: Im alten „Zug"-Modell würde das System schließlich aufhören zu bewegen und sich auf einer Seite niederlassen. Aber in diesem neuen „Seilzieh"-Modell hört das System niemals auf zu bewegen.
- Manchmal gewinnt der Schiedsrichter, und mehr Menschen werden ehrlich.
- Dann holt die Menge auf, und mehr Menschen fangen an zu betrügen.
- Die Zahlen schwanken auf und ab, neigen aber dazu, um einen bestimmten „Mittelwert" zu schweben.

Dies ist die Hauptentdeckung des Papiers: Echte Steuersysteme beruhigen sich nicht in einem perfekten, statischen Zustand. Stattdessen beruhigen sie sich in einem dynamischen Gleichgewicht, in dem es immer eine Mischung aus ehrlichen und unehrlichen Menschen gibt, die sich ständig verschieben, aber innerhalb eines vorhersehbaren Bereichs bleiben.

3. Warum das wichtig ist (laut dem Papier)

Die Autoren behaupten, dass ihr neues Modell realistischer ist, weil:

Es die Regeln respektiert: Obwohl die Menschen zwischen den Mannschaften hin- und herspringen, bleiben die Gesamtsumme des Geldes und die Gesamtzahl der Menschen in der Gesellschaft konstant (genau wie im alten Modell).
Es die Realität einfängt: Es erklärt, warum wir nie eine Gesellschaft sehen, in der jeder perfekt Steuern zahlt, noch eine, in der jeder betrügt. Wir sehen einen chaotischen, schwankenden Mittelweg, und dieses Modell erklärt, warum das passiert.
Es die „Stationäre Verteilung" vorhersagt: Anstatt eine einzelne Endzahl vorherzusagen (z. B. „50 % werden betrügen"), sagt das Modell eine Wolke von Möglichkeiten voraus. Es sagt uns, dass der Prozentsatz der Betrüger über einen langen Zeitraum um einen bestimmten Durchschnitt springen wird, anstatt an einer Stelle einzufrieren.

Zusammenfassung

Altes Modell: Menschen bleiben in ihren Steuergewohnheiten stecken. Das System ist eine gerade Linie zu einem endgültigen Ziel.
Neues Modell (PDMP): Menschen wechseln ständig ihre Gewohnheiten aufgrund von Prüfungen (die sie zur Ehrlichkeit drängen) und Nachahmung (die sie zum Betrug drängen).
Das Ergebnis: Das System hört nicht auf; es tanzt. Es schwankt um einen stabilen Durchschnitt und schafft ein viel realistischeres Bild davon, wie Steuercompliance in der realen Welt funktioniert.

Das Papier beweist mathematisch, dass dieses „tanzende" Verhalten stabil ist und dass das System sich schließlich in ein Muster beruhigt, bei dem die Mischung aus ehrlichen und unehrlichen Menschen im Laufe der Zeit konsistent bleibt, obwohl die Individuen ständig ihre Meinung ändern.

Technische Zusammenfassung: Stochastische Dynamiken von Compliance und Umgehung in Steuermodellen

Problemstellung
Steuerhinterziehung bleibt eine anhaltende Herausforderung mit erheblichen makroökonomischen und sozialen Folgen, darunter verringerte öffentliche Einnahmen und eine verstärkte Einkommensungleichheit. Während die bestehende Forschung mathematische Modellierung genutzt hat, um Hinterziehung zu verstehen, besteht eine spezifische Einschränkung im deterministischen Rahmenwerk, das von Bertotti und Modanese (2018) eingeführt wurde. In diesem Modell wird das individuelle Steuercompliance-Verhalten als statisch behandelt; es wird angenommen, dass Agenten unbegrenzt in ihren zugewiesenen Hinterziehungssektoren verbleiben, wobei Änderungen ausschließlich durch Einkommensklassenübergänge erfolgen, die durch wirtschaftliche Interaktionen getrieben werden. Diese Annahme ignoriert die dynamische Natur der Compliance, die in der Realität durch institutionelle Anreize (wie Prüfungsrisiken) und soziale Faktoren (wie Peer-Einfluss und Imitation) geprägt wird.

Methodik
Um diese strukturelle Einschränkung zu adressieren, erweitern die Autoren das deterministische Modell gewöhnlicher Differentialgleichungen (ODE) in einen stochastischen Rahmen unter Verwendung von stückweise deterministischen Markov-Prozessen (PDMPs). Dieser Ansatz kombiniert kontinuierliche deterministische Evolution mit diskreten stochastischen Sprüngen.

Die Studie formalisiert drei unterschiedliche PDMP-Modelle:

Audit-PDMP: Modelliert zufällige Durchsetzungsereignisse, bei denen Prüfungen Übergänge von nicht-konformen Sektoren in den vollständig konformen Sektor bewirken. Die Sprungrate ist zustandsabhängig und skaliert mit dem Anteil nicht-konformer Individuen in der Population.
Imitations-PDMP: Modelliert sozialen Einfluss, bei dem Individuen die Hinterziehungsstrategien ihrer Peers übernehmen. Dieser Mechanismus treibt Übergänge von konformen Sektoren zu höheren Hinterziehungssektoren an. Die Sprungrate ist zustandsabhängig und skaliert mit dem Anteil konformer Individuen (was die Idee widerspiegelt, dass eine größere konforme Population mehr Möglichkeiten bietet, Hinterziehung zu beobachten und zu imitieren).
Kombinierter PDMP: Integriert beide Mechanismen, sodass Prüfungen und Imitation gleichzeitig wirken können. Die Gesamtsprungrate ist die Summe der einzelnen Raten, und der spezifische Ereignistyp (Prüfung vs. Imitation) wird zu jedem Sprungzeitpunkt probabilistisch bestimmt.

Für jedes Modell definieren die Autoren die drei charakteristischen Komponenten eines PDMP: den deterministischen Fluss (gesteuert durch die ursprüngliche ODE), die Sprungratenfunktion und den Übergangskernel (die Abbildung, die Zustandsänderungen zu Sprungzeitpunkten beschreibt). Sie verifizieren rigoros, dass diese stochastischen Erweiterungen die fundamentalen Erhaltungsgesetze des ursprünglichen Systems bewahren: die Gesamtbevölkerungsmasse und das globale Einkommen.

Numerische Simulationen werden unter Verwendung einer modifizierten Euler-Methode (um die Erhaltung der Bevölkerungsmasse sicherzustellen) kombiniert mit einem Thinning-Verfahren zur Simulation der Sprungzeitpunkte des PDMP durchgeführt.

Hauptbeiträge und Ergebnisse

Gegensätzliche Langzeitdynamiken: Die Studie zeigt, dass die beiden stochastischen Mechanismen grundlegend gegensätzliche langfristige Ergebnisse produzieren.
- Der Audit-PDMP treibt das System in einen Zustand voller Compliance. Wiederholte Prüfungen reduzieren die nicht-konforme Population systematisch und führen zu einer stationären Verteilung, die auf einem vollständig konformen Gleichgewicht konzentriert ist.
- Der Imitations-PDMP treibt das System in Richtung vollständiger Nicht-Compliance. Imitationsereignisse verschieben die Population systematisch zu höheren Hinterziehungssektoren, was zu einer stationären Verteilung führt, die auf einem Zustand maximaler Hinterziehung konzentriert ist.
Das Kombinierte Modell: Der zentrale Beitrag ist die Formulierung eines kombinierten PDMP, bei dem diese gegensätzlichen Kräfte interagieren. Im Gegensatz zu den einzelnen Mechanismen, die das System zu extremen Gleichgewichten treiben, konvergiert das kombinierte Modell nicht zu einem einzigen deterministischen Punkt. Stattdessen deuten numerische Beweise darauf hin, dass das System zu einer stationären Verteilung konvergiert, die um die deterministische Trajektorie des ursprünglichen ODE-Modells schwankt.
Parametersensitivität: Die Simulationen zeigen, dass das Verhalten des Systems gegenüber vier Schlüsselparametern sensitiv ist: Prüfungsintensität ( $\gamma$ ), Prüfungseffektivität ( $\delta$ ), Imitationsfrequenz ( $\eta$ ) und Imitationsstärke ( $\epsilon$ ). Während die Intensitätsparameter ( $\gamma, \eta$ ) die Häufigkeit von Ereignissen steuern, kontrollieren die Stärkparameter ( $\delta, \epsilon$ ) das Ausmaß der Bevölkerungsübertragungen während dieser Ereignisse.
Charakteristika der stationären Verteilung: Im kombinierten Modell ist die stationäre Verteilung in der Nähe des deterministischen Gleichgewichts zentriert, weist jedoch systematische Abweichungen auf. Diese Abweichungen werden auf die Interaktion zwischen den Übergangskernels und der nichtlinearen, klassenabhängigen Wirtschaftsstruktur zurückgeführt (insbesondere die Randbedingungen, bei denen die Ärmsten niemals Steuern zahlen und die Reichsten niemals Leistungen erhalten).

Bedeutung und Behauptungen
Die Arbeit behauptet, die erste Anwendung von PDMPs zur Modellierung von Verhaltensdynamiken und Prüfungseffekten bei Steuerhinterziehung vorzustellen. Die primäre Bedeutung dieser Arbeit liegt in ihrer Fähigkeit, verhaltensbezogene Stochastik in sozioökonomische Modelle zu integrieren und über die statische Behandlung der Compliance hinauszuwachsen, wie sie in früheren deterministischen Rahmenwerken zu finden ist.

Die Autoren argumentieren, dass der kombinierte PDMP eine realistischere Darstellung der in realen Volkswirtschaften beobachteten Compliance-Dynamiken bietet, in denen Populationen sich nicht in extremen Zuständen voller Compliance oder voller Hinterziehung einpendeln, sondern vielmehr anhaltende Schwankungen um ein Gleichgewicht mit teilweiser Compliance aufweisen. Das vorgeschlagene Rahmenwerk wird als vielseitiges Werkzeug zur Integration stochastischer Verhaltensmechanismen in komplexe Systeme präsentiert, mit Potenzial für zukünftige Erweiterungen, die verfeinerte Verhaltenssektoren, alternative Prüfungspolitiken oder Lernmechanismen umfassen. Die Arbeit legt ein mathematisches Fundament für die Untersuchung, wie Politikparameter und soziale Interaktionen ko-evolvieren, um makroskopische Verteilungen von Compliance und Einkommen zu erzeugen.