A Predictive Model to Detect Property Taxpayer Non-Compliance and Estimate Property Tax Liabilities in Rwanda Using Supervised Machine Learning
Diese Studie zeigt, dass ein auf XGBoost basierendes Framework für überwachtes maschinelles Lernen, das mit über einer Million Datensätzen der Rwanda Revenue Authority trainiert wurde, die Nichteinhaltung der Grundsteuer effektiv erkennt und Verbindlichkeiten schätzt, was eine risikobasierte Prüfstrategie ermöglicht, die durch die gezielte Ansprache der obersten 20 % der Hochrisikosteuerzahler 80 % der unbezahlten Steuern zurückgewinnen könnte.
Originalarbeit lizenziert unter CC BY 4.0 (https://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
In vielen Teilen der Welt ist das Einziehen von Steuern auf Gebäude und Grundstücke eine schwierige Aufgabe. Regierungen benötigen dieses Geld, um Straßen, Schulen und Krankenhäuser zu bauen, aber das System beruht oft darauf, dass Menschen die Wahrheit darüber sagen, wie viel ihr Eigentum wert ist. Wenn Eigentümer einen Wert angeben, der zu niedrig ist, verliert die Regierung Einnahmen, und ehrliche Steuerzahler müssen am Ende mehr als ihren fairen Anteil zahlen. Um dies zu beheben, haben sich Steuerbehörden traditionell auf manuelle Kontrollen verlassen, bei denen Prüfer physisch Gebäude besuchen oder Papierakten einzeln überprüfen. Da Städte jedoch wachsen und die Anzahl der Gebäude zunimmt, wird diese alte Arbeitsweise jedoch zu langsam und zu teuer, um Schritt zu halten. In den letzten Jahren haben Experten begonnen zu untersuchen, ob Computer aus vergangenen Aufzeichnungen lernen können, um Muster zu erkennen, die Menschen entgehen könnten, um Beamten dabei zu helfen, zu entscheiden, wen sie zuerst prüfen sollten, ohne dass sie jede einzelne Akte sichten müssen müssen.
Dies ist die Herausforderung, die Forscher der Universität Ruanda lösen wollten. Sie wollten wissen, ob ein Computer in der Lage wäre, die umfangreichen Datensätze der Rwanda Revenue Authority zu analysieren und zwei Dinge herauszufinden: erstens, welche Immobilieneigentümer wahrscheinlich nicht den korrekten Steuerbetrag zahlen, und zweitens, wie hoch der korrekte Betrag sein sollte. Das Team sammelte einen massiven Datensatz mit Informationen über mehr als eine Million Immobilieneigentümer. Diese Daten enthielten Details über die Gebäude, wie lange die Eigentümer registriert waren, wie viel sie schuldeten, was sie tatsächlich bezahlt hatten und welche Strafen oder Zinsen sie angehäuft hatten. Anstatt zu raten, brachten die Forscher drei verschiedene Arten von Computerprogrammen bei, aus dieser Historie zu lernen. Sie testeten, wie gut diese Programme vorhersagen konnten, wer nicht konform war, und wie genau sie die tatsächliche Steuerlast einer Immobilie schätzen konnten.
Die Forscher fanden heraus, dass eine bestimmte Art von Computerprogramm, bekannt als XGBoost, weitaus besser bei der Arbeit war als die anderen. Dieses Programm ist darauf ausgelegt, durch das Erstellen vieler kleiner Entscheidungsschritte zu lernen und diese zu einer endgültigen Vorhersage zu kombinieren. Als es mit Daten aus dem Jahr 2024 getestet wurde, die der Computer zuvor noch nie gesehen hatte, identifizierte dieses Modell nicht konforme Steuerzahler zu etwa 88 Prozent korrekt. Es war auch sehr gut darin, die korrekte Steuerverbindlichkeit zu schätzen, wobei seine Vorhersagen viel näher an den tatsächlichen Zahlen lagen als die der anderen Modelle. Die Studie ergab, dass die wichtigsten Hinweise zur Erkennung von Problemen nicht immer das Gebäude selbst waren, wie etwa dessen Größe oder Lage. Stattdessen lernte der Computer, dass das eigene Verhalten des Steuerzahlers das stärkste Signal war. Faktoren wie das Verhältnis zwischen dem, was sie bezahlt hatten, und dem, was sie schuldeten, wie viel sie an Strafen schuldeten und wie lange sie bereits registriert waren, waren die besten Indikatoren dafür, ob jemand wahrscheinlich nicht konform war.
Die wahre Kraft dieser Entdeckung liegt darin, wie sie die Art und Weise, wie Steuerprüfungen durchgeführt werden, verändern könnte. Die Forscher führten eine Simulation durch, um zu sehen, was passieren würde, wenn Beamte diese Computerprognosen nutzen würden, um zu entscheiden, wen sie untersuchen sollten. Bei einem traditionellen Ansatz, wenn Beamte zufällig Steuerzahler für eine Prüfung auswählen würden, würden sie nur etwa 20 Prozent des unbezahlten Geldes zurückfordern, das sie suchen. Wenn sie jedoch den Computer nutzten, um Steuerzahler nach Risiko zu ordnen und ihre Bemühungen auf die obersten 20 Prozent der wahrscheinlichsten Übeltäter konzentrierten, zeigte die Simulation, dass sie etwa 80 Prozent der unbezahlten Verbindlichkeiten zurückfordern könnten. Dies deutet darauf sich, dass Steuerbehörden durch den Einsatz von Daten zur Steuerung ihrer Arbeit den Großteil der fehlenden Einnahmen finden könnten, während sie gleichzeitig viel weniger Zeit und Geld für Prüfungen aufwenden.
Die Studie kommt zu dem Schluss, dass dieser Ansatz einen praktischen Weg nach vorn für Ruanda und andere Länder bietet, die vor ähnlichen Herausforderungen stehen. Durch die Integration dieser prädiktiven Werkzeuge in ihr tägliches Arbeiten könnten Steuerverwaltungen von zufälligen Kontrollen zu einem System übergehen, bei dem Ressourcen genau dort eingesetzt werden, wo sie am dringendsten benötigt werden. Die Forscher betonen, dass das Computermodell zwar leistungsstark ist, es jedoch als Werkzeug zur Unterstützung menschlicher Entscheidungsfindung eingesetzt werden sollte und nicht dazu dient, diese vollständig zu ersetzen. Sie empfehlen der Rwanda Revenue Authority, dieses risikobasierte System einzuführen und gleichzeitig die Qualität ihrer Daten kontinuierlich zu verbessern und sicherzustellen, dass der Prozess fair bleibt. Diese Arbeit zeigt, dass selbst in einem ressourcenbeschränkten Umfeld der kluge Einsatz bestehender Datensätze zu einem effizienteren und gerechteren Steuersystem führen kann.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.