A Predictive Model to Detect Property Taxpayer Non-Compliance and Estimate Property Tax Liabilities in Rwanda Using Supervised Machine Learning
Este estudio demuestra que un marco de aprendizaje automático supervisado basado en XGBoost, entrenado con más de un millón de registros de la Autoridad Tributaria de Ruanda, detecta eficazmente el incumplimiento del impuesto sobre la propiedad y estima las obligaciones fiscales, permitiendo una estrategia de auditoría basada en el riesgo que podría recuperar el 80% de los impuestos no pagados al dirigirse al 20% superior de los contribuyentes de alto riesgo.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
En muchas partes del mundo, recaudar impuestos sobre edificios y terrenos es una tarea difícil. Los gobiernos necesitan este dinero para construir carreteras, escuelas y hospitales, pero el sistema a menudo depende de que las personas digan la verdad sobre cuánto vale su propiedad. Cuando los propietarios declaran un valor demasiado bajo, el gobierno pierde ingresos y los contribuyentes honestos terminan pagando más de lo que les corresponde. Para solucionar esto, los funcionarios fiscales han dependido tradicionalmente de verificaciones manuales, donde los auditores visitan físicamente las propiedades o revisan archivos de papel uno por uno. Sin embargo, a medida que las ciudades crecen y el número de edificios aumenta, esta vieja forma de trabajar se vuelve demasiado lenta y costosa para mantenerse al día. En años recientes, los expertos han comenzado a explorar si las computadoras pueden aprender de registros pasados para detectar patrones que los humanos podrían pasar por alto, ayudando a los funcionarios a decidir a quién revisar primero sin necesidad de mirar cada uno de los archivos.
Este es el desafío que investigadores de la Universidad de Ruanda se propusieron resolver. Querían saber si una computadora podía observar los vastos registros que posee la Autoridad Tributaria de Ruanda y determinar dos cosas: primero, qué propietarios de inmuebles tienen probabilidades de no estar pagando la cantidad correcta de impuestos, y segundo, cuál debería ser la cantidad correcta. El equipo recopiló un conjunto masivo de datos que contenía información sobre más de un millón de propietarios de propiedades. Estos datos incluían detalles sobre los edificios, cuánto tiempo habían estado registrados los propietarios, cuánto debían, cuánto habían pagado realmente y cualquier penalización o interés que hubieran acumulado. En lugar de adivinar, los investigadores enseñaron a tres tipos diferentes de programas informáticos a aprender de esta historia. Probaron qué tan bien estos programas podían predecir quién era incumplidor y qué tan precisos eran para estimar la factura fiscal real de una propiedad.
Los investigadores descubrieron que un tipo específico de programa informático, conocido como XGBoost, era mucho mejor en la tarea que los otros. Este programa está diseñado para aprender construyendo muchos pequeños pasos de decisión y combinándolos para realizar una predicción final. Al ser probado con datos de 2024 que la computadora nunca había visto antes, este modelo identificó correctamente a los contribuyentes incumplidores aproximadamente el 88 por ciento de las veces. También fue muy bueno estimando la obligación tributaria correcta, siendo sus predicciones mucho más cercanas a los números reales que las realizadas por los otros modelos. El estudio reveló que las pistas más importantes para detectar problemas no siempre se trataban del edificio en sí, como su tamaño o ubicación. En su lugar, la computadora aprendió que el propio comportamiento de un contribuyente era la señal más fuerte. Factores como la relación entre lo que pagaron frente a lo que debían, cuánto debían en penalizaciones y cuánto tiempo habían estado registrados fueron los mejores indicadores de si alguien era propenso a ser incumplidor.
El verdadero poder de este descubrimiento reside en cómo podría cambiar la forma en que se realizan las auditorías fiscales. Los investigadores realizaron una simulación para ver qué pasaría si los funcionarios utilizaran estas predicciones computacionales para decidir a quién investigar. En un enfoque tradicional, si los funcionarios eligieran a los contribuyentes al azar para auditar, solo recuperarían aproximadamente el 20 por ciento del dinero no pagado que buscaban. Sin embargo, cuando utilizaron la computadora para clasificar a los contribuyentes por riesgo y centraron sus esfuerzos en el 20 por ciento superior de los posibles infractores, la simulación mostró que podrían recuperar aproximadamente el 80 por ciento de las obligaciones no pagadas. Esto sugiere que, al utilizar los datos para guiar su trabajo, las autoridades fiscales podrían encontrar la gran mayoría de los ingresos faltantes mientras gastan mucho menos tiempo y dinero en auditorías.
El estudio concluye que este enfoque ofrece un camino práctico para Ruanda y otros países que enfrentan desafíos similares. Al integrar estas herramientas predictivas en su trabajo diario, los administradores tributarios podrían alejarse de las verificaciones aleatorias y avanzar hacia un sistema donde los recursos se dirigen exactamente a donde más se necesitan. Los investigadores enfatizan que, si bien el modelo computacional es poderoso, debe usarse como una herramienta para apoyar la toma de decisiones humana, no para reemplazarla por completo. Recomiendan que la Autoridad Tributaria de Ruanda adopte este sistema basado en el riesgo, mientras continúa mejorando la calidad de sus datos y asegurando que el proceso sea justo. Este trabajo demuestra que, incluso en un entorno de recursos limitados, el uso inteligente de los registros existentes puede conducir a un sistema tributario más eficiente y equitativo.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.