A Predictive Model to Detect Property Taxpayer Non-Compliance and Estimate Property Tax Liabilities in Rwanda Using Supervised Machine Learning
यह अध्ययन प्रदर्शित करता है कि रवांडा राजस्व प्राधिकरण के दस लाख से अधिक रिकॉर्ड पर प्रशिक्षित एक XGBoost-आधारित सुपरवाइज्ड मशीन लर्निंग फ्रेमवर्क, संपत्ति कर गैर-अनुपालन का प्रभावी ढंग से पता लगाता है और देनदारियों का अनुमान लगाता है, जिससे एक जोखिम-आधारित ऑडिट रणनीति सक्षम होती है जो शीर्ष 20% उच्च-जोखिम वाले करदाताओं को लक्षित करके 80% बकाया करों की वसूली कर सकती है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
दुनिया के कई हिस्सों में, इमारतों और ज़मीन पर कर (टैक्स) वसूलना एक कठिन कार्य है। सरकारों को सड़कें, स्कूल और अस्पताल बनाने के लिए इस धन की आवश्यकता होती है, लेकिन यह प्रणाली अक्सर इस बात पर निर्भर करती है कि लोग अपनी संपत्ति का मूल्य कितना बताते हैं। जब मालिक बहुत कम मूल्य घोषित करते हैं, तो सरकार को राजस्व का नुकसान होता है, और ईमानदार करदाताओं को अपने उचित हिस्से से अधिक भुगतान करना पड़ता है। इसे ठीक करने के लिए, कर अधिकारी पारंपरिक रूप से मैन्युअल जांच पर भरोसा करते रहे हैं, जहाँ ऑडिटर्स भौतिक रूप से संपत्तियों का दौरा करते हैं या एक-एक करके कागजी फाइलों की समीक्षा करते हैं। हालाँकि, जैसे-जैसे शहर बढ़ रहे हैं और इमारतों की संख्या बढ़ रही है, काम करने का यह पुराना तरीका तालमेल बिठाने के लिए बहुत धीमा और महंगा होता जा रहा है। हाल के वर्षों में, विशेषज्ञों ने यह पता लगाने के लिए अन्वेषण करना शुरू कर दिया है कि क्या कंप्यूटर पिछले रिकॉर्ड से पैटर्न सीख सकते हैं, जिससे अधिकारियों को यह तय करने में मदद मिल सके कि किसे सबसे पहले जांचना है, बिना हर एक फाइल को देखे।
यही वह चुनौती थी जिसे रवांडा विश्वविद्यालय के शोधकर्ताओं ने हल करने का संकल्प लिया। वे जानना चाहते थे कि क्या एक कंप्यूटर रवांडा राजस्व प्राधिकरण के पास मौजूद विशाल रिकॉर्ड को देखकर दो चीजें पता लगा सकता है: पहला, कौन से संपत्ति मालिक सही राशि का भुगतान नहीं करने की संभावना रखते हैं, और दूसरा, सही राशि कितनी होनी चाहिए। टीम ने दस लाख से अधिक संपत्ति मालिकों की जानकारी वाला एक विशाल डेटासेट एकत्र किया। इस डेटा में इमारतों के विवरण, मालिक कितने समय से पंजीकृत थे, वे कितना बकाया रखते थे, उन्होंने वास्तव में कितना भुगतान किया था, और उनके द्वारा जमा किए गए किसी भी दंड या ब्याज के बारे में विवरण शामिल थे। अनुमान लगाने के बजाय, शोधकर्ताओं ने तीन अलग-अलग प्रकार के कंप्यूटर प्रोग्रामों को इस इतिहास से सीखने के लिए प्रशिक्षित किया। उन्होंने परीक्षण किया कि ये प्रोग्राम कितनी अच्छी तरह से गैर-अनुपालन (नियमों का पालन न करने वाले) की भविष्यवाणी कर सकते हैं और कितनी सटीकता से किसी संपत्ति के वास्तविक टैक्स बिल का अनुमान लगा सकते हैं।
शोधकर्ताओं ने पाया कि एक विशिष्ट प्रकार का कंप्यूटर प्रोग्राम, जिसे 'XGBoost' के रूप में जाना जाता है, अन्य की तुलना में इस काम में कहीं बेहतर था। यह प्रोग्राम कई छोटे निर्णय चरणों का निर्माण करके और अंतिम भविष्यवाणी करने के लिए उन्हें संयोजित करके सीखने के लिए डिज़ाइन किया गया है। 2024 के उस डेटा पर परीक्षण करने पर जिसे कंप्यूटर ने पहले कभी नहीं देखा था, इस मॉडल ने लगभग 88 प्रतिशत बार गैर-अनुपालन करने वाले करदाताओं की सही पहचान की। यह सही टैक्स देनदारी का अनुमान लगाने में भी बहुत अच्छा था, क्योंकि इसकी भविष्यवाणियां अन्य मॉडलों द्वारा की गई संख्याओं की तुलना में वास्तविक आंकड़ों के बहुत करीब थीं। अध्ययन से पता चला कि समस्या को पहचानने के लिए सबसे महत्वपूर्ण सुराग हमेशा इमारत के बारे में नहीं थे, जैसे कि उसका आकार या स्थान। इसके बजाय, कंप्यूटर ने सीखा कि करदाता का अपना व्यवहार सबसे मजबूत संकेत था। भुगतान बनाम बकाया का अनुपात, दंड में उनका बकाया कितना है, और वे कितने समय से पंजीकृत थे—ये कारक सबसे अच्छे संकेतक थे कि कोई व्यक्ति गैर-अनुपालन करने की संभावना रखता है।
इस खोज की असली शक्ति इस बात में निहित है कि यह ऑडिट (लेखा परीक्षा) के तरीके को कैसे बदल सकती है। शोधकर्ताओं ने एक सिमुलेशन चलाया यह देखने के लिए कि यदि अधिकारी जांच के लिए निर्णय लेने हेतु इन कंप्यूटर भविष्यवाणियों का उपयोग करते हैं तो क्या होगा। एक पारंपरिक दृष्टिकोण में, यदि अधिकारी ऑडिट के लिए यादृच्छिक (रैंडम) रूप से करदाताओं को चुनते हैं, तो वे अनपेड (अनपेड) राशि का केवल 20 प्रतिशत हिस्सा ही वसूल पाएंगे। हालाँकि, जब उन्होंने करदाताओं को जोखिम के आधार पर रैंक करने के लिए कंप्यूटर का उपयोग किया और अपना ध्यान सबसे अधिक संभावित उल्लंघनकर्ताओं के शीर्ष 20 प्रतिशत पर केंद्रित किया, तो सिमुलेशन ने दिखाया कि वे अनपेड देनदारियों का लगभग 80 प्रतिशत वसूल कर सकते हैं। यह सुझाव देता है कि अपने काम को निर्देशित करने के लिए डेटा का उपयोग करके, कर अधिकारी ऑडिट पर बहुत कम समय और पैसा खर्च करते हुए खोई हुई राजस्व का बड़ा हिस्सा प्राप्त कर सकते हैं।
अध्ययन निष्कर्ष निकालता है कि यह दृष्टिकोण रवांडा और समान चुनौतियों का सामना कर रहे अन्य देशों के लिए एक व्यावहारिक मार्ग प्रदान करता है। इन भविष्य कहने वाले उपकरणों को अपने दैनिक कार्यों में एकीकृत करके, कर प्रशासक यादृच्छिक जांचों से हटकर एक ऐसी प्रणाली की ओर बढ़ सकते हैं जहाँ संसाधन बिल्कुल वहीं निर्देशित किए जाते हैं जहाँ उनकी सबसे अधिक आवश्यकता होती है। शोधकर्ता इस बात पर जोर देते हैं कि हालांकि कंप्यूटर मॉडल शक्तिशाली है, लेकिन इसका उपयोग मानव निर्णय लेने में सहायता के लिए एक उपकरण के रूप में किया जाना चाहिए, न कि पूरी तरह से उसे बदलने के लिए। वे अनुशंसा करते हैं कि रवांडा राजस्व प्राधिकरण को इस जोखिम-आधारित प्रणाली को अपनाना चाहिए, साथ ही अपने डेटा की गुणवत्ता में सुधार करना जारी रखना चाहिए और यह सुनिश्चित करना चाहिए कि प्रक्रिया निष्पक्ष बनी रहे। यह कार्य प्रदर्शित करता है कि सीमित संसाधनों वाले वातावरण में भी, मौजूदा रिकॉर्डों का स्मार्ट उपयोग एक अधिक कुशल और न्यायसंगत कर प्रणाली की ओर ले जा सकता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।