Unsupervised Identification of Corporate Tax-Risk Profiles Using Multilayer Network and Financial Characteristics
यह अध्ययन एक अनसुपरवाइज्ड (unsupervised) ढांचे का प्रस्ताव करता है जो पूर्व-निर्धारित मानदंडों या लेबल किए गए डेटा पर निर्भर हुए बिना, विषम कॉर्पोरेट टैक्स-जोखिम प्रोफाइल की पहचान करने के लिए मल्टीलेयर नेटवर्क विशेषताओं को वित्तीय विचलनों के साथ एकीकृत करता 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 भर के कर अधिकारी एक निरंतर चुनौती का सामना कर रहे हैं: कंपनियाँ अलग-थलग होकर काम नहीं करती हैं। वे स्वामित्व, प्रबंधन और पारिवारिक संबंधों के जटिल जाल बनाती हैं, जो अक्सर सीमाओं के पार फैलकर ऐसी संरचनाएँ बना देते हैं जिन्हें सुलझाना कठिन होता है। जब ये कंपनियों के समूह असामान्य तरीकों से पैसा, लाभ या संपत्ति स्थानांतरित करते हैं, तो यह आक्रामक टैक्स प्लानिंग या टैक्स चोरी का संकेत हो सकता है। पारंपरिक रूप से, कर अधिकारियों ने इन रेड फ्लैग्स (चेतावनी के संकेतों) को पहचानने के लिए विशेषज्ञ निर्णय और निश्चित नियमों पर भरोसा किया है, जिसमें व्यक्तिगत कंपनी खातों को देखना या मानक चेकलिस्ट लागू करना शामिल था। हालाँकि, जैसे-जैसे परस्पर जुड़े व्यवसायों की संख्या बढ़ रही है और उनका वित्तीय डेटा अधिक विविध होता जा रहा है, ये पारंपरिक तरीके तालमेल बिठाने में संघर्ष कर रहे हैं। वे अक्सर इस बड़े चित्र को देखने में चूक जाते हैं कि कैसे कंपनियों का एक पूरा समूह मिलकर व्यवहार करता है, बजाय इसके कि केवल एक कंपनी अकेले कैसी दिखती है। इसे हल करने के लिए, शोधकर्ता एक अलग दृष्टिकोण की ओर मुड़ रहे हैं: बिना यह जाने कि एक "जोखिम भरी" कंपनी कैसी दिखती है, डेटा की विशाल मात्रा में छिपे हुए पैटर्न खोजने के लिए कंप्यूटर का उपयोग करना। यह विधि, जिसे अनसुपरवाइज्ड लर्निंग (unsupervised learning) कहा जाता है, डेटा को अपने स्वयं के अजीब या असामान्य आकार प्रकट करने की अनुमति देती है, जिससे अधिकारियों को उन समूहों की पहचान करने में मदद मिलती है जो अपनी बनावट और धन के आवागमन के आधार पर भीड़ से अलग दिखते हैं।
लिथुआनिया के कौनास यूनिवर्सिटी ऑफ टेक्नोलॉजी के शोधकर्ताओं की एक टीम ने इन कॉर्पोरेट समूहों को मैप करने का एक नया तरीका विकसित किया है ताकि उनके टैक्स जोखिमों को बेहतर ढंग से समझा जा सके। एकल कंपनी को देखने के बजाय, उन्होंने संबंधित व्यवसायों के पूरे समूहों को एक इकाई के रूप में माना, और उनके वित्तीय आंकड़ों और संरचनात्मक संबंधों दोनों का विश्लेषण किया। शोधकर्ताओं ने लिथुआनियाई स्टेट टैक्स इंस्पेक्टोरेट द्वारा प्रदान किए गए एक विशाल डेटासेट से शुरुआत की, जिसमें 1,13,000 से अधिक कानूनी संस्थाओं और 2,61,000 से अधिक लोगों के बारे में जानकारी शामिल थी। ये संस्थाएं तीन विशिष्ट प्रकार के संबंधों के माध्यम से जुड़ी हुई थीं: कौन किसका शेयर रखता है, कौन प्रबंधन करता है या नियंत्रण करता है, और पारिवारिक संबंध। टीम ने इन संबंधों का एक डिजिटल मॉडल बनाया, जिसमें प्रत्येक प्रकार के संबंध को अलग रखा गया ताकि उसमें निहित अद्वितीय जानकारी सुरक्षित रहे, ठीक वैसे ही जैसे एक मानचित्र की विभिन्न परतों को एक में मिलाने के बजाय उन्हें अलग रखना। इस जटिल जाल से, उन्होंने प्रत्येक समूह के संगठन के स्पष्ट, पठनीय विवरण निकाले, जिसमें यह गणना की गई कि कितने कंपनियाँ शामिल थीं, कितनी विदेशी संस्थाएं समूह का हिस्सा थीं, और क्या स्वामित्व का चक्र स्वयं में वापस घूमता है।
वित्तीय पक्ष को समझने के लिए, शोधकर्ताओं ने देखा कि प्रत्येक समूह के भीतर पैसा कैसे वितरित किया गया था। उन्होंने गणना की कि प्रत्येक कंपनी ने समूह की कुल संपत्ति, राजस्व, लाभ और ऋण में कितना योगदान दिया। एक विशिष्ट समूह में, ये योगदान कुछ हद तक संतुलित हो सकते हैं, लेकिन कुछ समूहों में, एक कंपनी के पास भारी मात्रा में लाभ हो सकता है जबकि दूसरी के पास लगभग सारा ऋण हो सकता है। शोधकर्ताओं ने इन असंतुलनों को मापने के लिए प्रत्येक समूह का एक प्रोफाइल बनाया। फिर उन्होंने इन संरचनात्मक विवरणों को वित्तीय प्रोफाइलों के साथ जोड़ा और उन्हें 'रिड्यूस्ड क्लस्टरिंग मेथड' नामक एक विशेष कंप्यूटर एल्गोरिदम में डाला। यह एल्गोरिदम बिना यह बताए कि उसे क्या खोजना है, डेटा में प्राकृतिक समूहों को खोजने के लिए डिज़ाइन किया गया है। यह जानकारी को स्कैन करता है और कहता है, "ये समूह एक-दूसरे के समान दिखते हैं, और उन अन्य समूहों से भिन्न हैं," और प्रभावी रूप से हजारों कॉर्पोरेट समूहों को उनकी अनूठी संरचना और वित्त के मिश्रण के आधार पर अलग-अलग श्रेणियों में वर्गीकृत करता है।
अध्ययन में 722 कॉर्पोरेट समूहों पर ध्यान केंद्रित किया गया जिनके पास विश्लेषण के लिए पर्याप्त पूर्ण वित्तीय डेटा था, जो कुल 7,050 कानूनी संस्थाओं का प्रतिनिधित्व करते हैं। जब शोधकर्ताओं ने केवल उनके वित्तीय नंबरों के आधार पर समूहों को छाँटने के लिए कंप्यूटर का उपयोग किया, तो इसे आठ अलग-अलग प्रोफाइल मिले। अधिकांश समूह एक बड़े, सामान्य श्रेणी में आते हैं जहाँ वित्तीय भूमिकाएँ अपेक्षाकृत संतुलित होती हैं। हालाँकि, कुछ छोटे समूह अत्यधिक विशेषताओं के साथ उभरे। केवल तीन कंपनियों वाले एक बहुत छोटे समूह ने अपने परिचालन परिणामों में भारी विचलन दिखाया, जबकि सात कंपनियों वाले एक अन्य छोटे समूह में लाभ में असामान्य उतार-चढ़ाव देखा गया। इन्हें दोषी के रूप में चिह्नित नहीं किया गया था, बल्कि इन्हें सांख्यिकीय रूप से असामान्य के रूप में पहचाना गया था, जो यह सुझाव देता है कि उनकी वित्तीय व्यवस्था के बारे में कुछ ऐसा था जो सामान्य से दुर्लभ था।
जब शोधकर्ताओं ने केवल उनके संरचनात्मक संबंधों के आधार पर समूहों का विश्लेषण किया, तो कंप्यूटर को बारह अलग-अलग प्रोफाइल मिले। कुछ समूह कई विदेशी मालिकों के होने से परिभाषित थे, जबकि अन्य नियंत्रण की जटिल श्रृंखलाओं या चक्रीय स्वामित्व संरचनाओं (जहाँ कंपनी A कंपनी B की मालिक है, जो कंपनी C की मालिक है, जो बदले में कंपनी A की मालिक है) द्वारा चिह्नित थे। विश्लेषण ने दिखाया कि समान आकार के समूहों की आंतरिक संरचनाएं बहुत भिन्न हो सकती हैं; कुछ सरल और प्रत्यक्ष थे, जबकि अन्य स्वामित्व के कई स्तरों और विदेशी भागीदारी वाले जटिल नेटवर्क थे।
सबसे महत्वपूर्ण हिस्सा अध्ययन का वह भाग था जब शोधकर्ताओं ने वित्तीय और संरचनात्मक जानकारी को एक एकल विश्लेषण में संयोजित किया। इस दृष्टिकोण ने सत्रह अलग-अलग प्रोफाइल बनाए, जो केवल एक कारक को देखने की तुलना में बहुत अधिक विस्तृत दृश्य प्रदान करते हैं। संयुक्त विश्लेषण ने दिखाया कि वित्तीय विसंगतियां और संरचनात्मक जटिलता हमेशा एक साथ नहीं होती हैं। कुछ समूह वित्तीय रूप से अजीब थे लेकिन संरचनात्मक रूप से सरल थे, जबकि अन्य स्वामित्व के जटिल जाल वाले थे लेकिन बहुत मानक वित्तीय पैटर्न रखते थे। सबसे महत्वपूर्ण बात यह है कि अध्ययन ने उन विशिष्ट समूहों की पहचान की जिनमें असामान्य वित्तीय व्यवहार और जटिल संरचनात्मक विशेषताएं दोनों मौजूद थीं। उदाहरण के लिए, शोधकर्ताओं ने ऐसे समूह पाए जिनमें महत्वपूर्ण विदेशी भागीदारी, चक्रीय स्वामित्व संरचनाएं और अपने सदस्यों के बीच लाभ या संपत्ति के वितरण में अत्यधिक असंतुलन था। ये विशिष्ट संयोजन ही हैं जिनमें टैक्स अधिकारी सबसे अधिक रुचि रखते हैं, क्योंकि वे उस छिपी हुई जटिलता का प्रतिनिधित्व करते हैं जो अक्सर आक्रामक टैक्स प्लानिंग के साथ आती है।
शोधकर्ता इस बात पर जोर देते हैं कि यह विधि यह साबित नहीं करती है कि कोई विशिष्ट समूह टैक्स चोरी कर रहा है। एल्गोरिदम केवल उन समूहों की पहचान करता है जो औसत से अलग दिखते हैं, जो मानव विशेषज्ञों को यह तय करने में मदद करने के लिए एक उपकरण के रूप में कार्य करता है कि किन मामलों की बारीकी से जांच की जानी चाहिए। कॉर्पोरेट डेटा के विशाल समुद्र को समझने योग्य प्रोफाइल्स में वर्गीकृत करके, यह प्रणाली कर अधिकारियों को अनुमान लगाने से हटकर एक अधिक लक्षित जांच रणनीति की ओर बढ़ने की अनुमति देती है। अध्ययन यह प्रदर्शित करता है कि यह देखते हुए कि कंपनियाँ कैसे जुड़ी हुई हैं और उनका पैसा एक साथ कैसे चलता है, छिपे हुए पैटर्न को उजागर करना संभव है जो कंपनियों का अलग-अलग परीक्षण करने पर अदृश्य रह जाते हैं। जबकि वर्तमान परिणाम लिथुआनिया के डेटा पर आधारित हैं और पूर्ण वित्तीय रिकॉर्ड वाले समूहों तक सीमित हैं, यह दृष्टिकोण टैक्स जोखिम मूल्यांकन को आधुनिक बनाने के लिए एक आशाजनक मार्ग प्रदान करता है। यह सुझाव देता है कि टैक्स अनुपालन का भविष्य सख्त नियमों में नहीं, बल्कि कॉर्पोरेट जगत को एक साथ बांधने वाले संबंधों को देखने के स्मार्ट तरीकों में निहित 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।