A Predictive Model to Detect Property Taxpayer Non-Compliance and Estimate Property Tax Liabilities in Rwanda Using Supervised Machine Learning
Questo studio dimostra che un framework di apprendimento automatico supervisionato basato su XGBoost, addestrato su oltre un milione di record della Rwanda Revenue Authority, rileva efficacemente l'inadempienza nell'imposta sugli immobili e stima i debiti, consentendo una strategia di audit basata sul rischio che potrebbe recuperare l'80% delle tasse non pagate prendendo di mira il top 20% dei contribuenti ad alto rischio.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
In molte parti del mondo, la riscossione delle tasse su edifici e terreni è un compito difficile. I governi hanno bisogno di questi fondi per costruire strade, scuole e ospedali, ma il sistema si basa spesso sul fatto che le persone dichiarino la verità sul valore dei propri immobili. Quando i proprietari dichiarano un valore troppo basso, il governo perde entrate e i contribuenti onesti finiscono per pagare una quota maggiore del loro giusto peso. Per risolvere questo problema, i funzionari fiscali si sono tradizionalmente affidati a controlli manuali, in cui i revisori visitano fisicamente le proprietà o esaminano uno per uno i fascicoli cartacei. Tuttavia, con la crescita delle città e l'aumento del numero di edifici, questo vecchio modo di lavorare diventa troppo lento e costoso per stare al passo. Negli ultimi anni, gli esperti hanno iniziato a esplorare se i computer possano imparare dai record passati per individuare schemi che gli esseri umani potrebbero perdere, aiutando i funzionari a decidere chi controllare per primo senza dover esaminare ogni singolo fascicolo.
Questa è la sfida che i ricercatori dell'Università del Ruanda si sono posti. Volevano sapere se un computer potesse esaminare i vasti registri detenuti dalla Rwanda Revenue Authority e capire due cose: prima, quali proprietari di immobili sono probabilmente inadempienti nel pagamento della corretta aliquota fiscale, e secondo, quale dovrebbe essere l'importo corretto. Il team ha raccolto un enorme dataset contenente informazioni su oltre un milione di proprietari di immobili. Questi dati includevano dettagli sugli edifici, da quanto tempo i proprietari erano registrati, quanto dovevano, quanto avevano effettivamente pagato e quali sanzioni o interessi avevano accumulato. Inveve di tirare a indovinare, i ricercatori hanno insegnato a tre diversi tipi di programmi informatici a imparare da questa storia. Hanno testato quanto bene questi programmi potessero prevedere chi fosse inadempiente e quanto accuratamente potessero stimare l'effettivo debito fiscale di una proprietà.
I ricercatori hanno scoperto che un tipo specifico di programma informatico, noto come XGBoost, era molto più bravo nel compito rispetto agli altri. Questo programma è progettato per imparare costruendo molti piccoli passaggi decisionali e combinandoli per formulare una previsione finale. Testato su dati del 2024 che il computer non aveva mai visto prima, questo modello ha identificato correttamente i contribuenti inadempienti circa l'88 percento delle volte. Era anche molto bravo a stimare la corretta passività fiscale, con le sue previsioni molto più vicine ai numeri reali rispetto a quelle fatte dagli altri modelli. Lo studio ha rivelato che gli indizi più importanti per individuare i problemi non riguardavano sempre l'edificio in sé, come le sue dimensioni o la sua posizione. Al contrario, il computer ha imparato che il comportamento del contribuente era il segnale più forte. Fattori come il rapporto tra quanto pagato rispetto a quanto dovuto, quanto si dovevano in sanzioni e da quanto tempo si era registrati erano i migliori indicatori del fatto che qualcuno fosse probabilmente inadempiente.
Il vero potere di questa scoperta risiede nel modo in cui potrebbe cambiare il modo in cui vengono condotti gli accertamenti fiscali. I ricercatori hanno eseguito una simulazione per vedere cosa sarebbe successo se i funzionari avessero utilizzato le previsioni del computer per decidere chi indagare. In un approccio tradizionale, se i funzionari scegliessero i contribuenti casualmente per un accertamento, recupererebbero solo il 20 percento del denaro non pagato che stanno cercando. Tuttavia, quando hanno usato il computer per classificare i contribuenti in base al rischio e si sono concentrati sugli sforzi sul top 20 percento dei potenziali trasgressori, la simulazione ha mostrato che avrebbero potuto recuperare circa l'80 percento delle passività non pagate. Ciò suggerisce che, utilizzando i dati per guidare il proprio lavoro, le autorità fiscali potrebbero trovare la stragrande maggioranza delle entrate mancanti spendendo molta meno tempo e denaro negli accertamenti.
Lo studio conclude che questo approccio offre una via pratica da seguire per il Ruanda e per altri paesi che affrontano sfide simili. Integrando questi strumenti predittivi nel loro lavoro quotidiano, gli amministratori fiscali potrebbero passare da controlli casuali a un sistema in cui le risorse sono indirizzate esattamente dove sono più necessarie. I ricercatori sottolineano che, sebbene il modello informatico sia potente, debba essere utilizzato come uno strumento per supportare il processo decisionale umano, non per sostituirlo interamente. Raccomandano che la Rwanda Revenue Authority adotti questo sistema basato sul rischio, continuando al contempo a migliorare la qualità dei propri dati e garantendo che il processo rimanga equo. Questo lavoro dimostra che, anche in un ambiente con scarse risorse, l'uso intelligente dei record esistenti può portare a un sistema fiscale più efficiente ed equo.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.