Unsupervised Identification of Corporate Tax-Risk Profiles Using Multilayer Network and Financial Characteristics

世界中の税務当局は、根強い課題に直面しています。それは、企業が孤立して運営されているわけではないということです。企業は所有関係、経営体制、そして家族のつながりによる複雑な網の目を形成しており、それらはしばしば国境を越えて広がり、解きほぐすのが困難な構造を作り出します。これらの企業グループが不自然な方法で資金、利益、または資産を移動させる場合、それは積極的な租税計画や回避の兆候となり得ます。伝統的に、税務官は専門家の判断と固定されたルールに基づき、個々の企業の会計を見たり標準的なチェックリストを適用したりすることで、「レッドフラッグ（警告信号）」を探してきました。しかし、相互に関連するビジネスの数が増加し、その財務データが多様化するにつれ、こうした従来の手法では対応が難しくなっています。これらは単一の会社がいかに見えるかではなく、一つの企業グループ全体としてどのように振る舞っているかという「大きな絵」を見落としがちです。これを解決するために、研究者たちは異なるアプローチへと舵を切っています。すなわち、何が「リスクの高い」企業であるかを事前に知ることなく、膨大なデータの中から隠れたパターンを見つけ出すためにコンピュータを活用する方法です。「教師なし学習」として知られるこの手法により、データ自体が持つ特異な形状を明らかにさせることが可能になり、その構築形態や資金の流れに基づいて、周囲から際立ったグループを特定することができるのです。

リトアニアのカウナス技術大学の研究チームは、これらの企業グループのマッピングを行い、税務リスクをより適切に理解するための新しい手法を開発しました。彼らは単一の企業を見るのではなく、関連する事業体の集まり全体を一単位として扱い、その財務数値と構造的つながりの両方を分析しました。研究者たちは、リトアニア国家税務局から提供された、11万3,000以上の法人と26万1,000人以上の人物に関する情報を含む膨大なデータセットから着手しました。これらのエンティティは、「誰が誰の株式を保有しているか」「誰が誰を管理・支配しているか」「家族関係」という3つの特定の種類の関係を通じて結びついていました。研究チームはこれらの接続のデジタルモデルを構築しましたが、それぞれの関係が持つ独自の情報を保持するため、各層を混ぜ合わせることなく別々に保ちました。これは、地図の異なるレイヤーを一つに塗りつぶしてしまうのではなく、明確に区別しておくことに似ています。この複雑なウェブから、彼らは各グループがどのように組織されているかについての明快かつ読み取り可能な記述を抽出しました。そこには、関与する会社の数、海外エンティティがグループに含まれているか、あるいは所有権が円環状にループバックしているかどうかといった要素が含まれます。

財務面を理解するために、研究者はグループ内で資金がどのように分配されているかを調査しました。彼らは、各社がグループ全体の総資産、収益、利益、および負債に対してどの程度貢献しているかを算出しました。典型的なグループでは、これらの寄与度は比較的バランスが取れていますが、一部のグループでは、ある会社が莫大な利益を抱える一方で、別の会社がほぼすべての負債を抱えているようなケースがあります。研究者はこれらの不均衡を測定し、各グループの財務行動のプロファイルを作成しました。その後、これらの構造的記述を財務プロファイルと組み合わせ、 「縮退クラスタリング法（Reduced Clustering Method）」と呼ばれる特殊なコンピュータアルゴリズムに入力しました。このアルゴリズムは、何を探索すべきか指示されることなく、データの自然なグルーピングを見つけるように設計されています。システムは情報をスキャンし、「これらのグループは互いに似ており、あちら側とは異なっている」と判定することで、数千もの企業グループを、その独特な構造と財務の組み合わせに基づいて明確なカテゴリーへと分類していくのです。

本研究は、分析に十分な完全な財務データを持つ722の企業グループ（計7,050の法人を代表）に焦点を当てました。研究者が財務数値のみに基づいてコンピューターにグループ分けさせたところ、8つの異なるプロファイルが見つかりました。ほとんどのグループは、財務上の役割が比較的均衡している大規模で一般的なカテゴリーに属していました。しかし、少数の小さなグループは極端な特性を示しました。わずか3社で構成される非常に小さなグループの一つは、営業成績において大幅な逸脱を示しており、また別の7社からなる小規模なグループは、利益の異常に大きな変動を示していました。これらが必ずしも不正を行っていると断定されたわけではありませんが、統計的に珍しいことが特定されており、その財務配置に関して何か通常とは異なる点があることを示唆していました。

研究者が構造的なつながりに基づいてグループを分析したとき、コンピューターは12の異なるプロファイルを見つけ出しました。多くの外国資本を持つことで定義されるグループもあれば、複雑な支配チェーンや、会社Aが会社Bを所有し、それが会社Cを所有し、さらに会社Cが会社Aを所有するという循環型の所有構造によって特徴づけられるグループもありました。このような循環型構造は、時として真の支配者を把握することを困難にします。分析の結果、同程度の規模のグループであっても内部組織は大きく異なる可能性があることが分かりました。単純で直接的なものもあれば、多数の所有階層や外国資本への参加を伴う入り組んだネットワークを持つものもあります。

最も啓発的な部分は、研究者が財務情報と構造情報の両方を単一の分析に統合したときに得られました。このアプローチは、どちらかの要因のみを見るよりも遥かに詳細な視点を生み出し、17の異なるプロファイルを生成しました。結合分析によれば、財務的な奇妙さと構造的な複雑さは、必ずしも同時に起こるとは限りません。財務的には特異だが構造的には単純なグループもあれば、所有のウェブは複雑だが財務パターンは極めて標準的なグループもありました。最も重要な点は、財務的な異常性と構造的な複雑さの両方を備えた特定のグループが特定されたことです。例えば、多額の外資参入、循環型所有構造、そしてメンバー間での利益や資産の配分の極端な不均衡を有していたグループなどが挙げられます。まさにこうした具体的な組み合わせこそが、税務当局が最も注視するものであり、攻撃的な租税計画に伴いがちな「隠れた複雑性」を表しているのです。

研究者たちは、この手法が特定のグループによる脱税を証明するものではないことを強調しています。アルゴリズムが行っているのは、平均的な姿とは異なるグループを識別することであり、人間の専門家がどの案件を精査すべきかを決定するためのツールを提供することです。膨大な企業データを理解可能なプロファイルへと整理することにより、このシステムは税務当局が推測に基づく捜査から脱却し、より標的を絞った調査戦略へと移行することを可能にします。本研究は、企業間のつながりをどのように捉え、彼らの資金が共にどのように動いているのかを見ることで、企業を個別に検証した場合に見逃されてしまうであろう隠れたパターンを明らかにできることを実証しています。現在の結果はリトアニアのデータに基づいたものであり、完全な財務記録を持つグループに限定されていますが、このアプローチは現代的な税務リスク評価への有望な道筋を示すものです。それは、税務コンプライアンスの未来が、より厳格な規則にあるのではなく、企業の世界を結びつけている繋がりをよりスマートに可視化する方法にあることを示唆しています。