A Predictive Model to Detect Property Taxpayer Non-Compliance and Estimate Property Tax Liabilities in Rwanda Using Supervised Machine Learning
본 연구는 100만 건 이상의 르완다 국세청 기록을 학습한 XGBoost 기반의 지도 학습 머신러닝 프레임워크가 재산세 미준수를 효과적으로 탐지하고 납부 의무액을 추정함으로써, 상위 20%의 고위험 납세자를 표적으로 삼아 미납 세금의 80%를 회수할 수 있는 위험 기반 감사 전략을 가능하게 함을 입증한다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
세계 여러 지역에서 건물과 토지에 대한 세금을 징수하는 것은 어려운 과제입니다. 정부는 도로, 학교, 병원을 건설하기 위해 이 자금이 필요하지만, 시스템은 종종 소유자가 자신의 재산 가치가 얼마인지에 대해 정직하게 밝히는 것에 의존합니다. 소유자가 가치를 너무 낮게 신고하면 정부는 세수를 잃게 되고, 정직한 납세자들이 공평한 몫보다 더 많은 금액을 부담하게 됩니다. 이를 해결하기 위해 세무 공무원들은 전통적으로 감사관이 직접 부동산을 방문하거나 종이 서류를 하나씩 검토하는 수동 점검 방식에 의존해 왔습니다. 그러나 도시가 성장하고 건물의 수가 증가함에 따라, 이러한 오래된 방식은 모든 파일을 일일이 확인하기에는 너무 느리고 비용이 많이 드는 문제가 되었습니다. 최근 몇 년 동안 전문가들은 컴퓨터가 과거의 기록으로부터 패턴을 학습하여, 공무원들이 모든 파일을 확인할 필요 없이 누구를 먼저 점검할지 결정하는 데 도움을 줄 수 있는지 탐구하기 시작했습니다.
이것이 바로 르완다 대학교의 연구진들이 해결하고자 했던 과제였습니다. 그들은 컴퓨터가 르완다 국세청이 보유한 방대한 기록을 살펴보고 두 가지를 파악할 수 있는지 알고 싶었습니다. 첫째, 어떤 부동산 소유자가 정확한 금액의 세금을 내지 않을 가능성이 높은지, 둘고, 적정 세액은 얼마여야 하는지입니다. 연구팀은 100만 명 이상의 부동산 소유자에 대한 정보가 담긴 방대한 데이터 세트를 수집했습니다. 이 데이터에는 건물에 대한 세부 정보, 소유자의 등록 기간, 미납 금액, 실제 납부액, 그리고 누적된 벌금이나 이자 등의 상세 내용이 포함되었습니다. 연구진은 추측하는 대신, 세 가지 다른 유형의 컴퓨터 프로그램이 이 이력을 통해 학습하도록 가르쳤습니다. 그들은 이 프로그램들이 누가 규정을 준수하지 않는지 얼마나 잘 예측하는지, 그리고 부동산의 실제 세금 부과액을 얼마나 정확하게 추정하는지를 테스트했습니다.
연구진은 XGBoost라고 알려진 특정 유형의 컴퓨터 프로그램이 다른 프로그램들보다 훨씬 더 뛰어난 성능을 보인다는 것을 발견했습니다. 이 프로그램은 수많은 작은 결정 단계들을 구축하고 이를 결합하여 최종 예측을 수행하도록 설계되었습니다. 컴퓨터가 한 번도 본 적 없는 2024년 데이터를 대상으로 테스트했을 때, 이 모델은 비준수 납세자를 약 88%의 확률로 정확하게 식별해 냈습니다. 또한 실제 세금 부채액을 추정하는 데 있어서도 다른 모델들보다 훨씬 더 실제 숫자에 근접한 예측을 보여주며 매우 우수한 성능을 보였습니다. 연구 결과, 문제를 포착하는 데 가장 중요한 단서는 건물의 크기나 위치와 같은 건물 자체에 관한 것이 아니었습니다. 대신, 컴퓨터는 납세자 자신의 행동이 가장 강력한 신호라는 것을 학습했습니다. 납로한 금액과 미납 금액의 비율, 누적된 벌금 액수, 그리고 등록 기간 등이 누군가가 규정을 준-수하지 않을 가능성을 나타내는 가장 좋은 지표였습니다.
이 발견의 진정한 힘은 세무 감사가 이루어지는 방식을 어떻게 바꿀 수 있는지에 있습니다. 연구진은 만약 공무원들이 이 컴퓨터 예측을 사용하여 조사 대상을 결정한다면 어떤 일이 벌어질지 알아보기 위해 시뮬레이션을 실행했습니다. 전통적인 방식에서는 공무원들이 무작위로 납세자를 선정하여 감사할 경우, 찾고자 하는 미납 금액의 약 20%만을 회수할 수 있었습니다. 그러나 컴퓨터를 사용하여 납세자를 위험도 순으로 나열하고 가장 가능성이 높은 상위 20%에 역량을 집중했을 때, 시뮬레이션 결과 미납 부채의 약 80%를 회수할 수 있는 것으로 나타났습니다. 이는 데이터를 활용해 업무를 안내함으로써 세무 당국이 훨씬 적은 시간과 비용을 들여 훨씬 더 많은 누락된 세수를 찾아낼 수 있음을 시사합니다.
본 연구는 이 접근 방식이 르완다와 유사한 과제에 직면한 다른 국가들에게 실질적인 경로를 제공한다고 결론짓습니다. 이러한 예측 도구를 일상 업무에 통합함으로써, 세무 관리자들은 무작위 점검에서 벗어나 자원이 가장 필요한 곳에 정확히 투입되는 시스템으로 나아갈 수 있습니다. 연구진은 컴퓨터 모델이 강력하긴 하지만, 인간의 의사결정을 완전히 대체하는 것이 아니라 지원하는 도구로 사용되어야 한다고 강조합니다. 그들은 르완다 국세청이 이러한 위험 기반 시스템을 채택하는 동시에, 데이터의 품질을 지속적으로 개선하고 과정의 공정성을 확보할 것을 권고합니다. 이 연구는 자원이 제한된 환경에서도 기존 기록을 스마트하게 사용하는 것이 어떻게 더 효율적이고 형평성 있는 조세 시스템으로 이어질 수 있는지를 보여줍니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.