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

전 세계 세무 당국은 지속적인 과제에 직면해 있습니다. 기업들은 고립되어 운영되지 않기 때문입니다. 기업들은 소유권, 경영권, 가족 관계를 통해 복잡한 그물망을 형성하며, 종종 국경을 넘어 구조를 구축함으로써 실체를 파악하기 어렵게 만듭니다. 이러한 기업 집단이 비정상적인 방식으로 자금, 이익 또는 자산을 이동시킬 때, 이는 공격적인 조세 계획이나 회피의 신호가 될 수 있습니다. 전통적으로 세무 공무원들은 전문가의 판단과 고정된 규칙에 의존하여 개별 기업의 계정을 살펴보거나 표준 체크리스트를 적용함으로써 이러한 위험 징후를 포착해 왔습니다. 그러나 연결된 기업의 수가 증가하고 금융 데이터가 더욱 다양해짐에 따라, 이러한 전통적인 방식은 속도를 맞추는 데 어려움을 겪고 있습니다. 이 방식들은 단일 기업이 개별적으로 어떻게 보이는가가 아니라, 전체 기업 집단이 함께 어떻게 행동하는지에 대한 더 큰 그림을 놓치는 경우가 많습니다. 이를 해결하기 위해 연구자들은 다른 접근 방식, 즉 무엇이 "위험한" 기업인지 미리 알 필요 없이 방대한 양의 데이터에서 숨겨진 패턴을 찾아내기 위해 컴퓨터를 사용하는 방식에 주목하고 있습니다. '비지도 학습(unsupervised learning)'이라고 알려진 이 방법은 데이터 스스로가 자신의 기이하거나 특이한 형태를 드러내도록 하여, 구조와 자금 흐로를 바탕으로 대중으로부터 눈에 띄는 집단을 식별할 수 있게 해줍니다.

리투아니아 카우나스 기술 대학교(Kaunas University of Technology)의 연구팀은 조세 위험을 더 잘 이해하기 위해 이러한 기업 집단을 매핑하는 새로운 방법을 개발했습니다. 연구진은 단일 기업을 보는 대신, 연관된 비즈니스 전체를 하나의 단위로 취급하여 재무 수치와 구조적 연결을 모두 분석했습니다. 연구진은 리투아니아 국세청으로부터 제공받은 113,000개 이상의 법인과 261,000명 이상의 개인에 대한 정보를 포함한 방대한 데이터셋으로 시작했습니다. 이 엔티티들은 지분 소유, 경영 및 통제, 그리고 가족 관계라는 세 가지 특정 유형의 관계로 연결되어 있었습니다. 연구진은 각 유형의 관계가 가진 고유한 정보를 보존하기 위해, 마치 지도의 서로 다른 레이어를 하나로 뭉뚱그리지 않고 별도로 유지하는 것처럼, 각 관계를 분리하여 디지털 모델을 구축했습니다. 이 복잡한 웹으로부터 연구진은 각 그룹이 어떻게 조직되었는지에 대한 명확하고 읽기 쉬운 설명을 추출했으며, 여기에는 참여 기업 수, 그룹 내 외국 엔티티의 포함 여부, 소유권이 순환 구조로 되돌아오는지 여부 등이 포함되었습니다.

재무적인 측면을 이해하기 위해 연구진은 각 그룹 내에서 자금이 어떻게 분배되는지 살펴보았습니다. 그들은 각 기업이 그룹의 총 자산, 매출, 이익 및 부채에 얼마나 기여하는지를 계산했습니다. 일반적인 그룹에서는 이러한 기여도가 다소 균형을 이룰 수 있지만, 일부 그룹에서는 한 기업이 막대한 이익을 보유하는 반면 다른 기업은 거의 모든 부채를 떠안는 경우가 발생합니다. 연구진은 이러한 불균형을 측정하여 각 그룹의 재무 행동 프로필을 만들었습니다. 그런 다음 이 구조적 설명과 재무 프로필을 결합하여 '축소 클러스터링 방법(Reduced Clustering Method)'이라는 특수 컴퓨터 알고리즘에 입력했습니다. 이 알고리즘은 무엇을 찾으라고 지시받지 않고도 데이터 내에서 자연스러운 그룹화를 찾아내도록 설계되었습니다. 이 알고리즘은 정보를 스캔하여 "이 그룹들은 서로 유사하고, 저 그룹들과는 다르다"라고 말하며, 구조와 재무의 독특한 조합을 바탕으로 수천 개의 기업 집단을 뚜렷한 범주로 분류합니다.

이 연구는 완전한 재무 데이터를 분석할 수 있는 722개의 기업 집단(총 7,050개의 법인)에 초점을 맞췄습니다. 연구진이 오직 재무 수치만을 기준으로 컴퓨터가 그룹을 분류하게 했을 때, 컴퓨터는 8개의 뚜렷한 프로필을 찾아냈습니다. 대부분의 그룹은 재무적 역할이 비교적 균형 잡힌 거대하고 공통적인 범주에 속했습니다. 그러나 몇몇 작은 그룹들은 극단적인 특성을 보이며 눈에 띄었습니다. 단 3개의 기업으로 구성된 아주 작은 한 그룹은 영업 결과에서 엄청난 편차를 보였으며, 7개의 기업으로 구성된 또 다른 작은 그룹은 이익의 비정상적으로 큰 변동을 보였습니다. 이들이 죄를 지었다고 낙인찍힌 것은 아니지만, 통계적으로 특이한 것으로 식별되었으며, 이는 그들의 재무적 배치가 일반적인 수준과 비교했을 때 드문 형태임을 시사했습니다.

연구진이 구조적 연결만을 기준으로 그룹을 분석했을 때, 컴퓨터는 12개의 서로 다른 프로필을 찾아냈습니다. 어떤 그룹은 많은 외국인 소유자를 가진 것으로 정의되었고, 어떤 그룹은 복잡한 통제 사슬이나 A사가 B사를 소유하고 B사가 C사를 소유하며 다시 C사가 A사를 소유하는 순환 소유 구조를 특징으로 했습니다. 이러한 순환 구조는 때때로 누가 진정으로 통제권을 쥐고 있는지 파악하기 어렵게 만듭니다. 분석 결과, 비슷한 규모의 그룹이라 하더라도 내부 조직은 매우 다를 수 있음이 나타났습니다. 어떤 그룹은 단순하고 직접적인 반면, 어떤 그룹은 여러 층의 소유권과 외국인 참여가 얽힌 복잡한 네트워크를 가지고 있었습니다.

연구의 가장 유의미한 부분은 연구진이 재무 정보와 구조적 정보를 하나의 분석으로 결합했을 때 나타났습니다. 이 접근 방식은 두 요인을 각각 따로 보았을 때보다 훨씬 더 상세한 관점을 제공하는 17개의 뚜렷한 프로필을 만들어냈습니다. 결합 분석 결과, 재무적 이상 징후와 구조적 복잡성이 항상 함께 나타나는 것은 아니라는 점이 밝혀졌습니다. 어떤 그룹은 재무적으로는 특이하지만 구조적으로는 단순했고, 어떤 그룹은 소유권의 복잡한 웹을 가졌으나 재무 패턴은 매우 표준적이었습니다. 가장 중요한 것은, 연구진이 특이한 재무 행동과 복잡한 구조적 특징을 모두 가진 특정 그룹들을 식별해냈다는 점입니다. 예를 들어, 연구진은 상당한 외국인 참여, 순환 소로 구조, 그리고 구성원 간의 이익 또는 자산 분배에서의 극단적인 불균형을 가진 그룹들을 찾아냈습니다. 이러한 구체적인 조합이야야말로 세무 당국이 가장 관심을 갖는 부분으로, 공격적인 조세 계획에 흔히 수반되는 숨겨진 복잡성을 나타냅니다.

연구진은 이 방법이 특정 그룹이 세금을 탈루한다는 것을 증명하는 것은 아니라고 강조합니다. 알고리즘은 단순히 평균과 다르게 보이는 그룹을 식별하여, 인간 전문가가 어떤 사례를 면밀히 조사할지 결정하는 데 도움을 주는 도구 역할을 할 뿐입니다. 방대한 기업 데이터를 이해 가능한 프로필로 분류함으로써, 이 시스템은 세무 당국이 추측에서 벗어나 더 표적화된 조사 전략을 취할 수 있게 해줍니다. 이 연구는 기업들이 어떻게 연결되어 있고 그들의 돈이 함께 어떻게 움직이는지를 살펴봄으로써, 기업들을 개별적으로 조사했을 때는 보이지 않았을 숨겨진 패턴을 밝혀내는 것이 가능하다는 것을 보여줍니다. 현재의 결과는 리투아니아의 데이터에 기반하며 완전한 재무 기록을 가진 그룹으로 제한되어 있지만, 이 접근 방식은 현대적인 조세 위험 평가를 위한 유망한 경로를 제시합니다. 이는 미래의 세무 준수가 더 엄격한 규칙이 아니라, 기업 세계를 묶어주는 연결 고리를 더 똑똑하게 바라보는 방식에 달려 있음을 시사합니다.