A Predictive Model to Detect Property Taxpayer Non-Compliance and Estimate Property Tax Liabilities in Rwanda Using Supervised Machine Learning
Deze studie toont aan dat een op XGBoost gebaseerd framework voor gesuperviseerd machine learning, getraind op meer dan één miljoen records van de Rwanda Revenue Authority, effectief niet-naleving van de onroerendezaakbelasting detecteert en aansprakelijkheden schat, wat een risicogebaseerde auditstrategie mogelijk maakt die 80% van de niet-betaalde belastingen zou kunnen innen door zich te richten op de top 20% van de hoogrisicobelastingen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In veel delen van de wereld is het innen van belastingen op gebouwen en grond een moeilijke taak. Overheden hebben dit geld nodig om wegen, scholen en ziekenhuizen te bouwen, maar het systeem is vaak afhankelijk van mensen die de waarheid vertellen over de waarde van hun eigendom. Wanneer eigenaren een waarde opgeven die te laag is, verliest de overheid inkomsten en eindigen eerlijke belastingbetalers met een hoger deel te betalen dan hun rechtvaardige aandeel. Om dit op te lossen, hebben belastinginspecteurs traditioneel vertrouwd op handmatige controles, waarbij controleurs fysiek eigendommen bezoeken of papieren dossiers één voor één doorlopen. Echter, naarmate steden groeien en het aantal gebouwen toeneemt, wordt deze oude manier van werken te traag en te duur om bij te houden. In de afgelopen jaren zijn experts begonnen te onderzoeken of computers kunnen leren van historische gegevens om patronen te ontdekken die mensen misschien missen, wat ambtenaren helpt te beslissen wie ze als eerste moeten controleren zonder dat ze elk afzonderlijk dossier hoeven in te zien.
Dit is de uitdaging die onderzoekers van de Universiteit van Rwanda wilden oplossen. Ze wilden weten of een computer naar de enorme hoeveelheid gegevens van de Rwanda Revenue Authority kon kijken en twee dingen kon uitzoeken: ten eerste, welke eigenaren van onroerend goed waarschijnlijk niet het juiste bedrag aan belasting betalen, en ten tweede, wat het juiste bedrag zou moeten zijn. Het team verzamelde een enorme dataset met informatie over meer dan één miljoen eigenaren van onroerend goed. Deze gegevens bevatten details over de gebouwen, hoe lang de eigenaren al geregistreerd stonden, hoeveel ze verschuldigd waren, wat ze daadwerkelijk hadden betaald en welke boetes of rente zij hadden opgebouwd. In plaats van te gokken, leerden de onderzoekers drie verschillende soorten computerprogramma's om van deze geschiedenis te leren. Ze testten hoe goed deze programma's konden voorspellen wie niet aan de regels voldeed en hoe nauwkeurig ze de werkelijke belastingverplichting voor een eigendom konden inschatten.
De onderzoekers ontdekten dat één specifiek type computerprogramma, bekend als XGBoost, veel beter in staat was tot deze taak dan de andere. Dit programma is ontworpen om te leren door vele kleine beslissingsstappen te bouwen en deze te combineren om tot een uiteindelijke voorspelling te komen. Wanneer getest op gegevens uit 2024 die de computer nog nooit eerder had gezien, identificeerde dit model niet-conforme belastingbetalers ongeveer 88 procent van de tijd correct. Het was ook zeer goed in het schatten van de juiste belastingverplichting, waarbij de voorspellingen veel dichter bij de werkelijke cijfers lagen dan die van de andere modellen. De studie toonde aan dat de belangrijkste aanwijzingen voor problemen niet altijd te maken hadden met het gebouw zelf, zoals de grootte of locatie ervan. In plaats daarvan leerde de computer dat het gedrag van de belastingbetaler zelf het sterkste signaal was. Factoren zoals de verhouding tussen wat zij betaalden versus wat zij verschuldigd waren, hoeveel zij aan boetes verschuldigd waren en hoe lang zij al geregistreerd stonden, waren de beste indicatoren voor de waarschijnlijkheid dat iemand niet aan de regels zou voldoen.
De echte kracht van deze ontdekking ligt in de manier waarop dit de uitvoering van belastingcontroles kan veranderen. De onderzoekers voerden een simulatie uit om te zien wat er zou gebeuren als ambtenaren deze computervoorspellingen zouden gebruiken om te beslissen wie zij zouden onderzoeken. In een traditionele aanpak, waarbij functionarissen willekeurige belastingbetalers uitkiezen voor een controle, zouden zij slechts ongeveer 20 procent van het onbetaalde geld terugverlangen dat zij zochten. Echter, wanneer zij de computer gebruikten om belastingbetalers op basis van risico te rangschikken en hun inspanningen richtten op de top 20 procent van de meest waarschijnlijke overtreders, lieten de simulaties zien dat zij ongeveer 80 procent van de onbetaalde verplichtingen konden innen. Dit suggereert dat belastingautoriteiten, door gegevens te gebruiken om hun werk te sturen, de overgrote meerderheid van de ontbrekende inkomsten kunnen vinden terwijl zij veel minder tijd en geld besteden aan controles.
De studie concludeert dat deze aanpak een praktisch pad vooruit biedt voor Rwanda en andere landen die met soortgelijke uitdagingen worden geconfronteerd. Door deze voorspellende instrumenten te integreren in hun dagelijkse werkzaamheden, kunnen belastingbeheerders bewegen van willekeurige controles naar een systeem waarbij middelen precies daar worden ingezet waar ze het hardst nodig zijn. De onderzoekers benadrukken dat, hoewel het computermodel krachtig is, het moet worden gebruikt als een hulpmiddel om menselijke besluitvorming te ondersteunen, en niet om deze volledig te vervangen. Zij bevelen de Rwanda Revenue Authority aan om dit risicogebaseerde systeem te adopteren, terwijl zij tegelijkertijd de kwaliteit van hun gegevens moeten blijven verbeteren en moeten waarborgen dat het proces eerlijk blijft. Dit werk demonstreert dat zelfs in een omgeving met beperkte middelen, het slim gebruik van bestaande gegevens kan leiden tot een efficiënter en rechtvaardiger belastingsysteem.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.