A Predictive Model to Detect Property Taxpayer Non-Compliance and Estimate Property Tax Liabilities in Rwanda Using Supervised Machine Learning
本研究表明，一个基于 XGBoost 的监督式机器学习框架，通过对超过一百万条卢旺达税务局记录进行训练，能够有效检测财产税违规行为并估算欠税金额，从而实现一种风险导向型的审计策略，通过针对前 20% 的高风险纳税人，有望追回 80% 的未缴税款。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在世界许多地方，征收建筑和土地税是一项艰巨的任务。政府需要这些资金来修建道路、学校和医院，但该系统往往依赖于人们如实申报其财产价值。当业主申报的价值过低时，政府就会损失收入，而诚实的纳税人则不得不承担比应付份额更多的负担。为了解决这个问题，税务官员传统上依赖人工检查，即审计人员逐一实地查看房产或审查纸质文件。然而，随着城市的扩张和建筑数量的增加，这种旧的工作方式变得过于缓慢且成本高昂，难以跟上发展的步伐。近年来，专家们开始探索计算机是否可以从过往记录中学习模式，从而帮助官员在无需查看每一个文件的情况下，决定优先检查哪些对象。
这正是卢旺达大学的研究人员致力于解决的挑战。他们想知道，计算机是否可以通过查看卢旺达税务局持有的海量记录，得出两个结论：第一，哪些房产所有者可能没有缴纳正确的税款；第二，正确的金额应该是多少。研究团队收集了一个包含一百多万名房产所有者信息的庞大数据集。这些数据包括有关建筑的细节、所有者的注册时长、欠款金额、实际缴纳金额以及所累积的罚款或利息。研究人员并没有进行猜测，而是通过教导三种不同类型的计算机程序从这些历史数据中学习。他们测试了这些程序在预测谁是不合规纳税人以及准确估算房产真实税单方面的表现。
研究人员发现，一种被称为 XGBoost 的特定类型的计算机程序在执行这项任务时表现远优于其他程序。该程序旨在通过构建许多微小的决策步骤并将其组合起来，从而做出最终预测。在针对计算机从未见过的 2024 年数据进行测试时，该模型能正确识别出约 88% 的不合规纳税人。它在估算正确税额方面也非常出色，其预测结果比其他模型更接近实际数值。研究表明，发现问题的关键线索并不总是关于建筑本身（例如其规模或位置）。相反，计算机学到的是，纳税人自身的行为才是最强的信号。诸如实际缴纳金额与欠款金额的比率、欠缴罚款的金额以及注册时长等因素，是判断某人是否可能不合规的最佳指标。
这一发现的真正力量在于它如何改变税务审计的开展方式。研究人员进行了一项模拟实验，以观察如果官员利用这些计算机预测结果来决定调查对象会发生什么。在传统方法中，如果官员随机抽取纳税人进行审计，他们只能追回所寻找的未缴款项中的约 20%。然而，当他们利用计算机对纳税人的风险进行排名，并将精力集中在排名前 20% 的疑似违规者身上时，模拟显示他们可以追回大约 80% 的欠缴债务。这表明，通过利用数据来指导工作，税务部门可以在花费更少时间和金钱进行审计的同时，找到绝大部分流失的收入。
研究结论指出，这种方法为卢旺达及其他面临类似挑战的国家提供了一条切实可行的路径。通过将这些预测工具整合到日常工作中，税务管理部门可以从随机检查转向一种资源被精准投放到最需要之处的系统。研究人员强调，虽然计算机模型功能强大，但它应该作为支持人类决策的工具，而非完全取代人类。他们建议卢旺达税务局采用这种基于风险的系统，同时也要不断提高数据质量并确保过程的公平性。这项工作证明，即使在资源有限的环境下，通过对现有记录的智能化利用，也能建立一个更高效、更公平的税收系统。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。