关于运用计算机进行纳税评估系统的研究分析.doc

关于计算机纳税评估系统的研究 ——基于深度信念网络的纳税评估模型研究 一、引言 纳税评估是指税务机关以社会信息共享为基础，根据其能够掌握的纳税人、扣缴义务人等税收法律义务主体的各种涉税信息资料，以及其他第三方的相关信息资料，综合运用各种科学的技术手段和方法，按照一定的程序，依据税收法律法规的规定，对纳税人一定时期内履行税收法律义务的情况进行综合性的审核、分析、估算和评价，并作出定性和定量的判断，以便进一步采取针对性管理措施的一种手段或者方法。 随着税务部门的信息化程度不断提高，建立科学、先进的纳税评估模型，依托计算机强大的数据处理能力，充分利用已掌握的海量涉税数据，将能够极大地提高纳税评估的工作效率以及获得更良好的效果。 近年来在机器学习方面兴起的深度学习（Deep Learning）在多个领域取得了巨大的成功，本文试图使用深度信念网络（Deep Belief Net-works，DBN）分类算法构建纳税评估模型，并将此模型与地税软件系统运行多年积累的数据相结合，建立一个计算机纳税评估系统，以判别纳税人的税收遵从状况。 二、纳税评估方法分类及计算机纳税评估现状 纳税评估一般同时使用定性分析和定量分析两类分析方法。定性分析是一种经验判断的方法，强调感性与理性相结合，需要运用税收政策和实践经验，对纳税人的生产经营及相应的税收负担的发展趋势做出初步判断，并结合纳税人的现状，进行判断分析。定量分析主要是指标分析，评估人员运用数理原理、规则及其特定的具体计算来对评估对象中包含的量进行测定，从而对纳税人的纳税申报的真实性进行判断分析的方法。计算机纳税评估系统主要应用到的是定量分析方法。 从国际上来看，发达国家如德国、美国、新加坡、澳大利亚等国的税务部门基本上都应用了计算机纳税评估系统。其中美国的计算机纳税评估系统很早就应用了数据挖掘方法，是自动化程度高和技术先进的典型，其工作过程如下：首先由位于西弗吉尼亚州的计算中心自动对纳税人的申报材料进行分类，然后通过五种筛选过程（Tax Return Select-ion Processes）核实纳税人是否正确估算了其应纳税款，（一）判别函数系统（Discriminant Function System），这是计算机软件实现的模拟系统，旨在通过对历史数据的分析选取最可能有不遵从行为的纳税人；（二）纳税人遵从测度程序，即通过数理统计方法给出判别函数系统的参数估计值；（三）资料完善程序（Document Perfection Prog-ram），通过此程序检查出纳税申报表的填写计算错误，并将税务局重新计算后的应纳税额通知纳税人；（四）信息匹配程序（Information Ma-tching Program），该程序通过和银行、劳工委员会的相关资料和纳税申报表比对，检查遗漏和不正确的项目；（五）特殊审计程序（Special Audit Program），是指税务局应用由计算机和定期改变的手工选择标准，设计出的很多特殊审计程序，比如退税额、申报扣除额、调整好的毛所得等。 可见美国的计算机纳税评估系统已经在纳税评估工作中得到了充分的应用，而且美国税务机关的纳税评估标准和参数经常调整，很难从几个指标判断出哪些纳税人容易成为评估对象，纳税人很难弄虚作假，从而保证了纳税评估系统的有效性、公平性和权威性。 而反观国内，目前已有部分省市的税务部门在实际工作中运用了计算机纳税评估系统。比较典型的如江苏地税纳税风险评估系统，通过对纳税申报数据、财务报表数据等多个单项指标的对比分析，再经过加权计分，确定纳税人、扣缴义务人是否存在纳税风险以及风险的级别，但这种对指标的简单对比分析并不能真正发现各指标之间可能存在的联系，实际上仍然受限于人的经验和想象力；而上海市税务局的诚实纳税申报识别系统，通过建立线性判别函数和二次线性判别函数模型对纳税申报的诚实性进行判断，采用机器学习的方法自动选取模型指标，该项目为国家自然科学基金重大项目，但其实用性和可靠性都有待进一步提高；还有杭州市国税局开发的税务稽查选案系统，利用判别方法和人工神经网络建立了不同的模型对纳税人遵从度进行判别。 此外，针对税收数据非线性、非平稳性的特点，也有学者尝试在纳税评估中应用多种数据挖掘或机器学习方法，例如朴素贝叶斯分类器、多层前馈（Back Propagation，BP）神经网络、支持向量机（Support Vector Machine，SVM）等，取得了一些有益的成果，但此类方法都属于浅层结构算法，其局限性在：在有限数据样本和有限计算单元的情况下对复杂函数的表示能力有限；而且本身也存在着诸多缺陷：比如贝叶斯分类器要求以数据间的条件独立性假设为前提，这通常很难满足；BP神经网络容易陷入局部最小化、收敛速度过慢和容易出现过度拟合；SVM难以进行