中小企业纳税评估中的预警问题研究

[摘 要]针对当前纳税评估中存在的问题,构建了纳税评估指标体系,提出了基于支持向量机(SVM)和领域知识的纳税评估预警模型,该模型可以很好地对企业的纳税情况进行分析和判别,有利于税务部门开展税收调查工作。

[关键词]税收 支持向量机 预警 增值税

一、序言

税收是国家的经济命脉和财力基础。税收是政府财政取得收入的最主要来源,是政府为满足公共需要而向社会提供公共产品的成本和费用,也为政府实施宏观经济调控聚敛了必要的财力。

纳税评估工作是现管模式下的一种新的税收征管方式,它是利用信息化平台,对基础税收信息进行加工处理,从而对纳税人纳税情况进行评价的一种新的管理模式。具体来说就是要根据税收征管中获得的纳税人的生产经营、财务核算情况等主要指标信息,对纳税情况的真实性、准确性、合法性进行审核、分析和综合评定,通过检查或稽查,及时发现、纠正和处理纳税行为中的错误,并对异常申报等专项问题进行调查研究和分析评价,为征收、管理、稽查提供工作重点和措施建议,从而对征纳情况进行全面、实时监控。纳税评估的核心工作就是根据相关的涉税信息,运用一定技术手段来识别、评判纳税人的诚信水平。

因而纳税评估工作是既能经济可行地达到税收管理目标,又能竭诚服务于纳税人和社会的一项举措,有利于转变政府工作方式,服务于社会经济的和谐进步。

二、纳税评估的现状

1998年开始实行的《外商投资企业、外国企业和外籍个人纳税申报审核评税办法》,标志着我国纳税评估实践的正式开始。2001年底,国家税务总局根据我国商贸企业增值税征管中存在的问题和对商贸企业增值税征管制度改革的需要,制定印发了《商贸企业增值税纳税评估办法》,要求对商贸企业的增值税开展纳税评估,通过销售变动率和税负差异这两个核心指标对商贸企业进行纳税评估,以进一步堵塞商贸企业增值税的税收漏洞。

2007年,江门市国税局结合全市重点行业的特点,组织辖下各市(区)局对摩托车及零配件生产经营行业、五金卫浴产业、造纸业、不锈钢五金制品业、化工行业、麦克风及配件、制鞋业和制伞业制造业等8个行业开展了增值税重点行业的纳税评估。

纳税评估中最为关键的环节就是建立科学合理的纳税评估指标和预警值测算体系。虽然国家税务总局已经于2005年颁布了《纳税评估管理办法(试行)》,提出了《纳税评估通用分析指标及其使用方法》和《纳税评估分税种特定分析指标及其使用方法》,但是当前纳税评估还存在以下不足:(1)纳税评估主体指标设计不科学,难以评价纳税人行为;(2)纳税评估信息过分依赖于纳税人会计报表,不能有效评估纳税经营;(3)没有形成科学的纳税评估体系;(4)纳税评估系统建设滞后,纳税评估效率较低;(5)纳税评估指标预警值测算体系不够完善。

综合以上分析,可知目前还没有一套完善的纳税评估指标预警值测算体系,这对纳税评估的后续工作影响加大。因此,对纳税评估体系和预警模型的研究具有十分重要的意义,它可以为当前的税务评估工作提供有效的参考依据。

三、基于SVM的纳税评估模型

支持向量机(Support Vector Machine,SVM)是Vapnik等人在1963年提出的用于解决模式识别问题的支持向量方法。该方法最初来自对于二值分类问题的处理,其起机理可以简单的描述为:在样本空间中寻找一个将训练集中的正例和反例样本分割开来的超平面,并使其两侧的空白域最大,如图1所示:

实心点和空心点分别表示两类的训练样本,H为分类面,H1、H2分别为过各类样本中离分类线最近的点且平行于分类的直线,H1和H2之间的距离叫做两类的分类空隙或分类间(Margin)。所谓最优分类面就是要求分类线不但能将两类无误地分开,而且要使两类的分类间隔最大。前者是保证经验风最小,使分类间隔最大实际上就是使推广性的界中的置信范最小,从而使真实风险最小。推广到高维空间,最优分类线就为最优分类面。

设线性可分样本集为:。所有在这个超平面上的点满足,是超平面的法向量。那么寻找最优平面的问题为最小化:使其满足

这里是w的凸函数,于是上面的问题转化为约束条件下最优化求解问题。可以用拉格朗日方法求解。则有拉格朗日方程:

对于线性不可分问题,则将其映射到一个高维空间中,在该间中线性可分,并且线性判决只需要在高维空间中进行内积算,甚至不需要知道采用的非线性变换的形式,所以避开了高变化计算的问题,使问题大大简化。

纳税评估从实际操作中来看,也是属于2类分类的问题,一类是纳税情况正常的,一类是有问题的(偷税漏税)。因此,可以考虑使用支持向量机来对纳税企业进行分类,并且由于纳税企业数量较大,指标数量较多,也适用于提高支持向量机分类模型的训练和测试效果。

四、模型的应用

1. SVM分类

本文根据江门市产业结构的特点,选取金属制品行业的纳税评估的对象,结合本人实际的工作经验,参考已有的评估指标体系,并经过数据的相关性分析,最终选择以下指标作为评估的对象,各指标的数据编码如表1所示。

表1 指标数据编码

增值税税负率(累计)ZB005 增值税税负差异率(累计)ZB007

增值税税负变动率(累计同比)ZB010 主营业务成本变动率(累计同比)ZB036

销售毛利率(累计)ZB015 增值税税收贡献增长率(累计同比)ZB082

主营业务收入变动率(累计同比)ZB039 存货月周转率(累计平均)ZB083

由于实际的样本数据不全,且在数据的录入过程中可能存在误差,因此,在用模型对数据进行计算之前,首先要对数据进行预处理:

(1)对于各样本的某个指标,如果对应的数据均不存在,则舍去该指标。

(2)对于少数样本的某个指标,如果对应的数据不存在,则结合实际情况,对比类似的样本数据,按照数据平滑处理的方法,给该样本的指标赋值。

(3)由于各指标数据的单位不统一,导致模型求解的结果会偏离实际情况,因此要求先把样本数据做归一化处理。经预处理完的样本数据(部分)如表2所示。

由于支持向量机分类模型在训练前需要确定样本的类别,在本文所使用的样本指标体系中,根据实际操作经验总结可知,税负率是反映一个企业纳税正常与否最重要的衡量指标,因此本文以金属制品行业的平均税负率作为衡量的标准,如果某个样本的税负率低于该行业平均税负率的20%,则认为该企业的纳税情况有问题,该样本属于不正常的样本,其他情况下的样本则属于正常样本。以此为标准把样本数据分为2类,一类是正常样本,类别号为1,另一类属于不正常的样本,类别号为-1。

本模型使用的样本数一共是47个,为了实现本文所构建模型的分类效果,首先把样本数据分为2部分,前40个样本作为训练样本,目的确定模型的最优参数值,最后7个样本作为测试样本,以检验模型的分类效果。

SVM分类模型为:[alpha,b]=trainlssvm({X,Y,type,gam,sig2,'RBF_kernel'}); (4)

其中type的值是“classification”,表示使用分类的方法。X为训练样本,Y是各样本对应的分类号组成的数组。经过训练样后确定的参数值分别是:

Gam=60;sig2=1.5;ker=RBF_kernel;b= -0.041146; (5)

根据上述确定的模型,将测试样本代入模型进行计算, 可以把样本划分为2种类型,以下分别是测试分类结果和实际的分类结果,如表3所示。

根据上述表格的数据对比可知,除了测试样本42类别判别有误,其余6个样本的类别分类正确,准确度为85.7%,测试样本的分类结果比较好,是可以接受的。对于新的样本数据,经标准化处理后,使用该模型可以计算出其类别号,如果是-1,则说明该样本有问题,如果是+1,则属于正常样本。

2. 结合领域知识分析

由支持向量机分类筛选出来样本号为-1的样本数据,可能存在一定的问题,为了确认其问题所在,依据该行业各指标的平均值,做进一步的分析。首先使用相关性分析,求出指标体系中8个输入指标和样本类别的相关系数,如表4所示。

从以上的计算结果可知,与纳税结果关系最大的影响因子,分别是X1、X2、X4,也就是说这3个指标的变化将会在很大程度上决定纳税的结果好坏,因此我们通过分析这3个指标的实际值与该行业的平均值的差异性,就可以基本确定该样本是否存在问题。

根据SVC分类模型的测试,发现42号样本的分类结果与实际的情况不相符,因此以该样本为例,分析它各指标数据的情况,该样本的数据以及行业平均数据对比如表5所示。

为了便于判断该样本是否有问题,结合统计分析方法和实际的操作经验设置一个判别的原则:如果3个指标与行业指标的平均值的差的平方和大于0.1,则认为该样本是有问题的,应该要对该企业的纳税情况做深入的调查,否则不予调查。根据该样本和平均值的数据,计算所得的值是0.123,大于0.1。因此可以认为该企业的纳税情况是不正常的,需要对企业的税收情况进行实际的调查,以确定问题所在。

五、结论

本文结合江门中小企业企业纳税的实际情况,构建了税务评估的指标体系,并提出了基于SVC和领域知识的预警模型,为税务评估工作提供了一个新的、有效的途径。

参考文献:

[1]吕新利:对纳税评估理实践的思考[EB/OL]. 中国税网,2009,2

[2]崔源潮:纳税评估若干问题思考[J]. 税务研究. 2009,5

[3]史文军:纳税评估理论与实践[J].税务研究.2000,7

[4]谭光荣:选择纳税评估指标的局限性及应对措施[J]. 税务研究. 2007,02

[5]陈继阳:建立科学纳税评估指标体系 提高纳税评估水平[J]. 黑龙江对外经贸.2007,05

[6]徐 戎 王文杰 周四新:神经网络与领域知识结合的纳税评估预警模型[J]. 电子科技大学学报, 2009,01

[7]李 晶 姚明海:基于支持向量机的语义图像分类研究[J]. 计算机技术与发展,2010,2