正在閱讀:

人工智能，打擊稅收詐騙的新型武器

掃一掃下載界面新聞APP

人工智能，打擊稅收詐騙的新型武器

人工智能能夠幫助稅務(wù)機(jī)關(guān)提高反欺詐能力，打擊欺詐行為。法國的公共財政總局近年來使用人工智能工具取得了諸多成果。

創(chuàng)瞰巴黎 ·

文|James Bowers

編輯|Meister Xia

導(dǎo)讀

隨著人工智能技術(shù)的快速發(fā)展，已經(jīng)在各個行業(yè)中產(chǎn)生深刻影響。其中，財稅是一個受到廣泛關(guān)注的領(lǐng)域。人工智能能夠幫助稅務(wù)機(jī)關(guān)提高反欺詐能力，打擊欺詐行為。法國的公共財政總局近年來使用人工智能工具取得了諸多成果。那么，人工智能是如何檢測欺詐的？準(zhǔn)確度如何？

一覽：

  • 偷稅漏稅在稅收缺口中占很大的比例，為經(jīng)合組織國家所欠稅款的4%至15%不等。
  • 法國正在積極使用人工智能工具，加大稅務(wù)欺詐打擊力度。
  • 法國跨部委人力資源信息技術(shù)服務(wù)中心（CISIRH）開發(fā)了一個操作框架，供世界各地的科研人員開發(fā)各自的反欺詐算法，并進(jìn)行比對。
  • 打擊稅務(wù)欺詐，不能把工作全盤交給簡單的檢測算法。算法是用來配合人類稅務(wù)審計員的團(tuán)隊檢測工作的。

在當(dāng)前多國政府赤字居高不下的背景下，偵查稅務(wù)欺詐成為了當(dāng)務(wù)之急。偷稅漏稅在稅收缺口中占很大的比例，為經(jīng)合組織國家所欠稅款的4%至15%不等。在法國，僅增值稅偷稅漏稅的金額就高達(dá)200-250億歐元左右[1]。為此，法國審計法院發(fā)布了多份研究報告，強(qiáng)調(diào)加強(qiáng)打擊欺詐行為的重要性[2]。在法國，公共財政總局（DGFiP）負(fù)責(zé)監(jiān)察稅務(wù)欺詐，該機(jī)構(gòu)近年來積極使用多種人工智能工具，取得了喜人的效果。

法國跨部委人力資源信息技術(shù)服務(wù)中心數(shù)字應(yīng)用辦公室主任Christophe Gaie與巴黎中央理工-高等電力學(xué)院的學(xué)生成立了一個研究項目組，旨在建立一款全新的，含有先進(jìn)理論、算法、計算機(jī)代碼、模擬數(shù)據(jù)的操作框架，供打擊稅務(wù)欺詐的部門使用[3]。

Christophe Gaie，法國跨部委人力資源信息技術(shù)服務(wù)中心數(shù)字應(yīng)用辦公室主任

01、這項研究的目的是什么？

我們先前的理論研究明確了研究領(lǐng)域，確定了各種概念的定義和值得研究的問題，并制定了未來方向[4]。當(dāng)前的操作框架開發(fā)項目是理論研究的延續(xù)，該操作框架供世界各地的科研人員開發(fā)各自的反欺詐算法，并進(jìn)行比對。

由于合理避稅不是違法行為，因此我們重點(diǎn)關(guān)注檢測稅務(wù)違法行為的算法，特別是檢測自然人的，因?yàn)榉ㄈ藢?shí)體有其他渠道制裁。

02、你們項目的數(shù)據(jù)庫來自哪里？

公民的稅務(wù)檔案包含大量個人信息：家庭狀況、收入、資產(chǎn)等，但無論是在實(shí)驗(yàn)室分析中還是實(shí)際案例研究中，常常難以獲取全部數(shù)據(jù)。因此，我們根據(jù)預(yù)先選定的若干個維度，創(chuàng)建了一組虛構(gòu)數(shù)據(jù)。維度包括：社會職業(yè)類別、收入、支出、財產(chǎn)金額。當(dāng)然，在條件成熟后，我們會加載真實(shí)數(shù)據(jù)，代替虛構(gòu)數(shù)據(jù)。

出于對個人數(shù)據(jù)隱私的保護(hù)，法國公共財政總局（DGFiP）不能將真實(shí)數(shù)據(jù)提供給學(xué)者用于開發(fā)稅務(wù)欺詐檢測工具。這意味著每個學(xué)者都得獨(dú)立建立自己的數(shù)據(jù)庫，十分耗時，而且要花費(fèi)精力學(xué)習(xí)收入、資產(chǎn)等稅務(wù)概念。由于每人的數(shù)據(jù)庫不一樣，開發(fā)出來的算法便缺乏可比性。一般而言，數(shù)字技術(shù)開發(fā)是需要統(tǒng)一的參考數(shù)據(jù)庫的（如電信信號數(shù)據(jù)庫、圖像數(shù)據(jù)庫等）。

03、人工智能是如何檢測欺詐的？

人工智能算法采用“稅務(wù)文件模型”，根據(jù)可配置的標(biāo)準(zhǔn)檢查文件內(nèi)容。從稅務(wù)欺詐案例中總結(jié)出主要規(guī)律后，我們定義了三大類最有可能實(shí)施偷稅漏稅的群體：

  • 消費(fèi)、資產(chǎn)明顯高于個人收入水平的群體，
  • 消費(fèi)、資產(chǎn)明顯低于個人收入水平的群體，
  • 財富擁有量明顯超出其社會背景、職業(yè)背景水平的群體。

參考數(shù)據(jù)集[5]是利用INSEE公布的參考數(shù)據(jù)編制的，包含了多種社會職業(yè)群體、收入水平和財富水平，以及每個社會職業(yè)類別的支出水平。每個社會職業(yè)類別的人數(shù)比例參照了現(xiàn)實(shí)中的比例。其他參數(shù)我們使用了Singh-Maddala分布來模擬[6]。

“打擊稅務(wù)欺詐，不能把工作全盤交給簡單的檢測算法。算法是用來配合人類稅務(wù)審計員的團(tuán)隊檢測工作的?！?/p>

我們自己也成功地開發(fā)出了多種稅務(wù)欺詐檢測算法：有的基于多采樣神經(jīng)網(wǎng)絡(luò)，有的則基于隨機(jī)森林（由多個決策樹組成的機(jī)器學(xué)習(xí)算法，可解決回歸和分類問題）。

04、這些算法在真實(shí)案例中使用過嗎？

暫未，但是我們可以將開發(fā)成果與政府部門共享，特別是法國公共財政總局的控制編程和數(shù)據(jù)分析辦公室（SJCF-1D）。該辦公室還接受了我們項目組的一名學(xué)生作為實(shí)習(xí)生。與政府密切合作的每一個機(jī)會，我們都會把握珍惜。

05、算法的準(zhǔn)確度如何？

值得注意的是，算法的檢測準(zhǔn)確率（即檢測出欺詐案的實(shí)際正確率）和靈敏度（即檢測出的欺詐者占總?cè)后w的比率）之間，存在取舍關(guān)系。因此，算法的好壞以準(zhǔn)確率和靈敏度之間的折衷的度量來表示，專業(yè)術(shù)語是AUPRC，即“精確度—回歸曲線下的面積”。

對于靈敏度優(yōu)化的隨機(jī)森林，我們開發(fā)的算法實(shí)現(xiàn)了高達(dá)0.851的AUPRC。這是一個非常好的結(jié)果，說明使用人工智能檢測潛在欺詐具有良好的前景。

06、AI能全自主檢測稅務(wù)欺詐嗎？

不能。打擊稅務(wù)欺詐，不能把工作全盤交給簡單的檢測算法。算法是用來配合人類稅務(wù)審計員的團(tuán)隊檢測工作的。稅務(wù)欺詐監(jiān)管不僅是個技術(shù)問題，必須由稅務(wù)審計員最終確認(rèn)，在法官的監(jiān)督下，依法審查定奪，從而在程序上尊重納稅人權(quán)利。

分配給稅務(wù)審計員的案件，應(yīng)與其業(yè)務(wù)水平、工作量、熟悉的專業(yè)領(lǐng)域和稅法領(lǐng)域相符合。我們開發(fā)的算法能向?qū)徲媹F(tuán)隊的負(fù)責(zé)人建議案件分配方式，然后由他們做出最終的決定。負(fù)責(zé)人也可以根據(jù)主觀標(biāo)準(zhǔn)酌情采納算法的建議。

欺詐檢測應(yīng)用程序還必須集成到相關(guān)部門的行政數(shù)字系統(tǒng)中。因此，除了常規(guī)的研究之外，我們還要考慮開發(fā)出來的應(yīng)用程序如何與其他應(yīng)用互聯(lián)互通，以及程序的可維護(hù)性高低。當(dāng)然，也需要留出接口，以便未來集成更新、更強(qiáng)大的算法。

 

參考資料

1. https://www.insee.fr/fr/statistiques/6478533

2. https://www.ccomptes.fr/system/files/2019–11/20191202-synthese-fraude-aux-prelevements-obligatoires.pdf

3. Prolhac,J.,Gaie,C.“Providing an open framework to facilitate tax frauddetection”, International Journal of Computer Applications in Technology, In Publish, 2023, https://doi.org/10.1504/IJCAT.2023.10055494

4. Gaie,C.(2023).Struggling Against Tax Fraud, a Holistic Approach Using Artificial Intelligence. In:Gaie,C.,Mehta,M.(eds) Recent Advancesin Dataand Algorithms fore Government. Artificial Intelligence-Enhanced Soft ware and Systems Engineering, vol5. Springer, Cham. https://doi.org/10.1007/978–3031–22408-9_4

5. https://gitlab.com/jean.prolhac/detection-de-fraude/

6. Singh,A.,Narina,T.andAakanksha,S.(2016) “Areview of supervised machinelearning algorithms”, Proceedings of the 3rd International Conferenceon Computing for Sustainable Global Development (INDIACom), pp.1310–1315. https: //ieeexplore. ieee. org/ abstract/ document/7724478

本文為轉(zhuǎn)載內(nèi)容，授權(quán)事宜請聯(lián)系原著作權(quán)人。

評論

暫無評論哦，快來評價一下吧！

下載界面新聞

微信公眾號

微博

人工智能，打擊稅收詐騙的新型武器

人工智能能夠幫助稅務(wù)機(jī)關(guān)提高反欺詐能力，打擊欺詐行為。法國的公共財政總局近年來使用人工智能工具取得了諸多成果。

創(chuàng)瞰巴黎 · 2023/11/19 15:57

文|James Bowers

編輯|Meister Xia

導(dǎo)讀

隨著人工智能技術(shù)的快速發(fā)展，已經(jīng)在各個行業(yè)中產(chǎn)生深刻影響。其中，財稅是一個受到廣泛關(guān)注的領(lǐng)域。人工智能能夠幫助稅務(wù)機(jī)關(guān)提高反欺詐能力，打擊欺詐行為。法國的公共財政總局近年來使用人工智能工具取得了諸多成果。那么，人工智能是如何檢測欺詐的？準(zhǔn)確度如何？

一覽：

  • 偷稅漏稅在稅收缺口中占很大的比例，為經(jīng)合組織國家所欠稅款的4%至15%不等。
  • 法國正在積極使用人工智能工具，加大稅務(wù)欺詐打擊力度。
  • 法國跨部委人力資源信息技術(shù)服務(wù)中心（CISIRH）開發(fā)了一個操作框架，供世界各地的科研人員開發(fā)各自的反欺詐算法，并進(jìn)行比對。
  • 打擊稅務(wù)欺詐，不能把工作全盤交給簡單的檢測算法。算法是用來配合人類稅務(wù)審計員的團(tuán)隊檢測工作的。

在當(dāng)前多國政府赤字居高不下的背景下，偵查稅務(wù)欺詐成為了當(dāng)務(wù)之急。偷稅漏稅在稅收缺口中占很大的比例，為經(jīng)合組織國家所欠稅款的4%至15%不等。在法國，僅增值稅偷稅漏稅的金額就高達(dá)200-250億歐元左右[1]。為此，法國審計法院發(fā)布了多份研究報告，強(qiáng)調(diào)加強(qiáng)打擊欺詐行為的重要性[2]。在法國，公共財政總局（DGFiP）負(fù)責(zé)監(jiān)察稅務(wù)欺詐，該機(jī)構(gòu)近年來積極使用多種人工智能工具，取得了喜人的效果。

法國跨部委人力資源信息技術(shù)服務(wù)中心數(shù)字應(yīng)用辦公室主任Christophe Gaie與巴黎中央理工-高等電力學(xué)院的學(xué)生成立了一個研究項目組，旨在建立一款全新的，含有先進(jìn)理論、算法、計算機(jī)代碼、模擬數(shù)據(jù)的操作框架，供打擊稅務(wù)欺詐的部門使用[3]。

Christophe Gaie，法國跨部委人力資源信息技術(shù)服務(wù)中心數(shù)字應(yīng)用辦公室主任

01、這項研究的目的是什么？

我們先前的理論研究明確了研究領(lǐng)域，確定了各種概念的定義和值得研究的問題，并制定了未來方向[4]。當(dāng)前的操作框架開發(fā)項目是理論研究的延續(xù)，該操作框架供世界各地的科研人員開發(fā)各自的反欺詐算法，并進(jìn)行比對。

由于合理避稅不是違法行為，因此我們重點(diǎn)關(guān)注檢測稅務(wù)違法行為的算法，特別是檢測自然人的，因?yàn)榉ㄈ藢?shí)體有其他渠道制裁。

02、你們項目的數(shù)據(jù)庫來自哪里？

公民的稅務(wù)檔案包含大量個人信息：家庭狀況、收入、資產(chǎn)等，但無論是在實(shí)驗(yàn)室分析中還是實(shí)際案例研究中，常常難以獲取全部數(shù)據(jù)。因此，我們根據(jù)預(yù)先選定的若干個維度，創(chuàng)建了一組虛構(gòu)數(shù)據(jù)。維度包括：社會職業(yè)類別、收入、支出、財產(chǎn)金額。當(dāng)然，在條件成熟后，我們會加載真實(shí)數(shù)據(jù)，代替虛構(gòu)數(shù)據(jù)。

出于對個人數(shù)據(jù)隱私的保護(hù)，法國公共財政總局（DGFiP）不能將真實(shí)數(shù)據(jù)提供給學(xué)者用于開發(fā)稅務(wù)欺詐檢測工具。這意味著每個學(xué)者都得獨(dú)立建立自己的數(shù)據(jù)庫，十分耗時，而且要花費(fèi)精力學(xué)習(xí)收入、資產(chǎn)等稅務(wù)概念。由于每人的數(shù)據(jù)庫不一樣，開發(fā)出來的算法便缺乏可比性。一般而言，數(shù)字技術(shù)開發(fā)是需要統(tǒng)一的參考數(shù)據(jù)庫的（如電信信號數(shù)據(jù)庫、圖像數(shù)據(jù)庫等）。

03、人工智能是如何檢測欺詐的？

人工智能算法采用“稅務(wù)文件模型”，根據(jù)可配置的標(biāo)準(zhǔn)檢查文件內(nèi)容。從稅務(wù)欺詐案例中總結(jié)出主要規(guī)律后，我們定義了三大類最有可能實(shí)施偷稅漏稅的群體：

  • 消費(fèi)、資產(chǎn)明顯高于個人收入水平的群體，
  • 消費(fèi)、資產(chǎn)明顯低于個人收入水平的群體，
  • 財富擁有量明顯超出其社會背景、職業(yè)背景水平的群體。

參考數(shù)據(jù)集[5]是利用INSEE公布的參考數(shù)據(jù)編制的，包含了多種社會職業(yè)群體、收入水平和財富水平，以及每個社會職業(yè)類別的支出水平。每個社會職業(yè)類別的人數(shù)比例參照了現(xiàn)實(shí)中的比例。其他參數(shù)我們使用了Singh-Maddala分布來模擬[6]。

“打擊稅務(wù)欺詐，不能把工作全盤交給簡單的檢測算法。算法是用來配合人類稅務(wù)審計員的團(tuán)隊檢測工作的?！?/p>

我們自己也成功地開發(fā)出了多種稅務(wù)欺詐檢測算法：有的基于多采樣神經(jīng)網(wǎng)絡(luò)，有的則基于隨機(jī)森林（由多個決策樹組成的機(jī)器學(xué)習(xí)算法，可解決回歸和分類問題）。

04、這些算法在真實(shí)案例中使用過嗎？

暫未，但是我們可以將開發(fā)成果與政府部門共享，特別是法國公共財政總局的控制編程和數(shù)據(jù)分析辦公室（SJCF-1D）。該辦公室還接受了我們項目組的一名學(xué)生作為實(shí)習(xí)生。與政府密切合作的每一個機(jī)會，我們都會把握珍惜。

05、算法的準(zhǔn)確度如何？

值得注意的是，算法的檢測準(zhǔn)確率（即檢測出欺詐案的實(shí)際正確率）和靈敏度（即檢測出的欺詐者占總?cè)后w的比率）之間，存在取舍關(guān)系。因此，算法的好壞以準(zhǔn)確率和靈敏度之間的折衷的度量來表示，專業(yè)術(shù)語是AUPRC，即“精確度—回歸曲線下的面積”。

對于靈敏度優(yōu)化的隨機(jī)森林，我們開發(fā)的算法實(shí)現(xiàn)了高達(dá)0.851的AUPRC。這是一個非常好的結(jié)果，說明使用人工智能檢測潛在欺詐具有良好的前景。

06、AI能全自主檢測稅務(wù)欺詐嗎？

不能。打擊稅務(wù)欺詐，不能把工作全盤交給簡單的檢測算法。算法是用來配合人類稅務(wù)審計員的團(tuán)隊檢測工作的。稅務(wù)欺詐監(jiān)管不僅是個技術(shù)問題，必須由稅務(wù)審計員最終確認(rèn)，在法官的監(jiān)督下，依法審查定奪，從而在程序上尊重納稅人權(quán)利。

分配給稅務(wù)審計員的案件，應(yīng)與其業(yè)務(wù)水平、工作量、熟悉的專業(yè)領(lǐng)域和稅法領(lǐng)域相符合。我們開發(fā)的算法能向?qū)徲媹F(tuán)隊的負(fù)責(zé)人建議案件分配方式，然后由他們做出最終的決定。負(fù)責(zé)人也可以根據(jù)主觀標(biāo)準(zhǔn)酌情采納算法的建議。

欺詐檢測應(yīng)用程序還必須集成到相關(guān)部門的行政數(shù)字系統(tǒng)中。因此，除了常規(guī)的研究之外，我們還要考慮開發(fā)出來的應(yīng)用程序如何與其他應(yīng)用互聯(lián)互通，以及程序的可維護(hù)性高低。當(dāng)然，也需要留出接口，以便未來集成更新、更強(qiáng)大的算法。

 

參考資料

1. https://www.insee.fr/fr/statistiques/6478533

2. https://www.ccomptes.fr/system/files/2019–11/20191202-synthese-fraude-aux-prelevements-obligatoires.pdf

3. Prolhac,J.,Gaie,C.“Providing an open framework to facilitate tax frauddetection”, International Journal of Computer Applications in Technology, In Publish, 2023, https://doi.org/10.1504/IJCAT.2023.10055494

4. Gaie,C.(2023).Struggling Against Tax Fraud, a Holistic Approach Using Artificial Intelligence. In:Gaie,C.,Mehta,M.(eds) Recent Advancesin Dataand Algorithms fore Government. Artificial Intelligence-Enhanced Soft ware and Systems Engineering, vol5. Springer, Cham. https://doi.org/10.1007/978–3031–22408-9_4

5. https://gitlab.com/jean.prolhac/detection-de-fraude/

6. Singh,A.,Narina,T.andAakanksha,S.(2016) “Areview of supervised machinelearning algorithms”, Proceedings of the 3rd International Conferenceon Computing for Sustainable Global Development (INDIACom), pp.1310–1315. https: //ieeexplore. ieee. org/ abstract/ document/7724478

本文為轉(zhuǎn)載內(nèi)容，授權(quán)事宜請聯(lián)系原著作權(quán)人。