斯洛文尼亚共和国：技术援助报告-数据驱动风险评估

2022年12月 由...准备路德维希·魏尔 和 邵忠 作者部门： 财政事务部门 免责声明 本文件的 内容构成国际货币基金组织工作人员向斯洛文尼亚共和国当局提供的 技术建议。除非 CD 收件人明确反对此类披露，否则本文件（全部或部分）或其摘要 可由国际货币基金组织向斯洛文尼亚共和国执行董事、其他执行董事及其工作人员、以及其他 CD 收件人的机构或机构披露，并在其请求下，向世界银行工作人员、以及其他对技术援助和捐赠有合法利益的 提供者和捐赠者披露[如适用仅限] [RCDC 名称] 或主题基金 管理委员会的成员（见员工关于能力发展信息传播的操作指南). 本报告（无论全部还是部分）的发布或披露给国际货币基金组织（IMF）以外的各方，包括但不限于CD受援国的机构或代理机构、世界银行员工、其他技术援助提供者和有合法利益的捐助者（如适用仅限）[名称为RCDC或主题基金]的指导委员会成员，均需获得CD受援国和国际货币基金组织财政事务部门的明确同意。 词汇表 CD能力发展客户关系管理（Customer Relationship Management）合规风险管理CRMU合规风险管理单元CIP合规改进计划CIT企业所得税DG总经理跨国企业（Multinational Enterprise）跨国企业经合组织（Organisation for Economic Co-operation and Development）经济合作与发展组织PIT个人所得税SFA斯洛文尼亚共和国财政行政部门旧金山国际机场（San Francisco International Airport）特别财务办公室TP转让定价增值税增值税 I. 引言 该任务旨在支持斯洛文尼亚共和国财务管理局（SFA）提高其在企业所得税（CIT）风险评估中使用数据分析的能力。在整个任务期间，团队进行了四次研讨会和五次一对一会议，以提供关键主题领域的指导，包括： •理想的组织安排以支持数据分析•如何访问和利用更好、更多的数据，包括第三方数据•当前数据流程和流程，着眼于简化和改进它们•如何提高数据完整性•利用数据科学和大数据分析来加强风险评估•利用各国报告的价值•开发多个数据分析/风险评估模型 2. 任务团队发现，SFA拥有高质量的数据和合格的员工，能够从数据分析的收益中获益。任务团队对参与研讨会的高度投入和耐力印象深刻。在整个任务过程中，他们的承诺通过建立四个新的试点风险评估模型得到了体现，这些模型均显示出有希望的结果。例如，CIT审计选择模型预计将综合审计的打击率（以超过5000欧元以上的更正来衡量）从50-60%提高到约90%（同时进行相同数量的审计）。 3. 为了让SFA充分获得其在数据能力方面先前投资的全部好处，高层管理被鼓励实施以下五个行动：a) 全力支持、优先考虑并激励向更多依赖数据分析的转变b) 给数据分析以时间成长（有时可能会失败），并保持一个稳定且专注的团队 第二部分：SFA在高级数据分析方面的成就 4. 任务团队发现，SFA 已经奠定了从高级数据分析中获益的基础。他们设立的“分析单位”由于及时在数据清洗、处理和存储方面的投资，数据可随时获取。SFA中数据的使用情况 已经广泛应用，拥有超过50个正在使用中的数据应用，同时IT部门正在开发一个先进的预测模型。 5. 随着大量数据的可用，下一步是更有效地利用数据来源。 系统地。在短短几天内，任务团队能够获取到在斯洛文尼亚共和国运营的公司的审计、税务申报、国别报告、业务风险规则以及资产负债表的高质量数据。所有数据均通过唯一的纳税人标识符轻松合并。这些信息是数据分析的基石，SFA在这里有坚实的基础。因此，前面的主要任务是系统地利用现有数据。也就是说，基于系统性的数据驱动模型自动识别风险，利用所有可用数据。特别是对于公司所得税风险评估，有进一步依赖此类系统性分析的余地。 6. 扩大系统性风险分析应用的步骤在许多情况下是必需的 非常小。任务团队发现，为转让价格案例设置的商务风险指标选取的样本在预测CIT综合审计收益方面是准确的。拥有更多的系统化的一般CIT审计选择方法因此只是一个利用现有方法的简单问题。工作。同样，转移价格业务风险指标也可用于履行以下内容：先前国际货币基金组织（IMF）提出的为最大纳税人（in previous）建立风险档案的建议能力发展（CD）报告（2022 年）。 III. 技术援助建议总结 A. 背景 7. “大数据”并不自动转化为“大幅改进”。1虽然由于可获取的数据量比过去大得多，存在机遇，但利用这些机遇意味着政府必须解决一系列统计、组织和技术问题。“高级数据分析”是使用统计技术进行预测和推断因果关系的方法。这种方法对收入管理来说并不陌生，因此高级分析并不是为了实现任何根本性的新事物，而是寻求通过更多和更好的数据依赖来完成这些任务。2 高级数据分析具有将难以理解的大量数据处理成准确预测的能力。过时的风险评估建模需要人员手动构建合理的风险评估规则。相反，先进的数据分析可以自动地、独立于人类干预的情况下，构建一个模型以综合所有可用的信息。例如，一个机器学习模型，它从企业所得税、增值税、个人所得税和社会保险登记簿中获取所有可用的纳税人数据，可以自己确定哪些变量是 预测逃税可能性时非常重要。此外，当实施后，机器学习模型将从过去的错误中学习并自我纠正。 9. 使用高级数据分析的优势在数据丰富且考察人群庞大时最为显著。经济合作与发展组织（OECD）就16个OECD国家在高级数据分析方面的经验准备了一份详细报告。3在他们报告中，他们指出实施高级分析的成功取决于下一个最佳替代方案。也就是说，当可用的数据量过大且可用于检查数据的资源稀缺时，采用高级分析（例如，海关寄存选择和增值税退税审计）是有意义的。相反，当考察的群体较小且可用的数据难以提供给模型时，高级分析的优势较小。 10. 无需努力且自动的数据集成是风险评估数据分析的基础。为此，SFA（税收金融分析）期望持续扩大其数据集，既包括内部数据整合（如税务数据和海关数据），也包括外部第三方数据（自动）交换。目标是所有已自动收集的数据（例如，通过税务申报、银行转账、财务信息、海关数据等）都能自动上传至风险评估模型。如果SFA能够从居住在斯洛文尼亚共和国的财务数据报告者那里收集到与《行政合规指令》（DAC）2和对外国金融机构的《共同报告标准》（CRS）相同的同一数据，将会特别有用。4.5为了提升数据分析的目标，我们建议将特殊增值税发票文件（如已发出和收到的发票所述）中管理的数据自动提交至SFA，提交频率为每月或每季度一次。此外，每年将资产负债表直接提交至SFA也将是有益的（不仅限于例外情况，而是强制性的），提交截止日期应早于提交公司所得税申报表。在某些情况下，这需要修改数据交换法（例如，银行转账信息的情况）。 11. 使用高级分析的机会是无限的. 作为经合组织6并且其他人7指出，高级分析技术的出现，凭借其使用诸如模式识别、异常检测、聚类分析、实验设计、网络分析和文本挖掘等复杂方法来分析数据或内容的能力，为在收入管理的各个方面应用智能技术开辟了新的机遇（参见附录1以获取建议列表）。 第12点：从简单的数据分析到SFA的高级数据分析的转变很小。SFA已经使用了数据分析，并整合了来自广泛数据源的数据。这意味着SFA进行更高级数据分析所需的投入很小。 第13项任务：该任务开展了与关键SFA人员的工作坊，确定了作为一个主要风险的组织上分离且未被优先考虑的数据分析单元。这里所述的 dystopia 是指一个与终端用户需求脱节，并且缺乏必要资源/授权来实现目标的卫星单位。这种风险非常真实，并且被 OECD 强调。8在其先前报告中。为了避免这种风险实现，SFA必须谨慎地通过各种措施确保数据分析单元融入更广泛的组织之中。 •确保在更广泛的业务与数据科学团队之间保持员工流动（例如，通过“巡访”活动，让员工融入数据科学团队）。 •优先考虑终端用户的教育。在开发任何应用程序之前，都应预留时间对终端用户进行教育。 •努力实现项目的快速部署，以避免建造“白象”——即在实际中未得到使用的先进解决方案。 •严格衡量数据分析项目的影响，以确保解决方案的质量。组织认同。目前，分析单元已开发了超过50个应用程序，包括SAP系统由IT部门维护，但对于其中许多，却一直没有任何系统性地从终端用户的角度评估成功。 确保模型预测是可操作的且透明的。 14. 正确进行数据分析不仅关乎产生有价值的见解，还在于让SFA员工信服使用这些见解的益处。在成功的高级数据分析案例中，确保没有任何员工感到被落下至关重要。SFA（销售力量自动化）中的资深员工可能对已经使用了多年的方法投入了大量的精力，而现在他们被期望采用他们可能甚至不完全理解的方法。有几种方法可以缓解文化阻力，其中包括： •高级管理层批准数据科学团队的使命，并赋予团队必要的权限以进行运作。 •让资深员工参与到过程中，并让他们明白他们拥有宝贵的见解，可以为过程做出贡献。提供培训课程，使他们能够理解分析的基础。 •激励变革：明确表示技术变革的必要性，通过奖励表现来推动，不要惩罚在前进道路上的许多预期失败。 •避免通过技术进步带来的效率提升转化为减少员工数量，从而营造一种对变革的恐惧文化，相反，应利用额外的资源来提高服务质量。 •通过与传统方法进行竞争来证明新方法的价值，例如，通过标准风险规则选择一半的审计案例，而另一半则使用更高级的分析。 15. 数据分析与预测建模应无遵循“宏伟的总体规划”。数据分析的关键在于通过快速部署和试点进行试错。该过程应遵循以下模型：（1）通过与业务部门的交谈了解SFA希望解决哪些问题；（2）了解可用的数据概述，并在请求新数据之前使用易于获取的数据；（3）构建统计模型，并与其最终用户评估其属性；（4）使用更多/更好的数据来完善模型；（5）如果对模型的理论属性满意，则将其应用于现实生活；（6）评估模型并在必要时进行完善。 16. 将预测转化为可操作情报需要模型透明度。也就是说，仅仅拥有一个无人理解的“黑盒”预测是不够的。相反，近期的研究提供了新的工具。地面需要知道模型预测结果的原因，以检查任何预测模型的内部工作原理。例如：1）构建一个简单 的辅助模型，例如线性或决策树，作为底层模型的代理（）代理模型). 2) 对于每个变量，计算其在所有其他数据与总体匹配的情况下对产出的边际效应。个体条件期望) 3) 让模型执行有针对性的预测。告知地面官员需要注意的事项，例如，将结果变量定为“因（未）开具发票而进行的调整”，而不是仅仅“调整”。 B. 组织结构、招聘及解决方案的整合 17. 在过去几年中，SFA员工受到了组织频繁重组的负面影响。当方向发生改变时，将出现效率低下和失去动力的现象。例如，一个合规风险管理单位（CRMU）在关闭之前几乎无法建立。组织稳定性对于建立在彼此之上的渐进式改革至关重要。 18. 在构建高级分析能力初期，建立一个集中单位（如SFA的情况）是汇聚资源的一个极佳方式。有能力的数据分析师在所有国家都极为稀缺。技能/投资的转移性如此之高，以至于在小型的税务机关中拥有不同的部门来服务消费税、增值税和海关几乎毫无意义。同样，数据分析部门应该处理数据分析的所有方面——而不仅仅是审计选择。 19. SFA应当授予数据分析部门必要的权力，并在其核心功能之间发展协同作用。. 分析部门位于SFA的监督部门，应与其他核心功能在一些关键问题上密切合作。例如，分析部门可以通过与特别财务办公室（SFO）合作来提高大型业务风险分析。 担任大型企业（桌面）审计的主管。为了更好地维护现有的数据应用并进一步开发，与IT部门的紧密合作至关重要。 20. SFA应优先考虑保留/招聘少量但高度胜任的数据分析师。五个优秀的数据分析师可以成为数据分析单元的核心。数据分析师的生产力差异与其他业务线非常不同，通常最好是拥有较少但更熟练的资源，而不是拥有许多资格较低的资源。这也意味着SFA应该考虑