• 税收大数据是怎么“逮住”薇娅的?原来只用了三招

    发布日期:2022-04-13 12:09    点击次数:112

    最近网络主播薇娅因涉嫌偷逃税款,被追缴并处罚款共计13.41亿,数额之大引发关注,同时税务部门发现薇娅涉嫌偷逃税款的利器——税收大数据分析,也引起很多人的好奇。

    到底税收大数据,是如何“逮住”偷逃税款的违法行为的呢?

    有网友认为所谓大数据,只是对直播间的销售数据和纳税数据进行对比即可,还是把事情想得太简单了些。

    第一招:纳税人画像

    税务局作为主管税收工作的政府机构,掌握着大量的税收数据,纳税人从设立到注销全生命周期的申报数据、缴款数据、发票数据、涉税违法违章等等数据,都在税务局里。

    这些税收数据究竟有多少?

    今年10月19日,江苏省召开“江苏省进一步深化税收征管改革实施方案”新闻发布会,会上披露一个数据,仅江苏一省就掌握两千亿条税收大数据,而这些数据可以对纳税人进行全面画像。

    对纳税人进行全面画像,又有什么用处呢?

    在开发一个App前,产品经理都会对目标用户进行画像,目标用户多大年龄、收入怎么样、有什么爱好、购买力如何等等。这样才能真正了解用户,也是产品是否能成功的关键。

    税务局一旦掌握纳税人全面画像,偷逃税款等违法行为将无所遁形。

    2019年,国家税务总局深圳税务局在风险管理工作中,首次引入人工智能技术,对大量历史风险任务反馈的样本数据进行学习、建模、扫描,成功对纳税人进行画像。

    以“虚假注册”和“虚开发票”的画像为例,深圳税务局借助这两张画像,扫描下发任务177批次,涉及36916户纳税人,风险命中率高达89.64%和86.18%。

    当税务局拥有纳税人画像后, 三门峡阳光铸材有限公司不需要税务抽查,就能预判和发现该纳税人是否存在偷逃税款的违法行为。

    这就好比你第一次借钱给一个抠门的人,他没还,第二次又借钱给另外一个抠门的人,又没还,如此不下数十次,你再也不会借钱给抠门的人了,因为在你的心理已经有了这类人的画像,“抠门”是一大借钱风险,以后再碰到抠门的人,你就能预判到借钱给他,大概率不会还。

    税案通报中,薇娅主要采用隐匿个人收入、虚构业务转换收入性质两种方式偷逃税款。

    那么“画像”是怎么“逮住”薇娅的呢?

    我们以“隐匿个人收入”为例,仅仅需要两个步骤:

    1. 人工智能自我学习

    人工智能以如实申报纳税的纳税人为正样本,以已被查到的隐匿个人收入的纳税人为负样本,结合基于登记数据和发票数据,进行自我学习,总结出“隐匿个人收入”的所有重要风险特征,并赋予每项特征不同的权重。

    与此同时,该画像还会根据负样本的数据变化,而自动调节特征权重,以保证画像的与时俱进。

    2.扫描所有纳税人

    借助“隐匿个人收入画像”扫描所有纳税人,发现网络主播薇娅符合“隐匿个人收入”的特征,即找到很可能通过“隐匿个人收入”偷逃税款的纳税人。

    仅这一招,绝大多数偷税行为都无所遁形。

    第二招:外部大数据

    许多人还存在这样一个误区,税务部门只管税务的事。实际上任何大数据都会被利用起来,用于打击偷税行为。

    除了税务部门自己掌握的税务大数据外,外部大数据也是一个重要的渠道。包括不限于:

    其他部门共享交换的数据,如工商登记数据、股权转让数据、水电气数据等; 互联网公开的数据,例如上市公司依法披露的信息,法院裁判文书等等;

    在未来即将上线的“金税四期”系统中,不仅涵盖税务,各个部门、银行的信息数据都将被打通,并且还会将非税业务纳入其中,实现对业务的全面监控。

    第三招:自动风险提示

    杭州税务局稽查局有关负责人就黄薇(薇娅)偷逃税案件答记者问时,说过这么一句话:“经税收大数据分析评估发现,黄薇存在涉嫌重大偷逃税问题,且经税务机关多次提醒督促仍整改不彻底,遂依法依规对其进行立案并开展全面深入的税务检查。”

    通知存在风险的纳税人自纠自查,是税务机关的最后一把武器,也是风险纳税人的最后机会。显然薇娅和其所在的公司,并没有抓住这一机会。

    利用大数据识别风险纳税人和没有风险的纳税人后,电子税务局会自动向其发送“风险提示提醒函,”引导其自查自纠。如果纳税人在自查过程中有疑问,税务机关会及时进行辅导,帮助其排查风险、解决问题。

    经过提示提醒还不愿意纠正、整改不彻底的纳税人,税务机关便会采取进一步检查措施。

    近几年来,直播各行业的野蛮生长,加之较难从传统渠道获取其上下游业务的准确数据,客观上造成税收管理难度大,助长了许多从业人员的偷逃税行为。薇娅偷逃税案也给所有人敲醒了警钟,依法纳税是所有纳税人的法定义务,任何人、任何企业都不能例外。

     

    AAB