本站小編為你精心準備了房地產業稅收流失研究參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

近年來，房地產業已經成為經濟增長的重要推動力量和新的稅源增長點。針對房地產行業的稅收征管工作值得稅務機關給予重視。本文的基本出發點，是以稅務機關掌握的微觀數據為基礎，以稅收流失測算為目標，探討能和我國稅收經濟實際相結合的稅收流失測算定量模型，以便為稅務機關的稅收征管決策提供更真實、可靠的科學依據。常見的稅收流失測算方法包括現金比率法、CGE法、抽樣調查、指標法、結構計量法等。本文考慮了房地產業開發周期長、財務核算復雜等涉稅特點，經過多次試驗比較，最終確定“機器學習法”作為稅收流失測算的主體方法。和傳統方法相比，機器學習法所表現出的優勢有以下幾方面:(1)采用的微觀數據為大樣本數據，有利于全面描述房地產企業的行為規律;(2)機器學習法構建的模型以數據為導向，能夠自學習、自適應、自訓練，更能適應經濟周期不穩定、房地產稅收環境復雜的特點;(3)機器學習法能夠挖掘數據的相關性，適合涉稅行為多樣、財務核算復雜的房地產業。本文以A省房地產業稅收數據為樣本，運用機器學習法經過反復測試和修正，最終得到了較為可靠的稅收流失測算結果。

一、數據來源與模型設定

(一)數據來源本文所取得數據來自A省稅務機關的涉稅數據，包括稅務登記信息、申報征收信息、財務報表信息、稅務稽查信息、發票管理信息、采集信息、代碼維護信息7大類數據，共77張數據庫表(105331599條記錄)和655個Excel文件表(45236224字節數)的微觀數據量。經過數據的清洗與整備，選出了A省2011年度1951戶、2012年度1302戶房地產業納稅人。

(二)模型原理本文測算微觀稅收流失的基本思路是運用機器學習法建立起納稅人生產經營狀況(通過登記數據、申報數據、財務數據等描述)和應納稅額關系的稅基模型，然后模擬出納稅人真實的生產經營狀況及其應納稅額的關系，進而計算應納稅額，并在此基礎上測試相應的稅收流失額。本文對房地產業企業所得稅和營業稅應納稅額的測算建模基于以下假設:一是多數的納稅人經營行為具有一定的一致性，即相似經營條件(同地域、同行業、同規模、同投入)的企業，其經濟行為如納稅規律應該相近。二是企業的財務報表數據是通過一定的準則對企業生產經營過程中資金過程進行會計核算的結果，能較為綜合地反映企業的生產經營行為，數據可記載企業的行為。三是大量樣本、大數據可以反映企業的行為規律，通過對數據的深度挖掘，能夠達到預期目標。

(三)算法選擇考慮到A省稅收數據的情況，本文組合使用了Bagging、決策樹兩種算法，主要原因如下:(1)Bagging采用重復取樣，每個個體分類器所采用的訓練樣本都是從訓練集中按等概率抽取的，因此Bagging的各子網能夠很好的覆蓋訓練樣本空間，從而有著良好的穩定性。同時，Bagging對數據的抗干擾能力較強，適合公司規模大小有差異、注冊登記類型不同的房地產業，避免因為業務發生的偶然性而失去觀測值的“獨立同分布”。(2)決策樹法是數據挖掘分類算法的一個重要方法，由于A省數據來源多、覆蓋面廣，對于決策樹數據的準備要求較低，而且能夠同時處理數據型和常規型屬性，特別是能對分布失衡的分類變量自助劃分，在相對短的時間內能夠對大型數據源做出可行且效果良好的結果。

(四)變量選擇有監督的機器學習問題可以形式化地表示為已知目標變量y與輸入x之間存在一定的未知依賴關系，即存在一個未知的映射F(x，y)，通過逼近函數反復地訓練調整，使預測的期望風險降到最小，以找到最佳的F(x，y)近似目標函數。根據研究目的，本文選擇的目標變量為企業所得稅、營業稅這兩個稅種的應納稅額。而對于參與變量，原始數據中可供選擇的指標很多，但這些指標并非全部有助于稅收流失測算，反而可能因為變量之間的相關性、噪聲變量等降低模型的有效性。運用傳統的聚類方法、因子分析、逐步回歸等進行自變量選擇是比較繁瑣、艱難的工作，機器學習支持全樣本、全變量參與，符合大數據分析的需求。所以，本文運用了機器學習法中的噪聲穩健性算法(具體算法不再贅述)計算各變量的重要性排序，并以此確定營業收入、利潤總額、營業利潤、財務費用、管理費用、應納所得稅額等為參與變量。

(五)模型評估本文總結出模型的有效性包括理論模型有效性確認、數據有效性確認和運行有效性確認等三部分。以下將通過模型輸出對上述三方面進行評估:1.理論有效性確認。本文運用交叉驗證(Crossvalidation)法進行判斷。其基本原理為:先以一個子集做分析，而其它子集則用來做后續對此分析的確認及驗證。初始子集被稱為訓練集，而其它子集則被稱為驗證集或測試集。交叉驗證一般需滿足:(1)訓練集的比例要足夠多，一般大于50%;(2)訓練集和測試集要均勻抽樣。本文的交叉驗證結果表明訓練集誤差率很小，說明機器學習法逼近數據相關性的能力很強。外推性方面，測試集的誤差率明顯小于1，說明該模型可靠性很高。預測集部分，可以反映出納稅遵從樣本的選取比例，不再贅述。2.數據有效性確認。本文采用擬合度檢驗比較理論結果與實際情況的吻合程度。常用方法包括剩余平方和檢驗、卡方(c2)檢驗和線性回歸檢驗等。本文所用方法是對實驗中每個目標變量的500個模型同時進行檢驗，以判斷模型對實際情況的“吻合程度”。檢驗結果顯示擬合度平均值大于80%，表明數據擬合效果較好。3.運行有效性確認。本文通過分析模型在構建中的誤差走勢和殘差分布來確定運行有效性。計算結果見圖1(以2012年度、營業稅為例)，其中左、中、右分別為誤差走勢圖、殘差分布核密度圖、殘差分布Q圖。誤差走勢圖顯示數據誤差在最后環節基本趨于穩定且逼近最小值，殘差分布核密度圖和殘差分布Q圖則顯示殘差分布屬于正態分布，這說明數據結果在統計上是可靠的。

二、測算結果

(一)企業所得稅稅收流失測算的總體結果2011年度主要測算結果為:企業所得稅總流失金額189720235.7元、總流失率44.99%，存在低申報繳納稅款的戶數在為995戶，總流失戶比76.42%;2012年度主要測算結果為:企業所得稅總流失金額311769655.50元、總流失率51.47%，存在低申報繳納稅款的戶數在為1059戶，總流失戶比54.28%。數據反映，2011－2012年度企業所得稅的稅收流失現象較為嚴重，且有惡化趨勢。從稅收流失的區間分布看，企業所得稅流失主要集中在少數納稅人身上，稅收流失集中性非常明顯。據統計，其中，2012年度流失金額在100萬以上的僅為42戶、占總流失戶數的2.15%，流失金額為244580407.5元、占總流失金額的78.45%。這一結果表明，稅務機關在實際工作中應重點關注稅收流失嚴重的企業，從源頭上防止稅源流失。

(二)營業稅稅收流失測算的總體結果2011年度主要測算結果為:營業稅總流失金額64059647.53元、總流失率21.64%，存在低申報繳納稅款的戶數在為1232戶，總流失戶比94.62%。2012年度主要測算結果為:營業稅總流失金額53222753.25元、總流失率3.63%，存在低申報繳納稅款的戶數在為1786戶，總流失戶比91.54%。與企業所得稅相比，房地產業營業稅的稅收流失率較低，這可能與營業稅的征收方式單一，并采用以票控稅的征管方式有關。

(三)按經濟性質劃分的稅收流失情況本文按照納稅人的經濟性質分別測算了各類企業的稅收流失情況，計算結果見表1(以2012年度企業所得稅為例)。數據顯示，不同經濟性質的納稅人流失情況還是有很大的不同。從“流失金額＞100萬的納稅人戶數占總戶數的比”看，應重點關注的是國有企業;從“流失金額＞100萬的流失金額占總金額的比”看，應重點關注的是國有企業、私有有限責任公司、有限責任公司、其他有限責任公司。

(四)按主管稅務機關劃分的稅收流失情況本文按照納稅人所屬主管稅務機關分別測算了各稅務主管機關的稅收流失情況，計算結果見表2(以2012年度企業所得稅為例)。由于各管轄范圍內的房地產發展情況、征管質量和納稅人結構等的不同，各市納稅人的稅收流失金額、流失戶數比例等存在著不少的差異。從稅源專業化角度上來講，上級稅務機關應綜合考慮稅源數量、稅源結構、稅源地域分布、基層人員數量和素質等因素，對征收管理和績效考核進行全盤考慮。

三、結論

房地產行業存在稅收流失是客觀存在的事實，但如何進行準確識別在以往諸多的實證分析中并不多見。本文利用數據挖掘的方法在上述方面進行了嘗試性研究，主要成果表現在:建立了一個比較系統、完整、可操作的房地產稅收流失測算模型，以機器學習自適應地區、行業等功能，識別了房地產業納稅人的納稅遵從風險，為加強稅源監控、風險管控、保障稅收收入平穩增長創造了良好的條件，為案頭審核、實地驗證提供智能決策化服務奠定了基礎。

作者：趙瑜 孫存一 王坤 單位：中國人民大學財政金融學院