稅收風險識別對稅收風險管理至關重要。無論是業(yè)務驅動的傳統(tǒng)稅收風險識別還是數(shù)據(jù)驅動的分析模型,都很難從單方面來提高稅收風險識別的精準度。利用新技術提高稅收風險識別的精準度成為當務之急,機器學習成為可選項。本文認為,利用風險應對核查成果的效力,把機器學習運用到稅務機關防范稅收風險的識別中,可實現(xiàn)人工經驗和大數(shù)據(jù)分析的雙輪驅動,為提升稅收智能化管理開辟新的視野路徑。本文選取隨機森林算法,以商貿企業(yè)為例,對虛開增值稅發(fā)票風險建立識別模型,通過檢驗推演驗證得知,該模型穩(wěn)健可靠、預測準確性高,可供稅務機關參考借鑒。 

【文章來源】：財政研究. 2020,(09)北大核心CSSCI

【文章頁數(shù)】：11 頁

【部分圖文】：

隨機森林流程圖

【參考文獻】：
期刊論文
[1]大數(shù)據(jù)環(huán)境下稅收風險管理的路徑選擇[J]. 宋星儀,宋永生.  稅務研究. 2020(03)
[2]大數(shù)據(jù)下基于改進K-means聚類算法的稅收風險識別[J]. 夏會,程平,張礫.  財會月刊. 2019(21)
[3]大數(shù)據(jù)在稅收風險管理中的應用探析[J]. 常曉素.  稅務研究. 2019(06)
[4]在稅收風險分析中引入人工智能技術的思考[J]. 李為人,李斌.  稅務研究. 2018(06)
[5]大數(shù)據(jù)思維:在稅收風險管理中的應用[J]. 劉尚希,孫靜.  經濟研究參考. 2016(09)
[6]基于大數(shù)據(jù)背景的稅收風險管理[J]. 姚鍵,王周飛,陳愛明.  稅務研究. 2015(11)
[7]稅收風險識別模型的構建[J]. 張景華.  稅務與經濟. 2014(01)
[8]基于稅收執(zhí)法視角下企業(yè)稅收風險管理研究——以廈門市為例[J]. 邱吉福,張儀華.  財政研究. 2012(09)
[9]隨機森林方法研究綜述[J]. 方匡南,吳見彬,朱建平,謝邦昌.  統(tǒng)計與信息論壇. 2011(03)
[10]人工智能在稅收風險管理中的應用探析[J]. 劉昊.  稅務研究. 2020(05)



本文編號：3145958