国外微观税收流失测算的经验与启示，本文主要内容关键词为：微观论文,税收论文,启示论文,国外论文,经验论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
中图分类号：F810.42 文献标识码：B 文章编号：1006－3056(2012)12－0052－06
税收流失(tax gap)的估测是税收管理的基础工作，一般可从宏观角度和微观角度进行。随着税收管理数据的不断丰富，在税收风险管理的要求下，微观税收流失的测算成为当前各国税务部门的关注重点。本文按照微观税收流失测算数据的来源、方法和主要结论等，介绍了国外主流的微观税收流失测算情况，并在总结国际经验的基础上，试图探索出若干适合我国进行微观税收流失测算借鉴的经验。
一、微观税收流失测算简介
微观税收流失测算近年来在国内外逐渐成为税务机关关注的热点课题。所谓微观税收流失测算主要是相对宏观税收流失测算而言。宏观税收流失测算主要采用宏观经济账户，从经济税源来测算税收应收收入，减去税收实际收入，从而推算税收流失。由于采取的是从(上层)经济到(下层)税收的自上而下推算方式，因此也被称之为自上而下的流失测算方法(up to bottom)。作为对应的微观税收流失测算，则主要采用微观纳税人数据，通过估计具体纳税人样本的税收流失，进而推算形成总体税收流失。因此微观税收流失测算有时也被称之为自下而上的流失测算方法(bottom to up)。①
正如英国税务部门的马库斯·鲁宾(Marcus Rubin)指出的，由于数据的可获得性以及估计方法的可靠性等问题，仅仅采取宏观方法为主的自上而下方法，是无法对税收流失的具体构成情况进行估计的。因此，在各国税收流失测算的实践中，尤其是近些年来，从微观层面进行税收流失测算的探索颇多，其中在美国、英国、瑞典等国的某些税种测算中建立了较为稳健的测算方式，并周期性地进行更新。
一般而言，微观税收流失测算方法主要用于直接税的测算。在英国，直接税税收流失的测算主要采取“自下而上”的方法，这意味着直接税流失的各组成部分是分别通过不同的来源数据进行测算的，例如调查、税收管理中的数据等。但也有用于间接税的测算，例如在英国，该方法用于增值税流失中MTIC(Missing Trader Intra－Community)的骗税估计(类似于中国的出口骗税)，使用的数据主要来自于税收管理中数据，由于涉及机密，该方法的细节目前没有披露。
二、微观税收流失测算的数据来源
(一)随机样本
根据随机样本的数据，进行微观税收流失测算，以美国纳税人遵从测算项目(TCMP)和国民研究计划(NRP)项目最为典型。TCMP项目采取分层抽样的方式，从个人所得税申报表、公司所得税申报表和S公司申报表中随机选取一定数量的数据在作为TCMP延续的NPR项目中，采取的仍然是分层抽样方式，在抽样中进一步细化了所谓的市场分隔(market segment)概念，即根据不同行业的分类，进行抽样分布，并对重点风险关注人群(如高收入人数)提高了抽样比例。
(二)税收日常管理数据
针对采取随机样本的缺点，例如需要大量的人力、物力进行纳税检查，并有一定的时滞，有些国家税务管理当局提出了应用税收管理数据(operational data)进行测算的设想。税收管理数据主要包括一定时期内税务部门运用各种税收检查手段，对纳税人进行检查的数据。应用税收管理数据的优点是具有大量样本，例如，美国国内收入局(IRS)一年中检查的纳税人数量高达9万多，比TCMP各年的平均样本(5万左右)多得多，并且由于相关数据是日常税收管理中取得的，不需要花费额外的费用。②尤其是对于某些纳税人群体的税收流失测算，采取这一方式数据来源的也不乏少数。例如在英国，大企业管理部门(Large Business Service,LBS)的企业所得税流失采用的数据主要来自于税收案件管理系统。
(三)基于税务管理信息系统的海量整合数据
目前发达国家的税务管理信息化水平都比较高，税务管理信息系统中积累了海量的纳税申报数据、相关的财务数据以及第三方信息。在数据导向建模方式的趋势下，有些国家通过数据清洗，然后进行统计、计量甚至复杂数据建模方式处理，对纳税人数据进行整合，形成所谓的纳税人统一视图数据，以此为基础，进行微观税收数据测算。
(四)其他数据来源
除了以上3种主要方式之外，有些研究还探索了其他数据来源方式，例如来自于问卷调查(survey)。有研究者提出，如果考虑到纳税人的防备心理，税务机关获得的微观数据可能是有所偏差的，而采取第三方问卷调查的形式，可以取得更为客观的微观测算数据。也有研究者在实验经济学的启发下，使用微观实验数据进行税收流失测算。
从各国的实践来看，综合各种来源的多种数据，是目前微观税收流失测算数据来源方式的趋势。例如，在英国对总体税收流失的测算中，采取了多种方式，包括来自于宏观经济账户、随机抽样以及税收管理的多种数据。
三、微观税收流失测算的方法
在微观纳税人数据的基础上，各国税务部门采取多种模型和方法进行流失测算。
(一)统计模型
统计模型作为从统计上勾画微观主体税收流失特征的建模方法，与计量模型比较，与数据联系更直接。在统计模型应用方面，有在指标基础上采用统计方法的，如使用本福特法则(Benford law)(Nigrini,M.J.,1996)。该法则主要利用数据的出现规律来发现纳税人的不遵从行为对申报数据的伪造。也有利用判别分析、聚类分析、因子分析和主成分分析等多元统计方法(William Wong,2004)。通过这些多元统计分析方法，可以集中纳税人样本指标的共性，将反映纳税人流失情况的多维指标进行降维，将方差集中到较少的综合指标上，可以更加有效地识别和衡量纳税人的流失情况。
(二)以概率模型(受限变量模型)③为主的回归建模
最早应用回归方法对纳税人的流失情况风险进行建模的是克洛特费德(Clotfelter,1983)。他运用了美国国内收入局的TCMP数据测算了税收流失模型的简化形式。因变量是未申报收入的对数④。他的研究表明税后收入、边际税率、调整后的总收入(AGI)中的工资收入比率、所处的区域对AGI中的未申报收入有着决定性的作用。这一类模型主要是基于Tobit模型为主的受限变量模型。另外，有研究者(Jonathan S.Feinstein,1991)指出，这些模型往往没有考虑到税务审计人员的业务水平导致的不一致性，这种不一致性会带来回归模型估计的偏差，因此提出DCE模型(Detection Control Model)，DCE模型认为审计人员在发现纳税人不遵从现象上的差异是影响纳税人流失程度测算模型的重要因素。该模型包括两个方程：一个用于判断纳税人的流失程度，一个对IRS审计人员的流失风险发现过程进行建模。
(三)复杂数据挖掘模型
前面的模型方法主要来自于已有的税收流失规律，重点在于形成税收流失的微观测算模型，用于衡量现有的流失特征和不遵从纳税人群体，是一种探测性的模型。而基于海量数据的复杂数据挖掘模型的生成机制重点在于发现我们目前尚不了解的流失风险领域和流失风险特征，是一种发现型的模型，是应对动态变化的税务管理环境和纳税人群体的模型。可供选用的数据挖掘方法包括随机森林(random forest)、提升算法(boosting)、决策树(decision tree)、支持向量机(Support Vector Machine,SVM)、神经元网络(neural network)等。目前各国税务部门正在积极探索这类方法的应用。例如，在美国国内收入局，针对高收入人群非法利用避税方法的现象，应用了支持向量机的数据挖掘方法，识别了不少高收入纳税人不遵从的税收案例，每个案例都涉及上百万美元的偷逃税额。
(四)其他
在多年的税收流失测算实践中，各国税务部门还探索过其他模型的应用，例如随机边界模型(Stochastic Frontier Models)。随机边界模型曾经在《税收遵从》(Roth,J.A.,1989)一书中被提及，但由于该模型的复杂性以及数据的严格要求，在各国税务部门的实践应用中并不多见。
四、微观税收流失测算的结论
通过微观税收流失测算的方法，可以进一步地给出具体的流失情况。下面以在微观税收流失方面做得较好的美国、英国和瑞典为例，介绍相应的结论。
(一)美国的结论
基于TCMP项目积累的税收流失测算情况，结合NPR项目获得的最新纳税人遵从情况，美国国内收入局对2001年和2006年的税收流失情况进行了测算，如表1所示，并依赖微观流失测算方法的特长，对其中各部分流失中的构成情况进行了测算，如表2所示，对流失中的主要构成部分，即低报收入造成的流失(2001年占82.6％，2006年占83.6％)，进行了测算。
(二)英国的结论
在英国，微观方法应用在直接税(所得税)的测算中，对英国的直接税流失规模和结构进行了测算，如表3、表4所示。
微观方法除了对直接税进行测算外还主要用于估计增值税(VAT)流失的具体构成，例如从微观角度来看，增值税的流失包括一般性不遵从、非法避税、欠税、不登记、严重的不遵从问题、MTIC骗税、其他流失等多种情况。
(三)瑞典的结论
瑞典国税局将微观税收流失测算与宏观税收流失测算方法相结合，得出了瑞典的税收流失图。通过将流失类型按流失来源、纳税人类型、错误类型和税种类型等进行分类，明确了税收流失的主要构成。2008年公布的税收流失报告中指出，瑞典税收总体流失大约为1330亿瑞典克朗，约为GDP的5％，流失率约为10％。通过随机抽样、目标纳税人检查和特定行业税收评估等主要微观流失测算方法得出的分布，如表5所示。
对于纳税人类型和来源的税收流失，还可以进一步分类，如表6所示，可将来自国际经济活动的税收流失，按税种(收入类型)进行分解。
在每一个子分类中还可以进一步了解税收流失的构成情况，例如，在国际经济活动引起的流失中，大企业的流失约占30％，国际经济活动中的大企业各种流失的构成情况如表7所示。
五、总结
(一)正确认识微观税收流失测算的地位和作用
从各国微观税收流失的测算情况来看，微观税收流失是整个税收流失测算体系的重要部分。在微观流失测算的指导思想中，各国税务管理当局都认识到，虽然真实的税收流失规模和结构具有客观的不可知性，但是通过微观税收流失测算，仍然可以探索到税收流失的部分“真理”，并且对税收管理具有一定的帮助。例如，在1995年举行的TCMP听证会中，美国国内收入局指出，基于TCMP项目的微观数据，建立的DIF模型等纳税人疑点筛选方式，将随机抽取的评估补税额从少于1000美元提高到平均5000美元左右。因此，在各国的税收流失测算研究中，虽然对微观税收流失测算的可靠性都采取谨慎态度，然而一般认可其对各国税收流失结构分析、税收风险管理和遵从制度建设等方面的积极作用。从我国税收流失测算的实践来看，应注重避免过于关注某个具体流失测算数据，而要重视数据的税收管理和税收经济意义。
(二)逐步形成了两条不同的技术路线
从较早的TCMP项目算起，到目前为止，各国税务部门采取了多种方法进行微观税收流失测算。综合来看，基本上遵循着两条技术路线，即“先识别后模型”或“先模型后识别”。“先识别后模型”的做法是基于随机的好(或坏)纳税人样本建立模型，然后适用于纳税人全体来推算流失额；“先模型后识别”的做法是基于非随机的好(或坏)纳税人样本(例如征管数据、数据挖掘、专家挑选等)建立模型，然后通过适用于纳税人总体来识别模型的好坏，并进一步校正后用于流失额的推算。值得我国在税收流失测算实践中注意的是，从应用趋势上来看，通过第二条技术路线的探索，弥补和补充第一条技术路线的不足和缺点，是目前各国税务部门微观税收流失测算的重点。
(三)综合利用多种来源的测算数据
微观税收流失测算的数据来源是综合的，目前的趋势是尽量减少对纳税人的影响，减少抽样调整的纳税人样本数量，探索深入海量数据背景下的流失测算数据应用，通过第三方数据匹配、基于税收征管数据的合理统计推断等方式，尽可能地推测流失的规模和结构。从这一情况来看，在我国实践中，过分强调基于随机抽样方法的微观流失测算的做法和主张，值得反思和研究。
(四)探索各种有效测算模型的应用
在微观税收流失中应用的模型是多样化的，不仅包括传统的计量、统计模型，随着复杂海量数据的出现，新的建模方法和工具也在不断出现。根据不同的纳税人数据特征、应用的层次、样本数据的大小等不同因素，各国税务部门一般灵活选用不同的模型方法进行微观数据流失测算。值得我国在税收流失测算实践中注意的是，无论采用什么模型和方法，在微观税收流失测算中都应十分注意不同方法的比较和综合，并进一步和宏观税收流失模型进行衔接。
(五)采取直观的测算结果表现形式
在微观税收流失测算结果的展现中，各国较为普遍的提法是建立税收流失地图(tax gap map)。当然，由于各国税务部门的不同偏好，具体的表现形式各有不同，例如美国是“树形”图，而瑞典倾向于更为直观的“管道”图。在税收流失地图中，综合展现不同类型纳税人、不同税种、不同税收风险形成的税收流失，甚至于通过不同的图线和颜色标示出不同的微观税收流失测算方法。我们应该认识到，通过这种做法，可以对税收流失测算进行规划，不断推进，累积形成比较成熟可靠的测算体系和成果。
注释：
①虽然有研究指出(Marcus Rubin,2012)，自上而下方法中也有使用微观方法(通过微观主体的劳动提供和收入量之间的差异来测算总体的税收流失)的。但一般而言，如瑞典税收流失报告(Swedish National Tax Agency,2008)提出的，自下而上的方法主要指微观方法。
②根据1994年IRS国会听证会的资料，计划中的1994年TCMP项目预算高达5亿美元，占所有税收检查预算经费的30％。
④该变量是TCMP审计中税务审计人员的审计应纳税收入与纳税人申报收入之差。