数据挖掘技术在税务系统中的深度应用

随着计算机技术的发展和数据挖掘应用的逐渐成熟，数据挖掘技术引起了越来越多的行业的重视。在国外，政府应用数据挖掘技术发现欺诈行为已经有了30多年的历史，如今，中国的各类政府机关在信息化的进程中也都不约而同的将数据挖掘应用提到了议事日程上来。税务征管需要以更新、更便捷、更有效的方法，对大量的征管数据进行分析、提取、挖掘其隐藏信息数据中的潜能。本文着重介绍了通过数据挖掘技术如何实现纳税评估选案，从而降低征管成本，提高管理效果。

一、税务征管发展基本状况

我国和许多起他国家一样每年都会因为纳税人的偷漏税问题而损失大量的财政收入，有关税务部门一直以来都致力于解决这方面的问题。但是在没有引进计算机工具和数据挖掘工具技术之前，这方面的工作在很大程度上，是依赖专业的人员根据以往的工作经验和某些直觉上的判断来圈定那些不法纳税人的特征，虽然这在初期可能会有很大的帮助，但是随着税务体制的改革，经济的发展，自然而然的引起的税源的增加，税种的增加，这时，政府的税务管理部门在使用以往总结的凭经验和直觉判断的方法，去区分判断那些违法的纳税人，势必会导致产生以下问题：征管人员的增加，引起征管成本增大；选案的不科学性，引起征管效率低下；同时，对于个案检查过程中，由于没有证据来源，所以增加了个案的时间成本，而且往往是效果也不是十分明显。 以上种种问题表明，仅仅依赖定性的研究来辅助政府税务管理部门如何加大监管的工作力度已经出现了很多弊端，借鉴国外的成功经验，使用数据挖掘，对税务管理部门所辖的纳税户进行纳税评估选案的工作，将会大大提高监管工作的效率和工作的效果。当各个税收征管部门把税务信息化作为急待解决的问题时，而数据挖掘是实现信息化的必由之路。金税三期展开前后，税务部门都比较关注税务数据的深度利用和数据挖掘问题。

　　二、对数据挖掘深度利用的理解
　　数据挖掘（Data Mining）是一种知识发现的过程，它主要基于统计学、人工智能、机器学习等技术，高度自动化地分析数据，做出归纳性的推理，从中挖掘出潜在的模式，并对未来情况进行分析、预测，以辅助管理者、决策者评估风险、做出正确的决策。同时，数据挖掘也包含了一系列旨在从数据集中发现有用而尚未发现的模式（Pattern）的技术。确切地说，从大量的数据中抽取出潜在的、不为人知的有用信息、模式和趋势，是一种更深层次的数据分析。
　　数据是形成知识的源泉，原始数据可以是结构化的，如关系数据库中的数据；也可以是半结构化的，如文本、图形和图像数据；甚至是分布在网络上的异构型数据。方法可以是数学的，也可以是非数学的；可以是演绎的，也可以是归纳的。发现的知识可以被用于信息管理，查询优化，决策支持和过程控制，还可以用于数据自身的应用维护。因此，数据挖掘技术是一门交叉学科，它把人们对数据的应用从低层次的简单查询，提升到从数据中挖掘知识、提供管理和决策支持。在这种需求牵引下，汇聚了不同领域的研究者，尤其是数据库技术、人工智能技术、数理统计、可视化技术和并行计算等方面的学者和工程技术人员，投身到数据挖掘这一新兴的研究领域，形成新的技术热点。
　　在实际应用中，数据挖掘主要采用关联规则与时间序列、分类与聚类、Web页挖掘等几种分析中进行发现：
　　（一）关联规则与时间序列分析
　　关联规则挖掘就是发现大量数据中项集之间有趣的关联或相关联系。根据所处理值的类型分为布尔关联规则与量化关联规则；根据涉及的属性维数分为单维关联规则或多维关联规则。这方面比较有影响的算法有Apriori算法等。时间序列分析与关联规则分析类似，目的也是为了挖掘出数据之间的联系，但时间序列分析更加侧重于数据在时间先后上的因果关系。
　　（二）分类与聚类分析
　　分类在数据挖掘中是一项非常重要的任务。分类的目的是通过统计方法、机器学习方法（包括决策树法和规则归纳法）、神经网络方法等构造一个分类模型，然后把数据库中的数据映射到给定类别中的某一个中去。分类分析首先为每一个观测赋予一个标记，然后检查这些被标记的观测，描述出这些观测的特征。这种描述可以是一个数学公式或者模型，利用它可以分类新的观测。常用的几种典型的分类模型有线性回归模型、决策树模型、基于规则模型和神经网络模型等。聚类分析是把一组未标定的记录或个体按照相似性归成若干类型，即"物以类聚".它的目的是根据一定的规则，使同一类别之内的相似性尽可能大，而类别之间的相似性尽可能小，合理地划分记录集合。知识外化过程的下一层次包含了更为强大的搜索工具和文件管理系统，它们对贮存的知识进行分类，并能识别出各信息源之间的相似之处。基于此，可用聚类的方法找出知识库中各知识结构间隐含的关系或联系。
　　（三）Web 页挖掘分析
　　随着Internet的迅速发展，使得网络上的信息量无比丰富，通过对Web 的挖掘，可以利用其上的海量数据进行分析，根据分析结果找出企业管理过程中出现的各种问题，对这些信息进行分析和处理，以便识别、分析、获取、存储、传递信息，并将其转化为知识。
长期以来，税收工作中数据利用比较常见的形式有：报表浏览、简单查询、复杂查询、税源分析、税负分析、收入预测、过程监控等，多数专家认为，目前税务数据应用的一般特征是基于汇总、分类、简单计算基础之上的原始税收数据的“复制式”展现和对税收现象的“陈列式”描述。
　　随着经济、社会的发展，税收数据的一般利用已经不能满足税收信息化深化和税收管理现代化的内在需求，为了加强税收征管、规范税收秩序，国务院于1994年开始实施“金税工程”。“金税工程”初期以“增值税监管”为主要目标；二期时，内容已拓宽为增值税防伪税控开票系统、防伪税控认证系统、增值税计算机交叉稽核系统、发票协查信息管理系统的四个系统；到了三期，其目标已经成为：在二期基础上，建立七个子系统(管理子系统、征收子系统、稽查子系统、处罚子系统、执行子系统、救济子系统、监控子系统)，35个模块。依据美国学者Richard．L-Nolan的理论(对于任何行业，信息化大体要经历初始、蔓延、控制、集成、数据管理和成熟这样几个发展阶段，这是信息化发展的般规律。)和Mische的补充(他认为集成和数据管理是密不可分的，因此信息化发展的必然路径是起步、增长、成熟和更新四个阶段)，目前，税务信息化的发展阶段已开始向成熟阶段过渡。于是税收数据的深度利用便提上日程。我们可以从税收管理战略和税收政策分析两方面来看这种需求的提出。
　　从税务管理战略来看，在纳税前如何综合评价简化管理制度(法律)及照章纳税宣传的相对效果；在纳税中如何核算税收结构和管理程度的实际资源成本(管理、照章纳税、效率、逃税)，以及纳税后对税收差距的衡量(包括潜在税收与申报税收的差距、申报税收与实收税收的差距、实收税收与送达国库税收的差距)，都涉及到税收数据的深度利用问题。
　　从税收政策分析的角度来看，税收经济的和谐发展度量、税制改革方案分析、税收减免和优惠的成本和政策收益、税收政策的经济影响等等也涉及到税收数据的深度利用和挖掘问题。
　　这些问题都从以下两方面引发了我们对税务数据深度利用的理解和思考：一方面提出了我们需要全面检视拥有的税务数据信息的需求。在各国税务数据信息深度利用的经验当中，提出过一些全面检视的标准，例如按照税基到税收收入的实现途径，可以检视：税基的规模，包括真实税基和潜在税基；税收管理资源使用方向的详细分类；管理资源使用的效用；税收管理的效果，例如收到税款的多少，处理案件的数量等。
　　另一方面，更为关键的是，提出了如何科学利用、深度利用的问题。总结以上两方面，我们认为税收数据的深度利用是指：在数据集中和系统整合的基础上，建立全面的税务数据信息，既包括税务系统内部数据，也包括其他政府部门、企业、居民等外部数据，并且进一步在各种模型的帮助下，发现数据的内在规律。就目前而言，重点任务是在税务管理方面提出适用中国实践的模型并且应用，同时初步探索在税收经济方面能够刻画符合我国国情的模型。
　　三、构建模型是数据深度利用的切入口
　　如前所述，税务数据深度利用和挖掘的关键在于模型的应用，下面我们就来讨论模型是什么?我们为什么需要模型?我们需要什么样的模型?就税收数据深度利用的模型而言，大致可以分为两类：以科学化管理、定量化管理、精细化管理为内在思想的管理工具和手段所形成的模型；以研究税收经济关系协调发展为目的的税收经济模型。
　　在基本认识了税务数据深度利用中的模型是什么之后，虽然我们达成了一种共识，我们需要模型，但是如果我们思考过为什么需要模型?显然会对模型应用更能得心应手。我们认为模型所发挥的作用无外乎以下三种：
　　首先，刻画税收经济关系。一般而言，我们经常提到的是模型在刻画税收经济关系当中所起的作用，即采用代数形式的定量分析将税收经济理论模型化，然后适当根据实践情况把理论模型予以修正，并将相关数据应用到修正模型中，对模型结果进行经验分析。这种利用的过程是阶段性的，是从初级到高级的过程，是一个水平不断提高、效果不断改进的发展过程。
　　其次，归纳税收管理实践。模型起到的作用是将复杂的税收征纳活动通过数字化的形式总结归纳，将税收征纳的每一个过程精细化、每一个结果数据化，并且建立起投入到产出之间的对应关系。最后，数据组织的导向性作用。这种导向性作用的发挥是通过模型应用过程当中对各类数据提出的要求实现的，通过该作用，随着时间的发展，数据集中的有效性与目的性不断加强，反之，模型应用空间不断扩展。在这一方面，美国个人所得税模型应用为我们提供了很好的启迪。
　　结合目前的税务数据基础及其发展趋势来看，金税三期将成为税收数据深度利用的良好契机，构建相应模型是我们形成税务数据深度利用良好局面的切入口。
　　对于“我们需要什么样的模型”的回答，是一个不断结合实际进行摸索的过程，但是就现阶段而言，从可操作性的角度出发，我们还是需要给所应用的模型框定一个边界：数据可利用性，如果没有数据的支持，模型应用将无从谈起；可计算性，模型应用迅速发展的基石之一就是现代计算技术的发展，没有计算工具的支持，具有庞大计算量的各种税收模型的完成无法想象，支持税收模型应用的计算工具包括硬件具备的计算能力和软件具有的算法能力两种。
　　四、数据深度利用平台建设的体制
　　数据深度利用和挖掘最终必须落实到具体计算平台上，否则纵然有大量的数据积累，仍然摆脱不了研究与实践部门脱节的窘态。虽然目前我们拥有大量的计算软件平台，然而，总感觉到这些应用平台离我们的实际需要有一定距离。

从目前应用平台的构建来看，有几点体会：首先，平台的构建必须结合具体的研究问题展开。通用性的平台虽然很好，但是由于前面所提到的数据可利用性和可计算性的原因，加上实际工作的紧迫性需求，往往使得通用性平台的规划会落空，甚至于进一步影响数据深度利用工作本身。

其次，考虑针对具体问题研究的通用性拓展。虽然实用为先，然而要做到持续性的数据利用，必然要考虑拓展的问题。在这个问题上，我们的平台通过税制表示方法、税收政策分析模型描述语言中国税收政策分析模型支持系统等方法进行尝试。

　　更为重要的是，对适合中国国情的税收经济模型的提出。由于长期以来的数据缺少原因，在我国模型建设方面没有进一步的探索。这种缺陷在海量的数据突然呈现在我们面前的时候更加突出。我们正在尝试提出适用干中国的税收经济模型，虽然肯定会比较艰难，但是这是一条必经之路。

最后，平台的研究必须以应用为导向。将平台应用到实际部门，可以最终检验平台的正确性，带来数据深度利用平台的可持续发展空间，体现出促进税收工作的真实效用，避免科研部门“孤芳自赏”的局面。

当然，在数据深度利用和挖掘过程当中，我们也碰到了其它一些问题，例如模型应用的技术性问题，包括数据调整、不同模型的评估和模型应用的不确定性等，还有如数据积累和维护体系、模型使用反馈机制、结果使用反馈机制等等问题。这些问题都需要我们在数据深度利用过程中加以关注和解决。