حسابرسی به‌شکل مستقیم افزایش وصولی و به‌شکل غیرمستقیم تمکین داوطلبانه را تحت‌تاثیر قرار می‌دهد که هر دو مورد، در کاهش شکاف مالیاتی موثر است. البته حسابرسی همه پرونده‌ها کاری دشوار و پرهزینه است و باتوجه به محدودیت منابع، مقرون به‌صرفه نیست و انجام آن در حال‌ حاضر در بیشتر سازمان‌های مالیاتی جهان منسوخ شده است. به‌همین‌دلیل، در سازمان‌های مالیاتی از روش‌های مختلفی برای حسابرسی پرونده‌ها استفاده می‌کنند که به‌طورخلاصه می‌توان به روش‌های انتخاب دستی و تصادفی پرونده‌ها و انتخاب پرونده‌های مبتنی بر ریسک بیشتر اشاره کرد.

حسابرسی مالیاتی عملکرد مودیان پرریسک

در حسابرسی مالیاتی عملکرد مودیان پرریسک، روش انتخاب پرونده‌ها مبتنی بر ریسک، موردتوجه بیشتری از سوی سازمان‌های مالیاتی قرار گرفته است. نکته مهم هم آن است که برنامه حسابرسی مالیاتی اثربخش، تاثیری فراتر از افزایش مستقیم درآمدهای مالیاتی دارد. این تاثیر به طراحی درست استراتژی انتخاب حسابرسی با تفکیک کارکرد ارزیابی ریسک از کارکرد اجرای حسابرسی و تمرکز مودیان با ریسک بالا بستگی دارد.به‌گزارش صمت، براساس گزارش سازمان امور مالیاتی؛ هرچند در نظام مالیاتی ایران، در سال‌های گذشته تمرکز حسابرسی‌های مالیاتی بیشتر بر مودیان پرریسک است و این سوال مطرح می‌شود که چرا اختلاف معناداری میان مالیات‌های تشخیصی سازمان امور مالیاتی با مالیات‌های قطعی‌شده مودیان با ریسک بالا وجود ندارد و حجم زیادی از حسابرسی‌های انجام‌شده در مرحله اعتراض قرار می‌گیرند؟

در ایران نیز براساس ماده ۹۷ قانون مالیات‌های مستقیم مصوب ۱۳۹۴، سازمان امور مالیاتی کشور می‌تواند اظهارنامه‌های مالیاتی را بدون رسیدگی قبول کند و سپس تعدادی از آنها را براساس معیارها و شاخص‌های تعیین‌شده یا به‌طورنمونه انتخاب و برابر مقررات موردرسیدگی قرار دهد. باتوجه به ناممکن بودن حسابرسی همه پرونده‌ها، در سازمان‌های مالیاتی روش‌های مختلفی برای انتخاب پرونده‌ها برای حسابرسی استفاده می‌شود که به‌طورخلاصه می‌توان به روش‌های انتخاب دستی پرونده‌ها، انتخاب تصادفی و انتخاب پرونده‌ها مبتنی بر ریسک اشاره کرد. از میان روش‌های مذکور، روش اخیر، یعنی انتخاب مبتنی بر ریسک مودیان یا اظهارنامه‌ها، موردتوجه سازمان‌های مالیاتی است.

افزایش ۷ هزار میلیارد تومانی مالیات‌ها

عملکرد سازمان امور مالیاتی در سال ۹۹ اهمیتی دوچندان دارد، زیرا با تصویب ماده مربوطه در قانون مالیات‌های مستقیم، قانون جدید مالیاتی در آن سال برای نخستین‌بار پیاده‌سازی شد که می‌تواند نشان‌دهنده نتایج روش جدید باشد. نتیجه کاربست ماده ۹۷ قانون مالیات‌های مستقیم در سال ۱۳۹۹ منجر به رسیدگی به ۸۷ هزار مودی و صاحبان دارای مشاغل دارای ریسک بالای بااهمیت شد. این امر موجب شد تا میزان مالیات تشخیصی رشدی ۷ هزار میلیارد تومانی نسبت به مالیات ابرازشده توسط مودیان مالیاتی داشته باشد.

همچنین پذیرش اظهارنامه مالیاتی ۳۲ هزار مودی که معادل ۱۰ درصد کل اظهارنامه‌های دریافتی اشخاص حقیقی در سال مذکور بود. ضمن اینکه، رسیدگی به ۵۷ هزار مودی اشخاص حقیقی دارای ریسک بالای بااهمیت و افزایش میزان مالیات تشخیصی با رشدی معادل ۱۰۳ هزار میلیارد تومان نسبت به مالیات ابرازشده توسط مودیان حاصل شد. در نهایت، تولید اظهارنامه مالیاتی برای بیش از ۶۲ هزار مودی صاحب شغل و ۸ هزار مودی اشخاص حقوقی که اظهارنامه تسلیمی آنها مطابق با مقررات نبوده است. هرچند این تغییرات، گامی به جلو محسوب می‌شوند، اما سازمان امور مالیاتی برای وضعیت مطلوب، اهداف مشخصی تعیین کرده است که نشان می‌دهد همچنان اصلاحات در این سازمان باید ادامه داشته باشد. از جمله اینکه، تفکیک کارکرد حسابرسی از کارکرد انتخابی و کاهش تنش میان ممیزان و مودیان به‌دلیل عدم‌ارتباط مستقیم و مودی‌محور شدن، هنوز به‌طورکامل حاصل نشده است. باوجود اینکه موسسه پژوهشی زیرنظر سازمان امور مالیاتی نتایج اجرای ماده ۹۷ قانون مالیات‌های مستقیم را مثبت ارزیابی می‌کند، اما همچنان حصول اطمینان از رفتار غیرتبعیض‌آمیز به‌دست نیامده است و فرار مالیاتی همچنان ادامه دارد.

شاخص‌های ارزیابی ریسک در سیستم مالیاتی ایران

شاخص‌های ارزیابی ریسک در سیستم مالیاتی ایران شامل شاخص‌های اظهارنامه (صاحبان مشاغل و اشخاص حقوقی) و نیز شاخص‌های حساب سود و زیان و ترازنامه (اشخاص حقوقی و صاحبان مشاغل گروه اول) هستند. همچنین، غربالگری یکی از قدیمی‌ترین روش‌های انتخاب حسابرسی و مربوط به زمانی است که سازمان‌های مالیاتی از فناوری اطلاعات، استفاده محدودی می‌کردند. این رویکرد شامل انتخاب دستی پرونده حسابرسی توسط حسابرسان براساس دانش خود از رفتار، نوع فعالیت و محل فعالیت مودیان مالیاتی است. این تکنیک در حالی که دارای مزایای غیرقابل‌انکاری چون استفاده از دانش محلی و غیررسمی، مقبولیت عموم حسابرسان و نیاز محدود به پردازش داده‌ها است، چالش‌برانگیز نیز هست.با این همه، به‌وضوح در این روش خطر ارتشا بالا می‌رود و به‌دلیل دستی بودن، حسابرسان ممکن است برخی جنبه‌های عدم‌تمکین مالیاتی را از دست بدهند. هیچ تلاشی برای کشف الگوهای عدم‌تمکین پنهان در تاریخچه عدم‌تمکین در همان منطقه و سایر ویژگی‌های مودیان، انجام نمی‌گیرد. همچنین، اگر فرآیند غربالگری کاملا دستی باشد، حسابرسان اغلب فقط از داده‌های داخلی استفاده و احتمالا از اطلاعات مرتبط با داده‌های خارجی غفلت می‌کنند.این روش در کشورهای توسعه‌یافته که تمایل دارند، سایر تکنیک‌های انتخاب را استفاده کنند، با نارضایتی مواجه شده است. با این حال، هنوز هم در سیستم‌های مالیاتی نامتمرکز چون بریتانیا مورداستفاده قرار می‌گیرد.

تکنیک انتخاب تصادفی، عکس غربالگری است و مودیانی که باید حسابرسی شوند، به‌شکل تصادفی از جمعیت کلی مودیان انتخاب می‌شوند. انتخاب تصادفی ساده که در برخی کشورها اجرا می‌شود، حالت گسترده استفاده از نمونه‌گیری طبقه‌بندی‌شده است. این امر گروه‌های مودیان را براساس معیارهایی چون اندازه، صنعت و نوع مالیاتی که باید پرداخت شود، تعریف می‌کند. سپس از هر طبقه، یک نمونه تصادفی گرفته می‌شود. یکی از مزایای این روش، این است که نسبت به انتخاب تصادفی ساده، نماینده گسترده‌تری از مودیان را تضمین می‌کند. با این همه، مشکل اصلی این روش، هزینه فرصت بالا است. پرونده‌هایی که برای حسابرسی با روش‌های متمرکز بر مودیان پرخطر یا حتی غربالگری دستی انتخاب می‌شوند، احتمالا درآمد بیشتری نسبت به پرونده‌هایی که به‌طورتصادفی انتخاب شده‌اند، دارند. در نتیجه، حسابرسی تصادفی تاثیر ناچیزی بر تولید مستقیم درآمد و احتمالا بر بازدارندگی از عدم‌تمکین مالیاتی دارد.

این امر به توضیح اینکه چرا بیشتر کشورهایی که از انتخاب تصادفی استفاده می‌کنند، مانند ایالات‌متحده؛ از برنامه‌های حسابرسی با هدف مودیان پرریسک استفاده می‌کنند، یاری می‌رساند. البته تعداد کمی از حسابرس‌های تصادفی برای اهداف کالیبراسیون مفید هستند.انتخاب مبتنی بر ریسک که در حال‌ حاضر در سازمان امور مالیاتی ایران استفاده می‌شود، روشی است که بیشتر سازمان‌های مالیاتی استراتژی‌های حسابرسی را با تمرکز بر ریسک‌های عدم‌تمکین مودیان مالیاتی توسعه داده‌اند. این تجربه نشان داده است که یک استراتژی انتخاب حسابرسی کارآمد باید آن دسته از مودیان را شناسایی کند که بیشترین احتمال عدم‌تمکین را دارند، یعنی مودیانی که تعدیلات حسابرسی و جرایم با بیشترین احتمال درباره آنها اتفاق خواهد افتاد. در این رویکرد، بسیاری از سازمان‌های مالیاتی اسراتژی‌های انتخاب حسابرسی را براساس تکنیک‌های امتیازدهی ریسک، مشابه روش‌هایی که برای انتخاب مشتریان در بانک‌ها یا بیمه‌ها استفاده می‌شوند، توسعه داده‌اند.

این تکنیک، دستگاه متولی مالیات را قادر می‌کند تا چندین پروفایل از مودیان ایجاد کند و مودیانی را که به احتمال زیاد تمکین نمی‌کنند، شناسایی کند. این استراتژی انتخاب چندین مورد از مزایای انتخاب تصادفی را ترکیب می‌کند، در حالی که محدودیت‌های آن را از نظر کارآیی رفع می‌کند. استراتژی مذکور در بسیاری از سازمان‌های مالیاتی کشورهای توسعه‌یافته انتخاب و توسط سازمان‌های بین‌المللی در کشورهای در حال‌ گذار و در حال توسعه حمایت شده است.هم‌اکنون سازمان‌های مالیاتی با جریان‌های کلان داده تغذیه می‌شوند و نیاز به جمع‌آوری، پاکسازی، فیلتر کردن و ذخیره امن داده‌ها وجود دارد. نحوه استفاده از داده‌ها، محور اساسی در رسیدگی به پرونده‌های مالیاتی است. به‌دلیل حجم زیاد جریان داده‌ها، برای نیروی انسانی غیرممکن است که بتواند داده‌ها را دریافت و مرتب کند؛ تجزیه و تحلیل داده‌ها می‌تواند سبب برطرف شدن این نیازها شود.

۴ روش شناسایی مودیان پر ریسک

در نظام مالیاتی ایران از تکنیک ساده غربالگری دستی ـ ماشینی استفاده می‌شود. به این صورت که حسابرسان؛ هم از داده‌های داخلی و هم از اطلاعات مرتبط داده‌های خارجی یا داده‌های مبادله‌شده استفاده می‌کنند. در این میان، چارچوب اساسی برای ارزیابی ریسک هم مطرح شده است. به‌منظور پیش‌بینی باید متغیر وابسته را که عدم‌تمکین را اندازه می‌گیرد، مدل‌سازی کرد. این متغیر ممکن است رسته‌ای یا کمی باشد.چندین متغیر برون‌زا می‌توانند متغیر وابسته را متاثر کنند. برای مثال، تمکین مالیاتی می‌تواند تحت‌تاثیر نوع صنعت، اندازه شرکت، تعدد کارکنان و سایه تمکین در گذشته باشد. از یک طرف، روش روش‌های پارامتریک و از سوی دیگر، روش‌های غیرپارامتریک برای این مسئله مورداستفاده قرار می‌گیرد.در روش‌های پارامتریک و متاثر از رشد داده‌کاوی یک دهه گذشته و به‌دلیل استفاده روزافزون از فناوری اطلاعات و دسترسی به مجموعه داده‌ها با حجم انبوه رایج شده است. داده‌کاوی شامل کاوش، تجزیه و تحلیل خودکار، مقادیر زیادی از داده‌ها برای کشف الگوها و قواعد معنادار است. یک نکته کلیدی در تکنیک‌های داده‌کاوی این است که نیازی به تعیین مدل قبلی متغیرهای توضیحی نیست. در عوض این رویه‌ها معمولا فهرستی از عوامل توضیحی بالقوه را برای یک متغیر پیش‌بینی‌شده به‌عنوان خروجی ایجاد می‌کنند و نیاز به اطلاعات قبلی در زمینه ساختار مدل‌سازی‌شده را به‌حداقل می‌رسانند.

هرچند داده‌کاوی اغلب به‌عنوان جایگزین برای روش‌های پارامتریک پیش‌بینی سنتی‌تر استفاده می‌شود، گاهی استفاده مشترک از ۲ تکنیک هم توصیه می‌شود. درباره سازمان مالیاتی، داده‌کاوی می‌تواند ابتدا برای به‌دست آوردن اطلاعات در زمینه چندین پروفایل مختلف مودیان و شناسایی متغیرهای برون‌زا مربوطه، استفاده شود و سپس روش‌های پارامتریک امتیازدهی می‌تواند مرحله دوم باشد و از متغیرهای شناسایی‌کننده توسط داده‌کاوی در معادلات پیش‌بینی تمکین و حسابرسی اظهارنامه‌های استفاده کند.درخت تصمیم تکنیکی است که گروه‌های افراد یا کسب‌وکارها را مشخص می‌کند که براساس مجموعه‌ای از متغیرهای از پیش‌تعیین‌شده و تا حد امکان، همگن هستند و براساس الگوریتمی است که از معیارهای جداسازی برای شناسایی گروه‌ها استفاده می‌کند.

در تکنیک شبکه‌های عصبی که شباهت زیادی به مدل درختی دارد، شناسایی گروه‌های همگن براساس مجموعه‌ای از متغیرها و معیار انجام می‌شود. با این حال، از آنجایی که به سلسله‌مراتب در متغیرها نیاز ندارد، روشی کارآتر است. یک گره در یک شبکه عصبی را می‌توان با چندین متغیر تعریف کرد و در نهایت، درخت تصمیم یک گره، فقط یک متغیر را تعریف می‌کند.

روش خوشه‌بندی، به‌عنوان یکی دیگر از تکنیک‌های تقسیم‌بندی داده‌ها، امکان تجزیه و تحلیل همزمان چند متغیر توضیحی ممکن را در طول فرآیند تصمیم‌گیری، فراهم می‌کند. معیارهایی برای تقسیم‌بندی خوشه‌ها وجود دارد. یکی از محدودیت‌های الگوریتم خوشه‌بندی استاندارد این است که تعداد خوشه‌ها برون‌زا هستند.