Modelización de los factores que afectan al fraude fiscal con técnicas de minería de datos: aplicación al Impuesto de la Renta en España

• CÉSAR PÉREZ LÓPEZ ^[1] ; MARÍA JESÚS DELGADO RODRÍGUEZ ^[2] ; SONIA DE LUCAS SANTOS ^[3]
  1. [1] Instituto de Estudios Fiscales

     Instituto de Estudios Fiscales

     Madrid, España

     
  2. [2] Universidad Rey Juan Carlos

     Universidad Rey Juan Carlos

     Madrid, España

     
  3. [3] Universidad Autónoma de Madrid

     Universidad Autónoma de Madrid

     Madrid, España

     

  Mostrar afiliaciones +
• Localización: Hacienda Pública Española / Review of Public Economics, ISSN 0210-1173, Nº 246, 2023, págs. 137-164
• Idioma: español
• DOI: 10.7866/HPE-RPE.23.3.5
• Enlaces
  • Texto completo
• Resumen

  • Este trabajo presenta una propuesta para modelizar y predecir el comportamiento de los contribuyentes del Impuesto de la Renta de las Personas Físicas (IRPF) con técnicas de minería de datos. Se combinan los árboles de decisión y el análisis discriminante para cuantificar la propensión al fraude de cada contribuyente usando los componentes del impuesto con mayor incidencia en el fraude. El modelo alcanza una eficiencia media en las predicciones superior al 89%, permitiendo segmentar a los declarantes por nivel de propensión al fraude. La propuesta puede ser usada en el proceso de auditoría y control que realiza la Agencia Tributaria.

• Referencias bibliográficas
  • Alm, J. (2021), “Tax evasion, technology and inequality”, Economics of Governance, 22: 321-343. https://link.springer.com/article/10.1007/s10101-021-00247-w.
  • Alm, J. (2012), “Measuring, explaining, and controlling tax evasion: lessons from theory, experiments, and field studies”, International Tax...
  • Alognon, A. D., Koumpias, A. M. y Martínez-Vazquez, J. (2021), “The impact of plastic money use on VAT compliance: evidence from EU countries”,...
  • Almunia, M. y Lopez-Rodríguez, D. (2018), “Under the radar: the effects of monitoring firms on tax compliance”, American Economic Journal:...
  • Alstadsæter, A., Johannesen, N. y Zucman, G. (2019), “Tax evasion and inequality”, American Economic Review, 109(6): 2073-2103. https://doi.org/10.1257/aer.20172043.
  • Ameur, F. y Tkiouat, M. (2012), “Taxpayers fraudulent behaviour modeling the use of datamining in fiscal fraud detecting Moroccan case”, Applied...
  • Basta, S., Fassetti, F., Guarascio, M., Manco, G., Giannotti, F., Pedreschi, D., Spinsanti, L., Papi, G. y Pisani, S. (2009), “High Quality...
  • BOE (2022), “Plan General de Control Tributario y Aduanero”, Ministerio de Hacienda y Función Pública, BOE-A-2022-1453.pdf. https://www.boe.es/eli/es/res/2022/01/26/(1).
  • Brondolo, J., Chooi, A., Schloss, T. y Siouclis, A. (2022), “Compliance risk management: developing compliance improvement plans”, Technical...
  • Buehn, A. y Schneider, F. (2016), “Size and development of Tax Evasion in 38 OECD countries: What do we (not) know?”, Journal of Economics...
  • Castellón, P. y Velásquez, J. D. (2013), “Characterization and detection of taxpayers with false invoices using data mining techniques”, Expert...
  • Chica, M., Hernández, J. M., Manriquede Lara Penate, C. y Chiong, R. (2021), “An evolutionary game model for understanding fraud in consumption...
  • Da Silva, L. S., Rigitano, H., Carvalho, R. y Souza, C. (2016), “Bayesian networks on income tax audit selection-a case study of Brazilian...
  • De Roux, D., Pérez, B., Moreno, A., Villamil, M. P. y Figueroa, C. (2018), “Tax Fraud Detection for Under-Reporting Declarations Using an...
  • Domínguez-Barrero, F., López-Laborda, J. y Rodrigo-Sauco, F. (2015a), “El hueco que deja el diablo: Una estimación del fraude en el IRPF con...
  • Domínguez-Barrero, F., López-Laborda, J. y Rodrigo-Sauco, F. (2015b), “Fraude en el IRPF por fuentes de renta, 2005-2008: del impuesto sintético...
  • Domínguez-Barrero, F., López-Laborda, J. y Rodrigo-Sauco, F. (2017), “Tax evasión in Spanish Personal Income Tax by income sources, 2005-2008:...
  • European Commission (2021), Directorate-General for Taxation and Customs Union.
  • Feige, E. y Cebula, R. J. (2012), “America's underground economy: measuring the size, growth and determinants of income tax evasion in...
  • Feldman, N. E. y Slemrod, J. (2007): “Estimating tax noncompliance with evidence from unaudited tax returns”, Economic Journal, 117: 327-352....
  • González, C., Delgado, M. J. y De Lucas, S. (2021) “Segmentation of potential fraud taxpayers and characterization in personal income tax...
  • González, I., y Caballero, A. (2023), “A Comparison Between Bayesian Dialysis and Machine Learning to Detect Tax Fraud and Its Causes: The...
  • Hilal, W., Gadsden, A. y Yawney, J. (2022), “Financial fraud: a Review of anomaly detection techniques and recent advances”, Expert Systems...
  • Kleanthous, C. y Chatzis, S. (2020), “Gated mixture variational autoencoders for value added tax audit case selection”, Knoledge-Based Systems,...
  • Lagares Calvo, M. J. (1987): “Metodología utilizada en la estimación del fraude fiscal”, Papeles de Economía Española, 30-31/1987: 85-89....
  • Matos, T., de Macedo, J. y Monteiro, J. M. (2015), “An empirical method for discovering tax fraudsters: A real case study of Brazilian fiscal...
  • Mehta, P., Mathews, J., Bisht, D., Suryamukhi, K., Kumar, S. y Babu, Ch. (2020), “Detecting tax evaders using TrustRank and spectral clustering”,...
  • Mittal, S., Reich, O. y Mahajan, A. (2018), “Who is bogus? Using one-sided labels to identify fraudulent firms from tax returns”, Proceedings...
  • Morgan, J. N. y Sonquist, J. A. (1963), “Problems in the Analysis of Survey Data”, Journal of the American Statistical Association, 58: 415-434
  • Murorunkwere, B. F., Tuyishimire, O., Haughton, D. y Nzabanita, J. (2022), “Fraud Detection Using Neural Networks: A Case Study of Income...
  • Onrubia, J., Picos, F. y Pérez, C. (2011), “Panel de declarantes de IRPF 1999-2007: diseño, metodología y guía de utilización”, Instituto...
  • Onrubia, J., Picos, F., Pérez, C. y Gallego, M. C. (2012), “Panel de declarantes del IRPF 1999-2008: metodología, estructura y variables”,...
  • O'Reilly, P., Parra, K. y Stemmer, M. (2021), “Exchange of information and bank deposits in International Finances Centres”, Hacienda...
  • Pérez, C., Delgado, M. J, y De Lucas, S. (2019), “Tax fraud detection through neural networks: an application using a sample of personal income...
  • Pérez, C. y Santín, D. (2007), Minería de datos. Técnicas y herramientas, Thomson, Madrid.
  • Pérez, C. (2009), Técnicas de análisis multivariante con SPSS, Garceta Editorial, Madrid.
  • Pérez, C. (2010), Técnicas de muestreo estadístico, Garceta Editorial, Madrid.
  • Pérez, C. (2011a), El sistema Estadístico SAS, Garceta Editorial, Madrid.
  • Pérez, C. (2011b), Técnicas de segmentación. Conceptos, herramienta y aplicaciones, Garceta Editorial, Madrid.
  • Pérez, C., Burgos, J., Huete, S. y Gallego, C. (2012), “La muestra de declarantes de IRPF 2009”, Documento de trabajo, 11, Instituto de Estudios...
  • Pulido Alba, E. J. (2014), El fraude fiscal en España. Una estimación con datos de Contabilidad Nacional. http://hdl.handle.net/10366/125760.
  • Prichard, W., Custers, A., Dom, R., Daveport, S. y Roscitt, M. (2019), “Innovations in tax compliance. Conceptual framework”, Policy Research...
  • Rosid, A. (2022), “Predicting firm's taxpaying behaviour using artificial neural networks: the case of Indonesia”, Working Paper Series,...
  • Savić, M., Atanasijević, J., Jakovetić, D. y Krejić, N. (2022), “Tax evasion risk management using a Hybrid Unsupervised Outlier Detection...
  • Tian, F., Lan, T., Chao, K., Godwin, N., Zheng, Q., Shah, N. y Zhang, F. (2016), “Mining suspicious tax evasion groups in big data”, IEEE...
  • Torregrosa-Hetland, S. (2020), “Inequality in tax evasion: the case of the Spanish income tax”, Applied Economic Analysis, 28(63): 89-109....
  • Wei, R., Dong, B., Quinghua, Z., Ruan, J. y He, H. (2019), “Unsupervised conditional adversarial networks for tax evasion detection”, IEEE...
  • Wendler, T. y Gröttrup, S. (2021), Data Mining with SPSS Modeler: Theory, Exercises and Solutions, Springer Nature, Suiza. https://doi.org/10.1007/978-3-030-54338-9.
  • Wu, R-S., Ou, C. S., Lin, H-Y., Chang, S. I. y Yen, D. C. (2012), “Using data mining technique to enhance tax evasión detection performance”,...
  • Xu, X., Xiong, F. y Zhe, A. (2022), “Using machine learning to predict corporate fraud: evidence based on the GONE Framework”, Journal of...
  • Zumaya, M., Guerrero, R., Islas, E., Pineda, O., Gershenson, C., Iñiguez, G. I. y Pineda, C. (2021), “Identifying Tax Evasion in Mexico with...