Taking too long? Close loading screen.

Big Data และ Data Analytics เพื่อการจัดเก็บภาษี

Dec 14, 2022

ทุก ๆ ปีสรรพากรทั่วโลกจะต้องสูญเสียรายได้หลายสิบล้านเหรียญจากการโกงและหลีกเลี่ยงภาษี จากข้อมูลสถิติพบว่า 145 ประเทศทั่วโลกซึ่งมีขนาดเศรษฐกิจรวมกันประมาณ 95% ของ GDP โลก[1] มีการสูญเสียรายได้ทางภาษีรวมกันปีละ 2.4 ล้านล้านยูโร หรือประมาณ 91.4 ล้านล้านบาท นับเป็นมูลค่าที่มหาศาลมาก ดังนั้นจึงไม่เป็นที่น่าแปลกใจที่สรรพากรหรือหน่วยงานที่มีหน้าที่จัดเก็บภาษีของแต่ละประเทศ[2] หันมาใช้ประโยชน์จาก Big Data และมุ่งหาเครื่องมือใหม่ ๆ ที่ช่วยให้การจัดเก็บภาษีมีประสิทธิภาพและรวดเร็วยิ่งขึ้น

“2.4 trillion Euros are lost every year because of fraud and tax evasion.”

Ian Pretty, Capgemini (2013)

บทความนี้ขอนำเสนอตัวอย่างการใช้ Big Data และ Data Analytics ของสรรพากรในต่างประเทศเพื่อเป็นข้อมูลให้กับผู้ที่สนใจด้านการวิเคราะห์ข้อมูล ตลอดจนนักวิทยาศาสตร์ข้อมูลและนักศึกษาที่อาจมีความสนใจด้านธุรกิจหรือด้านการเงิน

ที่มา: เอกสาร The Data Intelligent Tax Administration (2018) โดย Microsoft และ PwC Netherlands

ตัวอย่างแรก ขอเริ่มกันที่สรรพากรของประเทศไอร์แลนด์ หรือ Ireland Tax and Customs ที่มีการนำข้อมูล Big Data ที่เป็นข้อมูลภายนอกองค์กรทั้งแบบ structured และ unstructured มาใช้ประโยชน์เพื่อให้ได้ข้อมูลผู้เสียภาษีที่ครบถ้วนยิ่งขึ้น โดยทางสรรพากรของประเทศไอร์แลนด์ได้นำข้อมูลภายนอกมาใช้ร่วมกับข้อมูลภายในของหน่วยงาน แล้วมาทำโมเดลเพื่อวิเคราะห์ตัวเลขต่าง ๆ ทางภาษี อาทิ การนำข้อมูลภายนอกมาใช้พยากรณ์รายได้ของผู้เสียภาษี เพื่อเปรียบเทียบกับจำนวนรายได้ที่ยื่นในแบบภาษีเงินได้ โดยโมเดลที่ทางสรรพากรของประเทศไอร์แลนด์เลือกใช้นั้นเป็นเพียง Regression โมเดลธรรมดา มิได้ต้องใช้โมเดลอะไรที่ซับซ้อนเนื่องจากหากข้อมูลดีมีคุณภาพ การเลือกใช้โมเดลที่เข้าใจง่ายและอธิบายให้ผู้ใช้งานเข้าใจได้ง่ายย่อมดีกว่าการเลือกใช้โมเดลที่ซับซ้อนอย่างแน่นอน ตัวอย่างของประเทศไอร์แลนด์แสดงให้เห็นว่า เจ้าหน้าที่สามารถใช้ประโยชน์จากข้อมูล Big Data มาตรวจสอบกับข้อมูลรายได้ของผู้เสียภาษี เพื่อค้นหาว่าผู้เสียภาษีรายใดอาจทำการยื่นรายได้ต่ำกว่าความเป็นจริง ปัจจุบันหลายหน่วยงานภาษีทั่วโลกมีการใช้ประโยชน์จาก Big Data อาทิ ประเทศรัสเซีย ออสเตรเลีย แคนาดา และสิงคโปร์ อย่างไรก็ตาม ผู้ทำโมเดลจำเป็นจะต้องมั่นใจว่า ข้อมูลภายนอกที่ได้มาเป็นข้อมูลที่มีคุณภาพสูงและน่าเชื่อถือได้ มิฉะนั้นผลลัพธ์ที่ได้อาจเข้าข่ายของสโลแกนทางสถิติที่เป็นที่รู้จักดี คือ Garbage In, Garbage Out (GIGO) นั่นเอง

ที่มา: Intra-European Organisation of Tax Administrations (IOTA)

ตัวอย่างที่สอง ขอนำเสนอการใช้ประโยชน์จากวิธีการเก็บข้อมูลสมัยใหม่หรือเทคนิค web-scraping ที่เป็นที่นิยมในการเก็บข้อมูลตามเว็บไซต์หรือสื่อออนไลน์ต่าง ๆ ที่ใคร ๆ ก็สามารถเข้าถึงได้เพราะถือเป็นข้อมูลสาธารณะ (Public Data) ในประเทศสเปน เจ้าหน้าที่สรรพากรได้ใช้เทคนิค web-scraping นี้ไปเก็บข้อมูลบนสื่อออนไลน์ต่าง ๆ ที่เกี่ยวกับการซื้อขายสินค้าออนไลน์และการซื้อขายอสังหาฯ เพื่อใช้เป็นข้อมูลในการประเมินรายได้ของผู้เสียภาษีที่อาจจะพยายามหลีกเลี่ยงการเสียภาษี แน่นอนว่าการทำ web-scraping เป็นเพียงการเก็บข้อมูลเท่านั้น มิใช่เป็นการทำโมเดลเพื่อบ่งชี้รายได้ ดังนั้นเจ้าหน้าที่สรรพากรของประเทศสเปนต้องมาพัฒนาโมเดลที่สามารถบ่งชี้หรือคาดการณ์รายได้ของผู้เสียภาษีในภายหลัง แต่น่าเสียดายที่ทางสรรพากรของประเทศสเปนไม่ยอมเปิดเผยถึงโมเดลที่ใช้หรือแหล่งสื่อออนไลน์ที่ไปเก็บข้อมูลมาเพราะถือเป็น “ความลับในทางธุรกิจ”

ปัจจุบันธุรกิจอีคอมเมิร์ซหรือการขายสินค้าออนไลน์มีจำนวนเพิ่มสูงขึ้นเป็นอย่างมาก และเป็นช่องทางการซื้อ-ขายที่ได้รับความนิยมสูงจากผู้บริโภคทุกกลุ่ม แต่การชำระภาษีของภาคธุรกิจนี้สร้างความเหลื่อมล้ำและความได้เปรียบที่ไม่เป็นธรรมกับผู้เสียภาษีจากภาคธุรกิจเดียวกัน  ดังนั้น หากมองในเชิงโครงสร้างภาษีและเชิงเศรษฐศาสตร์ การจัดเก็บภาษีจากธุรกิจอีคอมเมิร์ซที่พยายามหลีกเลี่ยงภาษี จะเปรียบเสมือนการส่งเสริมให้ตลาดการขายสินค้าออนไลน์เกิดความยุติธรรมและลดความได้เปรียบทางภาษีของผู้ขายสินค้าออนไลน์บางรายอีกด้วย

ตัวอย่างที่สาม ขอนำเสนอการใช้ประโยชน์จากข้อมูลผู้เสียภาษีเพื่อช่วยเหลือหรือแบ่งเบาภาระของผู้เสียภาษีและยังสามารถลดต้นทุนในการจัดเก็บหนี้ภาษีได้อีกด้วย กล่าวคือ win-win ทั้งสองฝ่าย ตัวอย่างนี้มาจากสรรพากรของประเทศสวีเดน (Swedish Tax Agency) ที่ได้นำโมเดลทางสถิติมาใช้เพื่อให้งานด้านการจัดเก็บหนี้เป็นเชิงรุกมากขึ้น โดยโมเดลที่ได้พัฒนาขึ้นมานั้น เป็นโมเดลที่ช่วยระบุว่า ผู้เสียภาษีรายใดมีโอกาสสูงที่จะไม่ชำระหนี้หรือมีปริมาณหนี้ที่เพิ่มสูงขึ้น เพื่อแจ้งให้เจ้าหน้าที่ไปติดต่อเพื่อสอบถามถึงปัญหาของผู้เสียภาษีรายนั้น ๆ การทำโมเดลในลักษณะนี้ย่อมส่งผลให้ผู้เสียภาษีพึงพอใจ เพราะผลลัพธ์ที่ได้จากโมเดลนี้จะสามารถช่วยแบ่งเบาภาระของผู้เสียภาษีและให้โอกาสผู้เสียภาษีเลือกปรับแผนการชำระหนี้ให้สอดคล้องกับความสามารถในการชำระหนี้ของผู้เสียภาษีได้ นอกจากนั้น โมเดลนี้ยังช่วยลดความเสี่ยงจากการเกิดหนี้เสียได้ โดยส่งผลให้รายได้ทางภาษีของสรรพากรของประเทศสวีเดนเพิ่มสูงขึ้นอีกด้วย

ที่มา: ผู้เขียน

จากตัวอย่างทั้งสามตัวอย่างที่นำเสนอมา จะเห็นว่า ข้อมูล Big Data และ Data Analytics นั้นมิได้มีไว้สำหรับภาคเอกชนเท่านั้น หน่วยงานรัฐก็สามารถใช้ประโยชน์จาก ข้อมูล Big Data ได้เช่นกัน แต่อย่างไรก็ตาม การใช้ข้อมูลไม่ว่าจะขนาดเล็กหรือขนาดใหญ่ ต้องเป็นข้อมูลที่มีคุณภาพ และการเลือกใช้โมเดลหรือเทคนิคที่ใช้ในการวิเคราะห์ข้อมูลก็ต้องเหมาะสมกับข้อมูลและโจทย์ที่ต้องการวิเคราะห์ด้วย ความยากง่ายของโมเดลมิใช่สาระสำคัญของการได้ผลที่แม่นยำหรือประโยชน์ที่เกิดจากการวิเคราะห์ข้อมูล

เอกสารอ้างอิง:


[1] หรือ ผลิตภัณฑ์มวลรวมในประเทศของทุกประเทศทั่วโลก (Global Gross Domestic Product: GDP)

[2] ชื่อหน่วยงานที่มีหน้าที่จัดเก็บภาษีในแต่ละประเทศนั้นมีหลากหลายชื่อ อาทิ ที่ประเทศอเมริกาเรียกว่า Internal Revenue Service (IRS) แต่ที่ประเทศอังกฤษเรียกว่า Her Majesty’s Revenue and Customs (HMRC) ส่วนที่ประเทศออสเตรเลียเรียกว่า Australian Taxation Office (ATO) ดังนั้น ผู้เขียนขอใช้คำว่า “สรรพากร” เพื่อสื่อถึงหน่วยงานที่มีหน้าที่จัดเก็บภาษีในแต่ละประเทศ

Vorapitchaya Rabiablok

Senior Data Scientist and Project Manager Government Big Data Institute (GBDi)

Isarapong Eksinchol, PhD

Data Scientist at Big Data Institute (Public Organization), BDI

Sign up to join Big Data Community Thailand

Make comments, write articles, and contribute to our community.