Questa tesi è composta da due saggi indipendenti.
Il saggio presentato nel Capitolo 1 studia la conformità fiscale all'interno di un modello basato su agenti. Il modello è progettato tenendo conto di una serie di regole fiscali in vigore in Italia e calibrato con micro-dati forniti dall'autorità fiscale italiana.
I risultati delle simulazioni mostrano che, considerando livelli di deterrenza realistici, agenti strettamente razionali generano un livello (medio) di non conformità fiscale sostanzialmente superiore a quello suggerito dai dati empirici.
Quando includiamo nel processo decisionale dell’agente il calcolo e l’aggiornamento della probabilità soggettiva di subire un controllo, così come l’attitudine alla conformità sociale e gli effetti di rete, il modello fornisce risultati maggiormente in linea con l'evidenza empirica.
Il saggio presentato nel Capitolo 2 impiega diverse tecniche di apprendimento automatico, con l'obiettivo di identificare quei contribuenti che hanno maggiore probabilità di aumentare l’importo della loro dichiarazione dei redditi dopo essere stati controllati dall'autorità fiscale.
Tra i metodi impiegati, la foresta casuale ha garantito la maggiore accuratezza predittiva.
Per valutare l'utilità pratica del nostro approccio, calcoliamo l'aumento del reddito netto riportato dai contribuenti identificati dal modello random forest.
Troviamo che, in media, questo aumento è significativo rispetto alla media di tutti i contribuenti ispezionati.
Riteniamo, dunque, che il nostro approccio possa rivelarsi uno strumento utile al fine di individuare e selezionare quei contribuenti che hanno una maggiore probabilità di dichiarare un reddito più alto in seguito ad un controllo, consentendo, quindi, una migliore allocazione delle - tipicamente scarse - risorse finanziarie a disposizione dell’autorità fiscale nell'ambito della sua attività ordinaria di controllo. / The essay presented in Chapter 1 studies tax compliance within an agent-based framework. The model is designed according to a set of normative taxing rules for the Italian case and calibrated with micro-data provided by the Italian tax authority.
Simulation results show that, under realistic deterrence levels, strict rational agents generate a (average) level of tax noncompliance substantially higher than that suggested by the empirical data.
When subjective audit probability computing and updating as well as social conformity attitude and network effects are included in the decision process, the model provides results more in line with the empirical evidence.
The essay presented in Chapter 2 employs several machine learning techniques, with the aim to identify those taxpayers who are more likely to increase their net income declarations after being audited by the tax authority.
Among the employed methods, random forest guaranteed higher predictive accuracy.
In order to assess the practical utility of our approach, we compute the reported net income increase by taxpayers identified through the random forest model.
We find that, on average, this increase is significant compared to the average of all the inspected taxpayers.
We believe that our approach could prove a useful tool in order to identify and select those taxpayers who are more likely to increase the income reporting after an audit, therefore allowing for a better allocation of the – typically scarce – financial resources available to the tax authority for its ordinary auditing activities.
Identifer | oai:union.ndltd.org:DocTA/oai:tesionline.unicatt.it:10280/83513 |
Date | 02 October 2020 |
Creators | RABASCO, MICHELE |
Contributors | FEMMINIS, GIANLUCA, SANTORO, ALESSANDRO |
Publisher | Università Cattolica del Sacro Cuore, MILANO |
Source Sets | Universita Cattolica del Sacro Cuore. DocTA |
Language | English |
Detected Language | Italian |
Type | Doctoral Thesis |
Format | Adobe PDF |
Rights | reserved |
Page generated in 0.197 seconds