一种人工智能的企业税务风险预测方法及系统与流程

本发明涉及税务风险预测，具体是涉及一种人工智能的企业税务风险预测方法及系统。

背景技术：

1、在企业关联交易转让定价的税务合规管理中，税务机关要求企业的关联交易价格应符合独立交易原则，即与同期无关联第三方在可比条件下的交易价格保持一致，因此如何评估关联交易价格相对于市场价格的偏离程度并预测企业被税务稽查的风险，是企业税务管理中的核心需求。

2、现有技术中，最常用的可比非受控价格法直接从市场数据库中筛选与目标关联交易在商品、数量、交易条件等方面高度相似的第三方交易作为可比交易，以其价格作为市场参考价并计算偏离度，但该方法在面对特殊商品或服务时往往面临可比样本严重不足的问题，导致评估结果不可靠，而当仅有少量可比交易时，单笔交易价格的波动又会对评估结果产生过大影响；部分现有技术尝试引入机器学习模型，以财务指标或历史偏离度等特征预测税务稽查风险，但其输入特征通常仅包含基于高可比交易计算的单一常规偏离度，未对可比交易按可比性质量进行分层处理，直接将所有可比交易同等对待，导致低可比交易中蕴含的市场价格信息被完全丢弃，在可比样本本就有限的情况下进一步加剧了特征信息匮乏的问题，同时高质量可比信息与低质量可比信息对风险判断的不同贡献也未被区分，最终使得税务稽查风险预测的准确性和实用性均存在明显不足。

3、于是有鉴于此，本发明提出一种人工智能的企业税务风险预测方法及系统以弥补和改善现有技术的欠缺之处。

技术实现思路

1、为解决上述技术问题，本发明提供了一种人工智能的企业税务风险预测方法及系统，以解决上述背景技术中提出的相应技术问题。

2、为达到以上目的，本发明采用的技术方案为：一种人工智能的企业税务风险预测方法，包括以下步骤：

3、步骤一、获取目标企业在历史报告期内的关联交易数据及同期市场第三方交易数据，分别提取待评估交易单元与潜在可比交易单元的交易属性信息；

4、步骤二、基于交易属性信息，对各待评估交易单元在全部潜在可比交易单元中进行多维度属性匹配，构建初始可比交易集合并计算各潜在可比交易单元的交易可比性评分；

5、步骤三、基于预设可比性阈值将初始可比交易集划分为高可比性子集和低可比性子集，分别计算待评估交易单元与高可比性子集加权均价之间的常规偏离度，以及与经低可比性子集交易可比性评分修正后的等效市场参考价格之间的可比性修正偏离度；

6、步骤四、基于历史企业样本的常规偏离度、可比性修正偏离度及对应是否被税务稽查的标签数据，训练构建税务稽查风险预测模型，将目标企业的常规偏离度和可比性修正偏离度输入税务稽查风险预测模型，以输出目标企业在预设时间窗口内被税务稽查的概率预测值。

7、作为优选的，所述步骤一，具体包括：

8、s101、获取目标企业在历史报告期内的全部关联交易数据，对每一笔关联交易数据进行结构化解析，形成该笔关联交易的交易属性向量，将该笔关联交易标记为待评估交易单元；

9、s102、获取同期市场上的第三方交易数据，所述第三方交易数据为与目标企业无关联关系的企业之间在同期发生的交易数据，对每一笔第三方交易数据进行结构化解析，形成该笔第三方交易的交易属性向量，将该笔第三方交易标记为潜在可比交易单元；

10、其中，所述交易属性向量表示为：

11、；

12、其中，为第i笔交易的属性向量；

13、为交易日期；

14、为交易类型；

15、为商品名称；

16、为交易数量；

17、为交易金额；

18、和分别为买卖双方所属行业代码；

19、和分别为买卖双方所在区域；

20、为结算货币；

21、为付款条件。

22、作为优选的，所述步骤二，具体包括：

23、s201、针对每一个待评估交易单元，设定多个属性匹配维度，所述匹配维度包括交易类型匹配、商品名称匹配、交易数量区间匹配、交易双方行业代码匹配、交易双方所在区域匹配；

24、s202、对全部潜在可比交易单元，逐一与当前待评估交易单元在各匹配维度上进行比对，满足所有设定匹配维度的潜在可比交易单元，纳入该待评估交易单元的初始可比交易集合；

25、其中，所述初始可比交易集合表示为：

26、；

27、其中，为初始可比交易集合；

28、为待评估交易单元的属性向量；

29、为第j个潜在可比交易单元的属性向量；

30、p为全部潜在可比交易单元的集合；

31、为多维度匹配判定函数，当各维度均满足匹配条件时返回true；

32、s203、对初始可比交易集合中的每一个潜在可比交易单元j，计算其与待评估交易单元i之间的交易可比性评分，其计算公式为：

33、；

34、其中，为第j个潜在可比交易单元相对于待评估交易单元的交易可比性评分；

35、k为匹配维度总数；

36、为第k个匹配维度的预设权重，且；

37、为第k个匹配维度上的相似度函数；

38、当第k个维度满足匹配条件时，，否则，；

39、当所有k个维度均满足时，，满足维度越少，越小。

40、作为优选的，所述步骤三，具体包括：

41、s301、设定预设可比性阈值，将初始可比交易集合中各潜在可比交易单元按照其交易可比性评分与进行比较，将的潜在可比交易单元划入高可比性子集，将的潜在可比交易单元划入低可比性子集；

42、s302、计算待评估交易单元的交易价格与高可比性子集中各可比交易价格的加权平均市场价格之间的常规偏离度，其计算公式为：

43、；

44、；

45、其中，为高可比性子集的交易可比性评分加权平均市场价格；

46、为高可比性子集中第j个可比交易的交易价格；

47、为其对应的交易可比性评分作为权重；

48、为常规偏离度，表示待评估交易价格相对于高可比交易加权均价的偏离百分比；

49、s303、基于低可比性子集中各潜在可比交易单元的交易可比性评分，对低可比性子集中的交易价格进行可比性加权修正，得到等效市场参考价格，其计算公式为：

50、；

51、s304、计算待评估交易单元的交易价格与等效市场参考价格之间的可比性修正偏离度，其计算公式为：

52、。

53、作为优选的，所述步骤四，具体包括：

54、s401、从税务历史数据库中采集n个企业样本在各自历史报告期内的数据，对每个企业样本n，提取其在该报告期内各待评估交易单元的常规偏离度和可比性修正偏离度，并获取该企业样本在报告期之后预设时间窗口t内是否因转移定价问题被税务机关稽查的标签，其中，表示被稽查，表示未被稽查；

55、s402、以常规偏离度和可比性修正偏离度作为输入特征向量，以标签y作为输出目标，采用逻辑回归算法训练构建税务稽查风险预测模型，其公式为：

56、；

57、其中，为sigmoid函数；

58、为截距项；

59、和为回归系数；

60、为在给定常规偏离度和可比性修正偏离度条件下，企业被税务稽查的概率预测值；

61、s403、将目标企业在当前报告期内计算得到的常规偏离度和可比性修正偏离度代入训练完成的税务稽查风险预测模型中，计算输出目标企业在未来预设时间窗口t内因转移定价被税务稽查的概率预测值，其计算公式为：

62、；

63、其中，的取值范围为，越接近1，表示目标企业在预设时间窗口内被税务稽查的风险越高。

64、作为优选的，所述采用逻辑回归算法训练构建税务稽查风险预测模型的过程中，还包括：

65、对采集的n个企业样本数据，按照8:2的比例划分为训练集和测试集，采用训练集数据进行参数拟合，采用测试集数据评估模型的auc指标，当auc大于预设阈值时，判定模型训练完成并有效。

66、一种人工智能的企业税务风险预测系统，包括：

67、信息提取模块，用于获取目标企业在历史报告期内的关联交易数据及同期市场第三方交易数据，分别提取待评估交易单元与潜在可比交易单元的交易属性信息；

68、评分计算模块，基于交易属性信息，对各待评估交易单元在全部潜在可比交易单元中进行多维度属性匹配，构建初始可比交易集合并计算各潜在可比交易单元的交易可比性评分；

69、双偏离度计算模块，基于预设可比性阈值将初始可比交易集划分为高可比性子集和低可比性子集，分别计算待评估交易单元与高可比性子集加权均价之间的常规偏离度，以及与经低可比性子集交易可比性评分修正后的等效市场参考价格之间的可比性修正偏离度；

70、预测输出模块，基于历史企业样本的常规偏离度、可比性修正偏离度及对应是否被税务稽查的标签数据，训练构建税务稽查风险预测模型，将目标企业的常规偏离度和可比性修正偏离度输入税务稽查风险预测模型，以输出目标企业在预设时间窗口内被税务稽查的概率预测值。

71、与现有技术相比，本发明的有益效果是：通过获取目标企业在历史报告期内的关联交易数据及同期市场第三方交易数据，分别提取待评估交易单元与潜在可比交易单元的交易属性信息，基于交易属性信息，对各待评估交易单元在全部潜在可比交易单元中进行多维度属性匹配，构建初始可比交易集合并计算各潜在可比交易单元的交易可比性评分，基于预设可比性阈值将初始可比交易集划分为高可比性子集和低可比性子集，分别计算待评估交易单元与高可比性子集加权均价之间的常规偏离度，以及与经低可比性子集交易可比性评分修正后的等效市场参考价格之间的可比性修正偏离度，基于历史企业样本的常规偏离度、可比性修正偏离度及对应是否被税务稽查的标签数据，训练构建税务稽查风险预测模型，将目标企业的常规偏离度和可比性修正偏离度输入税务稽查风险预测模型，以输出目标企业在预设时间窗口内被税务稽查的概率预测值，通过双偏离度特征体系和可比交易分层修正机制，在可比样本数量有限的情况下仍能充分挖掘全部可比交易中的市场价格信息，避免了现有技术中因仅使用单一偏离度而造成的特征维度不足和预测精度低的问题，同时通过可比性评分对低可比交易进行加权修正而非直接剔除，有效平衡了评估精度与样本覆盖率之间的矛盾，最终使得税务稽查风险预测模型的输出结果更贴近税务机关的实际稽查逻辑，为企业提供了更准确、更具实操价值的税务风险预警。