一、当前税收风险管理工作中存在的主要问题
经过近几年的实践，税收风险管理内容的系统性、科学性、规范性不断增强，但在管理理念、分析手段、成果运用等方面仍然存在一些问题，制约了税收风险管理的效果。
（一）税收风险管理理念过于传统
在过去管户制模式下，税收管理采取的是“人盯人”战略。随着商事制度改革，海量纳税人不断涌现，早已出现税收管理员“管不了，管不好”的困境。一是传统管户模式阻碍税收风险管理效能的发挥。在对纳税人开展分级分类风险管理的过程中，税收管理员受制于传统惯性思维的束缚，不能清晰区分基础税源管理事项与专业化的风险管理事项，打电话、下场地、约谈询问等管户制度下税收管理员惯用的管理手段仍然被频繁使用，而往往忽视了深入挖掘涉税数据、精确定位风险疑点、监控预测风险事项等现代风险管理手段的重要性。
二是税收风险管理未能贯穿税收管理全流程。税收风险管理是一个体系工程，贯穿于税收征管工作的全过程、各领域、各环节，既包括事前预警、事中防控、事后评估的“三道防线并举”，也包括征管业务流程、岗责体系、信息系统的支撑，以及纳税人税务风险与税务人执法风险的“二维管控”。但在现行税收风险管理实践中，风险管理容易被当成一种征管工具，抑或是纳税评估的替代，并未真正实现“大风控”的理念目标。
（二）税收风险管理分析手段落后
一是人工分析难以找寻税收风险点。当前的税收风险分析工作实践中，风险疑点的来源主要有两类：一类源自分析人员的工作积累或生活经验，另一类源自政策分析结果。风险疑点的来源渠道非常有限，主观性较强且缺乏科学性，未充分发挥涉税数据的集成效应。
二是数学模型简单导致指标作用有限。目前常见的税收风险分析方法局限于指标法，主要是运用各指标之间的勾稽比对关系构建单指标或综合指标，进而开展风险扫描。但囿于人工思维和数据运行的局限性，指标法往往只能针对单一或较为简单的风险特征建立函数规则，即便是综合类指标，风险特征所描述的逻辑关系也不会太复杂。同时，指标法选取阈值时一般是基于简单的分类或汇总计算，止步于对数据表层的运用，只能依赖建模人员和分析人员对相应领域的数据进行主观判断和人工分析。可以说，在传统指标法下构建真正意义上的综合性风险识别指标非常困难。
三是税收风险管理分级分类标准不统一。实践中，风险分析人员一般会根据风险固有的属性、风险产生后果及影响进行等级排序，进而由风险任务统筹人员根据现有征管资源对等级进行调整。其中，固有属性的判断往往是根据既往经验，将涉嫌偷、逃、抗、骗税违法行为的风险归类为高风险；风险产生的后果及影响一般是根据预估补缴税款等主观判断给予等级划分。目前尚无明确的标准化、数量化、规范化的等级排序方法，实践中较为随意、主观。
（三）税收风险管理闭环缺失
一是风险管理局限于事后防控。当前，税收风险管理往往更强调事后管理，包括根据已显现的线索（如财务指标、发票流向、数据比对结果等）分析识别风险疑点并开展有效应对，排除风险。运用指标法构建的风险识别模型，能有效识别已发风险，但难以实现风险预测和过程监控，未能充分发挥风险管理对税收管理全流程的管控效果。二是风险应对反馈成效不显著。目前税收风险管理工作往往止步于风险应对环节，对于已经确认的风险及其后续的应对、排除情况未加以总结归纳。在常用的指标法中，应对结果对指标的反馈通常只限于收窄或放宽筛选口径、调高或调低既定阈值，或者重新建立新的模型，无法实现模型迭代。因此，风险应对人员提供的风险应对结果对风险分析人员所起到的反馈作用微乎其微。
产生上述问题的主要原因在于：一方面，税收风险管理这一概念引入的时间较短，运行机制、规范、流程尚未建立健全，贯穿全系统、全流程的风险防控体系尚未形成；另一方面，由于当前税务机关信息化支撑力度不够。虽然税务机关积累了海量的涉税数据，但数据质量参差不齐，散点化、分散化等问题较为突出，各类信息系统“各自为阵”，难以满足普遍的、全面的、实时的、可跟踪的综合数据分析以及复杂风险分析模型的需要。
二、人工智能为税收风险管理创新发展提供的新机遇
（一）推动传统税收风险管理观念转型升级
人工智能的基石和前提是大数据，只有运用各种算法对大数据进行训练才能从中归纳出可被运用在类似数据上的知识或规律。因此，在将人工智能深度应用于税收风险管理领域前，首先要改变现有以经验分析为主的传统税收风险管理观念，建立以数据为核心、以相关性分析为主导、以实现客观预测为目的的大数据税收风险管理观念。
1.以数据为核心。大数据“一切皆可量化”，引入人工智能将极大拓宽税收风险管理的视野。无论是传统的以数据方式记录财务、发票、登记信息，还是图像视频、行为轨迹等非结构化数据，人工智能都可以深度挖掘数据之间的内在联系和规律，只要数据足够多，数据连接点足够丰富，便可能改变税收风险管理目前以流程、环节、事项为节点划分管理职能、分配管理重心的工作现状。通过人工智能算法扫描，让数据说话，从全景分析中描绘风险分布情况、评估风险轻重缓急，可以实现客观、精准的分级分类管理。
2.以相关性分析为主导。传统因果思维推动下的税收风险管理花费了大量精力倒推风险产生的原因，但受限于原因与结果的非充分、非必要关系，风险分析效率难以提升。而在大数据时代，随着存储和计算能力的不断提高，大量图片、视频、音频等非结构化数据被量化，相比于关注“为什么”，大数据更关注“是什么”。人工智能使得从海量数据中研究各种结构化、非结构化数据之间的相关性成为现实，越来越多原以为“风马牛不相及”的事件被证明存在很强的关联性或相关性。运用相关性思维来开展税收风险管理，可以最大限度地突破经验主义的束缚，摆脱固有思维惯性，极大提升税收风险管理的能力和效率。
3.以客观预测为主要目的。大数据背景下，每种非常规的变化事前一定有征兆，每件事情都有迹可循，如果找到了征兆与变化之间的相关规律，就可以进行预测，从而使得税收风险管理从传统面向已发生事项的事后管理转向对即将发生事件的事前预测或防控，前移风险管理环节，提早定位疑点企业，防患于未然。
（二）助推传统税收风险管理体系的优化
1.助推税收信息系统优化。随着大数据、云计算、人工智能等现代信息技术在税收管理中的大规模运用，对涉税数据的数量提出了较高的要求。一般认为只有达到PB数量级别以上的数据才可被称之为大数据，因此必须要实现涉税数据的大集合，这是应用人工智能的数据量基础。同时，人工智能对数据的共享也提出了较高的要求，通过对来源不同的多样化数据进行交互共享、交叉检验，才可能运用人工智能从海量的、不完全的、有噪声的、模糊的、随机的数据中分析出隐含的价值，实现数据的深度挖掘。因此，随着人工智能的深入应用，税收信息系统的建设要转向以大数据架构为主，从传统“垂直烟囱模式”转向“水平扩容融合模式”，以大数据资源平台为支撑，兼容各种应用场景。
2.助推税收风险管理流程优化。人工智能将推动实现“税收业务数据化、税收数据业务化”。前者强调的是税收数据的收集、转化和沉淀，后者强调的是数据的分析、运用，进而发挥驱动作用。在当前税收风险管理实践中，凭借大数据平台已逐步改变了过去数据分散存储、分散处理、分散利用的“碎片化”状况，基本实现了数据的集约化处理。人工智能更提升了包括非结构化数据在内的数据分析和运用能力，税收风险管理流程的优化应聚焦于如何让数据产生价值。一方面，要将数据管理贯穿于税收风险管理的全过程，把数据采集、存储、加工、分析、交换、校验融入税收风险管理的各环节；另一方面，要将各环节产生、累积的税收大数据通过人工智能分析挖掘后反哺于各核心征管环节，促进征管质效提升，形成一个相辅相成的全流程闭环结构。
（三）实现传统税收风险管理方式的革新
1.革新风险分析方式。将人工智能应用于税收风险分析识别后，可在传统指标法的基础上实现对纳税人行为模式分析的拓展。具体而言，对纳税人行为模式的风险分析，从对象上将涵盖结构及非结构数据；从主体上将采用以机器学习为主人工监督为辅的模式；从方法上将采用如决策树、随机森林、神经网络等主流人工智能分析技术；从驱动因素上将以数据为核心驱动因素构建模型，采用聚类分析等算法尽可能客观地构建风险特征、调节权重阈值。
2.革新风险应对方式。人工智能时代，风险分析更多地关注于风险特征与分析结果的相关性，尤其是多维相关性，而非传统的线性因果关系，这将带来风险应对思路和方法的优化。具体地，人工智能应用后，风险模型将通过有监督的学习由算法自行建立，并根据建模人员提供的正、负样本不断训练和修正，由此识别形成的疑点企业将是大概率疑似负样本企业。于风险应对人员而言，要用全局思维全面核查疑点企业，综合考虑模型提供的风险特征的相似度概率，并进行全面应对，同时，这也将大幅提升风险应对人员的综合素质要求。
3.革新模型修正模式。正因为人工智能模型自身对精准度的严要求与后续风险应对环节的高要求，人工智能将推动风险管理中分析环节与应对环节的高度互动。每一次风险应对都是对人工智能模型精准度的验证，只有完成高质量的风险应对，既准确判断企业是否符合模型分析结论，又精准定位风险特征，风险应对结果才可能形成准确无误的负样本以供人工智能模型继续训练和修正。因此，人工智能背景下，风险分析与风险应对将实现双向互动，即风险应对在一定程度上就是模型建设的一个必要且重要环节，二者相互促进、相互提升。
三、利用人工智能提升税收风险管理水平的对策建议
（一）准确界定人工智能地位作用
为了最大限度发挥人工智能对税收风险管理的提升作用，首要任务是摆正人工智能在税收风险管理工作中的地位和作用，既不能简单地将人工智能作为风险分析的一种技术应用，又不能神秘化、标签化人工智能。一方面，被誉为第四次工业革命的人工智能技术，给税收风险管理带来的绝不仅仅是风险分析手段的更新，它与大数据、云计算一道正在并将持续带来税收风险管理理念、信息化建设、组织架构、管理流程等一系列革新，重塑税收风险管理工作方式，大力提升纳税遵从度。另一方面，人工智能并非万能的，在具体实施中需要分阶段稳步推进，尤其是在税收征管领域的应用，要恰如其分地审视现有应用效果，尤其要客观评估当前税收征管体制机制、信息化支撑、组织人才保障等所处的阶段，深入分析新技术、新业态对税收管理的影响与机遇，稳步推进人工智能的高效应用。
（二）科学构建人工智能生态体系
一是构建大数据中心。要全面启动适应新技术、新业态的大数据中心的构建，运用要素管理的思维采集微观涉税数据，建立数据修正机制，在税收风险管理中对数据形成“数据采集—数据加工—数据应用—数据反馈—数据修正”的闭环结构。二是搭建“画像”平台。要以机器学习算法为核心，实现以数据驱动的自适应反馈，形成“学习—调整—再学习—再调整”的模型自动构建且自动实时优化的闭环，促使人工智能风险管理模型具有较强的拓展性、延伸性和迭代性，能有效解决多个场景的应用需求。三是组建人才梯队。要围绕与人工智能应用直接相关的平台运维人员、模型构建人员、风险分析人员，从人才选拔、人才培育、人才管理、人才使用等方面多维度造就一批既有税收征管经验又有分析能力更有新技术使用水平的高素质综合人才。
（三）重点探索人工智能应用场景转变
1.从监督学习到无监督学习。着眼于当前人工智能的飞速发展，机器学习在税收风险管理工作中的应用势必将逐步过渡到无监督学习，即为机器提供尽可能更全面、丰富、高质量的大数据，让算法基于数据的内部结构去寻找、观察样本的自然族群（即集群），进而寻找出“离群”的可疑样本，实现用人工智能去扫描识别风险企业。从目前无监督学习的实践经验看，其应用于税收风险管理最大的考验在于税务部门能否提供高质量的反馈样本以及对造成样本“离群”的原因能否给出符合逻辑的业务解释。只有当数据采集的广度和深度、风险应对的水平、风险分析人员的经验积累等各方面有了大幅提升后，无监督学习在税收风险管理中的作用才能得到最大程度发挥。
2.从典型特征“画像”到综合风险“画像”。当前，人工智能在传统税收风险管理工作中有着较为丰富的实践经验，如虚开发票、非正常户认定等，但整体而言大都集中于相对指向单一、历史经验丰富的风险分析中。随着现代税收风险管理系统性、科学性、规范性的不断增强以及人工智能在税收风险管理工作中的深度应用，要逐步将人工智能拓展到综合性、整体性的税收风险分析中。具体而言，可在综合考量数据获取途径难易程度、征管经验丰富与否、技术算法优劣等因素后，从小场景入手，依托现有人工智能应用成果，根据税收风险管理实践经验将应用场景不断丰富，进而开展综合模型建设。
3.从事后的问题管理向事前的风险预测转变。所谓“风险”，是指可能发生的危险，是具有不确定性的。随着税收风险管理的不断发展，应当在大数据背景下，充分发挥人工智能等新技术的力量，实现对纳税人涉税行为的动态采集和实时扫描，预测纳税人可能发生的涉税风险和概率，并向纳税人精准推送。这种侧重于预防的事前风险管理能以更小的管理成本换来征纳双方更大的受益，而且体现了对纳税人的精准有效服务，是税收风险管理的高级阶段。
