ارزیابی گسل‌های هم‌افزایی در تطبیق مالیاتی

مقدمه

در سال‌های اخیر، سامانه‌های مالیاتی هوشمند ایران مانند سامانه مودیان و پایانه‌های فروشگاهی، تحولی عظیم در فرآیند تطبیق درآمد و هزینه ایجاد کرده‌اند. این سامانه‌ها با استفاده از الگوریتم‌های پیچیده، داده‌های مالی مودیان را به‌صورت خودکار با یکدیگر تطبیق می‌دهند تا از صحت اظهارنامه‌های مالیاتی اطمینان حاصل شود. اما آنچه کمتر به آن پرداخته شده، شکست‌های پنهان در این الگوریتم‌هاست که می‌تواند هزینه‌های قابل توجهی برای مودیان و نظام مالیاتی به همراه داشته باشد. در این مقاله، به عنوان دکتر امیر رضایی، تحلیل‌گر ارشد مالی، به بررسی این شکست‌ها و هزینه‌های آن می‌پردازم.

شکست‌های پنهان در الگوریتم‌های تطبیق: چه هستند؟

الگوریتم‌های تطبیق درآمد و هزینه در سامانه‌های مالیاتی هوشمند، به‌گونه‌ای طراحی شده‌اند که فاکتورهای خرید و فروش را بر اساس کد ملی، شماره اقتصادی و تاریخ، با یکدیگر مقایسه کنند. اما شکست‌های پنهان زمانی رخ می‌دهد که این الگوریتم‌ها به‌دلیل خطاهای سیستمی، داده‌های ناقص یا تفاوت در تفسیر قوانین، تطبیق نادرستی انجام می‌دهند. برای مثال، فرض کنید یک شرکت تولیدی در تهران، مواد اولیه را از یک تامین‌کننده در اصفهان خریداری می‌کند. اگر تامین‌کننده در سامانه مودیان، فاکتور را با یک روز تاخیر ثبت کند، الگوریتم ممکن است این فاکتور را با درآمد دوره بعد تطبیق دهد و باعث ایجاد مغایرت شود. این شکست‌ها اغلب پنهان هستند و تا زمان صدور برگه تشخیص مالیات، شناسایی نمی‌شوند.

هزینه‌های مستقیم شکست‌های پنهان

هزینه‌های مستقیم این شکست‌ها شامل جرایم مالیاتی، هزینه‌های دادرسی و زمان صرف‌شده برای رفع مغایرت‌هاست. به عنوان مثال، یک فروشگاه زنجیره‌ای در شیراز را در نظر بگیرید که به‌دلیل تطبیق نادرست الگوریتم، ۵۰۰ میلیون تومان از هزینه‌های خود را به‌عنوان غیرقابل قبول تشخیص داده می‌شود. این شرکت مجبور می‌شود ۱۰۰ میلیون تومان جریمه پرداخت کند و ۳ ماه زمان برای ارائه مدارک به هیئت حل اختلاف صرف کند. این هزینه‌ها مستقیماً از سود خالص شرکت کسر می‌شود و می‌تواند برای کسب‌وکارهای کوچک، بحران‌آفرین باشد.

هزینه‌های غیرمستقیم: اعتماد و بهره‌وری

علاوه بر هزینه‌های مستقیم، شکست‌های پنهان هزینه‌های غیرمستقیم قابل توجهی نیز دارند. کاهش اعتماد مودیان به سامانه‌های مالیاتی و افزایش هزینه‌های تطبیق دستی از جمله این موارد است. یک شرکت پیمانکاری در مشهد که با ۲۰۰ فاکتور مغایر مواجه شده بود، مجبور شد یک تیم ۳ نفره را به مدت ۶ ماه برای تطبیق دستی فاکتورها استخدام کند که هزینه‌ای معادل ۳۰۰ میلیون تومان داشت. همچنین، این عدم اطمینان باعث شد شرکت از ثبت فاکتورهای واقعی خودداری کند و ریسک مالیاتی افزایش یابد. این شکست‌ها بهره‌وری نظام مالیاتی را نیز کاهش می‌دهد، زیرا منابع انسانی سازمان امور مالیاتی صرف رفع مغایرت‌های کاذب می‌شود.

مثال عملی: صنعت پتروشیمی ایران

برای درک بهتر، به صنعت پتروشیمی ایران نگاه کنیم. یک مجتمع پتروشیمی در بندر ماهشهر، محصولات خود را به چندین شرکت پاییندستی می‌فروشد. الگوریتم تطبیق، فاکتورهای فروش این مجتمع را با فاکتورهای خرید شرکت‌های پاییندستی مقایسه می‌کند. اما به‌دلیل پیچیدگی زنجیره تامین و تفاوت در تاریخ ثبت فاکتورها (مثلاً ثبت فاکتور فروش در ۱۵ دی و ثبت فاکتور خرید در ۲۰ دی)، الگوریتم ۱۵۰ فاکتور را به‌عنوان مغایر علامت‌گذاری می‌کند. پس از بررسی دستی، مشخص می‌شود که تنها ۱۰ فاکتور واقعاً مشکل دارند و بقیه ناشی از شکست الگوریتم است. هزینه بررسی دستی برای این مجتمع معادل ۲۰۰ میلیون تومان و هزینه فرصت از دست رفته برای مدیران مالی که وقت خود را صرف این کار کرده‌اند، حداقل ۵۰ میلیون تومان برآورد می‌شود.

راهکارهای کاهش شکست‌های پنهان

برای کاهش این شکست‌ها، چند راهکار عملی وجود دارد: اول، بهبود کیفیت داده‌ها از طریق آموزش مودیان برای ثبت به‌موقع و دقیق فاکتورها. دوم، به‌روزرسانی الگوریتم‌ها با استفاده از هوش مصنوعی و یادگیری ماشین برای تشخیص الگوهای خطا. سوم، ایجاد یک سامانه بازخورد که مودیان بتوانند مغایرت‌های کاذب را گزارش دهند و الگوریتم به‌تدریج اصلاح شود. برای مثال، سازمان امور مالیاتی می‌تواند یک دوره آزمایشی ۳ ماهه برای تست الگوریتم‌ها با داده‌های واقعی و بدون اعمال جریمه راه‌اندازی کند. همچنین، استفاده از بلاک‌چین برای ثبت فاکتورها می‌تواند شفافیت را افزایش دهد و شکست‌های ناشی از تاخیر در ثبت را کاهش دهد.

نتیجه‌گیری

شکست‌های پنهان در الگوریتم‌های تطبیق درآمد و هزینه در سامانه‌های مالیاتی هوشمند ایران، هزینه‌های مستقیم و غیرمستقیم قابل توجهی برای مودیان و نظام مالیاتی ایجاد می‌کند. از جرایم مالیاتی و هزینه‌های دادرسی گرفته تا کاهش اعتماد و بهره‌وری، این شکست‌ها نیازمند توجه جدی هستند. با بهبود کیفیت داده‌ها، به‌روزرسانی الگوریتم‌ها و ایجاد سامانه بازخورد، می‌توان این هزینه‌ها را به‌طور چشمگیری کاهش داد. به‌عنوان یک تحلیل‌گر مالی، توصیه می‌کنم مودیان با دقت بیشتری فاکتورهای خود را ثبت کنند و سازمان امور مالیاتی نیز سرمایه‌گذاری بیشتری در فناوری‌های نوین مانند هوش مصنوعی و بلاک‌چین انجام دهد. این اقدامات نه‌تنها هزینه‌ها را کاهش می‌دهد، بلکه شفافیت و کارایی نظام مالیاتی ایران را افزایش می‌دهد.