2024-09-23-世界银行-印尼门到门税收执法策略评价（英）_54页_2mb

• 9月2024 | 税务政策研究工作论文10901号
  印尼门到门税务执法策略评估
  作者：Paolo Antonacci，Muhammad Khudadad Chattha

摘要

评估了印尼戈隆塔洛市的税务执法计划，该计划涉及税务官员访问房产并与业主讨论税务义务。使用机器学习技术发现：

• 访问显著提高了房产税的 扩展边际 合规率（+4.3%）和 强度边际 合规率（+5.1%）。
• 效果随时间增强（2022年延续至+8.6%）。
• 更高效的资源配置应聚焦低价值房产，因高价值房产对访问反应较弱（异质性分析）。
• 程序选择偏差：只有部分房产（59.9%）被访问，这些房产主要为低价值且历史上合规度较高者。
• 异质性 分析显示，历史违规记录、房产罚款和价值对影响有显著调
  阻作用。

主要发现

税籍边际（Marginal）

• 2021年：扩展边际 增加4.3%；强度边际 增加5.1%。
• 只访问部分房产，若扩大至全部，则潜在提升幅度达1.97倍；2022年延续趋势显著提升8.6%。

异质性

• 低价值房产敏感度更高：尤其是低土地价值和低土地价格的房产，访问效果尤其显著。
• 有罚款记录者反应更强：但罚款额与效果呈负向关系。
• 程序适用性：实验结果支持在发展中国家推广直接接触的税务合规策略。

机器学习方法应用

• 提出“分块随机森林”（C-RCF）模型处理观测不平衡，显著提升异质性分析能力和政策针对性。

方法论

• 数据来源：2014至2022年印尼税务系统全部房产信息（60,734套房产）。
• 实验设计：14个月定点访问（2020–2021），覆盖率59.9%，访问区域地跨79.59平方公里。
• 分析技术：因果森林（因果森林）、机器学习匹配等，精准评估非随机观测量值的异质性。

结论

印尼门到门税务干预有效地提升了税务合规，且启示未来政策制定应重视算法设计公平性以及持续数据驱动优化。