Examining individual tax morale in Europe with machine-learning methods

angleški

2025

letnik 23, številka 1

individualna davčna morala   korupcija   strojno učenje

Univerza v Ljubljani, Fakulteta za upravo
(Obvezni izvod spletne publikacije)

Namen: Raziskava proučuje in nadgrajuje vedenjsko literaturo o prostovoljnem izpolnjevanju davčnih obveznosti. Osredotoča se na uporabo in potencial metod ter modelov strojnega učenja za napoved individualne davčne morale po Evropi ter opredeljuje dejavnike, ki vplivajo na napovedno natančnost. Zasnova/metodologija/pristop: Na podlagi podatkov petega vala (2017–2020) Evropske raziskave vrednot (EVS) je bil uporabljen podatkovno voden, sistematičen pristop, ki vključuje šest metod strojnega učenja za napovedovanje individualne davčne morale v Evropi. Ocenjena je bila pomembnost formalnih, neformalnih in soci-demografskih dejavnikov, hkrati pa je študija preverila, ali vključitev Indeksa zaznave korupcije (Corruption Perception Index – CPI) poveča napovedno natančnost. Ugotovitve: Rezultati kažejo, da lahko metode in modeli strojnega učenja izboljšajo razumevanje ter napovedovanje individualne davčne morale v Evropi. Med uporabljenimi modeli so umetne nevronske mreže dosegle najvišjo natančnost. Pri vseh metodah strojnega učenja se je natančnost povečala, ko je bil v model vključen CPI. Odnos do podkupovanja, zaznave vpliva priseljencev na nacionalni socialni sistem in spol so se izkazali za pomembne formalne, neformalne in soci-demografske dejavnike. Akademski prispevek k področju: Študija je nov, podatkovno usmerjen pristop uporabe metod strojnega učenja za napovedovanje individualne davčne morale. Zaradi redkosti empiričnih raziskav strojnega učenja v družboslovju ugotovitve ponujajo dragocene vpoglede v evropskem kontekstu in so lahko temelj za nadaljnje globalne raziskave. Praktična uporabnost: Sklepi so posebej pomembni za vlade in davčne uprave, ki želijo izboljšati davčno skladnost in stopnjo pobiranja prihodkov. V evropskem kontekstu rezultati potrjujejo krog pozitivnih povratnih zank, ki povezuje učinkovito delovanje vlade, visoko davčno moralo in prostovoljno izpolnjevanje davčnih obveznosti. Gre za spoznanja, ki so ključna za odločevalce, regulatorje, evropske institucije in oblikovalce davčne politike. Izvirnost/vrednost: Ugotovitve potrjujejo, da lahko pri uporabi metod strojnega učenja individualno davčno moralo obravnavamo kot rezultat interakcij med formalnimi in neformalnimi institucijami. Prav tako kažejo, da je napovedna natančnost večja v državah z nižjo stopnjo korupcije, kar se kaže v višjem CPI.

25.11.2025