INTEGRACIÓN DE LA INTELIGENCIA ARTIFICIAL EN LA ADMINISTRACIÓN FISCAL

UN ANÁLISIS COMPARATIVO Y MULTIDIMENSIONAL

Autores/as

  • Bayron Ignacio Alcayaga Dote Universidad de Valparaíso
  • Elio Alessandro Dalmazzo Valverde Universidad de Valparaíso
  • Dominique Garrido Araya Universidad de Valparaíso

DOI:

https://doi.org/10.22370/riace.2023.12.1.4115

Palabras clave:

Fraude Fiscal, Inteligencia Artificial, Modelos, Detección de Fraude

Resumen

El fraude fiscal es un problema global que afecta a las economías y sistemas tributarios a nivel mundial. Lo que ha llevado a una incansable búsqueda de soluciones que contribuyan a mitigar este problema. Gracias al acelerado crecimiento de la tecnología es posible encontrar herramientas que apoyen estos procesos, sobre todo en la actual era digital donde la Inteligencia Artificial (IA) y el Aprendizaje Automático representan una gran oportunidad, a través de la creación de algoritmos que permiten detectar y predecir actos que constituyan fraude en determinados contextos. Este estudio analizó la implementación de la inteligencia artificial (IA) en la administración fiscal para detectar el “fraude fiscal”, utilizando un enfoque comparativo internacional. La metodología empleada fue un estudio documental, por medio de revisión de casos de aplicación con el objetivo de recopilar información relevante y actualizada. Los artículos fueron obtenidos a través de bases de datos científicas, principalmente de WOS y SCOPUS. Los criterios de inclusión se centraron en artículos científicos y casos de estudio publicados en revistas indexadas y conferencias relevantes, se excluyeron los trabajos que no abordaran directamente los temas de interés de esta investigación. Se pudo examinar las técnicas de IA como redes neuronales y modelos de boosting de gradiente, aplicadas en diversos contextos, incluyendo España, Armenia, Rwanda, Indonesia, Rusia y  Latinoamérica. Se destacan tanto los avances tecnológicos como los desafíos éticos y legales asociados. El análisis revela la eficacia variada de la IA en la detección de fraude y destaca la necesidad de adaptación tecnológica y protección de los derechos de los contribuyentes.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Bayron Ignacio Alcayaga Dote, Universidad de Valparaíso

Estudiante, Escuela de Auditoría

Elio Alessandro Dalmazzo Valverde, Universidad de Valparaíso

Estudiante, Escuela de Auditoría

Dominique Garrido Araya, Universidad de Valparaíso

Académica, Escuela de Auditoria

Citas

ACA. (2020). IA explicable: poner al usuario en el centro. Disponible en: https://www.accaglobal.com/gb/en/professional-insights/technology/Explainable_AI.

Baghdasaryan, V., Davtyan, H., Sarikyan, A., & Navasardyan, Z. (2022). Improving tax audit efficiency using machine learning: The role of taxpayer’s network data in fraud detection. Applied Artificial Intelligence, 36(1), 2012002.

Belle, Fille, Murorunkwere., Dominique, Haughton., Joseph, Nzabanita., Francis, Kipkogei., Ignace, Habimana, Kabano. (2023). Predicting tax fraud using supervised machine learning approach. African Journal of Science, Technology, Innovation and Development, 1-12. doi: 10.1080/20421338.2023.2187930

Castellón, Pamela (2012). Caracterización de Contribuyentes que Presentan Facturas Falsas al SII Mediante Técnicas de Data Mining. Revista Ingeniería de Sistemas, Volumen XXV, Universidad de Chile, Santiago, Chile.

Castellón, Pamela y Juan D. Velásquez (2011). Caracterización de Contribuyentes que Presentan Facturas Falsas al SII Mediante Técnicas de Data Mining. Universidad de Chile, Santiago, Chile.

DARPA, 2016. Anuncio amplio de la agencia Inteligencia artificial explicable (XAI). Disponible en: https://www.darpa.mil/attachments/DARPA-BAA-16-53.pdf

Didimo, W., Grilli, L., Liotta, G., Menconi, L., Montecchiani, F., & Pagliuca, D. (2020). Combining Network Visualization and Data Mining for Tax Risk Assessment. Ieee Access, 8, 16073-16086.

Evrim, Tan., Anthony, Simonofski., Thomas, Tombal., Bjorn, Kleizen., Mathias, Sabbe., Lucas, Bechoux., Pauline, Willem. (2023). Artificial intelligence and algorithmic decisions in fraud detection: An interpretive structural model. Data & policy, 5.

Faundez-Ugalde, A., Mellado-Silva, R., & Aldunate-Lizana, E. (2020). Use of artificial intelligence by tax administrations: An analysis regarding taxpayers' rights in Latin American countries. Computer Law & Security Review, 38, Article 105441.

Fayyad, U., PiatetskyShapiro, G., & Smyth, P. (1996). From data mining to knowledge discovery in databases. Ai Magazine, 17(3), 37-54.

Microsoft. (2021, Octubre 28). Analytics for fraud prevention and fraud detection in taxes.

Murorunkwere, B. F., Tuyishimire, O., Haughton, D., & Nzabanita, J. (2022). Fraud detection using neural networks: A case study of income tax. Future Internet, 14(6), 168.

Nivela-Cornejo M., Echeverría-Desiderio S., Otero- Agreda O. (2020). Estilos de aprendizajes e inteligencia artificial.

OCDE (2019). Tax Administration 2019: Comparative Information on OECD and other Advanced and Emergin. Extraido de: Tax Administration 2019 : Comparative Information on OECD and other Advanced and Emerging Economies | Tax Administration : Comparative Information on OECD and Other Advanced and Emerging Economies | OECD iLibrary (oecd-ilibrary.org)g Eco

OCDE. (2022).OCDE. Obtenido de PROYECCIÓN MUNDIAL. París, Francia. Extraído de: Proyección mundial – OECD https://www.oecd.org/acerca/miembros-y-socios

Pérez López, C., Delgado Rodríguez, M. J., & de Lucas Santos, S. (2019). Tax fraud detection through neural networks: An application using a sample of personal income taxpayers. Future Internet, 11(4), 86.

Saragih, A. H., Reyhani, Q., Setyowati, M. S., & Hendrawan, A. (2023). The potential of an artificial intelligence (AI) application for the tax administration system’s modernization: the case of Indonesia. Artificial Intelligence and Law, 31(3), 491-514.

Servicio de impuestos internos. (2023). Acciones de control aplicadas por el SII permitieron una recaudación de más de $922 mil millones durante 2022.

SII. (2023). DICCIONARIO BÁSICO TRIBUTARIO CONTABLE. Extraido de: https://www.sii.cl/diccionario_tributario/dicc_e.htm

Stankevicius, E., & Leonas, L. (2015). Hybrid approach model for prevention of tax evasion and fraud. Procedia-Social and Behavioral Sciences, 213, 383-389.

UNIDAD DE ANÁLISIS FINANCIERO (2021). Extraido de: https://www.uaf.cl/descargas/entidades/Cartilla2021.pdf

Descargas

Publicado

2024-01-11

Cómo citar

Alcayaga Dote, B. I., Dalmazzo Valverde, E. A., & Garrido Araya, D. . (2024). INTEGRACIÓN DE LA INTELIGENCIA ARTIFICIAL EN LA ADMINISTRACIÓN FISCAL: UN ANÁLISIS COMPARATIVO Y MULTIDIMENSIONAL. Revista De Investigación Aplicada En Ciencias Empresariales, 12(1). https://doi.org/10.22370/riace.2023.12.1.4115

Número

Vol. 12 Núm. 1 (2023)

Sección

Artículos

Licencia

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.

Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes:
  1. Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, el cuál estará simultáneamente sujeto a la Licencia de reconocimiento de Creative Commons (CC Reconocimiento 4.0) que permite a terceros compartir la obra siempre que se indique su autor y su primera publicación esta revista.
  2. Los autores/as podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista.
  3. Se permite y recomienda a los autores/as difundir su obra a través de Internet (p. ej.: en archivos telemáticos institucionales o en su página web) antes y durante el proceso de envío, lo cual puede producir intercambios interesantes y aumentar las citas de la obra publicada. (Véase El efecto del acceso abierto).

Artículos más leídos del mismo autor/a