税收风险识别方法有哪些

　　税务风险识别的主要思路可以分为两类，一是通过纳税能力估算（也称为税收流失估算或征收率估算）识别风险，称之为税收能力估算法；二是通过一些关键指标的纵向或横向比较，分析其异常变动及发展趋势发现某地区、某税种、某行业或某企业存在的税收风险，称之为关键指标判别法。
　　（一）税收能力估算法
　　税收能力估算是一种税收风险宏观识别方法，主要关注国家、地区、税种、行业、纳税人的潜在税收，进而分析税收流失状况、风险程度，以及变动趋势。税收能力估算的结果不仅可以应用于风险识别，还可以应用于税收预测、政策效应评估等方面。
　　1、自上而下法
　　即利用GDP等宏观统计数据，根据税收政策和应用税收经济学、统计学和国民经济核算等学科相关原理、模型和方法估算税收能力的方法。
　　主要有两种思路，一是寻找宏观统计数据中与税基比较接近的指标（称为代理性税基），然后根据税收政策规定的抵免、优惠的情况调整数据，进而估算税收能力。常用的方法主要有投入产出法、增加值法和可计算一般均衡（CGE）模型法等。我国已经应用投入产出法和增加值法开展增值税收入能力估算；二是根据税收与经济的关系，应用税收经济模型，利用宏观经济面板数据或时间序列数据估算税收收入能力，常用的方法主要有随机边界模型法、数据包络模型法以及税柄法等。这几种方法主要应用于国家或地区总体税收能力估算。
　　优点：
　　①数据收集整理成本较小。
　　②操作上相对简单。
　　缺点：
　　①很难确定是否包括了地下经济和非法经济活动。
　　②假设条件较多，有些税收政策无法体现。
　　③无法提供比较详细的信息。
　　2、自下而上法
　　即使用纳税人数据，特别是税务部门掌握的税收申报数据和税收专项调查、检查等数据，以及其他政府、专业机构收集的关于纳税人的细节数据，运用统计学相关原理（如随机抽样等）测算样本的潜在税收收入，进而推算总体税收收入能力的方法。随机抽样时可以不做任何分类直接抽样，也可以根据需要按地区、税种、行业和纳税人类型分类后再随机抽样。总之分类越细，估算结果提供的信息越多。自下而上法需要对样本数据进行相应的税务审计工作，所以税收调查、纳税评估及税务稽查案例数据非常重要。
　　优点：
　　①随机抽样及细致的审计工作使估算结果更可靠。
　　②对税基的逼近表现要优于自上而下法，能够提供较详细的估算信息。
　　缺点：
　　①抽样调查有可能出现无响应或低报等情况。
　　②账证不健全或灰色交易的存在会影响测算的准确程度。
　　③数据收集、整理、计算工作大，耗时耗力，成本比较高。
　　（二）关键指标判别法
　　关键指标判别法是指应用与税收密切相关的经济统计指标或企业经营财务指标，比如税负、弹性、收入、抵免、投入产出率、能耗率、利润率及发票领购使用等的异常变动发现税收风险的方法。不同的税种、不同的行业指标各异，应根据不同情况选取关键指标。指标的异常主要通过比较分析发现，可以按照同行业/同纳税人类型、同税种根据时间轴纵向比较，也可以按照不同地区横向比较。
　　关键指标判别法既可以用于宏观识别，也可以用于微观识别，应用比较灵活，比如可以使用税负指标进行行业风险识别，也可以应用税负指标进行企业风险识别。
　　在应用关键指标判别法进行风险识别时，必须坚持一个重要的原则—即指标口径一致。比如在应用税负指标进行增值税行业比较时，分母可以是企业申报的销售收入，也可以用统计局公布的行业增加值。不论是销售收入还是增加值，都有其合理性，也有其弊端。进行纵向或横向比较时，主要关注相对关系，而不是税负的绝对值。
　　（三）风险识别结果的应用
　　不论是应用税收能力估算法，还是关键指标判别法，即使使用相同的模型或算法，选取的指标不同，分析结果也可能大相径庭，所以在识别结果的使用上要特别谨慎。例如，选取相同的指标和模型应用税收能力估算法得出甲地区某行业某时期增值税流失率为25%，乙地区同一行业、同一时期增值税流失率为27%，则基本可以认为甲地区税收风险较小。但是仍然无法确切说明甲地区的税收流失是25%、还是20%，因为指标不同计算结果可能会有一定的差异，这个时候应用税收流失指数来说明税收风险变动趋势则更合理些，如果流失指数持续不提高，则说明风险下降，征管水平在提高；反之则说明风险增加，需要采取措施加强征管。
　　企业生产经营是有季节性波动的，而且从购进原材料、生产产品、销售到实现税收需要一定的时间，所以在进行较短时间，特别是微观企业风险风险识别时，需要注意指标参数的季节调整问题。
　　风险识别，有两个隐含的假设前提一是政策的一致性，二是同行业的企业生产经营活动规律基本一致。在进行纵向比较分析时，应特别注意政策调整，尽量还原政策调整的影响。在进行横向比较时，如果进行较大区域的风险识别—比如一个省—时，个别企业的生产经营活动异常对结果影响较小，但是在一个较小的区域内—比如一个县，个别大企业的经营异常则对结果的影响非常明显，也需要特别注意。