房地产行业中的税收风险识别
摘要：税收流失带来税收收入的减少。如何有效识别潜在税收流失企业，对日常的税收管控尤为重要。文章尝试将行业税收风险管理引入到税收征管工作中，通过效能位差法对某市房地产开发行业进行税收风险管理的指标选择和部分实证分析，旨在对房地产开发行业税收风险的测算方法进行初步探索。
关键词：税收风险；房地产；风险识别；测算分析
一、 引言
为了探寻税务机关日常管控中税收风险识别的有效方法，本文以某市房地产开发行业为例，通过能效位差法对该行业涉及税收风险管理的指标选择和部分实证分析，对房地产开发行业税收风险进行相应识别。
二、 样本描述
截止2013年底，某市房地产开发纳税企业5 912户，入库税款557.7亿元，占全市房地产业税收收入的88.8%，占全市税收收入的18.2%。房地产开发业共涉及缴纳税费14项，是缴纳税种较为复杂的行业之一。
1. 从查补税款情况看税收风险。通过对某市地税综合查询系统内2013年房地产开发行业自查、检查和评估等多方面补税情况进行分析，可以反映出房地产开发行业税收管理存在较大的风险。
（1）虽然房地产开发行业自查、检查、评估补税户数占全行业补税户数较低，但该行业补税金额占全行业比重分别达到了17%、53%和42%，户均补税额也远高于全行业户均补税额。
（2）从三种类型的补税情况比较看，企业自行查补税的金额和户均补税额也低于税务部门通过采取检查和评估手段所查补税金额。
2. 从欠缴税款情况看税收风险。通过对某市地税系统会计帐中房地产开发行业欠缴税款情况进行分析发现：2013年某市地税系统共有773户企业欠缴税款合计18.5亿元，其中房地产开发业102户企业欠缴税款合计9.6亿元。该行业欠缴户和欠缴金额占总欠税比重分别达到了13.2%和51.9%。房地产开发业已成为某市欠缴税款最多的行业，也可以反映出房地产开发行业税收管理存在较大的风险。
考虑到企业财务报表的可获得性，本文选取了重点税源直报平台上484户房地产业企业作为初始样本，根据行业类型分类进行细分并从中剔除物业管理、房地产中介等企业65户，剩余房地产开发企业419户作为最终样本，结合419户企业的财务指标和税收数据进行效能位差分析。
三、 税收风险测算方法
现阶段税收风险测算方法主要有机器学习法、随机前沿测算法、数据包络测算法以及效能位差测算法等，本文主要采用效能位差法对房地产开发行业税收风险进行测算。
1. 税收风险测算思路。理论上，在不考虑国家宏观政策调整、税收政策变化、征管时间差异等因素的情况下，一个企业在某个会计期间的经济效益和盈利状况决定了该企业相应期间的纳税能力，而纳税能力又决定了相应的应纳税额。本文将企业的经济效益等综合情况称为税源质量，在相同的外部条件下，一个地区不同企业税源质量的排序决定其纳税能力的排序，而纳税能力的排序应该与其实际纳税情况排序相一致。但是在现实税收征收活动中，企业纳税能力的排序与其实际纳税情况的排序可能存在一定差异，二者之间存在一定的位差，通过计算位差，可以进行房地产开发企业的风险评定或者查找出行业的风险点。当然，企业纳税能力的排序与其实际纳税情况排序的不一致，可能是由其它原因导致的（如企业间会计核算方法不同、有关税收优惠政策等），这样就需要我们进一步分析。
2. 房地产开发业风险管理指标的确定与选取。
（1）纳税能力指标的选取。评价纳税能力与实际税收情况，必须建立相应的指标体系。由于房地产开发企业的项目经营情况、企业规模等数据暂无法取得，这里只选取了财务指标来评价企业的纳税能力。
由于税源质量的复杂性和多样性，各指标的选取遵循以下原则：①指标数要小于样本数；②指标之间基本上相互独立；③尽量选取相对指标；④指标的样本差异要明显；⑤数据的可获得性。根据以上原则，本文选取11个指标作为变量。
（2）实际税收情况的衡量。衡量企业的实际税收情况，可以通过企业总体税负这一指标实现。企业税收负担是指企业缴纳税款与其相关税源的比例关系，它反映了企业一定时期从事某种生产经营活动所承受税收负担的状况，从中揭示了企业经济活动与税收的关系、企业税收相关政策执行情况以及该企业税务主管机关的征收管理情况。由于该指标是一个相对值，使样本之间更具有可比性。具体计算公式如下：
企业税负=企业缴纳的各项税费/企业主营业务收入*100%
四、 测算结果分析
1. 税源质量综合评价排序。数据准备与指标筛选。对财务指标进行计算、数据整备和处理，剔除含缺省值、奇异值的样本319户，剩余分析样本100户，剔除指标9个，选择剩余指标11个。
构建税源质量综合评价指标体系。利用主成分分析法的降维思想，把多个指标转换成较少的几个互不相关的主成分（综合指标），既能解释大多数变量的差异，又能归纳主要影响因素，从而更好的进行税源质量的测算。（以前的税源质量评价使用的多指标都是平均权重，没有区分各指标对税源评价质量影响程度，也没有考虑指标间的共线性）。各变量间适不适合运用主成分分析法，需要进行KMO 和 Bartlett 的检验。KMO统计量是通过比较各变量间简单相关系数和偏相关系数的大小判断变量间的相关性，相关性强时， KMO值接近1。Bartlett 的球形度检验用于检验相关阵是否是单位阵，即各变量是否独立。运用spss19.0软件得出指标的KMO检验结果分别如下表所示：
巴特利球形检验统计量为214.766，相应的概率Sig为0.000 ，可认为相关系数矩阵与单位阵有显著差异。KMO检验结果为0.791，大于0.5，说明各变量间信息的重叠程度可能不是特别的高，但是做出主成分分析模型还是值得尝试的。