人工智能時代稅收征管的功能轉型與法治因應

內容提要：稅收征管智能化轉型雖然加強了稅收征管能力，但新征管技術尚未與稅收法治實踐充分融合。有關稅務機關敗訴的案例表明，當前稅收征管智能化存在三重風險，即數據采集系統目的模糊、風險管理系統運行不暢和智能分析結果適用受限。基于歐盟各國稅務實踐可以認為，稅收征管智能化的實質是從個案導向轉為風險導向，并通過規范風險管理系統運行予以制度化。由于歐盟數字法律框架實際上將稅務人工智能排除在外，稅務人工智能高度依賴各國自我監管。因此，我國推進稅收征管智能化應當授控結合，及時在傳統稅收征管法律框架內嵌入數據采集系統明確機制、風險管理系統控制機制、智能分析結果監督機制，以促進稅收征管技術與稅收法治在人工智能時代形成有效協同。

關鍵詞：智慧稅務；稅收征管；稅務人工智能；納稅人權利

中圖分類號：F812.423" 文獻標識碼：A" 文章編號：2095-1280（2024）03-0085-11

一、問題的提出：稅收征管智能化產生的法律挑戰

數字化與智能化是全球稅收征管發展的必然趨勢，也是我國稅收征管3.0改革的重點內容（國家稅務總局福建省稅務局課題組，2023）。隨著信息與通信技術的不斷更新，各國稅務機關開始持續推進數字化改造和智能化升級，并在稅務大數據基礎上通過人工智能、機器學習、算法等新興技術直接或間接幫助稅務機關進行稅收征管決策。稅收治理正從“數字化”邁向“智能化”①，稅收風險治理已發展到以人工智能技術為核心驅動力的新階段（陳治和趙磊磊，2024）。以機器學習、大語言模型、算法為代表的人工智能技術，大幅提高了稅收風險治理的效率，但也暴露出監管指標不合理、適用范圍不明確、稅務稽查準度低、執法口徑不統一等問題，凸顯了稅收風險治理的法治建設智能化亟待加強。

一般而言，稅收征管資源有限性與社會生產活動復雜性之間的矛盾是稅收汲取高效、穩定的難點與痛點（茅孝軍，2023）。稅收征管智能化的關鍵是實現“技術”與“法律”的有效融合。根據OECD和歐盟的定義，人工智能是指“以機器為基礎的系統，能夠針對人類定義的特定目標，對真實或虛擬環境做出預測、建議和決策”（OECD，2019），其中尤其強調人工智能的自主性（Autonomy）。在人工智能技術的加持下，稅務機關能夠有效處理傳統稅收征管框架下無法想象的繁重工作任務，并能實現一定程度的精準監管，使稅務機關以及納稅人均能從中獲得便利。

在歐盟稅收征管的場景中，稅務機關是采用人工智能系統行使國家特權最多的公共機構（Hadwick，2023）。按照歐盟《通用數據保護條例》（附件三）的框架，以人工智能為基礎的稅收征管智能化系統客觀上具備“高風險”特征，并在合法性方面受到嚴格約束，具體包括透明度原則、比例原則、控制者負責原則、非歧視原則等。但越來越多的案例表明，稅務機關在引入人工智能系統時并未遵循此類要求。雖然稅收征管智能化能夠有效地緩解稅收征管資源長期不足的現實壓力，加強了稅務機關的征管能力，但在納稅人權利保護方面并未形成有效協同，甚至于在部分領域還形成了對納稅人的過度保護與過度服務（范扎根，2021）。這意味著人工智能時代稅收征管存在功能錯位，即傳統納稅人權利保護體系無法充分回應稅收征管智能化帶來的新挑戰、新問題，與此同時，傳統納稅人權利保護體系卻不斷加強。此種錯位的根源在于，稅務機關所推動的稅收汲取智能化改革并未有效嵌入人工智能等新興技術出現之前的稅收征管法律框架中。故問題核心在于，稅務人工智能通過對稽征效率原則的強化能否獲得充分的正當性？

SyRI（Systeem Risico Indicatie，SyRI）案是歐盟內部第一起成員國稅務機關使用機器學習算法所引致的訴訟①。SUWI wet（the wet structuur uitvoeringsorganisatie werk en incomen，譯為《工作和收入結構實施組織法》）第64條授權將荷蘭各個政府機構持有的數據聯系起來。因此，荷蘭稅務局有權處理任何行政機構或政府機構（無論是地方、地區還是國家）的數據，以防止和跟蹤社會保障欺詐和違規行為。SUWI wet第65條整合了SyRI算法（一種機器學習算法），以自動處理上述政府和行政機構的數據。其根據從歷史數據中推斷出的風險因素對福利領取者進行評分，從而預測社會保障欺詐的風險。法院認為，打擊欺詐是國家的一項重要職能，因此稅務機關有理由使用非常廣泛的數據。不過，法院承認機器學習算法確實存在歧視的重大風險，故要求授權使用機器學習算法的法律必須有足夠的保障措施，并向公民提供可核查的關于算法功能和算法模型所使用的風險指標。就其目前的形式而言，SUWI wet第65條并未包含對模型的描述，也未提供對所使用模型的深入了解，故有違《歐洲人權公約》而最終被法院停止使用。

隨著荷蘭托兒津貼事件（Toeslagenaffaire）的持續發酵，稅收征管智能化的風險得到全球廣泛關注（Hadwick，2022）。由于稅務機關能夠逐步掌握納稅人涉稅數據以及其他數據，導致既有的稅收征管格局出現了明顯傾斜，即稅務機關單方面不斷增強其稅收征管能力，而納稅人權利并未獲得對等且成比例地加強，這將導致征稅權濫用風險成倍地提高。對此，既有的研究多從技術工具、內部治理視角來審視，形成了諸如業務模塊化、流程定制化、角色個性化機制（國家稅務總局深圳市稅務局課題組，2020），卻未能從稅務行政、稅收執法的角度去反思數字經濟時代稅收征管智能化的法律本質及其潛在風險。尤其是，未能就稅收征管能力擴張與納稅人權利保護達成有效協同并形成長效法律機制。本文認為，對于我國而言，歐盟實踐將為規制稅收征管智能化進程中的不規范做法帶來一定啟示。

二、風險管理：歐盟稅務人工智能的功能轉型與法律框架

稅收征管的智能化大幅縮短傳統稅收征管實踐中的評估過程，它是以求最少的稽征行政成本發揮最大的稽征效果的直接體現（陳清秀，2018）。結合歐盟實踐來看，各國稅務人工智能呈現出類型多樣化、監管自發化的特征，并重點關注納稅人及納稅人具體行為的風險，整體上反映了從個案評估向風險評估的發展趨勢。

（一）歐盟稅務人工智能的實踐樣態與功能分類

目前，已有20個歐盟成員國使用智能化稅收征管系統（詳見下表），例如風險評分系統、納稅協助系統等。從實際情況來看，除德國法國以外，大部分國家稅務機關使用稅務人工智能時缺乏明確的法律框架，更多依賴稅務機關的內部控制機制來維持智能化稅收征管系統的穩定性與規范性，以保障納稅人數據不被濫用。在此基礎上，還根據是否與稅收執法活動直接關聯，將稅務人工智能分為強制性人工智能（如風險管理系統、風險評分系統、風險檢測系統等）與非強制性人工智能（如稅務引導系統、納稅協助系統等）兩類，實踐中以強制性人工智能為核心內容。

根據OECD稅收征管論壇的資料顯示，稅務人工智能根據其功能可以分為九大類型：自動向利益相關者提供個性化信息、虛擬助理、風險評估、檢測逃稅和欺詐、協助稅務官員做出行政決策、提出行動建議、作出最終行政決定、爭議解決、確保稅務管理系統/流程的完整性。①從OECD的分類中不難發現，各國稅務機關所適用的人工智能還存在著新的功能，比如數據抓取等。從稅收征管實踐來看，在整個稅收征管過程中僅僅使用一種人工智能系統的可能性極低。這意味著，不同類型的稅務人工智能系統將實現不同的功能，會產生不同效果及面臨不同要求；同時，還需關注不同稅務人工智能系統間的銜接，以及稅務人工智能系統與人工操作過程的銜接。因此，有必要結合稅收征管實踐將稅務人工智能分為以下三類，即納稅協助系統、數據采集系統、風險管理系統。其中，風險管理系統還可進一步分為風險檢測系統與風險評分系統。

1.納稅協助系統

納稅協助系統以稅務虛擬助理為典型代表。隨著ChatGPT等生成式人工智能技術的崛起，稅務虛擬助理的適用空間及潛在效能將被進一步放大。在納稅人個體層面，歐盟成員國在既有實踐中所推出的納稅協助系統均采用匿名化處理機制。一般而言，在使用納稅協助系統之前，法律聲明將警告納稅人不要在詢問中輸入任何個人數據，以避免泄露納稅人的對話數據，以及由此導致的后續問題。在此過程中，稅務機關需要重點關注的是，如何避免稅務虛擬助理針對納稅人咨詢所提出的錯誤解釋而對納稅人產生的影響。

2.數據采集系統

數據采集系統是稅收征管智能化的基礎。一般而言，納稅人納稅義務的確立需要經由納稅申報制度來最終確定納稅數額、納稅時間、納稅地點；而數據采集系統一定程度上超越了納稅申報制度所確立的納稅人協力義務以及納稅人數據收集規則。具體而言，數據采集系統包括兩類模式：一種是“數據捕撈”模式，即通過爬蟲技術等廣泛搜集網絡數據，并通過人工智能技術實現數據分析與匹配（Hadwick，2022）。例如，法國稅務機關曾利用人工智能系統比對衛星圖像來判斷納稅人土地登記數量的準確度；另一種是“數據傳輸”模式，即稅務機關接受納稅人及相關第三方實體（包括公共部門）所傳輸的涉稅數據。無論屬于何種模式，數據采集系統均需要考慮數據采集行為與征稅目的的相關性。當稅務機關無差別使用數據采集系統時，便涉嫌違反隱私與數據保護規則。

3.風險檢測系統

風險檢測系統著眼于納稅人的具體交易，其能識別可疑交易并自動標記這些交易以供稅務機關進一步開展稅務審計。而在傳統稅收征管框架下，稅務機關僅能有限地實現事后風險檢測，無法做到實時風險監測。即使是在事后風險檢測條件下，稅務機關也往往因為稅收征管資源的配置問題會錯過最佳稅務稽查時機，以致稅源流失。但在實時風險監測下，稅務機關可以第一時間向納稅人提示風險，以降低后續執法成本并幫助納稅人實現稅務合規。

4.風險評分系統

稅務機關借助歷史數據通過風險評分系統篩選出一定程度風險的納稅人并進行評分，最終根據實際評分確定稅務審計對象。在傳統稅收征管模式下，稅務機關一般基于舉報或大數據分析開展稅務稽查活動。這對于提高納稅人的稅務合規率有一定的作用，但無法促使納稅人自愿積極遵從。為此，稅務機關開始引入風險評分系統。一方面，對納稅人進行風險畫像，對高風險納稅人實施重點審計；另一方面，及時公示納稅人風險評分，幫助納稅人了解稅務合規的重點方向，進一步幫助納稅人降低遵從成本。與此類似，我國“智慧稅務”亦在建立健全以“信用+風險”為基礎的新型稅收監管機制。

總體來看，歐盟稅務人工智能主要集中于風險管理系統，其旨在通過獲取充分的數據，借助新興算法、模型等技術實現對違規案件及其涉案納稅人的篩選。這既能有效避免傳統選案模式下對稽查經驗的依賴，也可避免個案導向下稅收征管資源利用效率較低的情形。在此基礎上，綜合各類人工智能，通過疊加各種評分指標，稅務機關將進一步提高涉稅風險評估精準度，促進稅收征管資源高效匹配潛在違規案件及其涉案納稅人。

（二）歐盟稅務人工智能運作的法律框架——以德國為例

在歐盟《人工智能法》及《通用數據保護條例》框架下，歐盟成員國稅務機關適用的稅務人工智能系統呈現出多種類型、多種層次等特征，且其稅務人工智能系統在目前法律監管框架內還存在一定的真空區域。例如，歐盟《人工智能法》序言第59段明確禁止將稅收征管活動采用的人工智能系統排除在“高風險”之外，強調“專門用于稅務和海關行政程序的人工智能系統，以及根據歐盟反洗錢立法執行行政任務、分析信息的金融情報單位使用的人工智能系統，不應被歸類為執法機關為預防、偵查、調查和起訴刑事犯罪而使用的高風險人工智能系統”。在此框架下，歐盟各成員國稅務機關引入人工智能系統時面臨的阻力與法律障礙將明顯減小。這意味著，當前稅務人工智能的規范化、法治化會更多依賴國家權力配置框架，但尚未在歐盟層面實現一致化監管。

德國是歐盟成員國中唯一全面規范稅務人工智能系統運作的國家。2017年1月1日，《稅收現代化法》在德國生效，德國稅務機關開始通過自動化決策機制實現稅收核定。為避免逃稅，德國稅務機關建立了一套風險管理系統①。并明確規定，被該系統識別為有風險的案例需要由稅務官員進行人工檢查，以保證稅收征管行為的合法性與一致性。從稅收征管全流程來看，德國稅法為風險管理系統設置了三大基礎框架：一是數據收集階段的例外規定。歐盟《通用數據保護條例》第13條、第14條構建了各成員國稅務機關收集納稅人數據應當履行的義務。按此要求，德國稅務機關應當遵守合理與透明度規則，將自動化決策的相關信息提供給納稅人，并明確信息收集目的與信息處理目的；同時，《通用數據保護條例》第23條針對稅收事項還設置了對納稅人數據保護的例外規定。這意味著，德國稅務機關在數據收集時僅需滿足最低限度的基本權利保障與比例原則，納稅人反對稅務自動化決策的權利（《通用數據保護條例》第22條）卻無法行使。二是納稅人選擇權的保留。根據德國聯邦政府的相關解釋性說明，稅務機關必須提醒納稅人報稅表可能會被完全自動化處理。《德國稅法通則》通過設置納稅人正向申請與稅務機關反向推定來構建自動化決策的啟動機制②。只有納稅人在報稅表合適地方做出相反的聲明時，稅務機關才會采用人工審核的方式處理納稅申報，否則一律適用自動化決策程序實現稅收核定。三是透明度規則的例外。《德國稅法通則》第88條第5款強調“如果公布風險管理系統的細節會危及稅收的一致性和合法性，則不得公開”。此種例外規定排除了稅務人工智能適用透明度規則的可能性，但《德國稅法通則》并未進一步解釋哪些“細節”得以適用前述條款。例如，是否包括納稅人數據問題、自動化決策中的算法問題，等等。

比較來看，我國稅收征管智能化的法律框架至少有兩個方面的改進空間：其一，《稅收征收管理法》中并未賦予稅務機關使用人工智能執法的權力。雖然《行政處罰法》第41條設置了行政機關“利用電子技術監控設備收集、固定違法事實”的一般框架，但目前稅收征管智能化主要集中于風險預測及評分，納稅人違法行為的判定仍需依賴稅收執法框架，稅務機關尚無法直接從《行政處罰法》中獲得使用稅務人工智能的權力。其二，即使《稅收征收管理法》未來設置了稅務機關使用人工智能執法的權力，但目前的納稅人權利框架尚無法有效監督稅收征管智能化的各個流程。

三、聚焦執法：稅收征管智能化的三重風險

稅收征管智能化轉型暗含著一個假設：即使稅務人工智能導致十個合規的納稅人遭受影響，而不漏掉一個不合規的納稅人本身是值得的（尤班克斯，2021）。此種執法理念與傳統稅收征管框架中的信賴預支原則也存在一定分歧①。基于此，稅收征管智能化措施嵌入傳統稅收征管框架時難免出現抵觸，甚至會最終引發更大范圍的征管風險。

（一）事前：數據采集系統的目的模糊

數據采集系統的合法性關鍵在于稅務機關獲取數據的方式與程度。其主要包括數據采集的模式、數據采集的目的、數據采集的權限等。

1.數據采集的模式差異

數據采集模式可以分為匿名化模式與假名化模式，區分關鍵在于具體數據與實際主體之間能否形成有效聯系。我國稅費信息共享機制尚未明確數據采集模式。按照《通用數據保護條例》第四條第五項的界定，“匿名化”指的是在采取某種方式對個人數據進行處理后，如果沒有額外的信息就不能識別數據主體的處理方式。“假名化”則強調對個人數據進行處理得到數據集后，數據控制者或數據處理者能夠通過一定方式識別數據主體的具體信息。在SyRI案中，荷蘭選擇了假名化方案，即數據管理部門采用唯一標識符取代采集納稅人個人信息的全部數據，并進行風險分析。當行政機關接受風險提示并最終確定可疑案例后，便可通過一定程序借助數據管理部門持有的專門密鑰，實現對可疑案例所涉及的納稅人個人信息顯名化。從納稅人方面來看，匿名化與假名化模式的差異決定了行政機關的職責分工與權力邊界，這是涉稅信息能否受到有效保護的關鍵一環。

2.數據采集的目的不清

數據采集系統的兩種模式均需明確處理采集目的問題。在通常情況下，稅務機關獲取涉稅數據主要來自納稅人自行申報以及第三方代扣代繳所生成的數據。除此之外，根據《通用數據保護條例》第三十九條，稅務機關最遲必須在采集個人數據時確定目的，數據捕撈模式與數據傳輸模式均將面臨合法性質疑。同時，基于未來發展趨勢，雖然各國均不同程度地完成了中央數據庫的建設，但稅務機關能否從中直接獲取數據以及獲取數據后的使用范圍則較為模糊。若不規范稅務機關采集數據的目的，則有悖稅務機關資源有限的基礎條件。即使稅務機關能廣泛采集涉稅數據，但因為執法資源有限仍將面臨選擇性執法問題。此種從稅務欺詐規制向稅務欺詐管理的重要轉變，意味著稅收公平和整體稅收合規性被嚴重破壞（Feria，2020）。此外，還存在另外一種可能，即在大多數情況下，收集這些信息是為了確保稅法的準確適用，而有時稅收和信息之間的關系卻是顛倒的，即收集信息是目標，而稅收則用來迫使信息披露（Deeks和Hayashi，2022）。

目前，我國尚未建立數據采集、數據使用的目的明確機制。各地正積極探索稅費信息共享機制，主要是由地方政府牽頭建立的大數據資源平臺，它要求稅務機關在依法履行職責過程中需共享使用其他部門公共數據的，可以通過大數據資源平臺提出公共數據共享需求申請，并明確需求類型、應用場景等內容。同時，針對稅務機關采集數據的方式、范圍與限度，部分地區開始對此進行規范。例如《上海市稅費征收服務和保障辦法》第十八條條明確規定：“稅務機關等相關部門和單位，收集涉稅涉費數據，應當限于實現處理目的的最小范圍，不得超出履行法定職責所必需的范圍和限度。通過共享方式獲取的涉稅涉費數據，不得擅自擴大數據的使用范圍，不得擅自將納稅繳費情況作為辦理業務事項的前置條件。”但問題在于，履行法定職責所必需的范圍和限度應該如何界定，超出范圍和限度的責任應該如何配置。

3.數據采集的權限不明

數據采集的目的與權限存在一定關聯。在‘SS’SIA案中②，歐洲法院生成三項準則：（1）稅務機關采集數據應當遵循《通用數據保護條例》對個人數據保護的保護水準。（2）僅當存在明確的法律授權時才得以減損對個人數據處理原則的遵守。（3）個人數據的采集權限并非直接依據國家稅法，而應主管公共機構的要求而產生，稅務機關應根據公共利益或行使公共權力來明確采集目的，不得以普遍且無差別的方式收集個人數據。同時，稅務機關還需證明其已尋求盡可能減少要采集的個人數據量。這意味著：一方面，稅務機關無差別采集數據缺乏權力基礎，即便法律授權也需明確采集目的；另一方面，稅務機關采集一定范圍納稅人數據時仍需證明其已盡可能控制需采集的數據量，以降低對納稅人的影響。

我國《稅收征收管理法》并未賦予稅務機關主動采集相關數據的權限，具體涉稅數據一般隨納稅申報而被稅務機關獲悉，稅務機關的涉稅數據采集已逐步呈現出稅種齊全、動態性強以及跨平臺交互等特點（樊勇和杜涵，2021）。當前，雖然我國正在加快推進“金稅四期”、稅務大數據及相關數據庫建設，但《稅收征收管理法》《個人信息保護法》并未能夠向稅務機關提供充分的權力基礎。這種模式仍然會出現了一些數據泄露情形①。而《個人信息保護法》采取了“一體調整”立法模式，將行政機關處理個人信息納入調整范圍。行政機關處理個人信息應作為一種具體行政行為，但相關規則框架存在缺失（王錫鋅，2022）。

（二）事中：風險管理系統的運行不暢

風險管理系統的法律風險在于無法有效幫助納稅人理解其數據是如何被處理的。一般而言，風險管理系統包括兩大分支：風險評分系統與風險檢測系統。在此基礎上，各個分支系統還將由多種算法、模型等技術構成。風險管理系統自身需注意準確性、歧視性、透明度三大問題，同時還需關注系統與系統之間、不同算法、模型之間的銜接問題。因此，稅務機關必須保持警惕、不斷監測、隨機審核，對風險管理系統的結果持一定的懷疑態度，并逐漸形成長效法律機制。

1.準確性問題

準確性是稅務人工智能的關鍵合法性基礎。風險管理系統準確性不足的根源有二：一是數據的準確性問題；二是人工智能技術的準確性問題。此外，即便是準確的數據與準確的人工智能技術，歷史數據所承載的潛在偏見仍需留意，避免智能化系統放大此類偏見。總體而言，由于“垃圾”數據、數據偏差或過度擬合，設計不當的風險管理系統可能會產生不準確性問題。例如誤報（在沒有歷史證據表明違規情況下某納稅人被標記為潛在稅務欺詐者）或漏報（系統忽略標記實際的稅務欺詐者）；且前者的損害遠遠超出后者。同時，對于風險管理系統輸出結果的準確性和質量，人類客觀上并不具備實施有效監督的能力（楊和洛奇，2020）。這表明，風險管理系統的準確性問題應重點關注。

2.歧視性問題

風險管理系統的主要影響因素包括數據真實性與技術偏見。一方面，數據采集的準確性、標準化都將一定程度影響到非歧視原則的落實；另一方面，當風險管理系統處理的歷史數據包含未檢測到的偏差或不能準確地代表目標群體時，或當模型中的權重對某些個體、群體產生不成比例的影響時，稅收歧視便在傳統稅收征管框架下產生。在此基礎上，用數據驅動的指標來證明繼續采取既有做法的合理性并不充分，這或將一定程度上掩蓋歧視性問題。

3.透明度問題

透明度是算法可解釋議題的分支。在既有的案例中，政府及稅務機關往往拒絕公開模型、算法等更為具體的解釋信息，其核心理由在于避免潛在違規者通過這些信息規避風險管理系統的審查。但對納稅人而言，這意味著在傳統稅收征管框架之外，可預見性基本消失，不確定性在加劇，且對稅收征管活動無法形成有效監督。而數字化、智能化改革還將繼續深入推進。因此，有部分專家指出，在透明度和可解釋性問題完全解決之前，公共決策不應采用風險管理等系統。如果采取類似德國“危及稅收一致性與合法性則不公開”的做法，那么透明度不足必須在其他方面充分補償，以保障納稅人基本權利。此外，與透明度關聯的問題是，當稅務人工智能關鍵指標發生變動時，是否應以適當方式提醒納稅人？在我國基層稅務實踐中，基層稅務機關適時調整模型權重與關鍵指標的做法往往被視為一種積極、優異的做法①。從此類實踐來看，透明度規則的范圍與程度也是我國稅收征管智能化轉型所必須回答的問題。

（三）事后：智能分析結果的適用受限

在稅務人工智能運作得到智能分析結果之后，如何用好這些結果是各國稅務機關所面臨的共同難題。乃至于是否存在一種額外的人工智能系統，幫助稅務機關從智能分析結果中挑選出合適案例，也是當下各國稅務機關所關注的重點內容。這個過程亦是稽征效率原則的具體體現。

1.智能分析結果的法律屬性

在行政法框架下，稅收征管智能化運行結果存在定性爭議：通過稅務人工智能得出階段性結果是否具備《通用數據保護條例》第二十二條所強調的“法律影響”（Law Effect）？一般而言，無論是個體納稅人的風險分析報告（包括風險提示、疑似案件等）抑或是納稅信用評級，均屬于稅務機關的內部管理活動，對外不產生法律效力。但這些內部管理活動往往與納稅人關聯緊密，與其他政府機構、社會組織交織復雜。從實質來看，此類智能分析結果往往意味著納稅人被審查的可能性加大，一旦被錯誤判定，納稅人將遭受較大影響。在SyRI案中，原告認為，稅務機關提交風險報告應被視為具有法律影響的行為，其至少對數據主體有重大影響。法院采納了后一種認定，強調稅務機關提交這樣一份風險報告并不具有法律影響。但稅務機關提交風險報告并將其納入風險登記入冊的行為，是考量評估風險管理系統是否違反《歐洲人權公約》第八條的一個關鍵因素。因此，智能分析結果的法律屬性不明一定程度上將會影響《個人信息保護法》《跨境數據保護規則》《稅收征收管理法》與傳統行政法的有效銜接適用。

2.智能分析結果的選擇性執法

在傳統征管框架內，為杜絕選擇性適用執法的弊端，在稅法上要特別注意避免過度區分，導致實際上為個案量身立法或行政的情形（黃茂榮，2011）。此外，我國現行《稅收征收管理法》更加強調納稅人“如實申報”，而缺乏稅額確認一般程序。這意味著，納稅人“未如實申報”的發現與處理高度依賴于稅務機關的征管能力與涉稅資源，也一定程度上暴露出某些稅務機關選擇性執法的苗頭。因此，《稅收征收管理法》（征求意見稿）②規定的稅額確認要求稅務機關對每一份納稅申報表的準確性進行核實、確定，對于申報存在問題的，一律以稅額確認通知書的形式予以回復，并要求納稅人據以辦理補（退）稅。

面對稅收征管改革智能化的趨勢，智能分析結果仍存在著稅務機關執法資源不足的現實約束。尤其是在海量數據與優質算法加持下，被稅務人工智能篩選出的納稅人違規案件數量將呈指數級爆發。對于此種場景，稅務機關需要確定哪些案件應優先進入執法程序。其過程本身就是一種選擇性執法，并且在此過程之中還包含著政策考量、執法剛性、腐敗案件等諸多因素。而在傳統稅務執法過程中，稅務機關多依賴內部分工來實現對權力濫用的制約。例如，稅務稽查案件要求實行選案、檢查、審理、執行分工制約原則①。因此，有必要將此種過程進一步規范，以保證智能分析結果在執法端的平等適用。

四、授控結合：稅收征管智能化的法治回應

在數字化、智能化的浪潮下，部分國家稅務機關的敗訴案例一定程度上警示了我國在推進稅收征管智能化過程中應重點關注改革合法性議題。這既要求稅收法律以較為全面的框架來規范智能化稅收征管的運行，也要求當前稅收征管框架盡快將相關內部管理活動予以外部化，并降低智能系統與人工系統銜接過程被人為因素作用而導致干擾公正執法。

（一）事前：數據采集系統明確機制

目前，我國正積極推進涉稅數據采集的規范化、標準化，包括但不限于數據共享協調機制與信息傳遞機制等。然而，既有的法律框架并未全面處理稅收數據采集的模式、目的、權限問題。例如，《個人信息保護法》《數據安全法》與《稅收征收管理法》之間尚未形成有效協同。

1.數據采集模式應選擇有限制的假名化模式

我國稅收數據采集系統應采用假名化模式。一方面，假名化模式才能實現稅收征管的基本初衷，即協助具體納稅人實現稅額確認與稅務稽查；另一方面，只有能夠明確潛在不規范情況所對應的具體納稅人，才能及時協助納稅人合規遵從，降低因納稅人非主觀故意所產生的錯漏而導致更為嚴重的不利影響。在此基礎上，還應進一步明確顯名化密鑰的使用主體、權限、程序，以降低稅務機關濫用權力的風險。具體而言：（1）數據采集系統的控制人應與顯名化密鑰控制人相區分。考慮到稅收監管范圍與稅收治理的需要，我國應由國家稅務總局作為數據采集系統的控制人，并由省級稅務機關掌握所屬區域稅收數據顯名化密鑰。（2）假名化數據使用人應與顯名化密鑰控制人之間形成“申請顯名化”銜接機制。基層稅務機關通過查詢數據或實時監測發現疑似風險后，可以向顯名化密鑰控制人申請顯名化，以進一步核查具體納稅人信息并反饋最終核查結果。（3）數據采集系統的控制人應定期審核假名化數據使用人“申請顯名化”行為效率，以避免出現基層稅務執法中的違規現象。

2.數據采集目的應引入分階段的明確框架

目前，中央層面跨部門數據共享機制正在逐步推進，各地“稅費征收保障辦法”也已經確立地方政府部門信息共享機制②，稅務機關控制的數據采集系統仍應遵守目的與手段相適應的要求。但考慮到納稅人的規模特征與地域、行業差異，應允許稅收數據采集系統嵌入分階段的明確框架：其一，《稅收征收管理法》應增加涉稅數據采集條款，要求稅務機關采集涉稅數據時必須明確目的及用途。這樣將能滿足銜接《個人信息保護法》與《數據安全法》在采集涉稅數據目的、時限、方式等方面的要求。其二，基層稅務機關要求納稅人及第三方主體傳遞納稅人相關數據時，應嵌入市場主體防御機制，避免納稅人隱私及商業秘密被泄露。

3.數據采集權限應設置有條件的啟動框架

《稅收征收管理法》在授權稅務機關采集數據時，應明確數據采集的目的、范圍、邊界，內嵌數據采集啟動框架，并及時告知納稅人。為保證數據采集的標準、口徑及質量，我國應統一數據采集標準、口徑、格式，并進一步區分稅務數據庫與公共數據庫。同時，還應避免稅務機關就數據采集、儲存、利用等事項出現不良競爭，防止數據采集成為納稅人辦理業務事項的前置條件。在此基礎上，應全流程監督數據采集、儲存、利用、查詢等程序，加強留痕管理，切實保護納稅人信息。

（二）事中：風險管理系統控制機制

稅務機關使用風險管理系統的難點在于準確度、非歧視原則的落實，以及納稅人信賴利益的保護。雖然當前工作重心是預防稅收逃漏行為，但其最終目標應是幫助納稅人更高效地合規，以有效地降低稅收征管成本。目前，我國雖然尚未推出全國層面的統一風險管理系統，且各地風險管理系統實踐類型多樣、指標復雜，但可以預見的是，未來各地稅務機關風險管理系統將逐步得到統一，并實現從全國層面上數據指標模型的共享公用和持續優化。為此，當前應重點規范地方實踐，并形成有益經驗。

1.風險管理系統的準確度應及時向社會公示

目前我國稅務機關已基本建立執法質量控制機制，強調稅務執法的精確度，但風險管理系統的準確度尚未嵌入整體稅收征管框架之中。因此，一方面，我國應及時建立各地稅務機關風險管理系統的準確度評估系統，并將其作為執法質量控制機制的一部分來加強內部稅收治理。特別是，隨著國家風險管理系統的推出，若各地稅務機關風險管理系統的準確度長時間較低時，其使用自有風險管理系統的權力應受到限制。另一方面，各地稅務機關風險管理系統的準確度應及時向社會公開，并作為考察地方稅收營商環境的潛在指標。這將有助于敦促各地稅務機關優化風險管理系統，提高稅收征管效率。

2.風險管理系統應銜接非歧視原則的執法框架

雖然風險管理系統中的歧視現象只有在稅務執法中才能顯現，但若各地稅務機關所使用的自有風險管理系統一旦出現直接歧視和間接歧視，其產生的損害范圍廣、持續時間長，故稅務機關使用風險管理系統的行為本身應當受到一定監管。這是因為風險管理系統與稅收征管活動高度相關，其應保持中立性的原則，以及不應變更營業的公平競爭關系（陳清秀，2016）。目前我國《反壟斷法》已確立公平競爭審查制度的法律地位，各地稅務機關的風險管理系統應積極與之相銜接。與此同時，各地稅務機關基于本地實踐以及征管工作需要，調整風險管理系統的關鍵風險指標也應經過公平競爭審查制度的審核。

3.風險管理系統可通過案例公開制度實現透明度規則的間接落地

由于披露一些風險指標對于消除一些間接或直接歧視的風險是必要的，但披露所使用的所有風險指標可能危及稅務執法的效率與統一，故原則上稅務機關不應直接公布其風險管理系統的相關指標。例如，SyRI案中立法者在不公開風險指標的同時，給出了幾個風險指標的例子，以幫助納稅人了解具體情況。因此，為了促進全體納稅人合規效率的提升，我國稅務機關應及時公開典型案例，幫助非涉案納稅人及時獲取信息，糾正潛在違規行為。

（三）事后：智能分析結果監督機制

在既往的稅務實踐中，智能分析結果的核心功能在于消除稅收逃漏行為，卻忽略了幫助納稅人提升稅務合規性的潛在功能；而后者實際上是可以從源頭上減少稅收逃漏行為數量的。因此，充分利用智能分析結果將有助于從整體上降低稅收征管成本，提高稅收征管效率。

1.未被選中的智能分析結果應在合理時限內告知相應納稅人

智能分析結果雖然核心功能在于消除稅收逃漏行為，但其發揮功能的范圍僅限于被選中的案件。未被選中的智能分析結果若無法在其他場域發揮效用，則意味著稅收征管智能化在是否滿足成本效益原則方面還存在說服力不足的問題。因此，未被選中的智能分析結果應在合理時限內告知相應納稅人，并及時嵌入稅收征管法律框架之中。這樣，一方面，可以幫助納稅人了解自身風險點并及時進行糾錯；另一方面，還可以通過“提醒—糾正”機制有效發現智能分析結果的不當之處。當然，后者對于優化稅收征管智能化而言意義更為重大。

2.智能分析結果的選案過程應滿足分工制約原則的要求

智能分析結果的使用應從傳統選案過程中分離出來，以滿足分工制約原則的現實要求。既有研究指出，選案絕非簡單的內部行為，其結果會產生很大的外部影響，應當積極制約此種權力（劉劍文和熊偉，2004）。因此，從智能分析結果到具體稅務執法的銜接過程中仍需要充分程序與相應機制予以介入。一般來說，思路有兩種：一是調整風險管理系統中的風險指標，使得風險管理系統產出的結果數量與稅務執法能力相當；二是不干預風險管理系統中的風險指標，而通過進一步增加一個單獨的智能選案系統并最終匹配稅務執法能力。但無論何種思路，均應客觀記錄整個過程，避免人為及其他因素干預最終稅務執法的效果。

參考文獻：

[1]國家稅務總局福建省稅務局課題組.數據生產視角下稅收征管數字化轉型研究[J].稅收經濟研究，2023，（6）.

[2]陳" 治，趙磊磊.“以數治稅”背景下的稅收征管：算法化趨向及其風險防范[J].稅務研究，2024，（4）.

[3]茅孝軍.算法治稅：人工智能時代稅收治理的范式優化與架構設計[J].河北法學，2023，（10）.

[4]范扎根.聚集精細服務 不斷提高納稅人繳費人滿意度[N].中國稅務報，2021-08-27.

[5]國家稅務總局深圳市稅務局課題組.稅收風險管理數字化轉型研究[J].稅務研究，2020，（11）.

[6]陳清秀.稅法總論[M].臺北：元照出版公司，2018.

[7]弗吉尼亞·尤班克斯.自動不平等：高科技如何鎖定、管制和懲罰窮人[M].李明倩，譯.北京：商務印書館，2021.

[8]樊" 勇，杜" 涵.稅收大數據：理論、應用與局限[J].稅務研究，2021，（9）.

[9]王錫鋅.行政機關處理個人信息活動的合法性分析框架[J].比較法研究，2022，（3）.

[10]凱倫·楊，馬丁·洛奇.馴服算法：數字歧視與算法規制[M].林少偉，唐林垚，譯.上海：上海人民出版社，2020.

[11]黃茂榮.法學方法與現代稅法[M].北京：北京大學出版社，2011.

[12]陳清秀.稅法各論[M].北京：法律出版社，2016.

[13]劉劍文，熊" 偉.稅法基礎理論[M].北京：北京大學出版社，2004.

[14]Ashley Deeks，Andrew Hayashi.Tax Law as Foreign Policy[J].University of Pennsylvania Law Review，2022，（2）.

[15]David Hadwick.Behind the One-Way Mirror：Reviewing the Legality of EU Tax Algorithmic Governance[J].EC Tax Review，2022，（4）.

[16]David Hadwick.“Error 404–Match not found”：Tax Enforcement and Law Enforcement in the EU Artificial Intelligence Act[R].Eucrim-The European Criminal Law Associations’Forum，2023.

[17]OECD.Recommendation of the Council on Artificial Intelligence[R].OECD Publish，2019.

[18]Rita de La Feria.Tax fraud and Selective Law Enforcement[J].Journal of Law and Society，2020，（2）.