面向企业税务风险监管与风险等级评估的混合 DNN-Transformer-Autoencoder 框架
计算工程、金融与科学
2025-09-30 v1
摘要
税务风险监管已成为现代财务治理的关键组成部分，因不规则的税务行为和隐藏的合规风险而对监管机构和企业都提出了重大挑战。传统的基于规则的方法往往难以捕获大规模企业数据中复杂且动态的税务异常。为此，本文提出一种混合深度学习框架（DNN-Transformer-Autoencoder）用于企业税务风险监管与风险等级评估。该框架集成了三个互补模块：深度神经网络（DNN）用于建模企业的静态属性，基于 Transformer 的架构用于捕获历史财务时间序列中的长期依赖关系，以及自编码器（AE）用于无监督检测异常税务行为。这些模块的输出被融合，以生成综合性的风险评分，并进一步映射到离散的风险等级（高、中、低）。在真实的企业税务数据集上的实验评估表明，所提方法有效，实现了 0.91 的准确率和 0.88 的宏平均 F1 分数。这些结果表明，该混合模型不仅提升了分类性能，还增强了在实际税务监管情境下的可解释性和适用性。该研究为智能税务风险管理提供了方法论创新与监管意义。
引用
@article{arxiv.2509.23862,
title = {A Hybrid DNN Transformer AE Framework for Corporate Tax Risk Supervision and Risk Level Assessment},
author = {Zhenzhen Song and Nanxi Wang and Hongji Li},
journal= {arXiv preprint arXiv:2509.23862},
year = {2025}
}