数据挖掘技术运用于税收征管思考实践

1、数据挖掘技术运用于税收征管的思考与实践内容提要：随着信息化的加快发展，税务系统累积了大量的涉税信息和数据，如何进一步加强这些海量数据信息资源的开发和利用，使其更好为税收管理服务，为税收决策提供科学依据，已成为越来越突出的一个重要课题。本文引用数据挖掘的前沿理论和技术，阐述了其应用于税收工作的可行性，并结合基层比较实用的一些数据分析运用模型和方法，对数据挖掘技术运用于税收征收管理提出初步的思路和想法。关键词：信息化 数据挖掘 分析平台近些年来,随着国民经济的快速发展和经济活动形式日益多样化,税收管理中暴露出来的问题和矛盾也越来越突出。第一,户多人少的矛盾。由于经济总量不断扩大,纳税人户数逐年攀升

2、而税收征管力量增加有限,人均管户、管事量有增无减。数据显示，从2001年到2010年间，全国税务登记的纳税人总数从1500万上升到2600多万，增长了75%，年均增长5.8%，而10年来税务系统干部仅增长1.07%；第二, 征纳双方信息不对称的矛盾。纳税人的组织形式、经营方式、经营业务不断创新和拓展，税源跨国、跨行业、跨区域相互渗透，而税务部门征管手段有限，征纳双方信息不对称的矛盾日益加剧；第三,税收管理的高要求与税务队伍能力水平的矛盾。涉税业务呈现复杂化和多样化，企业核算和税务处理日趋电子化、团队化和专业化，税收管理上亦提出了越来越精细化的目标要求,要求税务人员不仅要懂税收，更要掌握经济、法

3、律、计算机网络技术等多学科知识，税务系统高精尖复合型人才培养的速度、整体能力水平的提升跟不上税收征管面临的复杂现状；第四, 开展税收执法与优化纳税服务的矛盾。纳税服务理论在税务系统不断得到强化，服务手段更加人性化和柔性化，入户执法项目大幅取消, 更多地依靠税务案头审计来实施和完成，而人工案头审计往往随意性大、漏洞多、效率低下。同时，越来越多的涉税审核认定事项从事前审批转为后续管理，后续管理监控失范手段弱化，都加大了内部执法的风险。如何破解这些矛盾,运用科学有效的方法、技术、手段来突破管理瓶颈，堵塞征管漏洞,从而提高税收管理的高效化、精细化水平,是一个迫在眉睫的课题。本文从阐述数据挖掘技术的理论

4、和方法出发，对运用数据挖掘技术提高税收征管质量提出了一些建议，供省级及以下基层税务部门参考。一、数据挖掘技术相关理论及在税务部门的应用可行性分析（一）数据挖掘技术的理论要点人类的社会和经济活动，一般情况下都可以用数据（数字或者符号）来进行描述和记录。比如，一名生产者通过生产经营活动，消耗的资源、产出的成品，都可以体现为一定单位量的数据。经过对这些基础数据的分析，就会产生信息；用这些信息来指导实践，就可以做出相应的决策；而这些决策又引发了新一轮的社会和经济活动。数据挖掘(Data Mining)就是上述循环进程中对数据信息的一种分析技术。它通过选择合适的特征属性，从大规模数据库中（或从其他来源）

5、筛选数据，利用人工智能和数理统计等领域的科学算法对数据进行统计分析和模型构建，进而获取可视化的知识。从应用的角度而言，数据挖掘技术是一个从生成数据仓库、对接业务需求、智能分析加工、问题解决和成果运用的完整过程。数据挖掘使用不同的算法技术来完成不同的任务。常用的数据挖掘技术可细分为：数据挖掘预测型描述型分类回归时间序列分析预测描述统计关联和相关聚类优化（1）描述统计描述统计是数据挖掘的入门兵器，相对较为直观、简单。描述统计包括平均数、中位数、众数、分位数、百分比等。描述统计经常和统计图（如直方图，条形图，线图，散点图，茎叶图等）配合使用，其应用十分广泛，比如计算公司年平均利润率水平，不同区域销售

6、量的对比等等。描述统计可用于税收上的行业税负分析、征管基本状况分析、税源构成与分布分析等方面。（2）关联和相关关联规则从本质上讲是条件概率，即A发生时，B同时也出现的概率是多大？关联规则的一个典型的现代应用是美国沃尔玛超市的“啤酒加尿布”案例。在应用关联规则时需要考虑的一个问题是：符合这一概率的客户数量有多少？简单地说，假设超市的尿布只有一个人买，而且这人每次买尿布时，一定会买啤酒。尽管这条规则很可信（概率100），但实际意义却不大。相关也是考虑两个事物之间的关系，典型的度量方法有Pearson相关系数和Kendall相关系数。关联和相关方法在税收上可用于税种关联分析、计税依据与财务指标关联分

7、析、宏观经济与税收收入分析、税收政策执行效应分析等方面。（3）分类和聚类分类的方法主要有三种：回归、决策树、神经网络。聚类和分类的最大区别，就是分类是有监督的，聚类是无监督的。监督就是标准，或者说有目标变量，而聚类是没有目标变量的，不知道每一类有什么特征的，聚后再总结，再发现共同点。分类和聚类方法在税收上可用于纳税信用等级分析、税收宣传手段有效性分析、纳税人遵从度类型分析等方面。（4）预测预测的常用方法是时间序列，回归也可以用来预测。时间序列常用的方法有：ARMA，指数平滑和趋势外推等。时间序列的最大特点就是充分挖掘事物本身随时间变化的规律。因为大部分事物，比如企业销售额，在没有特别的外在因素

8、影响下，总是有规律可循的。这时侯，就可以遵循可靠的规律来预测未来一段时期的销售额。预测方法在税收上的典型应用就是税收收入计划的编制。（5）优化优化本是运筹学中的一个概念，主要解决的一个问题是在各种约束条件下，如何合理配置资源，使目标要素最大（小）化。优化在税收上可用于税务行政成本的预算。（6）结构方程模型结构方程模型重点在于如何揭示事物内部的结构和相互作用的原理。比如，如何度量客户满意度？客户满意度、客户忠诚度与产品质量、价格、服务、投诉处理是什么关系？相互间是怎么作用的？通过建立这些要素的结构方程模型，从中发现不断提高客户满意度和客户忠诚度的有效措施和手段。税收征管中用到的纳税人营业收入评估

9、模型、税收定额测算模型、单项税种评估模型等等，就是结构方程模型在税收上的实际应用。数据挖掘技术应用于特定行业和项目，具体过程可划分为五个阶段：定义业务问题范围、选取和抽样、探索型数据分析、建模和实施。（1）定义业务问题范围。在这个初始阶段，需明确阐述项目目标和客户业务需求，目的是明确数据挖掘的范围和方向。具体任务包括：明确业务目标；定义响应变量；项目计划必要的调整。（2）选取和抽样。在这个阶段，要搜寻并检查客户数据，作为下一步挖掘分析时所用变量的简略一览表。同时从数据总体中抽样生成训练集、验证集和测试集。具体任务包括：数据来源、数据映射、准备数据评估、数据的必要聚合、数据抽样。（3）探索型数据

10、分析。在这个阶段中，需要核查目前的数据源，并且努力去发现在每个待选的自变量和目标变量之间是否有任何关系。在数据挖掘过程中这是一个关键的阶段。具体任务包括：数据质量检查；数据的必要整理；数据转换以辅助数据的分析；通过图形化呈现工具和其他的统计方法理解数据；分析待选自变量和目标变量之间的关系；数据派生为建立模型做准备；呈现数据探索的发现。（4）建模。在这个阶段，建立并确认挖掘模型。通常可以尝试不同的建模技术或结合不同数据集，并衡量模型性能的不同，从中选出最好的结果。来自最终用户的业务领域知识在这个阶段是非常关键的，因为他们可以理解、评价和确认模型的效果。具体任务包括：为模型的训练和验证准备数据集；

11、使用适当的建模技术；针对不同的建模技术测试模型性能；精炼挖掘模型；和主题专家一起检验挖掘模型；记录挖掘模型和结果。（5）实施。在这个阶段，需要用模型的结果来帮助做出业务决定、战略设计和战术实施。具体任务包括：客户模型评分和存储模型结果；性能跟踪和进一步整合其它业务系统；付诸实践运用；收集实施结果反馈，为模型的退化进行侦测，更进一步改善模型性能。（二）数据挖掘技术应用于实现加强税收管理目标的可行性其一，信息化社会的发展趋势。在全球信息化浪潮的推动下,整个社会也正朝着智慧性的大数据时代方向发展，数据已经成为信息化时代的先进生产力，找到、找准数据分析应用的切入点是融入大数据时代所迫切需要迈出的第一步

12、。数据作为业务的载体和表现形式，如何从海量的数据里“挖掘”或“发现”隐含的、有用的信息和知识,成为各类数据库应用研究中越来越重要的课题。国际知名的汤森路透公司利用大数据方法，成功预测出了上年的8位诺贝尔奖获得者，准确率高达72.7%，显示了数据分析的强大功能。其二，日益成熟的数据挖掘工具为其广泛应用于经济社会各领域提供了可靠的解决方案。这方面，邮政、电信、证券、银行等行业的成功实践为全社会提供了经验借鉴。据美国银行家协会(ABA)预测，数据仓库和数据挖掘技术在美国商业银行的应用年增长率是14.9。数据挖掘技术应用于这些行业的成功经验可总结为：一是服务行业市场融合度高，数据应用的业务需求驱动了数

13、据挖掘过程的实施；二是业务规范，数据口径统一、质量高；三是信息化基础好，数据库建设起步早，积累了众多的专业人才和扎实的工作经验。在邮政行业的业务系统中均有报表统计功能，如报刊业务量的同比、环比分析，时间序列分析中报刊业务量及收入随着月份呈现季节性波动的曲线图，相关分析中对于影响营业收入的重要指标的相关性分析等。在银行业，数据挖掘技术应用在了VIP客户分析、客户流失率分析等方面。在税务系统，税收分析也主要呈现为数据信息分析，并将分析结果反馈到征管活动中去，为实施有效的税收监管和预测提供坚实可靠的依据。其三，税收信息化基础建设为数据挖掘与应用提供了必要的先决条件。经过多年的信息化建设，各级税务部门

14、都已经建立起内外联网的税收征管信息系统，这些系统包括了涉及税务登记、征缴、减免、稽查等诸多方面的数据。充分利用好这部分宝贵资源，通过适当的加工处理和提炼分析，把“静态数据”变为“动态信息”，为税源管理、税收分析决策提供良好的应用平台，对提高税务部门的税源分析能力和监控水平，提高征管的质量和效率，满足税收管理科学化、精细化的内在需求，最终实现税收信息资源利用的最大化，起到至关重要的作用。目前，金税三期已在全国税务系统推广上线，实现了省级的数据集中，在不远的将来必将在全国税务系统建立一个大一统的数据集中和共享的格局，加上其它税收业务应用子系统的推行、完善和拓展，各类涉税数据信息日益丰富，所有这些都

15、为数据挖掘技术在税收管理中的应用奠定了良好的基础。其四，信息管税为数据挖掘技术提供了广阔的税收应用前景。所谓信息管税，就是树立税收风险管理理念，充分利用现代信息技术手段，以解决征纳双方信息不对称问题为重点，以对涉税信息的采集、分析、利用为主线，进而健全税源管理体系，提高税收征管水平。落实信息管税，实现业务与技术的融合，二者的交汇点就是征管数据。所以说，信息管税就是基于征管数据的管理，用征管数据管税。而数据挖掘技术，正是通过有目的地收集数据、分析数据，把隐没在一大批看来杂乱无章的数据中的信息集中、萃取和提炼出来，并建立分析模型对数据进行核对、检查、复算、判断等操作，以找出所研究对象的内在规律，从

16、而帮助人们做出判断，以便采取适当行动。数据挖掘技术服务于信息管税，就是在系统整合和数据集中的基础上，依托税务系统内已累积的涉税数据及外部数据，充分利用先进的数据库技术、多功能的数据展现软件、数据挖掘工具创新分析方法，引入经济学、统计学的有关数学模型，对相关数据进行抽取、过滤、关联、整理和比对，发现内在规律性，及时准确地发现问题，有的放矢地解决问题，帮助税务部门做出正确决策、改进工作、提高工作效率的分析活动。可以说，数据挖掘技术是贯彻信息管税总体思路的重要途径，是提升税收征管质量和纳税遵从度的有力武器，也是提高税收决策科学性的有效方式。二、应用数据挖掘技术强化税收征管的基础性工作当前，基层税务机

17、关利用涉税数据资源进行挖掘应用和综合分析为税收征管服务的理念，在税务系统逐步得到共识,各级税务部门也进一步加大了分析人才队伍的素质建设。数据挖掘技术能顺利应用于税收征管，必要的基础性工作有：（一）提高数据质量,夯实分析基础税收信息数据的质量好坏，直接关系到数据挖掘应用工作的成败。税务系统掌握的内部数据，主要包括两类：一是基础数据信息，即纳税人履行纳税义务、办理涉税事项过程中形成的数据，如：税务登记基础信息、申报数据、开票数据、减免税、资产报损、弥补亏损、纳税人上传的财务数据、税务机关要求纳税人报送的生产经营数据等；二是税务机关对纳税人进行调查或检查获得的数据信息，如：企业的经营情况、兼并、重组

18、、改制、停产、破产等信息。纳税人提供数据的真实性、税收征管软件设计上的缺陷等原因，都会影响到数据的质量，造成分析结果失真，直接制约了税收数据挖掘分析工作向纵深发展。为此，有必要从四方面入手提高数据的质量：一是明确数据采集的范围和标准。从监控和分析利用的角度来考虑税收征管系统的开发和更新需求，在税收征管的每一个必要的环节都详细制定数据信息采集录入的流程图和数据规范标准，详细阐述每个节点所需数据、关系表及描述字段、处理过程、处理结果，明确录入内容、范围、方法、程序，确保相关数据采集的标准化和一致性。二是加强数据录入质量监测。建立统一的标准，加强对数据录入准确性、有效性和完整性的自动验证。在系统软件

19、的录入项设计中加入数据的完整性、逻辑关系判断标准，深化数据库表内、表间数据逻辑审核，并通过各系统相关数据整合，对同一纳税人有上下链关系的数据等进行自动的跟踪比对，及时发现错误。比如，基础登记信息数据与适用税种的校验，申报数据与减免税数据的校验，财务报表数据与纳税申报表数据的校验，年度汇总申报与平时申报数据的校验等，通过软件相关功能的设计自动进行录入预警，及时纠正。三是建立动态采集机制。比如对企业纳税人，应该按期采集录入企业财务指标，并通过对外相关部门的数据交换，采集与企业生产经营现状有关的各类动态数据，全面掌握纳税人生产经营规律，生产工艺流程以及各环节投入产出的物耗，实现对纳税申报行为的动态监

20、控分析。四是定期开展数据清理检查。由于种种原因，已采集的数据信息中有很多是无效数据、垃圾数据，不仅长期占用系统资源，还在一定程度上影响数据分析结果的正确性。因此主管税务机关应定期开展税收征管系统数据清理清查，通过编写检测软件由计算机定时查询错误或由人工定期检查修改两种办法，进一步加强系统内数据的逻辑性审核和合理性审核，加强同口径数据的比较，确保已有各项数据的正确性。同时，严禁为了指标而擅自制造虚假信息数据，确保数据真实、合法，如杜绝为了过分追求申报率和入库率，造成纳税人真实纳税遵从度与现实不符，人为干扰纳税人正常申报，影响后续数据分析的真实结果。（二）加强部门协作，建立共享机制与纳税人相关的数

21、据信息，既包括税务部门内部征管系统中各类纳税人的信息资料，也包括其他部门相关联的数据。当前，在与外部门开展信息交换共享中，一些部门片面强调自身利益，对跨行业、跨部门的信息共享缺乏配合意识，忽视了本部门信息数据利用的社会化，使得大量信息资源无法通过共享充分发挥作用。另外，由于数据采集平台接口不一致,外部数据资源引进、加工存在较大困难,数据资源分散,来源渠道受限,也都制约了税收挖掘分析工作的深度和广度。为此，税务机关应寻求各级政府大力支持，建立联接政府机关、社会团体、各相关职能行业的综合协税护税网络，有效地获取与税收相关的数据资料。同时，也可避免数据重复采集、多头报送，最大限度地减轻纳税人办税负担

22、，进一步提高纳税服务工作水平。（三）建立科学的税收数据应用分析机制税收数据挖掘分析工作是一项系统工程，需要各业务部门、管理分局和技术部门通力配合，更需要省级税务部门站在全省的高度，加以统筹和规划，制定全省税收数据应用分析的标准化流程，规范数据应用分析的工作机制，形成科学、高效的数据深度挖掘的应用分析机制。可指定一个部门牵头负责数据应用分析工作，或考虑成立专门负责数据应用分析的部门，全权负责数据仓库构建运维、质量把控、挖掘分析、风险推送和绩效考核等职能。数据分析部门的数据挖掘职能，一是提供数据定制服务。即按照业务部门的数据定制需求，组织实施对税收征管数据的分析整理，并出具数据分析报告提供给业务部

23、门以全面提升税收管理质效。二是主动适应管理需要。根据阶段性或远期性税收管理目标要求，通过选择合理的算法，开展定量分析和验证，构建税收管理活动的分析应用模型，为加强税收管理和领导决策提出建设性意见。（四）完善数据应用分析平台建设当前,在税务系统实现数据大集中的有利条件下，应以数据仓库技术为依托，通过统一的数据抽取、转换、加载规则，将数据进行充分整合，最终建立起高度完备的、能实现查询、分析、宏观决策功能的税收数据信息分析应用平台。该平台一是可以实现快速灵活的查询和报表生成应用，为各级领导提供灵活的动态报表生产和联机分析查询功能，并对报表和各种查询结果进行多角度、深层次的分析，以逐步取代原有分布在各

24、业务系统中的、多环节的报表生产和查询应用；二是实现征管质量动态监控，通过对各类数据的关联、分析，系统、全面地挖掘数据综合利用价值，并及时提交给相应的管理部门做出提高征管效能的决策；三是实现宏观决策分析，可针对税收征管中出现的问题或国家宏观经济发展的要求进行数据挖掘，为税务系统的业务决策和战略发展提供辅助的智力支持。（五）培养高素质的数据分析人才队伍数据分析只有技术和机器是不够的，人才是综合分析和运用的根本，因此培养一大批优秀的数据分析人员尤其关键。这批队伍必须既懂税收、会计业务又通计算机运用，既要懂得利用列表对比分析，更要掌握数据的趋势判定、定性分析以及综合统计分析等各类必要技巧。只有这样的人

25、才才有能力深层次挖掘数据信息背后的价值。因此，我们要增强战略眼光，将大力培养数据分析型人才作为强化税收征管的长远举措紧抓不放，通过建立专职数据分析和挖掘人才库，采取自学、送培、在岗培训等形式多样的教育方式，造就一批具备适应现代数据分析技术的人员，开发出更多的数据应用分析工具，推动数据应用分析工作有序深入开展。同时要开设关于税收数据应用分析的专题培训，使广大税务干部能较好的掌握数据模型和分析方法。三、税收数据挖掘分析的具体步骤和方法有了数据、机制和人才，下一步就是如何应用数据挖掘技术,对相关税收数据进行统计、对比、分析,列明税收管理中的问题类型和性质,为税务征管和决策提供有针对性的信息服务。主要

26、流程可标示为：（一）确定主题。主题的选取是数据挖掘的首要工作，明确了主题，就为整个的数据挖掘分析过程确立了方向和目标。基层税务部门除一定期间开展必要的宏观分析外，日常工作更应侧重对微观实际应用的分析，即紧紧围绕征管工作，分析税收管理中政策执行、征管措施是否落实到位；分析纳税人税法遵从度，是否存在偷逃税嫌疑。这样的分析才能真正促进整体征管效能的提高。选题主要包括：征管薄弱点（如：税收申报、税款入库、欠缴税费、发票管理、单项税费管征质量等）、征管隐患点（如：税收退库、减免税金、零申报户、长期亏损户、关联税种异常申报户、行业税负率等）和征管边界点（如：税收政策变动影响分析、经济指标与税收收入相关性分

27、析等）。主题的选取应由税政、征管、信息中心、计财、评估等相关部门参与，提出的税收数据分析主题应贴近日常征管和纳税服务工作需求。（二）提取数据集。数据挖掘分析的数据集可以直接设置为税务部门的后台数据库或已建立数据应用平台提供的中间数据库，在对原始数据进行“抽取”、“校验”、“净化”等整理操作后，生成挖掘分析所需的数据集。数据集的两个核心要素是度量值和维度。度量值是数据分析人员依主题提取的数值型字段，如计税依据、入库税额、税率、减免金额等；维度则是数据人员分析指标时所观察的不同角度，如时间维度、地区维度、行业维度等。维度往往具有多个层次，如时间维可以从年、月、日等不同层次来描述。确定好度量值和维度

28、之后，就基本上确立了数据集的多维结构。（三）分析数据。建立完数据集之后，就可以根据主题业务需求，按所属期间，以地区、行业、计税依据、税种、税率等关键字段指标，对税收数据进行汇总、关联、聚类、分类、预测等挖掘操作，通常可借助EXCEL表格或使用数据统计分析软件（SPSS、SAS等），寻找其中隐含的规律、趋势或异常，并根据需要增加数据集，以完善进一步的分析和判断。在挖掘分析的基础上，建立起变量与目标之间的关联度分析模型，如处罚金额与申报质量高低的关系模型，税收宣传手段与纳税遵从度的关系模型等，税收收入预测值与经济指标的关系模型，提供税收决策参考；或是与预先设定的指标体系预警值的比较，对大于或小于指

29、标预警值的数据，或是经比对不能对应平衡的数据，筛选列为异常数据。目前，相当一部分地区的税务部门重视提升数据信息资源的利用层次，也尝试用数据挖掘技术建立各种税收分析和预测模型，识别风险特征，找准税收管理的薄弱环节，在加强户籍管理、监督企业纳税遵从度、强化重点税源监控、堵塞税收管理漏洞、有针对性地防范执法风险方面起到了十分有力的推动作用。日常征管实践中较常用的数据挖掘分析一般包括税种关联分析、税费实际负担率分析、财务指标与税收数据增减值对比分析、发票管理分析、行业评估模型等。下面仅选取部分作一简要介绍，以抛砖引玉。1、关联税种申报数据挖掘根据纳税人申报收入额与主税种间的关联关系，从税收征管系统中分

30、别提取企业所得税月（季、年）度申报收入额与增值税、营业税、土地增值税（涉及房地产开发企业）、资源税（涉及按销售额计征资源税的纳税人）同期申报收入额，逐户进行对比分析，筛选出申报收入数据不对等的异常数据。根据纳税人取得土地、房产涉及到的几个税种间的关联关系，提取已缴纳耕地占用税、契税的纳税人，与其申报缴纳土地使用税、房产税的数据进行挖掘分析，筛选出关联税种没有对应申报的纳税人，列入异常数据。2、税费实际负担率数据挖掘根据主税种与附加税费之间对应的固定税率，提取增值税、营业税、城建税、教育费附加、地方教育附加已申报数，计算地方附加税费实际负担率，筛选出与法定税费率不符的异常数据。利用同样方法，计算

31、税种申报额与收入额的比值，计算增值税、企业所得税、土地增值税、资源税等税种的实际负担率，通过与税负预警值或法定税率的比对，筛选出异常数据。3、财务指标与税收数据关联挖掘提取企业所得税申报收入、成本、费用、利润与纳税人财务报表数据进行对比分析,从中查找存在差异的异常数据。提取企业所得税申报利润额，与财务报表中未分配利润的期初期末增减值进行对比分析，筛选出不一致的异常数据。提取纳税人已申报资金账簿印花税的计税依据，与资产负债表中的实收资本和资本公积期末合计数进行对比分析，筛选出未足额申报印花税的异常数据。4、财务报表数据挖掘报表中的关联指标对比分析。通过对企业财务报表相关数据之间的逻辑关系的合理性

32、进行分析,查找疑点和问题。如将资产负债表中的“长期股权投资”、“交易性金融资产”和“可供出售金融资产”等科目增减值与利润表中的“投资收益”科目增减值进行对比分析,从中筛选出未申报投资资产转让或应税投资收益的疑点企业名单；将借款类科目发生额与财务费用利息支出进行对比分析，筛选出明显超过同类同期贷款利率水平的异常数据。报表数据期初期末增减值与税收数据比对分析。如将固定资产（房产）、无形资产（土地）增加值与房产税、土地使用税申报数据进行比对，将减少值与资产损失扣除数据进行比对，筛选中未同步对应的异常数据。5、外部数据挖掘税务与市监部门登记数据比对。将市场监督管理局的登记信息与税务登记数据进行比对，筛选出漏征漏管纳税人名单；将股权变更信息与税务部门登记数据进行比对，筛选出未在税务部门办理变更、涉及个人股权转让未申报个人所得税的纳税人名单。税务与建设、国土、房管、交警、交通等行业主管部门的数据比对。如提取建设局登记备案的房地产开发企业销售(预售)信息、国土局的土地交易信息、房管局的房产交易信息，交警和交通的车船登记信息，将上述信息与税务部门数据进行对比分析，从中发现纳税人的房产、土地、车船等财产未及时足额申报税款的情况。建立行业评估模型。如从电力、水务部门提取纳税人实耗电费、水费等生产经营数据