中圖分類號：F812.423 文獻(xiàn)標(biāo)識碼：A 文章編號：2095-1280（2025）02-0040-10

內(nèi)容提要：新生的經(jīng)濟(jì)業(yè)態(tài)、復(fù)雜的征管邏輯以及倍增的稅收征管業(yè)務(wù)量，給稅收監(jiān)管工作帶來巨大挑戰(zhàn)，尤其是全面數(shù)字化的電子發(fā)票（簡稱數(shù)電發(fā)票）的普及對發(fā)票管理產(chǎn)生極大的影響。傳統(tǒng)涉稅風(fēng)險(xiǎn)評估僅關(guān)注企業(yè)經(jīng)營活動(dòng)的特征屬性，忽略了企業(yè)間關(guān)聯(lián)關(guān)系，導(dǎo)致風(fēng)險(xiǎn)識別的精準(zhǔn)性較差。文章針對數(shù)電發(fā)票應(yīng)用管理的現(xiàn)實(shí)問題，從風(fēng)險(xiǎn)擴(kuò)散視角出發(fā)，圍繞發(fā)票流構(gòu)筑企業(yè)關(guān)聯(lián)拓?fù)渚W(wǎng)絡(luò)，提出基于ImprovedGraphSAGE的涉稅風(fēng)險(xiǎn)評估模型，在考慮企業(yè)行為特征的同時(shí)引入企業(yè)間拓?fù)湫畔??；赟市的數(shù)據(jù)驗(yàn)證結(jié)果表明，使用ImprovedGraphSAGE模型進(jìn)行涉稅風(fēng)險(xiǎn)識別的性能顯著優(yōu)于傳統(tǒng)算法。

一、引言

2021年3月，中共中央辦公廳、國務(wù)院辦公廳印發(fā)《關(guān)于進(jìn)一步深化稅收征管改革的意見》（以下簡稱《意見》），成為指導(dǎo)“十四五”時(shí)期推進(jìn)稅收征管現(xiàn)代化的綱領(lǐng)性文件，對推進(jìn)精確執(zhí)法、精細(xì)服務(wù)、精準(zhǔn)監(jiān)管、精誠共治進(jìn)行了全面部署，明確“穩(wěn)定實(shí)施發(fā)票電子化改革”“基本實(shí)現(xiàn)發(fā)票全領(lǐng)域、全環(huán)節(jié)、全要素電子化，著力降低制度性交易成果”的工作要求。與此同時(shí)，依法嚴(yán)厲打擊涉稅違法犯罪行為作為《意見》“精確實(shí)施稅務(wù)監(jiān)管”的一項(xiàng)重點(diǎn)工作，明確要求“充分發(fā)揮稅收大數(shù)據(jù)作用，依托稅務(wù)網(wǎng)絡(luò)可信身份體系對發(fā)票開具、使用等全環(huán)節(jié)即時(shí)驗(yàn)證和監(jiān)控，實(shí)現(xiàn)對虛開騙稅等違法犯罪行為懲處從事后打擊向事前事中精準(zhǔn)防范轉(zhuǎn)變”。

發(fā)票電子化改革自2021年12月1日啟動(dòng)以來，率先在廣東、上海、內(nèi)蒙古三地開展數(shù)電發(fā)票試點(diǎn)工作。稅務(wù)部門著力構(gòu)建覆蓋領(lǐng)票、開具、交付、查驗(yàn)及入賬歸檔全流程的數(shù)字化管理體系，在前期試點(diǎn)取得積極成效的基礎(chǔ)上，于2024年12月1日實(shí)現(xiàn)全國范圍推廣應(yīng)用。值得關(guān)注的是，數(shù)電發(fā)票在提升納稅服務(wù)便捷性的同時(shí)，其技術(shù)特性也引發(fā)新型涉稅風(fēng)險(xiǎn)。據(jù)公開案例顯示，2023年5月四川公安機(jī)關(guān)成功偵破部督“ i1?23^′′ 特大虛開數(shù)電發(fā)票騙取出口退稅案，涉案金額高達(dá)20億元；2024年3月18日四部委聯(lián)合新聞發(fā)布會(huì)披露，2023年全國公安機(jī)關(guān)共立案查處涉數(shù)電發(fā)票犯罪案件232起。有研究表明，數(shù)電發(fā)票的自動(dòng)化核定機(jī)制、總額動(dòng)態(tài)調(diào)整功能及可信身份認(rèn)證體系，對傳統(tǒng)稅收風(fēng)險(xiǎn)評估模型形成多維沖擊，尤其在發(fā)票自動(dòng)核定、開票總額動(dòng)態(tài)管理、數(shù)字身份驗(yàn)證等環(huán)節(jié)，對稅務(wù)監(jiān)管的時(shí)效性、精準(zhǔn)性提出更高要求，亟待構(gòu)建智能化風(fēng)險(xiǎn)識別體系以應(yīng)對新型違法手段（張郁和樊麗瑛，2023）。

在現(xiàn)行監(jiān)管實(shí)踐中，基于事前預(yù)警機(jī)制的涉稅違法風(fēng)險(xiǎn)評估體系面臨多方面挑戰(zhàn)：其一，違法手段隱蔽性強(qiáng)，犯罪主體多采用多層嵌套、虛擬交易等復(fù)雜操作模式；其二，作案方式迭代迅速，犯罪技術(shù)手段隨監(jiān)管政策調(diào)整持續(xù)更新；其三，企業(yè)關(guān)聯(lián)網(wǎng)絡(luò)動(dòng)態(tài)演變，股權(quán)交叉、資金往來等關(guān)聯(lián)路徑呈現(xiàn)非線性變化特征；其四，企業(yè)經(jīng)營指標(biāo)持續(xù)波動(dòng)，納稅行為相關(guān)特征屬性呈現(xiàn)實(shí)時(shí)動(dòng)態(tài)變化；其五，犯罪周期壓縮明顯，從風(fēng)險(xiǎn)生成到實(shí)際作案的時(shí)間窗口顯著收窄。值得關(guān)注的是，現(xiàn)行涉稅風(fēng)險(xiǎn)識別模型普遍缺乏對關(guān)聯(lián)關(guān)系的建模討論，而企業(yè)間動(dòng)態(tài)關(guān)聯(lián)網(wǎng)絡(luò)蘊(yùn)含的拓?fù)浣Y(jié)構(gòu)信息對精準(zhǔn)識別涉稅違法風(fēng)險(xiǎn)具有重要的研判價(jià)值。

針對現(xiàn)有研究的技術(shù)局限，本研究創(chuàng)新性構(gòu)建基于ImprovedGraphSAGE 框架的企業(yè)涉稅風(fēng)險(xiǎn)評估模型。該模型通過融合企業(yè)交易行為特征與關(guān)聯(lián)拓?fù)涮卣?，運(yùn)用圖神經(jīng)網(wǎng)絡(luò)技術(shù)實(shí)現(xiàn)涉稅關(guān)聯(lián)復(fù)雜網(wǎng)絡(luò)的多維度建模。針對涉稅場景的固有特性，本研究對經(jīng)典GraphSAGE算法實(shí)施雙重優(yōu)化策略：首先，設(shè)計(jì)信息雙向傳播機(jī)制，通過構(gòu)建“前向一逆向”雙向特征傳播路徑，在增強(qiáng)拓?fù)湫畔⒉东@能力的同時(shí)有效緩解圖神經(jīng)網(wǎng)絡(luò)的過平滑效應(yīng)（Over-smoothing）；其次，創(chuàng)新開發(fā)基于門控注意力機(jī)制的特征聚合器，通過動(dòng)態(tài)調(diào)節(jié)鄰居節(jié)點(diǎn)信息權(quán)重，實(shí)現(xiàn)關(guān)鍵涉稅特征的有效萃取與融合。值得注意的是，與傳統(tǒng)GNN算法的直推式學(xué)習(xí)（TransductiveLearning）范式不同，本研究采用的歸納式學(xué)習(xí)（InductiveLearning）框架通過鄰居節(jié)點(diǎn)采樣與特征聚合技術(shù)，既可規(guī)避全圖節(jié)點(diǎn)信息加載的計(jì)算瓶頸，又能確保模型對新出現(xiàn)企業(yè)節(jié)點(diǎn)的泛化能力。這種技術(shù)特性使訓(xùn)練完成的評估模型能夠?qū)爡^(qū)內(nèi)企業(yè)實(shí)施周期性動(dòng)態(tài)評估，特別是針對虛開發(fā)票等涉稅風(fēng)險(xiǎn)的實(shí)時(shí)監(jiān)測與預(yù)警具有顯著應(yīng)用價(jià)值。

本研究在涉稅風(fēng)險(xiǎn)識別領(lǐng)域?qū)崿F(xiàn)了以下創(chuàng)新：針對傳統(tǒng)模型忽視企業(yè)關(guān)聯(lián)網(wǎng)絡(luò)拓?fù)湫畔⒌木窒?，突破性?gòu)建基于圖神經(jīng)網(wǎng)絡(luò)（GNN）的復(fù)雜關(guān)聯(lián)網(wǎng)絡(luò)建?？蚣埽状螌⑵髽I(yè)間動(dòng)態(tài)拓?fù)潢P(guān)系納入風(fēng)險(xiǎn)識別體系，顯著提升模型在真實(shí)場景中的準(zhǔn)確性與穩(wěn)健性；針對經(jīng)典GNN模型存在的過平滑缺陷，創(chuàng)新設(shè)計(jì)信息雙向傳播機(jī)制，通過“前向一逆向”特征交互路徑增強(qiáng)網(wǎng)絡(luò)結(jié)構(gòu)解析能力，有效突破復(fù)雜涉稅網(wǎng)絡(luò)的信息捕獲瓶頸；針對傳統(tǒng)特征聚合器信息利用率低的問題，研發(fā)基于門控算子的動(dòng)態(tài)聚合模塊，通過自適應(yīng)權(quán)重調(diào)節(jié)實(shí)現(xiàn)關(guān)鍵涉稅特征的深度萃取與融合。基于ImprovedGraphSAGE的評估模型經(jīng)S市數(shù)據(jù)實(shí)證驗(yàn)證后發(fā)現(xiàn)在風(fēng)險(xiǎn)識別準(zhǔn)確率、時(shí)效性及動(dòng)態(tài)評估能力等核心指標(biāo)上均展現(xiàn)顯著優(yōu)勢，這意味著本文的研究為破解涉稅風(fēng)險(xiǎn)隱蔽性高、關(guān)聯(lián)性強(qiáng)、動(dòng)態(tài)演變快的監(jiān)管難題提供可落地的技術(shù)路徑。

二、文獻(xiàn)綜述

（一）涉稅風(fēng)險(xiǎn)識別

在稅務(wù)預(yù)警模型研究領(lǐng)域，朱潤喜等（2022）基于數(shù)字經(jīng)濟(jì)產(chǎn)生的稅收數(shù)據(jù)藍(lán)海，提出應(yīng)立足新發(fā)展階段構(gòu)建創(chuàng)新型稅務(wù)稽查體系，通過理念革新提升數(shù)字化征管效能。在理論構(gòu)建層面，Goerkeletal．（2014）通過逃稅犯罪理論推導(dǎo)出基本威懾模型，揭示其理論邊界與應(yīng)用彈性，為實(shí)證研究提供方法論框架。在方法創(chuàng)新領(lǐng)域，Korndrferetal．（2014）開發(fā)的橫向模型（CM）突破了敏感問題數(shù)據(jù)采集技術(shù)瓶頸，拓展了逃稅行為研究的實(shí)證路徑。Simpson（1996）建立的綜合分析模型，通過量化公司違規(guī)成本收益、個(gè)體行為偏差及組織背景特征，構(gòu)建了企業(yè)稅收遵從度的多維評估體系。技術(shù)應(yīng)用層面，Rad和Shahbahrami（2016）研發(fā)的高風(fēng)險(xiǎn)納稅人識別系統(tǒng)，運(yùn)用機(jī)器學(xué)習(xí)算法構(gòu)建納稅評估量預(yù)測模型，實(shí)現(xiàn)稅收風(fēng)險(xiǎn)的動(dòng)態(tài)預(yù)判。

在風(fēng)險(xiǎn)等級評估模型研究領(lǐng)域，Harris（2015）構(gòu)建了基于群集支持向量機(jī)（CSVM）的信用評分等級模型，為量化風(fēng)險(xiǎn)提供創(chuàng)新算法支持。Hirketal．（2019）提出多元序數(shù)回歸模型架構(gòu)，通過引入潛在變量規(guī)范與相關(guān)誤差項(xiàng)，在保持鏈接函數(shù)靈活性的同時(shí)展現(xiàn)出顯著的樣本適應(yīng)性和評估效能。

在風(fēng)險(xiǎn)預(yù)警模型研究領(lǐng)域，鐘政等（2015）提出構(gòu)建大數(shù)據(jù)背景下多發(fā)性侵財(cái)?shù)姆缸镱A(yù)警模式，實(shí)現(xiàn)對時(shí)段、區(qū)域和個(gè)案的預(yù)警。劉尚希等（2015）提出基于BP神經(jīng)網(wǎng)絡(luò)的納稅評估選案模型，利用通用風(fēng)險(xiǎn)指標(biāo)、稅種特異性參數(shù)以及定性分析三類指標(biāo)對高納稅風(fēng)險(xiǎn)企業(yè)進(jìn)行識別。樓文高等（2013）在企業(yè)稽查選案研究中，開發(fā)了廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN）算法架構(gòu)，通過非線性關(guān)系建模有效優(yōu)化稽查對象的篩選精度。孫璐等（2023）基于動(dòng)態(tài)博弈理論構(gòu)建“稅務(wù)一企業(yè)”雙主體演化模型，揭示稅收遵從度與國家治理效能間的動(dòng)態(tài)均衡機(jī)制。楊慧和程建華（2024）依托增值稅全鏈條數(shù)據(jù)特征，從基礎(chǔ)征管數(shù)據(jù)與發(fā)票信息中提取24個(gè)虛開風(fēng)險(xiǎn)指標(biāo)，創(chuàng)新應(yīng)用Transformer 深度學(xué)習(xí)模型構(gòu)建虛開行為識別系統(tǒng)。

（二）圖神經(jīng)網(wǎng)絡(luò)

在圖神經(jīng)網(wǎng)絡(luò)理論研究領(lǐng)域，呼延康等（2018）系統(tǒng)闡釋了圖神經(jīng)網(wǎng)絡(luò)處理圖結(jié)構(gòu)數(shù)據(jù)的深度學(xué)習(xí)機(jī)理，揭示了其在復(fù)雜關(guān)系建模中的核心價(jià)值。Kipf和Welling（2016）開創(chuàng)性提出的圖卷積神經(jīng)網(wǎng)絡(luò)（GCN）與Velikovietal．（2017）研發(fā)的圖注意力網(wǎng)絡(luò)構(gòu)成了兩大主流架構(gòu)，在節(jié)點(diǎn)分類等半監(jiān)督學(xué)習(xí)任務(wù)中展現(xiàn)出顯著優(yōu)勢。面向無監(jiān)督學(xué)習(xí)場景，Hamiltonetal．（2017）構(gòu)建基于“Skip一gram”機(jī)制的損失函數(shù)約束模型，但其局部信息提取特性限制了全局特征整合能力。針對這一局限，Velikovi等人受互信息最大化理論的啟發(fā)，研發(fā)出深度圖信息最大化框架（DGI），通過協(xié)調(diào)全局特征抽象與局部表征的互信息優(yōu)化，實(shí)現(xiàn)圖表示學(xué)習(xí)的突破。本研究將該框架拓展至歸納學(xué)習(xí)與動(dòng)態(tài)網(wǎng)絡(luò)場景，針對網(wǎng)絡(luò)異常檢測需求創(chuàng)新設(shè)計(jì)最大距離讀取函數(shù)。在圖神經(jīng)網(wǎng)絡(luò)應(yīng)用研究領(lǐng)域，Weberetal.（2019）研發(fā)了EvolveGCN動(dòng)態(tài)圖學(xué)習(xí)架構(gòu)，通過整合圖卷積網(wǎng)絡(luò)（GCN）的拓?fù)涮卣魈崛∧芰εc循環(huán)神經(jīng)網(wǎng)絡(luò)的時(shí)序建模優(yōu)勢，實(shí)現(xiàn)對金融交易網(wǎng)絡(luò)異常模式的動(dòng)態(tài)檢測。鄒長寬等（2022）基于GraphSAGE框架創(chuàng)新設(shè)計(jì)節(jié)點(diǎn)度加權(quán)與重要性評估融合機(jī)制，提出GraphSage一Degree增強(qiáng)模型，使節(jié)點(diǎn)分類任務(wù)準(zhǔn)確率獲得系統(tǒng)性提升。

三、基于ImprovedGraphSAGE的企業(yè)涉稅風(fēng)險(xiǎn)識別模型

鑒于企業(yè)涉稅風(fēng)險(xiǎn)識別的重要意義以及現(xiàn)有研究成果存在的不足，本文在Hamiltonetal．（2017）提出的GraphSAGE 模型基礎(chǔ)上，構(gòu)建Improved GraphSAGE 驅(qū)動(dòng)的企業(yè)涉稅風(fēng)險(xiǎn)識別模型。本文將首先介紹企業(yè)涉稅關(guān)聯(lián)網(wǎng)絡(luò)構(gòu)建方法，繼而系統(tǒng)解析Improved GraphSAGE 算法并完整呈現(xiàn)該算法在涉稅風(fēng)險(xiǎn)識別場景中的實(shí)現(xiàn)路徑。

（一）融合關(guān)聯(lián)關(guān)系的企業(yè)涉稅風(fēng)險(xiǎn)識別

1．問題定義

企業(yè)涉稅風(fēng)險(xiǎn)在本文中主要指企業(yè)虛開發(fā)票問題，即企業(yè)在交易過程中開具與真實(shí)貨物信息不符的發(fā)票，包括在無真實(shí)貨物交易情況下的暴力虛開發(fā)票行為和洗變票行為。近年來涉稅違法行為逐漸呈現(xiàn)“團(tuán)伙化”和“跨域作案”特點(diǎn)，涉案企業(yè)之間具有密切交易關(guān)系符合復(fù)雜網(wǎng)絡(luò)中的局部密集特點(diǎn)，即風(fēng)險(xiǎn)企業(yè)的上下游企業(yè)具備較高的涉稅風(fēng)險(xiǎn)概率，企業(yè)的風(fēng)險(xiǎn)概率與其上下游企業(yè)所具備的風(fēng)險(xiǎn)程度密切相關(guān)。企業(yè)涉稅違法風(fēng)險(xiǎn)傳播主要指的是涉稅風(fēng)險(xiǎn)在企業(yè)間的傳遞和擴(kuò)散，這種傳遞和擴(kuò)散是通過企業(yè)之間的交易行為和關(guān)聯(lián)關(guān)系實(shí)現(xiàn)的。

2.企業(yè)涉稅關(guān)聯(lián)關(guān)系網(wǎng)絡(luò)構(gòu)建

在風(fēng)險(xiǎn)識別建模過程中，本文引入企業(yè)之間的關(guān)聯(lián)關(guān)系信息并構(gòu)筑企業(yè)涉稅關(guān)聯(lián)網(wǎng)絡(luò)。其中企業(yè)是指已注冊且處于正常狀態(tài)的一般納稅人企業(yè)，企業(yè)之間的關(guān)系是指企業(yè)之間的交易關(guān)系，交易關(guān)系由參與雙方的發(fā)票流動(dòng)顯性體現(xiàn)，發(fā)票由銷方企業(yè)流向購方企業(yè)。為充實(shí)風(fēng)險(xiǎn)識別建模過程中的有益信息，本文為企業(yè)構(gòu)造特征向量，提出了包括企業(yè)經(jīng)營、企業(yè)申報(bào)、企業(yè)登記三大類共計(jì)120個(gè)特征指標(biāo)，基于上述特征構(gòu)建120維的特征向量（見表1）。

至此，本文構(gòu)建了包含節(jié)點(diǎn)特征的企業(yè)關(guān)聯(lián)關(guān)系網(wǎng)絡(luò)，企業(yè)以及企業(yè)之間的關(guān)聯(lián)關(guān)系所構(gòu)成的網(wǎng)絡(luò)由G（V，E，X）表示，如圖1所示。第 i 個(gè)企業(yè)由網(wǎng)絡(luò)中的節(jié)點(diǎn) V_i∈V 表示，V表示網(wǎng)絡(luò)中節(jié)點(diǎn)集合。企業(yè)i與企業(yè)j之間的關(guān)聯(lián)關(guān)系由網(wǎng)絡(luò)中節(jié)點(diǎn)之間的邊 e_ij∈E 表示，其中E表示網(wǎng)絡(luò)中邊的集合。節(jié)點(diǎn)特征 x_ν∈X 表示節(jié)點(diǎn)v的特征向量，X表示網(wǎng)絡(luò)中節(jié)點(diǎn)特征向量集合。

（二）改進(jìn)的圖采樣聚合網(wǎng)絡(luò)

1．圖采樣聚合網(wǎng)絡(luò)

GraphSAGE的本質(zhì)思想是假設(shè)網(wǎng)絡(luò)中節(jié)點(diǎn)的嵌入表征向量應(yīng)該由節(jié)點(diǎn)自身的特征向量與其鄰居節(jié)點(diǎn)的特征向量共同確定，其中節(jié)點(diǎn)特征向量蘊(yùn)含了節(jié)點(diǎn)自身的屬性信息，在與鄰居節(jié)點(diǎn)特征向量融合過程中將節(jié)點(diǎn)在網(wǎng)絡(luò)中的拓?fù)湫畔⑶度氲奖碚髦小raphSAGE算法首先對中心節(jié)點(diǎn)的鄰居節(jié)點(diǎn)進(jìn)行采樣，然后采用特定的特征聚合器對采樣獲得鄰居節(jié)點(diǎn)的特征向量進(jìn)行聚合生成聚合向量Vagg，最后將中心節(jié)點(diǎn)特征向量V與聚合向量Vagg進(jìn)行聚合生成中心節(jié)點(diǎn)的嵌入表征，完成中心節(jié)點(diǎn)特征向量的更新。不斷重復(fù)上述過程K次，則表示完成了中心節(jié)點(diǎn)的K階拓?fù)湫畔⒕酆?。算法?jì)算流程如算法1所示：

算法1：GraphSAGE algorithm

Input：拓?fù)渚W(wǎng)絡(luò) G（V，E） 輸入特征 ：網(wǎng)絡(luò)深度 K; 權(quán)重矩陣 W^k ，k∈ ；非線性激活函數(shù) σ; 聚合算子 AGGREGA ?TE_k ；采樣算子 N：ν2V Output：嵌入表征 z_v for all vEV

1. h⁰_ν←x_ν，ν∈V ：

2.for k=1...K do

3. for vE do

4.

5.

6. end

7. h^k_ν←h^k_ν/|/h^k_ν/|/2，ν∈V

8. end

9. （204號 z_ν←h_ν^K vev

2.拓?fù)湫畔㈦p向傳播機(jī)制

GraphSAGE算法在拓?fù)湫畔鞑ミ^程中沒有考慮不同鄰居節(jié)點(diǎn)對中心節(jié)點(diǎn)的影響差異，其基本原理假設(shè)中心節(jié)點(diǎn)的全部鄰居節(jié)點(diǎn)對于中心節(jié)點(diǎn)表征學(xué)習(xí)的作用是相同的。上述假設(shè)導(dǎo)致中心節(jié)點(diǎn)不同鄰居節(jié)點(diǎn)之間的關(guān)聯(lián)信息部分丟失，降低了中心節(jié)點(diǎn)嵌入表征學(xué)習(xí)的有效性。本文針對上述問題提出了拓?fù)湫畔㈦p向傳播機(jī)制，分別從拓?fù)湫畔鞑ミ^程中的發(fā)出節(jié)點(diǎn)和接收節(jié)點(diǎn)視角出發(fā)學(xué)習(xí)不同鄰居節(jié)點(diǎn)對于中心節(jié)點(diǎn)的重要程度，以進(jìn)一步提升中心節(jié)點(diǎn)嵌入表征的有效性。

拓?fù)湫畔㈦p向傳播機(jī)制的本質(zhì)思想是在節(jié)點(diǎn)嵌入表征學(xué)習(xí)過程中鄰居節(jié)點(diǎn)對中心節(jié)點(diǎn)的重要程度由鄰居節(jié)點(diǎn)的輸出能力以及中心節(jié)點(diǎn)的接收能力共同決定的思想，而鄰居節(jié)點(diǎn)輸出能力和中心節(jié)點(diǎn)的接收能力則由節(jié)點(diǎn)間關(guān)聯(lián)強(qiáng)度與自身強(qiáng)度決定。圖2展現(xiàn)的是拓?fù)湫畔㈦p向傳播過程，中心節(jié)點(diǎn) V₂ 針對節(jié)點(diǎn) V₁ 的接收能力可由 ω₁₂ 表示，其值由節(jié)點(diǎn)1和2之間的關(guān)聯(lián)強(qiáng)度 L₁₂ 和節(jié)點(diǎn) V₂ 的自身強(qiáng)度 C₂ 計(jì)算所得，其數(shù)值越大表示中心節(jié)點(diǎn)2對節(jié)點(diǎn)1的風(fēng)險(xiǎn)接收能力越強(qiáng)，對節(jié)點(diǎn)1的輸入型風(fēng)險(xiǎn)抗干擾性弱。計(jì)算公式如下所示：

ω₁₂=L₁₂/C₂

其中，企業(yè)關(guān)聯(lián)強(qiáng)度 L₁₂ 表示企業(yè)間的交易金額，金額越大表示企業(yè)間聯(lián)系越緊密，關(guān)聯(lián)強(qiáng)度越大。在涉稅風(fēng)險(xiǎn)領(lǐng)域使用中心企業(yè)在指定檢查所屬期內(nèi)的進(jìn)銷項(xiàng)金額總和作為中心企業(yè)的自身強(qiáng)度 C₂ ，企業(yè)進(jìn)銷項(xiàng)金額總和越大表示企業(yè)自身規(guī)模越大，同時(shí)對交易中輸入型風(fēng)險(xiǎn)的抗干擾能力越強(qiáng)。中心節(jié)點(diǎn) V₂ 針對鄰居節(jié)點(diǎn) V₁ 的輸出能力 ω₂₁ 可由節(jié)點(diǎn)1和2之間的關(guān)聯(lián)強(qiáng)度 L₁₂ 和節(jié)點(diǎn) V₁ 的自身強(qiáng)度 C₁ 計(jì)算所得，計(jì)算公式如下所示。

ω₂₁=L₁₂/C₁

其中在涉稅風(fēng)險(xiǎn)領(lǐng)域使用鄰居企業(yè)在指定檢查所屬期內(nèi)的進(jìn)銷項(xiàng)金額總和作為鄰居企業(yè)的自身強(qiáng)度 C₁ 。

因此，在圖2所示的簡單拓?fù)渚W(wǎng)絡(luò)中中心節(jié)點(diǎn) V₂ 的嵌入表征學(xué)習(xí)過程如下所示：

從鄰居節(jié)點(diǎn)輸出能力視角計(jì)算鄰居節(jié)點(diǎn)聚合向量如公式（3）所示：

其中， X_agg⁰ 表示鄰居節(jié)點(diǎn)嵌入表征聚合器，本文采用均值聚合算法執(zhí)行鄰居節(jié)點(diǎn)嵌入表征的聚合操作。

從中心節(jié)點(diǎn)接收能力視角計(jì)算鄰居節(jié)點(diǎn)聚合向量如下所示：

其中， X_aggⁱ 表示鄰居節(jié)點(diǎn)嵌入表征聚合器，本文采用均值聚合算法執(zhí)行鄰居節(jié)點(diǎn)嵌入表征的聚合操作。

利用上述計(jì)算獲得的中間聚合向量和中心節(jié)點(diǎn)特征向量進(jìn)行中心節(jié)點(diǎn)嵌入表征的更新，從而獲得融合拓?fù)浣Y(jié)構(gòu)信息與節(jié)點(diǎn)屬性信息的嵌入表征向量。

3.基于門控算子的節(jié)點(diǎn)特征更新機(jī)制

在GraphSAGE算法中對鄰居節(jié)點(diǎn)中間聚合向量 X_agg 和中心節(jié)點(diǎn)特征向量進(jìn)行聚合采用的是拼接方式，然后利用全連接模塊將上述信息進(jìn)行融合，生成中心節(jié)點(diǎn)的嵌入表征。在上述方案中，中心節(jié)點(diǎn)表征更新過程中對節(jié)點(diǎn)前一時(shí)刻的自身表征和當(dāng)前時(shí)刻的鄰居節(jié)點(diǎn)聚合表征在聚合過程中沒有進(jìn)行篩選，隨著圖神經(jīng)網(wǎng)絡(luò)深度的增加，多輪次的節(jié)點(diǎn)表征更新將會(huì)導(dǎo)致嚴(yán)重的過平滑問題。針對上述問題，借鑒Cho etal．（2014）將門控算子應(yīng)用于RNN 網(wǎng)絡(luò)模型的思路，本文提出將門控算子應(yīng)用于GraphSAGE節(jié)點(diǎn)嵌入表征更新操作，提出基于門控算子的中心節(jié)點(diǎn)表征更新操作，充分利用門控算子強(qiáng)大的信息提取能力和時(shí)間維度上的平穩(wěn)性，提升模型信息抽取能力和模型的穩(wěn)健性，進(jìn)而提升節(jié)點(diǎn)嵌入表征學(xué)習(xí)的有效性。

門控算子主要包含重置門和更新門兩部分，重置門的主要作用是對網(wǎng)絡(luò)節(jié)點(diǎn)歷史表征中所蘊(yùn)含的信息進(jìn)行選擇與保留，更新門的主要作用是對鄰居節(jié)點(diǎn)聚合表征的信息進(jìn)行選擇和保留?；陂T控算子的網(wǎng)絡(luò)節(jié)點(diǎn)表征更新操作，可實(shí)現(xiàn)在網(wǎng)絡(luò)節(jié)點(diǎn)表征更新過程中對節(jié)點(diǎn)自身表征信息和鄰居節(jié)點(diǎn)聚合表征信息進(jìn)行權(quán)衡，在實(shí)現(xiàn)鄰居節(jié)點(diǎn)聚合信息的有效提取的同時(shí)緩解圖神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中的過平滑問題，提升網(wǎng)絡(luò)參數(shù)學(xué)習(xí)的有效性。

重置門的計(jì)算過程如公式（5）所示，其中 r 表示重置系數(shù)，o表示sigmoid激活函數(shù)，W表示模型參數(shù)， X^t 表示當(dāng)前時(shí)刻鄰居節(jié)點(diǎn)聚合向量， h^t-1 表示網(wǎng)絡(luò)節(jié)點(diǎn)前一時(shí)刻表征向量。

r=σ（Wr*ht-1Xt）

更新門的計(jì)算過程如公式（6）所示，其中z表示更新系數(shù)，o表示sigmoid激活函數(shù)， 表示模型參數(shù)， X^t 表示當(dāng)前時(shí)刻的鄰居節(jié)點(diǎn)聚合表征向量， h^t-1 表示前一時(shí)刻的網(wǎng)絡(luò)節(jié)點(diǎn)的向量表示。

Δz=σ（Wz*ht-1Xt）

基于門控算子的網(wǎng)絡(luò)節(jié)點(diǎn)表征向量更新過程如公式（7）（8）（9）所示。首先通過重置門對網(wǎng)絡(luò)節(jié)點(diǎn)前一時(shí)刻的向量表示所蘊(yùn)含的信息進(jìn)行選擇，其中“.”表示哈達(dá)瑪積，然后通過雙曲正切函數(shù)計(jì)算鄰居節(jié)點(diǎn)聚合向量，最后通過更新系數(shù)實(shí)現(xiàn)對網(wǎng)絡(luò)節(jié)點(diǎn)向量表示的更新。

h^t-1′=h^t-1?r

h^t=（1-z）?h^t-1+z?h^′

ImprovedGraphSAGE算法運(yùn)行邏輯如算法2所示：

算法2： Improved GraphSAGE algorithm

Input：拓?fù)鋱D： G（V，E） ；節(jié)點(diǎn)特征： ；網(wǎng)絡(luò)深度： K; 非線性激活函數(shù)： σ ；聚合算子：AGGREGATE；采樣算子： N：ν2V ；節(jié)點(diǎn)輸出能力權(quán)重 ；節(jié)點(diǎn)接收能力權(quán)重 Output：嵌入表征 z_ν for all v∈V

1. h_ν⁰x_νν∈V

2. （20號 fork=1...Kd0 （204

3. forvEVdo

4.

5. （204號

6.

7. end

8.

9. end

10.Zv←hκ，v∈ν

四、驗(yàn)證實(shí)驗(yàn)與分析

（一）數(shù)據(jù)集合構(gòu)建

本文基于S市稅務(wù)數(shù)據(jù)構(gòu)建了企業(yè)涉稅關(guān)聯(lián)網(wǎng)絡(luò)數(shù)據(jù)集合，該數(shù)據(jù)中節(jié)點(diǎn)表示注冊在S市的一般納稅人企業(yè)，數(shù)據(jù)集共包括節(jié)點(diǎn)17820，節(jié)點(diǎn)自身強(qiáng)度表示該企業(yè)在指定檢查所屬期內(nèi)周期為1年進(jìn)項(xiàng)增值稅專用發(fā)票總金額，為每個(gè)節(jié)點(diǎn)構(gòu)建了120維的特征向量。節(jié)點(diǎn)之間的關(guān)聯(lián)關(guān)系表示企業(yè)之間的交易關(guān)系，共包含關(guān)聯(lián)關(guān)系230471條邊，邊上關(guān)聯(lián)強(qiáng)度表示交易金額。涉稅數(shù)據(jù)集合中包含類別標(biāo)簽共2類，即正常企業(yè)（專家認(rèn)定，共計(jì)17035戶）和風(fēng)險(xiǎn)企業(yè)（稽查案件數(shù)據(jù)獲取，共計(jì)785戶）。本文采用隨時(shí)抽樣的方式將數(shù)據(jù)集合劃分為訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集合，其中訓(xùn)練數(shù)據(jù)集與測試數(shù)據(jù)集的節(jié)點(diǎn)數(shù)占比為1：1。企業(yè)涉稅數(shù)據(jù)集合統(tǒng)計(jì)概況如表2所示：

（二）驗(yàn)證實(shí)驗(yàn)設(shè)置

在表3中列出了實(shí)驗(yàn)中一些重要的超參數(shù)，使用交叉熵作為損失函數(shù)，用精確率和召回率來評價(jià)模型推理性能。在本文研究場景下，涉稅數(shù)據(jù)的樣本在類別分布上是極不平衡的，因此采用Focalloss作為損失函數(shù)，其中參數(shù)α和 γ 取值分別是0.17和2。采用ADAM優(yōu)化器作為模型的優(yōu)化函數(shù)，RELU作為隱藏層神經(jīng)元激活函數(shù)，門控模塊中分別使用sigmoid和tanh作為激活函數(shù)。所有模型基于Pytorch框架實(shí)現(xiàn)，采用單卡TeslaV100進(jìn)行訓(xùn)練推理。

（三）實(shí)驗(yàn)結(jié)果分析

本研究采用橫向?qū)Ρ确治龇椒?，選取LogisticRegression、RandomForest等經(jīng)典機(jī)器學(xué)習(xí)模型，以及近年來圖神經(jīng)網(wǎng)絡(luò)領(lǐng)域的代表性算法 DeepWalk、集成學(xué)習(xí)方法（Ensemble-method）和GraphSAGE。本文提出的Improved GraphSAGE方法是對已有GraphSAGE方法進(jìn)行的改進(jìn)，通過改變特征聚合方式和信息傳播機(jī)制優(yōu)化模型計(jì)算效果的同時(shí)加快了模型收斂，對比實(shí)驗(yàn)結(jié)果見表4。

由上表可知，基于S市的真實(shí)稅收數(shù)據(jù)集合，融合企業(yè)間關(guān)聯(lián)關(guān)系的企業(yè)涉稅違法風(fēng)險(xiǎn)識別方案（Deep Walk、GraphSAGE、ImprovedGraphSAGE）在識別有效性方面均優(yōu)于未考慮企業(yè)關(guān)聯(lián)關(guān)系的傳統(tǒng)涉稅風(fēng)險(xiǎn)識別方案（Logistic Regression、Random Forest），進(jìn)一步證明在企業(yè)涉稅風(fēng)險(xiǎn)識別過程中融合企業(yè)間的關(guān)聯(lián)關(guān)系可有效提升涉稅風(fēng)險(xiǎn)識別的有效性與及時(shí)性。此外，在表4結(jié)果中，本文提出的Improved GraphSAGE 模型在企業(yè)涉稅違法識別任務(wù)上比原始的GraphSAGE 模型表現(xiàn)更加優(yōu)異，在F1-score上高出原始GraphSAGE模型 2.53% ，進(jìn)一步證明本文對GraphSAGE模型的改進(jìn)是有效的。為進(jìn)一步驗(yàn)證圖神經(jīng)網(wǎng)絡(luò)的模型深度對推理效果的影響，本文對GraphSAGE 和Improved GraphSAGE就網(wǎng)絡(luò)深度展開了對比實(shí)驗(yàn)。由圖3實(shí)驗(yàn)結(jié)果可以看出，圖神經(jīng)網(wǎng)絡(luò)模型隨著網(wǎng)絡(luò)深度的增加推理性能不斷提升，但是超過2層之后GraphSAGE模型推理性能明顯下降，說明隨著網(wǎng)絡(luò)深度的增加，模型過平滑問題不斷惡化進(jìn)而影響模型推理性能。然而Improved GraphSAGE模型推理性能下降的轉(zhuǎn)折點(diǎn)是3層，且超過臨界點(diǎn)之后推理性能下降劇烈程度也比較緩和，說明本文提出的基于門控算子的節(jié)點(diǎn)表征更新機(jī)制可有效緩和圖神經(jīng)網(wǎng)絡(luò)模型的過平滑問題，進(jìn)而提升模型的擬合能力。

五、研究結(jié)論與優(yōu)化建議

（一）研究結(jié)論

本研究針對傳統(tǒng)涉稅違法監(jiān)管模式中“事后監(jiān)管”的局限性，從復(fù)雜網(wǎng)絡(luò)的理論視角出發(fā)，深入分析了企業(yè)間關(guān)聯(lián)拓?fù)涮卣骷捌湓谏娑愶L(fēng)險(xiǎn)擴(kuò)散中的動(dòng)力學(xué)行為。基于此，本研究創(chuàng)新性地提出了ImprovedGraphSAGE 算法，并將其應(yīng)用于涉稅風(fēng)險(xiǎn)的動(dòng)態(tài)評估模型構(gòu)建中。具體而言，本研究構(gòu)建了一個(gè)反映企業(yè)間涉稅關(guān)聯(lián)的網(wǎng)絡(luò)數(shù)據(jù)集合，該集合不僅體現(xiàn)了復(fù)雜網(wǎng)絡(luò)的節(jié)點(diǎn)多樣性（即不同企業(yè)的涉稅信息）和連接多樣性（即企業(yè)間的關(guān)聯(lián)強(qiáng)度各異）。通過S市稅務(wù)數(shù)據(jù)的實(shí)證分析，驗(yàn)證了該模型在風(fēng)險(xiǎn)識別準(zhǔn)確性和時(shí)效性方面的顯著優(yōu)勢。研究結(jié)果表明，本文所提出的模型能夠有效捕捉涉稅風(fēng)險(xiǎn)的動(dòng)態(tài)傳播機(jī)制，即涉稅風(fēng)險(xiǎn)企業(yè)間擴(kuò)散既與節(jié)點(diǎn)自身強(qiáng)度有關(guān)，又與企業(yè)間關(guān)聯(lián)強(qiáng)度有關(guān)，揭示了復(fù)雜網(wǎng)絡(luò)中關(guān)鍵節(jié)點(diǎn)在風(fēng)險(xiǎn)擴(kuò)散中的重要作用。這一發(fā)現(xiàn)不僅為數(shù)電發(fā)票普及背景下的涉稅風(fēng)險(xiǎn)“事前監(jiān)管”提供了強(qiáng)有力的技術(shù)支撐，還為未來的風(fēng)險(xiǎn)防控策略制定提供了新的思路和方法論啟示。此外，本研究還揭示了復(fù)雜網(wǎng)絡(luò)特性在涉稅風(fēng)險(xiǎn)監(jiān)管中的應(yīng)用潛力，為進(jìn)一步探索復(fù)雜網(wǎng)絡(luò)在其他領(lǐng)域的應(yīng)用提供了參考。

（二）優(yōu)化建議

為保持和提升本文提出的涉稅風(fēng)險(xiǎn)評估模型風(fēng)險(xiǎn)識別性能，實(shí)現(xiàn)對虛開騙稅等更多涉稅違法犯罪行為事前、事中精準(zhǔn)防范，助力稅務(wù)部門實(shí)現(xiàn)稅務(wù)風(fēng)險(xiǎn)精準(zhǔn)監(jiān)管，可以從建立模型動(dòng)態(tài)更新機(jī)制、擴(kuò)展企業(yè)關(guān)系分析維度、引入時(shí)間序列圖神經(jīng)網(wǎng)絡(luò)等維度優(yōu)化完善模型。

建立模型動(dòng)態(tài)更新機(jī)制是持續(xù)保持和提升涉稅風(fēng)險(xiǎn)評估模型風(fēng)險(xiǎn)識別性能的關(guān)鍵步驟之一。通過實(shí)時(shí)監(jiān)測稅務(wù)數(shù)據(jù)和風(fēng)險(xiǎn)指標(biāo)的變化，及時(shí)反饋到模型中進(jìn)而調(diào)整更新模型參數(shù)，可以保持模型的時(shí)效性和適應(yīng)性。模型動(dòng)態(tài)更新機(jī)制能夠有效應(yīng)對稅務(wù)征管環(huán)境的變化和新型涉稅違法手段的出現(xiàn)，使模型始終保持在對當(dāng)前稅務(wù)風(fēng)險(xiǎn)形勢的最佳適應(yīng)狀態(tài)。

在提升涉稅風(fēng)險(xiǎn)評估模型風(fēng)險(xiǎn)識別性能方面，擴(kuò)展企業(yè)關(guān)系分析維度是一項(xiàng)關(guān)鍵策略。通過引入更多關(guān)系因素和變量，如企業(yè)間投資關(guān)系、主要人員任職關(guān)系以及行業(yè)間潛在關(guān)聯(lián)風(fēng)險(xiǎn)因素等，可以使模型更加全面地捕捉潛在的涉稅風(fēng)險(xiǎn)。通過擴(kuò)展企業(yè)關(guān)系分析維度不僅可以提高模型的預(yù)測準(zhǔn)確性，還能夠更準(zhǔn)確地識別潛在虛開騙稅等違法犯罪行為。

時(shí)間序列圖神經(jīng)網(wǎng)絡(luò)是一種結(jié)合了圖神經(jīng)網(wǎng)絡(luò)和時(shí)間序列分析的方法，探索構(gòu)建基于時(shí)間序列圖神經(jīng)網(wǎng)絡(luò)的涉稅風(fēng)險(xiǎn)評估模型，可以更好地捕捉到企業(yè)涉稅風(fēng)險(xiǎn)數(shù)據(jù)的時(shí)間依賴性和動(dòng)態(tài)變化規(guī)律。圖神經(jīng)網(wǎng)絡(luò)可以有效捕捉時(shí)間序列數(shù)據(jù)中的時(shí)序信息和模式，更好理解企業(yè)涉稅風(fēng)險(xiǎn)的演變趨勢和周期性變化，從而增強(qiáng)模型對于涉稅風(fēng)險(xiǎn)的識別和預(yù)測能力，為稅務(wù)部門提供更精準(zhǔn)的風(fēng)險(xiǎn)預(yù)警和決策支持。

參考文獻(xiàn)：

[1]朱潤喜，馮東，趙福順．?dāng)?shù)字經(jīng)濟(jì)背景下稅務(wù)稽查工作面臨的挑戰(zhàn)與應(yīng)對[J]．稅務(wù)研究，2022，（1）.

[2]Goerke L.Tax Evasion by Individuals[J].IAAEU Discussion Papers，2014，（1）.

[3]Korndoerfer M，Krumpal I，Schmukle S C.Measuring and Explaining Tax Evasion：ImprovingSelf-reports Using the Crosswise Model[J].Journal of Economic Psychology，2014，（12）.

[4]Simpson S.Sanction Threats and Appeals to Morality：Testing a Rational Choice Model of Corporate Crime[J].Law amp; Society Review，1996，（3）.

[5]Rad M S，Shahbahrami A.Detecting High Risk Taxpayers Using Data Mining Techniques[C].international conference on Signal Processing，New York：IEEE，2016.

[6]Harris T.Credit Scoring Using the Clustered Support Vector Machine[J].Expert Systems with Applications，2015，（2）.

[7]Hirk R，Hornik K，Vana L.Multivariate Ordinal Regression Models：an Analysis of Corporate Credit Ratings[J].Statistical Methods and Applications，2019，（3）.

[8]鐘政．大數(shù)據(jù)背景下多發(fā)性侵財(cái)犯罪預(yù)警模式研究［J]．河南司法警官職業(yè)學(xué)院學(xué)報(bào)，2015，（3）.

[9]劉尚希，孫靜，王亞軍．大數(shù)據(jù)思維在納稅評估選案建模中的應(yīng)用［J]．稅務(wù)研究，2015，（10）.

[10]樓文高，婁元英，尹淑平．基于廣義回歸神經(jīng)網(wǎng)絡(luò)的稅務(wù)稽查選案實(shí)證研究［J].廣東商學(xué)院學(xué)報(bào)，2013， （6）.

[11]呼延康，樊鑫，余樂天，羅鐘鉉．圖神經(jīng)網(wǎng)絡(luò)回歸的人臉超分辨率重建[J].軟件學(xué)報(bào)，2018，（4）.

[12]Kipf T N，Welling M.Semi-Supervised Classification with Graph Convolutional Networks Published as a Conference Papar at ICLR，April 24-26，2017[C].Toulon：DBLP，2017.

[13]Velikovi P，Cucurull G，Casanova A，Romero A，Liop，Bengio Y.Graph Attention NetworksPublished as a Conference Paper at ICLR，April 30-May3，2018[C].Vancouver：PBLP，2018.

[14]Hamilton W，Ying Z，Leskovec J.Inductive Representation Learning on Large Graphs[C].Advances in Neural Information Processing Systems，Long Beach：NIPS，2017.

[15]Weber M，Domeniconi G，Chen J，et a1.Anti-Money laundering in Bitcoin：Experimenting withGraph Convolutional Networks for Financial Forensics.In：Proc.of the 25th ACM SIGKDD Int’1 Conf.on Knowledge Discoveryand Data Mining（KDD），Workshop on Anomaly Detectionin Finance，2019.

[16]鄒長寬，田小平，張曉燕，張雨晴，杜磊.基于GraphSage節(jié)點(diǎn)度重要性聚合的網(wǎng)絡(luò)節(jié)點(diǎn)分類研究[J]．科學(xué)技術(shù)與工程，2022，（11）.

[17]孫璐，王妍文，孫偉．國家治理，稅收遵從與小微企業(yè)課稅——基于稅務(wù)部門與小微企業(yè)演化博弈分析[J]．財(cái)經(jīng)理論與實(shí)踐，2023，（1）.

[18]Cho K，Merrienboer B V，Gulcehre C，Bahdanacl F，Schwenk H，Bengio Y.Learning PhraseRepresentations Using RNN Encoder-Decoder for Statistical Machine Translation[J].ComputerScience，2014， （6）.

[19]張郁，樊麗瑛．電子發(fā)票犯罪問題分析及偵防對策[J]．遼寧警察學(xué)院學(xué)報(bào)，2023，（6）. [20]楊慧，程建華．基于Transformer模型的“暴力”虛開發(fā)票風(fēng)險(xiǎn)識別［J].安徽工程大學(xué)學(xué)報(bào)，2024，（1）.

（責(zé)任編輯：子奕）