Samenvatting hoorcolleges Tax &
Technology
Inhoudsopgave
Hoorcollege 1 – Emerging Technology in Tax .................................................................................................. 2
Big Data Process................................................................................................................................................. 3
Informatie asymmetrie ...................................................................................................................................... 3
Velocity............................................................................................................................................................... 4
Velocity & Volume .............................................................................................................................................. 7
Velocity, Volume & Variety ................................................................................................................................ 8
Hoorcollege 2 – Emerging Technology in Tax .................................................................................................. 9
Velocity, Volume & Variety ................................................................................................................................ 9
Ontwikkelingen EU ........................................................................................................................................... 10
Fricties .............................................................................................................................................................. 11
Rechtsbescherming EU law .............................................................................................................................. 11
Hoorcollege 3 – AI in perspectief .................................................................................................................. 16
AI in historisch perspectief ............................................................................................................................... 16
Domein Artificial Intelligence/ Kunstmatige Intelligentie ................................................................................ 17
Algoritmen ....................................................................................................................................................... 21
Correlatie versus causaliteit ............................................................................................................................. 22
Hoorcollege 4 – Data, datamining & profileringstechnieken ......................................................................... 24
Wat zijn data? .................................................................................................................................................. 24
Big data & valkuilen ......................................................................................................................................... 26
Technologische drivers kunstmatige intelligentie ............................................................................................ 27
Data mining...................................................................................................................................................... 27
Machine learning deel I .................................................................................................................................... 30
Hoorcollege 5 – Afronding technologische werking ...................................................................................... 31
Supervised machine learning ........................................................................................................................... 31
Onafhankelijke en afhankelijke variabelen ...................................................................................................... 33
Machine learning & prestatiemaatstaven ....................................................................................................... 35
Uitlegbaarheid van machine learning modellen .............................................................................................. 37
Deep learning ................................................................................................................................................... 38
Hoorcollege 6 – Aangifteselectie & mogelijke rechtstekorten ....................................................................... 40
Aangifteselectie bij de Belastingdienst – ARK .................................................................................................. 40
, Risicomodellen en het bedrijfstechnisch perspectief – ARK.............................................................................. 42
De aangiftebehandeling binnen de OB ............................................................................................................ 44
De FSV uitspraak .............................................................................................................................................. 46
Aangifteselectie & grondrechten ..................................................................................................................... 50
Grondrechten ................................................................................................................................................... 51
Hoorcollege 7 – Technische ontwikkeling en fiscale rechtsbescherming ....................................................... 54
Digitale rechtstaat ........................................................................................................................................... 54
Data verzamelen .............................................................................................................................................. 55
Hoorcollege 8 – technische ontwikkeling en fiscale rechtsbescherming ........................................................ 60
Data gebruiken:................................................................................................................................................ 60
Analyse van data ......................................................................................................................................... 60
Controle belastingaangifte .......................................................................................................................... 62
Automatische besluitvorming ..................................................................................................................... 67
Gedragsinterventies .................................................................................................................................... 68
Rechtsbescherming .......................................................................................................................................... 68
Hoorcollege 9 – Gastcollege Jacqueline Sorree en Hans Kuijer - De btw-aspecten voor blockchaintransacties.
.................................................................................................................................................................... 69
DEEL 1 .............................................................................................................................................................. 69
DEEL 2 .............................................................................................................................................................. 69
Wetsartikelen zijn rood gekleurd à in wetboek blauwe sticker
Hoorcollege 1 – Emerging Technology in Tax
Er zijn 10 hoorcolleges en 4 responsiecolleges
Onderwerpen:
1. Verzamelen van data
2. Kunstmatige intelligentie
Waarom?
- Disruptive
- Fricties op het terrein van de rechtsbescherming
- Data en KI gaan hand in hand
Programma HC 1 en 2 – verzamelen van tax data:
1. Big Data Proces
2. Informatie Asymmetrie
3. Velocity
4. Velocity and Volume
5. Velocity, Volume and Variety
6. Ontwikkelingen in de EU
7. Fricties
8. Rechtsbescherming
,Big Data Process
Big Data Process = focus on knowledge and discovery in Big Data
Het Big Data Process bestaat uit drie fasen:
1. Verzamelen
2. Analyseren
3. Gebruiken
In de praktijk zitten er veel meer tussenstappen tussen. Data moet namelijk voordat je het
gebruikt verwerkt worden, opgeslagen worden, getransporteerd etc.
In aantal situaties kan het ook een cirkel zijn:
Voorbeeld van Data Reuse is de intracommunautaire goederen leveren. Bedrijven moeten
facturen uploaden bij Belastingdienst. Deze worden gebruik bij btw voor mismatches, maar
ook gebruikt bij inkomstenbelasting bij eenmanszaken. De data worden dus ook voor een
ander doel gebruik dan waar het voor verzamel werd.
Tax & Technology Cube
Er zijn drie pijlers: Technology, Tax Law, Big Data Process
Big data is aantal keer gevallen. Dit is ruwe data en dus nog niet bewerkt. Er is niet echt een
duidelijke definitie. Het meest gebruikelijk is om big data aan de hand van 5 V’s te
beschrijven.
1. Velocity = snelheid
2. Volume = grote hoeveelheden
3. Variety = verscheidenheid, gestructureerd of
ongestructureerd, tekst of beeldmateriaal
4. Veracity = betrouwbaarheid, hoe betrouwbaarder de data
zijn, des te hoger is de waarde
5. Value = waarde
In dit college vooral over eerste 3 v’s en hun effect op belastingen
Informatie asymmetrie
Voordat we verder gaan met de V’s is het probleem beschrijven van de toezichthouder
belangrijk.
, Het probleem van een toezichthouder (belastingdienst) = dat diegene waar men toezicht op
houdt meer data (of alle) dan de toezichthouder heeft. Er moet altijd moeite gedaan worden
om op een gelijk level te komen.
Sonttol casus
Gaat over Denemarken en de tol die betaald moet worden over de nauwe zeestraat tussen
Denemarken en Zweden.
De koning had bedacht dat hij de belastingopbrengsten kon verhogen door belasting te
heffen over de waarde van de vracht. Maar dan ontstaat een probleem voor de
belastingautoriteit:
- Hoe bepaal je de waarde van de vracht van een schip?
De meest simpele benadering is aan de schipper vragen. Die beweert natuurlijk dat zijn
vracht vrijwel waardeloos is. à Klassiek probleem in toezicht is de informatieasymmetrie
Oplossing van koning was:
- Vragen aan kapitein naar de waarde van zijn vracht, met daarbij het recht van de
koning om het voor die prijs te kopen.
Die methode leidt er niet toe dat belastingplichtigen eerlijk de werkelijke waarde van hun
goederen opgeven, zoals door beoefenaars van mechanisme design wordt vereist. Maar de
methode impliceert wel dat gemiddeld genomen de gewenste belastingvoet
geïmplementeerd kan worden.
Dit kun je doortrekken naar de belastingdienst. Telkens kan de niet-geïnformeerde partij
gebruik maken van het mechanisme dat lijkt op dat van de Sonttol.
Velocity
Velocity = snelheid van verandering data/ frequentie
Een hogere frequentie voegt waarde toe aan data
Harvesting Data
Er zijn een aantal grote tech-ondernemingen zoals: Microsoft, Google, Facebook, Apple, IBM,
Amazon die heel goed zijn in het verzamelen en analyseren van data, dat is hun
businessmodel.
Een slimme meter wordt erg gepusht door overheid. Oude huizen krijgen gelegenheid om
oude meters te vervangen voor slimme meter. Een slimme meter geeft met interval geeft
energieverbruik door. Overheid stimuleert dit om besparingen te bevorderen.
De data uit een slimme meter kan op verschillende niveaus geanalyseerd worden:
- Door verschillende energieverbruik kun je type aangesloten product herkennen.
- Aan activiteiten koppelen, bijv. het douchegebruik
- Leefpatronen herkennen van mensen
Het geldt ook voor tax data. Als toezichthouder de frequentie van data gaat ophogen, dan
explodeert de waarde van data. Een hogere frequentie voegt dus waarde toe aan de data.
Changing tax compliance environment
OECD 2017 heeft 7 databronnen gepubliceerd:
Technology
Inhoudsopgave
Hoorcollege 1 – Emerging Technology in Tax .................................................................................................. 2
Big Data Process................................................................................................................................................. 3
Informatie asymmetrie ...................................................................................................................................... 3
Velocity............................................................................................................................................................... 4
Velocity & Volume .............................................................................................................................................. 7
Velocity, Volume & Variety ................................................................................................................................ 8
Hoorcollege 2 – Emerging Technology in Tax .................................................................................................. 9
Velocity, Volume & Variety ................................................................................................................................ 9
Ontwikkelingen EU ........................................................................................................................................... 10
Fricties .............................................................................................................................................................. 11
Rechtsbescherming EU law .............................................................................................................................. 11
Hoorcollege 3 – AI in perspectief .................................................................................................................. 16
AI in historisch perspectief ............................................................................................................................... 16
Domein Artificial Intelligence/ Kunstmatige Intelligentie ................................................................................ 17
Algoritmen ....................................................................................................................................................... 21
Correlatie versus causaliteit ............................................................................................................................. 22
Hoorcollege 4 – Data, datamining & profileringstechnieken ......................................................................... 24
Wat zijn data? .................................................................................................................................................. 24
Big data & valkuilen ......................................................................................................................................... 26
Technologische drivers kunstmatige intelligentie ............................................................................................ 27
Data mining...................................................................................................................................................... 27
Machine learning deel I .................................................................................................................................... 30
Hoorcollege 5 – Afronding technologische werking ...................................................................................... 31
Supervised machine learning ........................................................................................................................... 31
Onafhankelijke en afhankelijke variabelen ...................................................................................................... 33
Machine learning & prestatiemaatstaven ....................................................................................................... 35
Uitlegbaarheid van machine learning modellen .............................................................................................. 37
Deep learning ................................................................................................................................................... 38
Hoorcollege 6 – Aangifteselectie & mogelijke rechtstekorten ....................................................................... 40
Aangifteselectie bij de Belastingdienst – ARK .................................................................................................. 40
, Risicomodellen en het bedrijfstechnisch perspectief – ARK.............................................................................. 42
De aangiftebehandeling binnen de OB ............................................................................................................ 44
De FSV uitspraak .............................................................................................................................................. 46
Aangifteselectie & grondrechten ..................................................................................................................... 50
Grondrechten ................................................................................................................................................... 51
Hoorcollege 7 – Technische ontwikkeling en fiscale rechtsbescherming ....................................................... 54
Digitale rechtstaat ........................................................................................................................................... 54
Data verzamelen .............................................................................................................................................. 55
Hoorcollege 8 – technische ontwikkeling en fiscale rechtsbescherming ........................................................ 60
Data gebruiken:................................................................................................................................................ 60
Analyse van data ......................................................................................................................................... 60
Controle belastingaangifte .......................................................................................................................... 62
Automatische besluitvorming ..................................................................................................................... 67
Gedragsinterventies .................................................................................................................................... 68
Rechtsbescherming .......................................................................................................................................... 68
Hoorcollege 9 – Gastcollege Jacqueline Sorree en Hans Kuijer - De btw-aspecten voor blockchaintransacties.
.................................................................................................................................................................... 69
DEEL 1 .............................................................................................................................................................. 69
DEEL 2 .............................................................................................................................................................. 69
Wetsartikelen zijn rood gekleurd à in wetboek blauwe sticker
Hoorcollege 1 – Emerging Technology in Tax
Er zijn 10 hoorcolleges en 4 responsiecolleges
Onderwerpen:
1. Verzamelen van data
2. Kunstmatige intelligentie
Waarom?
- Disruptive
- Fricties op het terrein van de rechtsbescherming
- Data en KI gaan hand in hand
Programma HC 1 en 2 – verzamelen van tax data:
1. Big Data Proces
2. Informatie Asymmetrie
3. Velocity
4. Velocity and Volume
5. Velocity, Volume and Variety
6. Ontwikkelingen in de EU
7. Fricties
8. Rechtsbescherming
,Big Data Process
Big Data Process = focus on knowledge and discovery in Big Data
Het Big Data Process bestaat uit drie fasen:
1. Verzamelen
2. Analyseren
3. Gebruiken
In de praktijk zitten er veel meer tussenstappen tussen. Data moet namelijk voordat je het
gebruikt verwerkt worden, opgeslagen worden, getransporteerd etc.
In aantal situaties kan het ook een cirkel zijn:
Voorbeeld van Data Reuse is de intracommunautaire goederen leveren. Bedrijven moeten
facturen uploaden bij Belastingdienst. Deze worden gebruik bij btw voor mismatches, maar
ook gebruikt bij inkomstenbelasting bij eenmanszaken. De data worden dus ook voor een
ander doel gebruik dan waar het voor verzamel werd.
Tax & Technology Cube
Er zijn drie pijlers: Technology, Tax Law, Big Data Process
Big data is aantal keer gevallen. Dit is ruwe data en dus nog niet bewerkt. Er is niet echt een
duidelijke definitie. Het meest gebruikelijk is om big data aan de hand van 5 V’s te
beschrijven.
1. Velocity = snelheid
2. Volume = grote hoeveelheden
3. Variety = verscheidenheid, gestructureerd of
ongestructureerd, tekst of beeldmateriaal
4. Veracity = betrouwbaarheid, hoe betrouwbaarder de data
zijn, des te hoger is de waarde
5. Value = waarde
In dit college vooral over eerste 3 v’s en hun effect op belastingen
Informatie asymmetrie
Voordat we verder gaan met de V’s is het probleem beschrijven van de toezichthouder
belangrijk.
, Het probleem van een toezichthouder (belastingdienst) = dat diegene waar men toezicht op
houdt meer data (of alle) dan de toezichthouder heeft. Er moet altijd moeite gedaan worden
om op een gelijk level te komen.
Sonttol casus
Gaat over Denemarken en de tol die betaald moet worden over de nauwe zeestraat tussen
Denemarken en Zweden.
De koning had bedacht dat hij de belastingopbrengsten kon verhogen door belasting te
heffen over de waarde van de vracht. Maar dan ontstaat een probleem voor de
belastingautoriteit:
- Hoe bepaal je de waarde van de vracht van een schip?
De meest simpele benadering is aan de schipper vragen. Die beweert natuurlijk dat zijn
vracht vrijwel waardeloos is. à Klassiek probleem in toezicht is de informatieasymmetrie
Oplossing van koning was:
- Vragen aan kapitein naar de waarde van zijn vracht, met daarbij het recht van de
koning om het voor die prijs te kopen.
Die methode leidt er niet toe dat belastingplichtigen eerlijk de werkelijke waarde van hun
goederen opgeven, zoals door beoefenaars van mechanisme design wordt vereist. Maar de
methode impliceert wel dat gemiddeld genomen de gewenste belastingvoet
geïmplementeerd kan worden.
Dit kun je doortrekken naar de belastingdienst. Telkens kan de niet-geïnformeerde partij
gebruik maken van het mechanisme dat lijkt op dat van de Sonttol.
Velocity
Velocity = snelheid van verandering data/ frequentie
Een hogere frequentie voegt waarde toe aan data
Harvesting Data
Er zijn een aantal grote tech-ondernemingen zoals: Microsoft, Google, Facebook, Apple, IBM,
Amazon die heel goed zijn in het verzamelen en analyseren van data, dat is hun
businessmodel.
Een slimme meter wordt erg gepusht door overheid. Oude huizen krijgen gelegenheid om
oude meters te vervangen voor slimme meter. Een slimme meter geeft met interval geeft
energieverbruik door. Overheid stimuleert dit om besparingen te bevorderen.
De data uit een slimme meter kan op verschillende niveaus geanalyseerd worden:
- Door verschillende energieverbruik kun je type aangesloten product herkennen.
- Aan activiteiten koppelen, bijv. het douchegebruik
- Leefpatronen herkennen van mensen
Het geldt ook voor tax data. Als toezichthouder de frequentie van data gaat ophogen, dan
explodeert de waarde van data. Een hogere frequentie voegt dus waarde toe aan de data.
Changing tax compliance environment
OECD 2017 heeft 7 databronnen gepubliceerd:
