ESSAYS ON TAX COMPLIANCE

Abstract

Questa tesi è composta da due saggi indipendenti. Il saggio presentato nel Capitolo 1 studia la conformità fiscale all'interno di un modello basato su agenti. Il modello è progettato tenendo conto di una serie di regole fiscali in vigore in Italia e calibrato con micro-dati forniti dall'autorità fiscale italiana. I risultati delle simulazioni mostrano che, considerando livelli di deterrenza realistici, agenti strettamente razionali generano un livello (medio) di non conformità fiscale sostanzialmente superiore a quello suggerito dai dati empirici. Quando includiamo nel processo decisionale dell’agente il calcolo e l’aggiornamento della probabilità soggettiva di subire un controllo, così come l’attitudine alla conformità sociale e gli effetti di rete, il modello fornisce risultati maggiormente in linea con l'evidenza empirica. Il saggio presentato nel Capitolo 2 impiega diverse tecniche di apprendimento automatico, con l'obiettivo di identificare quei contribuenti che hanno maggiore probabilità di aumentare l’importo della loro dichiarazione dei redditi dopo essere stati controllati dall'autorità fiscale. Tra i metodi impiegati, la foresta casuale ha garantito la maggiore accuratezza predittiva. Per valutare l'utilità pratica del nostro approccio, calcoliamo l'aumento del reddito netto riportato dai contribuenti identificati dal modello random forest. Troviamo che, in media, questo aumento è significativo rispetto alla media di tutti i contribuenti ispezionati. Riteniamo, dunque, che il nostro approccio possa rivelarsi uno strumento utile al fine di individuare e selezionare quei contribuenti che hanno una maggiore probabilità di dichiarare un reddito più alto in seguito ad un controllo, consentendo, quindi, una migliore allocazione delle - tipicamente scarse - risorse finanziarie a disposizione dell’autorità fiscale nell'ambito della sua attività ordinaria di controllo.