Consultor Tributario > CONSULTOR TRIBUTARIO

Big tax data: ¿más o menos igualdad?

Tiempo de lectura: -'

06 de junio de 2020 a las 05:00

Un nuevo número de Consultor Tributario, en el que recibimos el valioso aporte de Diego Vallarino, PhD en Historia Económica por la Universidad Torcuato Di Tella y Chief Data Officer de Scotiabank Uruguay, MSc en Data Management en UB (España) y MBA de la Universidad Adolfo Ibáñez (Chile).

Nadie mejor que Diego para ilustrarnos sobre la aplicación del data science a la creación de sistemas tributarios personalizados, continuando la novedosa columna del último número a cargo del economista Luis Porto. 

¿Acaso imaginaron un impuesto a la renta que se adapte con absoluta precisión a la situación particular de cada individuo? La inteligencia artificial, el diseño de sistemas y la ingente cantidad de información que producimos, al servicio del sistema impositivo, podrían hacerlo realidad. Y no es un episodio de Black Mirror.

Esta idea resulta ciertamente provocadora, pues pone en cuestión la formulación tradicional de principios básicos del derecho tributario, como es el de igualdad, por el cual no cabe hacer discriminaciones entre individuos al imponer cargas públicas, sino en categorías más o menos abstractas dispuestas en la ley, siempre respetando la capacidad contributiva. 

Pero no podemos olvidar que ese, como otros principios del derecho, nacieron en momentos de información imperfecta y asimétrica: al fin y al cabo, ante la imposibilidad de conocer perfectamente la situación de cada uno, y para evitar la discriminación, debe acudirse a categorías más o menos generales. 

Aunque la pregunta que subyace es si un sistema personalizado como este del que hablamos, basado en información veraz, voluntaria y tratada de forma debida, lesiona verdaderamente el principio de igualdad ante las cargas públicas, o en cambio lo cumple más cabalmente.

Solo el tiempo dirá cómo se resuelve este dilema, pero entre tanto seguiremos reflexionando sobre este y otros aspectos tributarios desde estas páginas que publicamos cada mes. l

Nuevas herramientas para los sistemas tributarios poscovid-19

Diego Vallarino

A los que trabajamos en el análisis avanzado de datos nos marcó un artículo de The Economist de mayo de 2017, The world’s most valuable resource is no longer oil, but data. Este artículo evidencia la necesidad de considerar a los datos como determinantes de valor para la sociedad en su conjunto. Las sociedades que están logrando gestionar esos datos, y pudiendo analizarlos en forma innovadora, son las que están marcando las reglas de juego de la economía.

Tim Harford es un economista inglés que escribe para el Financial Times y se ha preocupado en evidenciar cómo la economía, y particularmente la microeconomía, está en nuestro diario vivir. Él alude en una de sus columnas a que las herramientas de análisis de datos están cambiando la forma como los economistas están trabajando. Menciona que no solamente las herramientas son las que cambian, sino también la data con las que están trabajando. Ilustra cómo desde las investigaciones innovadoras del Nobel Kuznets, hasta nuestros días, los economistas están trabajando cada vez más sobre administrative data.

Incluso Harford va más allá y analiza cómo hoy las investigaciones en economía se valen de nueva data no estructurada –como imágenes o grandes volúmenes de texto– para demostrar evidencia sobre temas tan diversos como desigualdad, desarrollo económico, economía del crimen y comercio internacional.

Siguiendo la línea del artículo escrito por el economista Luis Porto en este mismo espacio, donde se menciona que “un sistema tributario personalizado permitiría identificar las vulnerabilidades de personas físicas y jurídicas y definir variables de desempeño acordes a objetivos de protección de personas y empresas y al desarrollo de sus capacidades”, expondré cómo el análisis avanzado de datos juega un papel destacable para alcanzar este objetivo. Paso a explicar el porqué.

Big Data y los impuestos

En los últimos años, la generación de datos por parte de las personas y de las cosas (internet de las cosas) ha generado la posibilidad de hacernos preguntas que antes no nos animábamos a plantearnos. En este caso, disponer de toda esta data nos habilitaría a pensar cuál sería la carga tributaria óptima para cada persona. Y esa carga óptima, ¿es la misma en diferentes momentos de la propia persona, o del ciclo de la economía?

Vayamos por partes. Hoy la autoridad tributaria dispone de información propia; de declaraciones juradas, de sus propios sistemas. Con esa data es posible modelar escenarios de control fiscal. De hecho, es en donde se está haciendo foco actualmente cuando se utiliza el data science por parte de la autoridad tributaria en diferentes países del mundo.

Ahora consideremos que seguimos dos estrategias, que complementan a la del control sobre la evasión: una de data y otra de nuevos modelo predictivos dinámicos (algoritmos). Pensemos en una estrategia de data en donde se incluya información de la propia DGI, del propio Estado cuando recauda los diferentes impuestos u obligaciones, pero también que incluya por ejemplo el pago de servicios por parte de la población (UTE, OSE, Antel, entre otros), del INE (encuesta continua de hogares), etcétera. Existen varias fuentes de data complementaria a las mencionadas, como las fotos de las cámaras instaladas en la ciudad, y otro tipo de información no estructurada que genera entropía con las bases de datos de la autoridad tributaria.

Con respecto a los nuevos algoritmos, tenemos que pensar que deben ser dinámicos, que se ajusten en tiempo real a medida que se accede a nueva información. Los algoritmos recalculan permanente la capacidad contributiva de cada ciudadano, como cuando uno mira Netflix y le recomienda una serie, hasta que elige dos películas y la plataforma comienza a recomendarle películas. Hoy en la industria existen herramientas de analítica avanzada que permiten crear este tipo de modelos de forma eficiente a un costo muy reducido.

A través de estas dos estrategias (data y modelos) se podría definir la situación de ingresos y patrimonial que tiene cada uno de los contribuyentes en tiempo real. Un nivel socioeconómico es una variable de stock (yo soy), pero el ingreso es una variable de flujo (en un momento determinado). Es decir, puedo seguir siendo de un nivel socioeconómico, pero puedo haber reducido mi ingreso drásticamente, lo que cambia mi capacidad contributiva (basta con mirar varios de los ejemplos que evidencia el coronavirus).

Si se sabe la situación individual y, a su vez, este conocimiento es en tiempo real (o recurrentemente con cierta periodicidad), podemos lograr diseñar un conjunto de mecanismos que hagan que la carga tributaria, para personas y empresas, sea lo más ajustada a cada una de las realidades (porque esta realidad son muchas realidades diferentes). Es claro que una persona no es otra persona, y que una empresa no es otra empresa. Y el diseño de políticas debe valerse de la evidencia para diferenciar.

Esto permite el diseño de una estructura fiscal continua e igualatoria, es decir, en el diseño de mecanismos que hacen a la definición de la política fiscal, estarían incluidas la visión individual y la anticíclica, destacando la verdadera capacidad contributiva de cada uno de los agentes en cada momento.

Déjenme mostrarles un ejemplo: una persona que tiene un ingreso determinado, trabaja en forma independiente y está alcanzada por el IRPF. Por una circunstancia exógena a su actividad, deja de recibir ese ingreso. Siguiendo esta lógica, se podría diseñar un impuesto negativo (ingreso para la persona) y que esta persona pueda “devolverlo” en función de que el ciclo económico cambie (incluso a ella, no a toda la economía). Es muy probable que la situación de esta persona sea diferente a la de otras, que no podrán “devolver” ese impuesto negativo. De estas realidades no nos daríamos cuenta si no lo analizamos individualmente a través del análisis avanzado de datos.

Hoy el data science, y una buena estrategia de data, dentro de la ley de protección de datos personales (ley 18.331) permite que estos modelos aprendan dinámicamente, informen a los hacedores de política pública y permitan optimizar las políticas tributaria, económica y social, a la misma vez, e incluyan al ciclo como variable endógena.

REPORTAR ERROR

Comentarios

Registrate gratis y seguí navegando.

¿Ya estás registrado? iniciá sesión aquí.

Pasá de informarte a formar tu opinión.

Suscribite desde US$ 245 / mes

Elegí tu plan

Estás por alcanzar el límite de notas.

Suscribite ahora a

Te quedan 3 notas gratuitas.

Accedé ilimitado desde US$ 245 / mes

Esta es tu última nota gratuita.

Se parte de desde US$ 245 / mes

Alcanzaste el límite de notas gratuitas.

Elegí tu plan y accedé sin límites.

Ver planes

Contenido exclusivo de

Sé parte, pasá de informarte a formar tu opinión.

Si ya sos suscriptor Member, iniciá sesión acá

Cargando...