See discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/292148073 Metodología de Selección de contribuyentes para la fiscalización basada en la aplicación de la Teoría de la Inferencia Estadística a una serie de Indicadores Tributarios. Research · January 2016 DOI: 10.13140/RG.2.1.3496.8089 CITATIONS READS 0 320 1 author: Gabriel Reinaldo Rodríguez Barrios SERVICIO NACIONAL INTEGRADO DE ADMINISTRACION ADUANERA Y TRIBUTARIA SENIAT VENEZUELA 3 PUBLICATIONS 0 CITATIONS SEE PROFILE Some of the authors of this publication are also working on these related projects: Construction and implementation of a model-of-default-tax-prediction of national taxpayers View project All content following this page was uploaded by Gabriel Reinaldo Rodríguez Barrios on 29 January 2016. The user has requested enhancement of the downloaded file. Metodología de Selección de contribuyentes para la fiscalización basada en la aplicación de la Teoría de la Inferencia Estadística a una serie de Indicadores Tributarios. Por Gabriel Rodríguez Despacho del Gerente Nacional de Fiscalización de Tributos Internos del Servicio Nacional de Administración Aduanera y Tributaria de la República Bolivariana de Venezuela (SENIAT), Febrero 2011 “La tecnología social a nivel nacional requiere la obtención y el manejo científico de enormes volúmenes de información. Esto indica que las investigaciones sobre procesamiento de datos o tratamiento de información adquirirán una prioridad muy elevada, lo que requiere el desarrollo de una matemática distinta a la ortodoxa” Oscar Varsavsky (Hacia una política científica nacional) OBJETIVO La presente investigación trata sobre la selección de contribuyentes para ser auditados en profundidad, partiendo de la información recabada de las declaraciones (formularios) correspondientes al IVA e ISLR durante un ejercicio fiscal. El objetivo primordial de este trabajo es la exposición de los principios fundamentales de La Teoría de la Probabilidad a los valores surgidos de la aplicación de siete indicadores tributarios, a una muestra de contribuyentes pertenecientes a una actividad económica y por intermedio de la Teoría de la Inferencia Estadística se extenderán los resultados obtenidos por los contribuyente constitutivos de la muestra a todos los contribuyentes pertenecientes a la actividad económica estudiada. 1. INTRODUCCIÓN. Esta metodología de trabajo se aplica, ya que, no es viable determinar poblaciones homogéneas usando la clasificación económica actual de los contribuyentes del Servicio Nacional de Administración Aduanera y Tributaria de la República Bolivariana de Venezuela (SENIAT), lo que hace imposible conocer el tamaño de la población, donde se pueda identificar a todos los individuos en estudio; es decir, a la totalidad de las empresas gravadas con IVA e ISLR correspondientes a un sector económico específico. Estos resultados nos conducen a la obtención de perfiles de información de contribuyentes en forma automática a partir de indicadores elaborados por la información tomada de las declaraciones de IVA e ISLR, de cada contribuyente, y a su vez estos perfiles nos permiten fundar un juicio para la selección de contribuyentes potencialmente fiscalizables durante un ejercicio fiscal. Este trabajo contribuirá a una mayor eficiencia de las unidades de gestión y control en la recuperación de ingresos y reducir al mínimo el tiempo de intervención en las empresas que utilizan tácticas de estafa fiscal. El uso estratégico de la información se está convirtiendo hoy en día en el instrumento que adopta la Administración Tributaria, en un entorno complejo, para ofrecer respuestas en tiempo real a las demandas de la sociedad sobre el papel del Gobierno en la lucha contra los mecanismos de desfalco de los recursos públicos. El Servicio Nacional de Administración Aduanera y Tributaria de la República Bolivariana de Venezuela (SENIAT) es una Institución pública adscrita al Ministerio Popular para las Finanzas, cuyo objetivo es la gestión de la recaudación de impuestos en el país. Una de las funciones principales de este ente, es el control fiscal de los contribuyentes sujetos al Impuesto al Valor Agregado (IVA), cuya alícuota es fijada de acuerdo a las necesidades fiscales del gobierno nacional, también el control fiscal de los contribuyentes sujetos al Impuesto sobre la Renta (ISLR). Dentro de la actividad de control, existen varias modalidades de auditorias fiscales, Por ejemplo, las auditorias de deberes formales se refieren a la verificación superficial en el cumplimiento de las obligaciones tributarias establecidas en el Código Orgánico Tributario y en las Leyes específicas de cada tributo; así como también en sus reglamentos. Por otra parte existen los procesos de determinación mejor conocidos como auditorias de fondo, las cuales plantean el análisis en profundidad de los estados financieros, libros legales y el cruce de información contable a objeto de encontrar ilícitos fiscales no evidentes mediante una verificación de deberes formales, la idea con esta metodología es que los tiempos en que se realice esta auditoria fiscal de fondo se reduzcan significativamente, ya que poseemos información aportada por nuestra metodología que nos permite ir rápidamente a encontrar el ilícito en el cual esta ocurriendo el contribuyente, lo cual aumenta la capacidad de fiscalización de la Administración Tributaria, ya que con la misma cantidad de fiscales atacamos mas contribuyentes de manera efectiva. 2. METODOLOGÍA Y DISEÑO DE LA INVESTIGACIÓN Desde el punto de vista de su naturaleza, este estudio se puede definir como una investigación aplicada, ya que se refiere a un estudio de caso que analiza las bases de datos del SENIAT y sus sistemas de información, en relación con la forma de abordar el problema, la investigación se clasifica como cuantitativa. El presente trabajo se inscribe dentro de la investigación descriptiva de campo, que se define como aquella cuyo propósito es la descripción de eventos procurando la información desde su ambiente original. Según su diseño, esta investigación es de campo, porque contempla la recolección y catalogación del objeto de estudio a partir de información directa de la fuente natural, en un ambiente de tipo no experimental. Desde su perspectiva temporal, la investigación es de tipo transaccional ya que los datos se obtienen en un momento específico del tiempo y con un estudio detallado o particular de los eventos observados. 2.1 DEFINICIÓN DE CASO DE ESTUDIO. En las bases de datos seleccionadas, se llevaron a cabo los estudios preliminares, que apoyarían la elección del estudio de caso, y se establecieron los cuatro criterios básicos para definir el área de actividad que se desea estudiar: a) Actividad económica del contribuyente. b) Estado, municipio, ubicación geográfica donde se ubica al contribuyente, c) Importancia estratégica para el SENIAT, por ejemplo, analizar la junta directiva de las empresas bajo estudio. d) Tamaño de los establecimientos. El objetivo es obtener una mejor comprensión de las bases de datos y definir a cuáles de los segmentos de la actividad económica se aplicarían las normas de información para la generación de productos de inteligencia. Esta compresión de las base de datos nos llevo a establecer que no era posible determinar poblaciones homogéneas usando la clasificación económica actual de los contribuyentes, lo que hace imposible conocer el tamaño de la población, donde se pueda identificar a todos los individuos en estudio; es decir, a la totalidad de las empresas gravadas con IVA e ISLR correspondientes a un sector económico específico, por lo tanto, recurrimos al tratamiento estadístico que consiste en tomar muestras de contribuyentes que tenemos certeza de su clasificación económica, sobre esta muestra desarrollamos y construimos perfiles de información que nos permiten determinar posibles evasores, y a partir de la Teoría de la Inferencia Estadística aplicar los perfiles obtenidos sobre la muestra a todos los contribuyentes pertenecientes a esa clasificación económica. 2.2 PERFILES DE INFORMACIÓN DE CONTRIBUYENTES PARA LA PRODUCCIÓN DE INTELIGENCIA FISCAL. El uso de perfiles de información de contribuyentes para la producción de la inteligencia fiscal se asocia con el establecimiento de un análisis sistemático de datos e información. Cada perfil de información de contribuyentes describe un problema que se produce repetidamente en nuestro entorno y, a continuación se describe la solución principal a este problema, de modo que puede volver a utilizar esta solución un millón de veces, sin el esfuerzo inicial. Una herramienta básica para el desarrollo de los perfiles de información de contribuyentes fue la creación de indicadores, con el fin de establecer medidas que aumentan las pruebas o sospechas de fraude. Para ello los indicadores son útiles y ampliamente conocidos, un indicador empírico es una herramienta que permite representar la dimensión teórica de una variable clave. El uso de indicadores incluye tres pasos básicos: • El primero obtenido en la operación o manipulación de varias cantidades sobre la base de una fórmula, llamado simplemente el cálculo del índice o indicador; • La segunda interpretación, como lo entendemos y lo explicamos; • La tercera y más importante, es la conceptualización de los contenidos que reciben. La aplicación de indicadores se está convirtiendo en una herramienta cuyo uso es cada vez mayor en las metodologías empleadas para resumir la información de carácter técnico y científico en su forma original o "bruto", para permitir que pase en forma resumida y se preserve la esencia de los datos originales, con sólo las variables que mejor sirvan a los objetivos. La información es por lo tanto más fácilmente utilizable por los tomadores de decisiones, los administradores y grupos de interés. Con los indicadores podemos realizar interpretaciones en el momento en que se determinan irregularidades o comportamientos anormales a partir de los componentes del indicador, y determinar cuales de los componentes es el que esta determinado este comportamiento irregular, podemos recurrir a la generación de árboles de Dupont, permitiendo la navegación por las diferentes vistas de un indicador, por ejemplo, ventas totales de un contribuyente, compras totales de un contribuyente, por región geográfica, por actividad económica, entre otros. Esto es más difícil de realizar cuando aplicamos Redes Neuronales o Análisis Multivariante ya que estas técnicas establecen cual contribuyente es sospechoso de fraude fiscal, pero no el por que. Generalización Recomendaciones Para cada combinación de variables clave y de estados de alarmas se pueden definir recomendaciones de acción Por medio de la Teoría de la Inferencia Estadística generalizamos los perfiles de evasión a todos los contribuyentes Alarmas Sistema de alarmas que nos avise de desviaciones o rupturas producidas en los controles indicadores Figura 1 Elaboración propia Perfiles Sistema de Perfiles de contribuyentes que nos permite determinar posibles evasores, en la muestra de contribuyentes considerada Datos Indicadores Definición de indicadores que muestren la evolución de las variables claves seleccionadas, sobre una muestra de contribuyentes. Figura Nº 1 En la figura 1, podemos observar el tratamiento estadístico de la información mediante el uso de indicadores y muestras de contribuyentes hasta generalizar los resultados a todos los elementos de la actividad económica. 3. ETAPAS DE DESARROLLO DE LA INVESTIGACIÓN Se adoptaron los métodos y técnicas para la selección, análisis e interpretación de datos que componen los cinco pasos básicos de desarrollo de la investigación (Figura 3), Figura Nº 2 ETAPAS ETAPAS DE DESARROLLO DE LA INVESTIGACIÓN 3.1 - Selección y análisis de bases de datos Análisis de los bancos corporativos de datos 3.2 - Definición del Caso De Estudio, Realizar estudios para identificar tamaño, e importancia del sector, de la actividad económica y división geográfica 3.3 - Definición y la construcción de medidas , Establecer medidas sobre la base de indicadores, 3.4 - Levantamiento de las series muéstrales Construir series muéstrales de los indicadores, por actividad económica y sector geográfico 3.5 - Preparación y Aplicación de los Perfiles de Información a la muestra seleccionada de contribuyentes de una actividad económica especifica. Construir el Algoritmo de selección previa que será aplicado a la muestra. 3.6 - Preparación y Aplicación de los Perfiles de Información a todos los contribuyentes de la actividad económica especifica. Todos los resultados son válidos para las series muéstrales El objetivo es generalizarlos a toda la población del sector económico en análisis, , METODOS Y TECNICAS Acceso, pertinencia y calidad de los datos Se dispuso de una tabla en formato Excel suministrada por la División de Fiscalización (DF) adscrita a la Gerencia Regional de Tributos Internos del Estado Zulia, donde había una cantidad significativa de contribuyentes, de distintas actividades económicas y distintos municipios del Estado Zulia. Interpretación de los indicadores que nos permita determinar la sospecha de fraude fiscal La muestra fue seleccionada a través de un proceso aleatorio por conglomerados, el cual se define como aquel de tipo probabilístico, donde la unidad muestral es un grupo de elementos de la población que forman una unidad, a la que llamamos conglomerado. Aplicaremos a la muestra de contribuyentes de una actividad económica especifica, el algoritmo de selección previa basado en la dispersión de los datos con respecto a la Media y la regla empírica de Chevbyschev, y así determinar los sospechosos de fraude, Teoría de la Estimación Estadística, Esta teoría estudia como obtener información sobre una población, mediante muestras extraídas de ella, en nuestro estudio aplicaremos la t-student 3.1 SELECCIÓN Y ANÁLISIS DE BASES DE DATOS Se recogieron principalmente datos primarios. Los datos primarios son aquellos que provienen de fuentes de observación directa, obtenida en bases de datos operacionales y de gestión del impuesto del SENIAT, se toman los datos generados por la declaraciones de impuestos sobre la renta denominada forma DPJ-00026 y DPJ-00025, y la forma 00030 del IVA. 3.2 DEFINICIÓN DEL CASO DE ESTUDIO, Considerando que es imposible conocer el tamaño de la población, donde se pueda identificar a todos los individuos en estudio; es decir, a la totalidad de las empresas gravadas con IVA e ISLR correspondientes a un sector económico específico del Estado Zulia, ni tampoco de un marco para un muestreo estratificado con afijación proporcional, se dispuso en su lugar de una tabla en formato Excel suministrada por la División de Fiscalización (DF) adscrita a la Gerencia Regional de Tributos Internos del Zulia, cuyos registros corresponden a la información emanada de estudios de selección previa realizados mediante el análisis de razones financieras durante el año 2010; se fijaron como conglomerados a cada uno de los sectores de actividad económica de la región y se utilizaron todas las observaciones disponibles (contribuyentes) ubicados dentro de cada sector para la realización del estudio. De tal forma se aplicará un estudio descriptivo exploratorio a cada sector o rama de actividad detectada en la tabla de datos originales suministrada por la DF seleccionando como contribuyentes fiscalizables aquellos que presenten valores atípicos en las razones construidas por los funcionarios fiscales a partir de la información extraída de los formularios. Se consideraron 38 ferreterías del Municipio Mara del Estado Zulia. 3.3 DEFINICIÓN Y CONSTRUCCIÓN DE MEDIDAS, La Coordinación de Selección Previa de la División de Fiscalización de la Gerencia de Contribuyentes Especiales de la Región Capital (SP-DF-GRCERC) propuso la aplicación de siete ratios (razones) tributarias obtenidas a partir de la información aportada por las declaraciones de IVA, ISLR, para la obtención de perfiles de contribuyentes en forma automática mediante una hoja de calculo, con la intención de incrementar la recaudación mediante la aplicación de fiscalizaciones mas efectivas y ajustes voluntarios (CSP-DF-GRCERC, 2005). Estos siete ratios o medidas que estableceremos en base a los siguientes indicadores: • AX: Valor Agregado (VA) generado por el contribuyente, como proporción de sus Ventas Netas anuales. Al final del periodo fiscal, una empresa o contribuyente en estado de actividad debería mostrar un AX positivo. AX = ( VN − CN )/VN (1) donde : VN= Ventas Netas del período. CN: Compras Netas del período. • BX: expresa la proporción de las Ventas Exentas Netas sobre las Ventas Netas Totales. Se considera normal para la lógica del tributo (IVA), que las empresas agreguen valor a los insumos exentos incorporados a la producción o a los servicios ofrecidos, y que finalmente realicen ventas gravadas trasladando la carga impositiva al consumidor final. De manera que valores negativos de BX se corresponden con la lógica general del IVA, mientras que valores positivos o cercanos a cero deben llamar a la atención. BX = (VE − CE)/VN (2) donde : VE: Ventas Exentas del período. CE: Compras Exentas del período. • CX: Representa el Impuesto Pagado como proporción del las Ventas Netas anuales, considerando el saldo neto de Créditos Fiscales. Un comportamiento normal es aquel donde un contribuyente presenta un balance positivo de CX al final del período, de lo contrario el contribuyente acumula crónicamente excedentes de créditos fiscales trasladables al ejercicio siguiente. CX = (IP + SCFPA − SCFPP)/ VN (3) donde : IP: Impuestos pagados en el ejercicio fiscal. SCFPA: Saldo de Créditos Fiscales Período Anterior. SCFPP: Saldo de Créditos Fiscales Período Posterior. • DX: representa la proporción de Ventas de Exportación con respecto al total de ventas netas de la empresa. DX = VX/VN (4) VX: Ventas de Exportación • EX: Expresa el margen de beneficio bruto de la empresa como proporción de los ingresos netos, EX relaciona los ingresos netos de la empresa deduciendo los costos de ventas. Se especifica que ésta razón debe estar en correspondencia al indicador AX tratado anteriormente. El mismo, cruza la información extraída de las declaraciones del IVA con las declaraciones del ISLR. Es importante advertir que según el SSPF, si EX es mayor que AX, es procedente auditar las cuentas de costos de la empresa. EX = (IN −CV)/ IN (5) donde: IN: Ingresos Netos del ejercicio. CV: Costos de Ventas del ejercicio. • FX: Evalúa la tasa efectiva de recaudación del contribuyente, FX es una razón que cuantifica la proporción del Impuesto Sobre la Renta neto pagado como proporción del total de Ingresos por ventas netas de la empresa. Mide la tasa efectiva de tributación del ISLR del contribuyente. FX = (ISLRP − ISLRC)/ VN (6) donde: ISLRP: Impuesto Sobre la Renta Pagado. ISLRC: Impuesto Sobre la Renta Compensado. A continuación se expone la tabla Nº 1 donde se explica como se construyen los indicadores a partir de la información recabada en las declaraciones (formularios) correspondientes al IVA e ISLR durante un ejercicio fiscal. RATIO FORMULA FORMA ANALIZADA SIGNIFICADO BX (VN-CN)/VN (VE-CE)/VE CN=COMPRAS NETAS Formulario 000-30 del IVA VE=VENTAS EXENTAS Formulario 000-30 del IVA IP = IMPUESTO PAGADO CX 35=COMPRAS NETAS (46-35)/46 40=VENTAS EXENTAS (40-30)/40 30=COMPRAS EXENTAS CE=COMPRAS EXENTAS (IP+SCFPA – SCFPP)/VN FORMULA CON CAMPOS DE LA FORMA ANALIZADA 46=VENTAS NETAS VN=VENTAS NETAS AX CAMPOS DE LA FORMA ANALIZADA IP= (22+51+24+55+58+90) SCFPA = SALDO CRÉDITO FISCAL PERÍODO ANTERIOR SCFPP=SALDO CRÉDITO FISCAL PERÍODO POSTERIOR SCFP=20 Formulario 000-30 del IVA SCFPP=60 Formulario 000-30 del IVA. 41=VENTAS NETAS DE EXPORTACION (22+51+24+55+ 58+90+20-60)/46 VN=46 VN =VENTAS NETAS DX VNEXPOTACION/VN VNEXPORTACION= VENTAS NETAS EXPORTACION DE 41/46 46=VENTAS NETAS VN=VENTAS NETAS IN=INGRESOS NETOS EX FX (IN – C VNT)/ IN ISLRP/IN CVNT=COSTO VENTAS DE DPJ00026 DEL ISLR IN=711 (711-734)/711 CVNT=734 ISLRP=IMPUESTO SOBRE LA RENTA PAGADO, ISLRP=241+291+90 DPJ00026 DEL ISLR IN=711 ( (241+291+90)/711 IN=INGRESOS NETOS Tabla Nº 1 La información para construir esta tabla fue suministrada por el analista de tributos Douglas Salazar, pertenecientes a la División de Programación de la Gerencia Nacional de Fiscalización del SENIAT y por la Coordinación de Selección Previa de la División de Fiscalización de la Gerencia de Contribuyentes Especiales de la Región Capital (SP-DF-GRCERC). 3.4 LEVANTAMIENTO DE LAS SERIES MUÉSTRALES Se consideraron para la muestra 38 ferreterías del Municipio Mara del Estado Zulia para el año 2010, la información fue suministrada por la División de Fiscalización (DF) adscrita a la Gerencia Regional de Tributos Internos del Estado Zulia, ver Tabla Nº 2. FERRETERIA 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 AX 0.8751 0.4123 0.2847 -0.0297 0.4368 0.3314 0.0523 0.2288 0.1409 0.1285 0.3452 0.0416 0.3216 0.1215 0.0221 0.2337 0.2217 0.0012 0.0019 0.1979 0.1122 0.5758 0.334 0.3908 0.3462 0.2624 0.2124 0.1382 0.7695 0.3182 0.1959 0.2293 0.299 0.2366 0.662 0.54 0.3287 0.3255 BX -0.0118 -0.0292 -0.0548 -0.0216 -0.0108 -0.0008 0.0071 -0.0037 -0.0257 0 0.0957 -0.0037 0 -0.0004 -0.0334 -0.0009 -0.0046 0 0 -0.0019 -0.0009 -0.0453 -0.0008 0 -0.0153 -0.0012 -0.093 -0.0037 -0.0516 0 -0.0122 -0.0037 -0.0418 -0.0336 -0.0003 -0.0152 -0.0149 -0.0072 CX 0.0759 0.0618 0.0309 0.0014 0.0627 0.0473 0.0125 0.0298 0.0236 0.0163 0.049 0.006 0.0333 0.0165 0.0075 0.0302 0.039 0.0001 0.0003 0.0282 0.017 0.0809 0.0473 0.0547 0.0546 0.0366 0.0396 0.0159 0.0918 0.048 0.0285 0.0334 0.0419 0.0378 0.0403 0.4098 0.0385 0.0456 DX 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 EX 0.6367 0.2349 0.4902 0.3526 0.3709 0.3884 0.2334 0.1827 0.1719 0.1725 0.1519 0.0728 0.4026 0.2447 0.2436 0.2228 0.4296 0.0027 0.0036 0.3239 0.1361 0.3412 0.3884 0.4537 0.3866 0.2735 0.5168 0.2264 0.6006 0.286 0.5041 0.1827 0.2872 0.2804 0.3879 0 0.2571 0.3304 FX 0 -0.0218 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -0.0115 0 0 0 0 -0.0037 0 0 0 -0.0614 0 0 0 0 0 0 0 0 0 0.0634 0 0 Tabla Nº 2 Esta tabla muestra los valores obtenidos al aplicar los siete indicadores a 38 farmacias del Municipio Mara del Estado Zulia. Todos los DX son cero ya que ninguna de las farmacias realiza exportaciones. La muestra fue seleccionada a través de un proceso aleatorio por conglomerados, el cual se define como aquel de tipo probabilístico, donde la unidad muestral es un grupo de elementos de la población que forman una unidad, a la que llamamos conglomerado. Las unidades hospitalarias, los departamentos universitarios, una caja de determinado producto, etc., son conglomerados naturales. En otras ocasiones se pueden utilizar conglomerados no naturales como, por ejemplo, las urnas electorales. Cuando los conglomerados son áreas geográficas suele hablarse de "muestreo por áreas". El muestreo por conglomerados consiste en seleccionar aleatoriamente un cierto numero de conglomerados (el necesario para alcanzar el tamaño muestral establecido) y en investigar después todos los elementos pertenecientes a los conglomerados elegidos. (http://www.psico.uniovi.es/Dpto_Psicologia/metodos/tutor.7/p2.html) 3.5 PREPARACIÓN Y APLICACIÓN DE LOS PERFILES DE INFORMACIÓN A LA MUESTRA SELECCIONADA DE CONTRIBUYENTES DE UNA ACTIVIDAD ECONÓMICA ESPECÍFICA. Construiremos el Algoritmo de selección previa que será aplicado a la muestra, de contribuyentes de una actividad económica específica, y así poder determinar los sospechosos de fraude de esa muestra. El algoritmo de selección previa esta basado en la teoría de la dispersión de los datos con respecto a la Media y la regla empírica de Chevbyschev La teoría de dispersión respecto a la media y la regla empírica de Chevbyschev están contemplados en el los apéndice 2 de este documento. En el apéndice 1 hay una descripción de alto nivel del algoritmo que a continuación presentaremos: 3.5.1 ALGORITMO SISTEMA DE SELECCIÓN PREVIA FICHA 1 CASO INDICADOR AX Descripción Formal: Función selección de _AX // C es un conjunto no vacío de razones AX.// // Paso 1: Se asigna el número de contribuyentes de acuerdo a ciertos criterios previos. Paso 2: // Se calcula la media aritmética de la muestra// // Ponemos en cero el acumulador X. Para X i X1 ....... X i Si entonces Xi / n Devolver Paso 3: // Se calcula la Desviación Estándar de la muestra// Para // Se suman los cuadrados de las diferencias de las observaciones individuales con respecto a la media// Si entonces // Se calcula la raíz cuadrada de la suma de cuadrados se dividida entre n -1 observaciones.// Paso 4: Se calculan los pasos hacia la izquierda y derecha de la media y se almacena el valor crítico // // Se seleccionan los contribuyentes más atípicos y se almacenan en un vector Z // Para i 1 hasta 3 hacer; iP=[ -i*S, +i*S] __ Si xi X i * S || xi X i * S entonces Z (i) xi Z(i) son los contribuyentes que esta fuera del intervalo [ -i*S, +i*S] Devolver Z (i) Seleccionar Z(i), con i= 1,2,3, si poseemos gran capacidad de fiscalización o dependiendo de la interpretación del fiscal, seleccione Z(1), si desea menos contribuyentes a fiscalizar o dependiendo del criterio del fiscal, seleccione Z(2), y si requiere todavía menos contribuyentes seleccione Z(3). Es de hacer notar que Z(3) Z(2) Z(1) lo que significa que si selecciona Z(1) esta seleccionando a Z(2) y Z(3). En Z(3) están contenidos los contribuyentes mas alejados de la media muestral a tres desviaciones estándares y son los contribuyentes con más probabilidad de que estén cometiendo una infracción. Fin 3.5.2. Razones del IVA. Para el análisis del IVA a través de las razones tributarias propuestas por el Sistema de Selección Previa de Fiscalización de Contribuyentes Especiales de la Región Capital (SSPF), se dispone de las razones: AX, BX, CX y DX. El indicador AX, que fue definido como la expresión del Valor Agregado (VA) generado por el contribuyente, como proporción de sus Ventas Totales Netas anuales. Al final del periodo fiscal, una empresa o contribuyente en estado de actividad debería mostrar un AX positivo. Ahora aplicaremos el ALGORITMO SISTEMA DE SELECCIÓN PREVIA a los valores obtenidos del AX en nuestra muestra 38 ferreterías del Municipio Mara del Estado Zulia para el año 2010, la información fue suministrada por la División de Fiscalización (DF) adscrita a la Gerencia Regional de Tributos Internos del Estado Zulia, ver Tabla Nº 2. Paso 1: Ver 3.4 (Levantamiento de las series muéstrales) 0.8751 0.4123 0.2847- 0.0297 0.4368 0.3314 0.0523 0.2288 0.1409 0.1285 0.3452 0.0416 0.3216 0.1215 0.0221 0.2337 0.2217 0.0012 AX = 0.0019 0.1979 0.1122 0.5758 0.3340 0.3908 0.3462 0.2624 0.2124 0.1382 0.7695 0.3182 0.1959 0.2293 0.2990 0.2366 0.6620 0.5400 0.3287 0.3255 Paso 2: Se calcula la media aritmética de la muestra// = [ 0.8751 +0.4123 + 0.2847 + -0.0297 + 0.4368 + 0.3314 + 0.0523 + 0.2288 + 0.1409 + 0.1285 + 0.3452 + 0.0416 + 0.3216 + 0.1215 + 0.0221 + 0.2337 + 0.2217+ 0.0012 + 0.0019 + 0.1979 + 0.1122 + 0.5758 + 0.3340 + 0.3908 + 0.3462+ 0.2624 + 0.2124 + 0.1382 + 0.7695 + 0.3182 + 0.1959 + 0.2293 + 0.2990+ 0.2366+ 0.6620 + 0.5400+ 0.3287 + 0.3255 ]/38 = 0.2802 = Paso 3: Se calcula la Desviación Estándar de la muestra// + ( 0.2847- 0.2802 ) + ( - 0.0297- 0.2802 ) + (0.4368- 0.2802) + (0.3314 - 0.2802) + (0.0523 - 0.2802) + ( 0.2288 - 0.2802 ) + ( 0.1409 - 0.2802) + ( 0.1285- 0.2802 ) + ( 0.3452- 0.2802 ) + (0.0416 - 0.2802) + ( 0.3216 - 0.2802 ) + ( 0.1215- 0.2802 ) + ( 0.0221 - 0.2802) + ( 0.2337 - 0.2802 ) + ( 0.2217 - 0.2802 ) + ( 0.0012 - 0.2802 ) + ( 0.0019 0.2802 ) + ( 0.1979 0.2802 ) + + (0.5758 0.2802 ) + ( 0.3340 0.2802 ) + ( 0.3908 0.2802 ) + ( 0.3462 0.2802 ) + ( 0.2624 0.2802 ) + ( 0.2124 0.2802 ) + ( 0.1382 0.2802 ) + ( 0.7695 0.2802) + ( 0.3182 0.2802 ) + ( 0.1959 0.2802 ) + ( 0.2293 0.2802 ) + ( 0.2990 0.2802) + ( 0.2366 0.2802) + ( 0.6620 0.2802 ) + ( 0.5400 0.2802) + ( 0.3287 0.2802) + ( 0.3255 0.2802 ) ] = = = 1.54453483 [ ( 0.8751- 0.2802 )+ (0.4123- 0.2802) 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 = 2 1.54453483 = 0.204315 37 2 2 2 2 Paso 4: Se calculan los pasos hacia la izquierda y derecha de la media y se almacena el valor crítico // 1P = S ; 2P = 2S ; 3P = 3S 1P = [0.2802- 0.204315, 0.2802 + 0.204315] = [0.075885, 0.484515] 2P = [0.2802 – 2*0.204351, 0,2802 + 2*0.204351] = [ - 0.1278 , 0.6882] 3P = [0.2802 – 3*0.204351, 0,2802 + 3*0.204351] = [-0,332853 , 0.893253] // Se seleccionan los contribuyentes más atípicos y se almacenan en un vector Z(i) // -0.332853 - 0.1278 0.075885 0.2802 0.484515 0.6882 0.8932533 Figura 4. Histograma de freqüências de AX -0.332853 -3S - 0.1278 -2S 0.075885 -S 0.2802 0.484515 +S 0.6882 +2S 0.8932533 +3S Determinamos Z(1), los contribuyentes que están fuera de 1P = [0.075885, 0.484515] Como 0.8751 > 0.484515 entonces el contribuyente Nº 1 es seleccionado para Z(1) Como 0.5758 > 0.484515 entonces el contribuyente Nº 22 es seleccionado para Z(1) Como 0.7695 > 0.484515 entonces el contribuyente Nº 29 es seleccionado para Z(1) Como 0.54 > 0.484515 entonces el contribuyente Nº 36 es seleccionado para Z(1) Como 0.0299 < 0.075885 entonces el contribuyente Nº 4 es seleccionado para Z(1) Como 0.0523 < 0.075885 entonces el contribuyente Nº 7 es seleccionado para Z(1) Como 0.0416 < 0.075885 entonces el contribuyente Nº 12 es seleccionado Como 0.0221 < 0.075885 entonces el contribuyente Nº 15 es seleccionado Como 0.0012 < 0.075885 entonces el contribuyente Nº 18 es seleccionado Como 0.0019 < 0.075885 entonces el contribuyente Nº 19 es seleccionado Z(1) de AX = Ferretería Nº 1 AX 0.8751 -0.0299 0.0523 0.0416 0.0221 0.0012 0.0019 0.5758 0.7695 0.54 4 7 12 16 18 19 22 29 36 Determinamos Z(2), los contribuyentes que están fuera de 2P = [ - 0.1278 , 0.6882] Como 0.8751 > 0.6882 entonces el contribuyente Nº 1 es seleccionado para Z(2) Como 0.7695> 0.6882 entonces el contribuyente Nº 29 es seleccionado para Z(2) Z(2) de AX = Ferretería Nº 1 AX 0.8751 0.7695 29 Determinamos Z(3), los contribuyentes que están fuera de 3P = [-0,332853 , 0.893253] no existen contribuyentes fuera de 3P, por lo tanto Z(3) es vacío. Seleccionamos Z(1), ya que tiene un numero significativo de contribuyentes respecto a Z(2) y Z(3) y aplicamos el siguiente cuadro. RATIO AX INDICADOR MARGEN BRUTO DE BENEFICIO EN VENTAS ALARMAS/ BANDERAS RESULTADOS ACCION AX > 0 VENTAS > COMPRAS REVISAR VENTAS AX < 0 VENTAS < COMPRAS REVISAR COMPRAS Tabla Nº 3 Es decir a los contribuyentes numero 1, 22, 29, 36, 7, 12, 16, 18, 19 le analizaremos las ventas ocurridas en el periodo inspeccionado y al contribuyente numero 4 le analizaremos las compres. El cuadro surge a partir de la interpretación lógica de la construcción del indicador. Ahora aplicaremos este algoritmo a los valores obtenidos del BX en nuestra muestra 38 ferreterías del Municipio Mara del Estado Zulia para el año 2010, la información fue suministrada por la División de Fiscalización (DF) adscrita a la Gerencia Regional de Tributos Internos del Estado Zulia, ver Tabla Nº 2. Paso 1: Ver 3.4 (Levantamiento de las series muéstrales - 0.0118 - 0.0292 - 0.0548 - 0.0216 - 0.0108 - 0.0008 0.0071 - 0.0037 - 0.0257 0.0000 0.0057 - 0.0037 0.0000 - 0.0004 - 0.0334 - 0.0009 - 0.0046 0.0000 BX = 0.0000 - 0.0019 - 0.0009 - 0.0453 - 0.0008 0.0000 - 0.0153 - 0.0012 - 0.0930 - 0.0037 - 0.0516 0.0000 - 0.0122 - 0.0037 - 0.0418 - 0.0336 - 0.0003 - 0.0152 - 0.0149 - 0.0072 Paso 2: Se calcula la media aritmética de la muestra// = -0.01398 Paso 3: Se calcula la Desviación Estándar de la muestra// = 0.02093958 Paso 4: Se calculan los pasos hacia la izquierda y derecha de la media y se almacena el valor crítico // 1P = S ; 2P = 2S ; 3P = 3S 1P = [ -0.03491958, 0.00694958] 2P = [ - 0.05557916 , 0.02789916] 3P = [ -0.07679874 , 0.0488387] // Se seleccionan los contribuyentes más atípicos y se almacenan en un vector Z(i) // Figura 5 Histograma de frecuencia del indicador BX Z(1) de BX = Ferretería Nº 7 3 22 27 29 33 Z(2) de BX = Ferretería Nº 3 29 BX 0.0071 -0.0548 -0.0453 -0.0930 -0.0516 -0.0418 BX -0.0548 -0.0516 Determinamos Z(3), los contribuyentes que están fuera de 3P = [ -0.07679874 , 0.0488387], no existen contribuyentes fuera de 3P, por lo tanto Z(3) es vacío. Seleccionamos Z(1), ya que tiene un numero significativo de contribuyentes respecto a Z(2) y Z(3) y aplicamos el siguiente cuadro : RATIO BX RESULTADOS INDICADOR REPRESENTA EL VALOR AGREGADO EXENTO ALARMAS/ BANDERAS BX > 0 VENTAS EXENTAS > COMPRAS EXENTAS BX <0 VENTAS EXENTAS < COMPRAS EXENTAS ACCION REVISAR CARTERA DE VENTAS EXENTAS REVISAT PRORRATA REVISAR INVENTARIO Tabla Nº 4 Es decir a los contribuyentes numero 3, 22, 27, 29, 33 le analizaremos el inventario en el periodo inspeccionado y al contribuyente numero 7 le analizaremos las ventas exentas y la manera como esta prorrateando las exenciones. El cuadro surge a partir de la interpretación lógica de la construcción del indicador. Ahora aplicaremos este algoritmo a los valores obtenidos del CX en nuestra muestra 38 ferreterías del Municipio Mara del Estado Zulia para el año 2010, la información fue suministrada por la División de Fiscalización (DF) adscrita a la Gerencia Regional de Tributos Internos del Estado Zulia, ver Tabla Nº 2. Paso 1: Ver 3.4 (Levantamiento de las series muéstrales) CX= 0.07590.06180.03090.00140.06270.04730.01250.02980.02360.0163 0.04900.00600.03330.01650.00750.03020.03900.00010.00030.0282 0.01700.08090.04730.05470.05460.03660.03960.01590.09180.0480 0.02850.03340.04190.03780.04030.40980.03850.0456 Paso 2: Se calcula la media aritmética de la muestra// = 0.04564 Paso 3: Se calcula la Desviación Estándar de la muestra// = 0.06444659 Paso 4: Se calculan los pasos hacia la izquierda y derecha de la media y se almacena el valor crítico // S ; 2P = 2S ; 3P = 3S 1P = 1P = [-0.01880059 , 0.11008659] 2P = [-0.08325218 , 0.17453218] 3P = [-1.8877577 , 1.97903777] Figura 6 Histograma de frecuencia del indicador CX Z(1) de CX = Ferretería Nº 36 CX 0.498 Z(2) y Z(3) están vacíos. Seleccionamos Z(1), aplicamos el siguiente cuadro : RATIO RESULTADOS INDICADOR CX REPRESENTA PAGADO EL ALARMAS/ BANDERAS ACCION CX > 0 ORIGINA IMPUESTO A PAGAR REVISAR MONTO DE IVA PAGADO EN EL PERIODO EN ESTUDIO. CX < 0 ACUMULA EXCEDENTES DE CREDITOS FISCALES VERIFICAR MONTO Y TRASPASO A PERIODOS SIGUIENTES IVA Tabla Nº 5 Es decir que al contribuyente numero 36 le revisaremos el IVA pagado en el periodo correspondiente. Ahora aplicaremos este algoritmo a los valores obtenidos del DX en nuestra muestra 38 ferreterías del Municipio Mara del Estado Zulia para el año 2010, la información fue suministrada por la División de Fiscalización (DF) adscrita a la Gerencia Regional de Tributos Internos del Estado Zulia, ver Tabla Nº 2. En concordancia con el conjunto de razones sugeridas por el Sistema de Selección Previa de Fiscalización de Contribuyentes Especiales de la Región Capital (SSPF) para el control fiscal del IVA tenemos al DX, que representa la proporción de Ventas de Exportación con respecto al total de ventas netas de la empresa. El instructivo creado para la difusión e interpretación de las razones analizadas propone, que en caso de encontrarse un DX cercano a 1, el funcionario actuante debería revisar si las ventas califican efectivamente como de exportación, y por ende determinar si procede la tarifa 0 en el gravamen de las mismas. En la muestra analizada, no se presentaron valores de DX diferentes de 0, por lo cual debe presumirse que ninguna de las 38 empresas vende productos para la exportación. En todo caso, dada la naturaleza comercial del sector ferretero regional, llamaría la atención encontrar valores de CX iguales o superiores a 1 dentro de una muestra. RATIO DX INDICADOR REPRESENTA EL COCIENTE DE EXPORTACION ALARMAS/ BANDERAS RESULTADOS DX >0 En caso de tener un DX que se acerca a al numero 1 (UNO) el funcionario debe verificar si las ventas clasifican efectivamente como de exportación para determinar si procede la aplicación de la tarifa “0”, o pago cero a todo producto exportado. Tabla Nº 6 3.5.4. Razones del ISLR. Para el análisis del ISLR a través de las razones tributarias propuestas por el SSPF, se dispone de dos razones: EX y FX. La primera pone en evidencia el margen de beneficio bruto de la empresa. EX relaciona los ingresos netos de la empresa deduciendo los costos de ventas, como proporción de los ingresos netos. El SSPF especifica que ésta razón debe ser similar al indicador AX tratado anteriormente. El mismo, cruza la información extraída de las declaraciones del IVA con la extraída de las declaraciones del ISLR. Adicionalmente es importante advertir que según el SSPF, si EX es mayor que AX, entonces se deberían auditar las cuentas de costos de la empresa. El segundo, evalúa la tasa efectiva de recaudación del contribuyente FX es una razón que cuantifica la proporción del Impuesto Sobre la Renta neto pagado como proporción del total de Ingresos por ventas netas de la empresa. En realidad, mide la tasa efectiva de tributación del ISLR del contribuyente. Ahora aplicaremos este algoritmo a los valores obtenidos del EX en nuestra muestra 38 ferreterías del Municipio Mara del Estado Zulia para el año 2010, la información fue suministrada por la División de Fiscalización (DF) adscrita a la Gerencia Regional de Tributos Internos del Estado Zulia, ver Tabla Nº 2. Paso 1: Ver 3.4 (Levantamiento de las series muéstrales) EX= 0.6367 0.2349 0.4902 0.3526 0.3709 0.3884 0.2334 0.1827 0.1719 0.1725 0.1519 0.0728 0.4026 0.2447 0.2436 0.2228 0.4296 0.0027 0.0036 0.3239 0.1361 0.3412 0.3884 0.4537 0.3866 0.2735 0.5168 0.2264 0.6006 0.2860 0.5041 0.1827 0.2872 0.2804 0.3879 0.0000 0.2571 0.3304 Paso 2: Se calcula la media aritmética de la muestra// = 0.2940 Paso 3: Se calcula la Desviación Estándar de la muestra// = 0.1539036 Paso 4: Se calculan los pasos hacia la izquierda y derecha de la media y se almacena el valor crítico // S ; 2P = 2S ; 3P = 3S 1P = 1P = [ -0.1401036 , 0.4479036 ] 2P = [ -0.0174072 , 0.6018072 ] 3P = [ -0.1077108 , 0.7557108 ] Z(1) de EX = Ferretería Nº 1 3 24 27 29 31 Z(2) de EX = Ferretería Nº 1 29 EX 0.6367 0.4902 0.4537 0.5168 0.6006 0.5041 EX 0.6367 0.6006 Determinamos Z(3), los contribuyentes que están fuera de 3P = [ -0.1077108 , 0.7557108 ], no existen contribuyentes fuera de 3P, por lo tanto Z(3) es vacío. Seleccionamos Z(1), ya que tiene un numero significativo de contribuyentes respecto a Z(2) y Z(3) y aplicamos el siguiente cuadro : RATIO INDICADOR ALARMAS/ BANDERAS RESULTADOS EX REPRESENTA EL MARGEN DE BENEFICIO BRUTO DE IMPUESTO SOBRE LA RENTA EX>0 EX<0 Debe existir correspondencia entre los valores que exhiben el AX y el EX. No deben ser exactamente iguales, pero si deben estar en un nivel muy cercano. En caso que el AX sea mayor que el EX, el funcionario deberá verificar los costos informados por la empresa o contribuyente. Si EX <0 hay que revisar los Ingresos Netos del ejercicio. Si EX>0 y cercano a uno hay que revisar Costos de Ventas del ejercicio. Tabla Nº 7 Como seleccionamos Z(1) y aplicando lo que esta en la tabla 7 seleccionaremos los contribuyentes 1,27,29 y 31 y le revisaremos los costos de venta del ejercicio. Ahora aplicaremos este algoritmo a los valores obtenidos del FX en nuestra muestra 38 ferreterías del Municipio Mara del Estado Zulia para el año 2010, la información fue suministrada por la División de Fiscalización (DF) adscrita a la Gerencia Regional de Tributos Internos del Estado Zulia, ver Tabla Nº 2. Paso 1: Ver 3.4 (Levantamiento de las series muéstrales) FX= 0.0000- 0.0218 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000- 0.0115 0.0000 0.0000 0.0000 0.0000- 0.0037 0.0000 0.0000 0.0000- 0.0614 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0634 0.0000 0.0000 Paso 2: Se calcula la media aritmética de la muestra// = -0.0009211 Paso 3: Se calcula la Desviación Estándar de la muestra// = Paso 4: Se calculan los pasos hacia la izquierda y derecha de la media y se almacena el valor crítico // 1P = S ; 2P = 2S ; 3P = 3S 1P = [ -0.01596916 , 0.01412699] 2P = [-0.03101728 , 0.02917508] 3P = [-0.0460638 , 0.04422317] Z(1) de FX = Ferretería Nº 2 26 36 FX -0.0218 -0.0614 0.0634 Z(2) de FX = Ferretería Nº 26 36 FX -0.0614 0.0634 Z(2) de FX = Ferretería Nº 36 EX 0.0634 Seleccionamos Z(1), ya que tiene un numero significativo de contribuyentes respecto a Z(2) y Z(3) y aplicamos el siguiente cuadro : RATIO FX INDICADOR REPRESENTA EL MARGEN BRUTO DE BENEFICIOS DE VENTA RESULTADOS FX>0 FX<0 ALARMAS/ BANDERAS Estos coeficientes miden la tasa efectiva de tributación de los contribuyentes, al comparar el impuesto pagado con las ventas netas informadas al ISLR. Si FX< 0 entonces hay que revisar el Impuesto sobre la renta pagado y si FX>0 revisar el impuesto sobre la renta compensado. Tabla Nº 8 Aplicando lo señalado en la tabla 8 y seleccionado a Z(1), tenemos que a los contribuyentes 2 y 26 le revisaremos el impuesto pagado en el ejercicio y al contribuyente 36 le revisaremos el impuesto sobre la renta compensado en el ejercicio. Después de haber aplicado el algoritmo número 1 con los siete indicadores a la muestra de 38 contribuyentes obtenemos la matriz de evaluación de indicadores (TABLA 9) donde se muestra cual es el impacto de los indicadores sobre las ferreterías, 1 significa que la ferretería X tiene una falla apreciada por el indicador Y. MATRIZ DE EVALUACION DE INDICADORES FERRETERIA 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 AX 1 0 0 1 0 0 1 0 0 0 0 1 0 0 0 1 0 1 1 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 BX 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 0 1 0 0 0 1 0 0 0 0 0 CX 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 DX 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 EX 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 1 0 1 0 0 0 0 0 0 0 FX 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 0 0 Nº de fallas 2 1 2 1 0 0 2 0 0 0 0 1 0 0 0 1 0 1 1 0 0 2 0 1 0 1 2 0 3 0 1 0 1 0 0 3 0 0 Tabla Nº 9 Después de haber aplicado el algoritmo número 1 con los siete indicadores a la muestra de 38 contribuyentes obtenemos la MATRIZ DE FALLAS DE LAS FERRETERIAS RESPECTO A LOS INDICADORES (TABLA 10) donde se muestra cual es el numero de fallas en las que incurren las ferreterías. MATRIZ DE FALLAS DE LAS FERRETERIAS RESPECTO A LOS INDICADORES FERRETERIA 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 AX BX CX 0.8751 0.4123 0.2847 -0.0297 0.4368 0.3314 0.0523 0.2288 0.1409 0.1285 0.3452 0.0416 0.3216 0.1215 0.0221 0.2337 0.2217 0.0012 0.0019 0.1979 0.1122 0.5758 0.334 0.3908 0.3462 0.2624 0.2124 0.1382 0.7695 0.3182 0.1959 0.2293 0.299 0.2366 0.662 0.54 0.3287 0.3255 -0.0118 -0.0292 -0.0548 -0.0216 -0.0108 -0.0008 0.0071 -0.0037 -0.0257 0 0.0957 -0.0037 0 -0.0004 -0.0334 -0.0009 -0.0046 0 0 -0.0019 -0.0009 -0.0453 -0.0008 0 -0.0153 -0.0012 -0.093 -0.0037 -0.0516 0 -0.0122 -0.0037 -0.0418 -0.0336 -0.0003 -0.0152 -0.0149 -0.0072 0.0759 0.0618 0.0309 0.0014 0.0627 0.0473 0.0125 0.0298 0.0236 0.0163 0.049 0.006 0.0333 0.0165 0.0075 0.0302 0.039 0.0001 0.0003 0.0282 0.017 0.0809 0.0473 0.0547 0.0546 0.0366 0.0396 0.0159 0.0918 0.048 0.0285 0.0334 0.0419 0.0378 0.0403 0.4098 0.0385 0.0456 DX EX 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Tabla Nº 10 0.6367 0.2349 0.4902 0.3526 0.3709 0.3884 0.2334 0.1827 0.1719 0.1725 0.1519 0.0728 0.4026 0.2447 0.2436 0.2228 0.4296 0.0027 0.0036 0.3239 0.1361 0.3412 0.3884 0.4537 0.3866 0.2735 0.5168 0.2264 0.6006 0.286 0.5041 0.1827 0.2872 0.2804 0.3879 0 0.2571 0.3304 FX Nº de fallas 0 0.0218 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -0.0115 0 0 0 0 -0.0037 0 0 0 -0.0614 0 0 0 0 0 0 0 0 0 0.0634 0 0 2 1 2 1 0 0 2 0 0 0 0 1 0 0 0 1 0 1 1 0 0 2 0 1 0 1 2 0 3 0 1 0 1 0 0 3 0 0 3.6. Preparación y Aplicación de los Perfiles de Información contribuyentes de la actividad económica especifica. a todos los Para continuar nuestra investigación y determinar los intervalos de confianza para nuestra media estadística muestral y poder extender los resultados a toda la población, introduciremos el software estadístico llamado “R”, 3.6.1 Software Estadístico R Para realizar nuestros cálculos y análisis estadísticos utilizaremos el software denominado “R” este es un software para la elaboración de gráficas y análisis estadístico, el cual es similar al ambiente del software S Plus. Es de uso gratuito a través de una licencia GNU General Public Licence (GPL), R tiene una cantidad importante de rutinas estadísticas definidas en su paquete base, pero además ofrece un buen número de paquetes de rutinas especializadas, los cuales se puede descargar e instalar en su página de paquetes de los colaboradores. Este es un software altamente recomendable por lo robusto y potente de las rutinas que tiene implementadas. Ventajas: Es un software robusto Posee un número importante de rutinas base y paquetes adicionales Está en constante actualización Gratuito Desventajas: Poco amigable si no se cuenta con ciertos conocimientos básicos de programación Puede requerir cierta dedicación al inicio para obtener resultados observables 3.6.2 Estimación de los intervalos de confianza. Hasta el momento todos los resultados obtenidos son válidos únicamente para la muestra utilizada. El objetivo fundamental de este artículo es la elaboración de una metodología que permita la selección del contribuyentes elegibles para fiscalización aplicable a toda la población del sector en análisis. Esto quiere decir que es necesario conocer, a partir de los datos muéstrales, cuales serán los valores poblacionales aproximados de las medias de cada razón, para así poder aplicar los métodos de selección según convenga, como algoritmo de selección generalizado en el sector. Para ello, como se demostró anteriormente se acudió a la teoría de la estimación. Partiendo de que el intervalo de confianza para la media con _2 desconocida puede obtenerse utilizando la distribución t de student, análoga a la distribución normal antes utilizada, se tiene que el estadístico de prueba es : y el intervalo de confianza para es: entonces, aplicando el estadístico de prueba antes definido a las todas las distribuciones calculadas con anterioridad, se obtiene, aplicando el software “R”, Para la media de AX: > t.test(AX) One Sample t-test data: AX t = 8.4529, df = 37, p-value = 3.629e-10 alternative hypothesis: true mean is not equal to 0 95 percent confidence interval: 0.2130071 0.3473192 sample estimates: mean of x 0.2801632 entonces: 0.2130071 0.3473192 Con una confianza del 95% puede afirmarse que la media poblacional de la razón AX en el sector de ferreterías estuvo entre 0.2130071 y 0.3473192 durante el año 2010. Como la media muestral fue de 0.2801632 la misma es válida para fijar los límites de selección a nivel poblacional con el método la teoría de la dispersión de los datos con respecto a la Media y la regla empírica de Chevbyschev, es decir podemos tomar 0.2801632 como media de AX para toda la población de donde se tomo la muestra con 95% de confianza.. Para la media de BX: t.test(BX) One Sample t-test data: BX t = -4.1153, df = 37, p-value = 0.0002074 alternative hypothesis: true mean is not equal to 0 95 percent confidence interval: -0.020861616 -0.007096279 sample estimates: mean of x -0.01397895 > entonces : -0.020861616 -0.007096279 Con una confianza del 95% puede afirmarse que la media poblacional de la razón BX en el sector de ferreterías estuvo entre -0.020861616 y -0.007096279 durante el año 2010. Como la media muestral fue de -0.01397895 la misma es válida para fijar los límites de selección a nivel poblacional con el método la teoría de la dispersión de los datos con respecto a la Media y la regla empírica de Chevbyschev, es decir podemos tomar -0.01397895 como media de BX para toda la población de donde se tomo la muestra con 95% de confianza.. Para la razón CX t.test(CX) One Sample t-test data: CX t = 4.366, df = 37, p-value = 9.795e-05 alternative hypothesis: true mean is not equal to 0 95 percent confidence interval: 0.02446167 0.06682780 sample estimates: mean of x 0.04564474 entonces 0.02446167 0.06682780 Con una confianza del 95% puede afirmarse que la media poblacional de la razón BX en el sector de ferreterías estuvo entre -0.020861616 y -0.007096279 durante el año 2010. Como la media muestral fue de -0.01397895 la misma es válida para fijar los límites de selección a nivel poblacional con el método la teoría de la dispersión de los datos con respecto a la Media y la regla empírica de Chevbyschev, es decir podemos tomar -0.01397895 como media de BX para toda la población de donde se tomo la muestra con 95% de confianza. Para la razón EX > t.test(EX) One Sample t-test data: EX t = 11.7753, df = 37, p-value = 4.454e-14 alternative hypothesis: true mean is not equal to 0 95 percent confidence interval: 0.2434000 0.3445737 sample estimates: mean of x 0.2939868 entonces 0.2434000 0.3445737 Con una confianza del 95% puede afirmarse que la media poblacional de la razón EX en el sector de ferreterías estuvo entre 0.2434000 y 0.3445737 durante el año 2010. Como la media muestral fue de la misma es válida para fijar los límites de selección a nivel poblacional con el método la teoría de la dispersión de los datos con respecto a la Media y la regla empírica de Chevbyschev, es decir podemos tomar 0.2939868 como media de EX para toda la población de donde se tomo la muestra con 95% de confianza. Para la razón FX t.test(FX) One Sample t-test data: FX t = -0.3773, df = 37, p-value = 0.7081 alternative hypothesis: true mean is not equal to 0 95 percent confidence interval: -0.005867236 0.004025131 sample estimates: mean of x -0.0009210526 entonces -0.005867236 0.004025131 Con una confianza del 95% puede afirmarse que la media poblacional de la razón FX en el sector de ferreterías estuvo entre -0.005867236 y 0.004025131 durante el año 2010. Como la media muestral fue de -0.0009210526 la misma es válida para fijar los límites de selección a nivel poblacional con el método la teoría de la dispersión de los datos con respecto a la Media y la regla empírica de Chevbyschev, es decir podemos tomar -0.01397895 como media de FX para toda la población de donde se tomo la muestra con 95% de confianza. Razón S Desv. Estándar AX Media 0.2801632 BX -0.01397895 0.02093958 CX 0.04564474 0.06444659 DX EX ------------------0.2939868 --------------------0.1539036 FX -0.0009210526 0.01504809 0.204315 Intervalo de Confianza del 95% 0.2130071 -0.020861616 0.02446167 0.3473192 -0.007096279 0.06682780 ------------------------------------------------------0.2434000 -0.005867236 0.3445737 0.004025131 Tabla Nº 11 4. - Conclusiones. Una vez analizadas cada una de las razones aplicadas a los contribuyentes del sector ferretero de la región zuliana, y calculados los intervalos de confianza para las Medias, es posible sugerir los límites de selección de acuerdo a cada método de selección. Los grupos de contribuyentes seleccionados podrán ser fiscalizados aplicando las estrategias adecuadas concentrándose en las debilidades particulares detectadas en el análisis de las razones 5 - Bibliografía. − Berenson, M.,Levine, David. (1992). «Estadística Básica en Administración». Editorial Prentice-Hall Latinoamericana. − GCERC-SENIAT. Ministerio del Poder Popular para las Finanzas- Sistema Nacional Integrado de Administración Aduanera y Tributaria SENIAT - Gerencia de Contribuyentes Especiales de la Región, Capital, División de Fiscalización, Coordinación de Selección Previa Capital «Procedimiento de Citación. Características Generales: Un elemento que forma parte del nuevo modelo de fiscalización en Venezuela».[Presentación Power Point]. Recuperada el 21-12-2008 a través del correo electrónico. − Chou, Ya-Lun. (1993) «Análisis Estadístico». Editorial McGraw-Hill Interamericana. − Salkind, A. (2000) «Métodos de Investigación». Editorial Prentice-Hall Latinoamericana. . - Stagg, Marcial (2009) << Metodología de Selección de contribuyentes para la fiscalización basada en el estudio probabilístico de razones tributarias>> Documento Interno de la Gerencia de Fiscalización. Apéndice 1 Algoritmos Sistema de Selección Previa Ficha 1 Algoritmo X1 para realizar la distribución muestral del ratio AX Problema: Seleccionar un grupo de contribuyentes fiscales a partir del análisis de la distribución muestral de AX. Descripción de Alto Nivel: Dado un grupo finito de contribuyentes fiscales pertenecientes al mismo sector económico de actividad (C) y con distribución muestral homogénea, se tiene el problema de seleccionar aquellos que se sitúen a más de ±3 desviaciones estándares con respecto a la media. Sin pérdida de generalidad, se asume que el conjunto de contribuyentes no será vacío y los mismos se enumeran como c1, c2, c3,….., cn Es decir, dada una muestra de contribuyentes fiscales se pide encontrar, el subconjunto de selección n, constituido por todas las xi, tal que xi 2S || xi 2S , para toda x que pertenece al conjunto C. Para ello, primero se calcula la Media Aritmética de la muestra, mediante donde representa la media muestral de los datos. xi representa a cada observación del indicador AX y n representa el número de elementos muestreados. Seguidamente, se calcula la Varianza Muestral y se le saca la raíz cuadrada para obtener la Desviación Estándar, utilizando donde S es la Desviación estándar de la muestra y representa la suma cuadrática de las diferencias de los valores individuales de x con respecto a la Media Aritmética calculada con anterioridad. A continuación se suman y se restan los valores de la S de la en ambos sentidos para obtener los pasos X i *S a partir de la media donde i = 1,2,3 lo cual permite obtener los límites de selección en términos de distancias desde la Media Muestral según la siguiente regla de decisión: Seleccionar xi si xi X i *S ó si xi X i *S donde i = 1,2,3 Apéndice 2 Fundamentación Teórica . View publication stats