其他
“放管服”改革与纳税人满意度：施策重点与优化路径——基于机器学习方法
编者按
推进“放管服”改革，优化营商环境，对于保持我国经济平稳运行、促进经济社会健康发展具有重要意义。而已有研究缺乏对税务系统“放管服”改革实践的理论回应和经验证据，尚未建立系统的“放管服”改革影响纳税人满意度的理论分析框架。文章基于2020年5座城市企业调查问卷数据，使用机器学习方法，来识别“放管服”改革的施策重点和优化路径，构建“放管服”改革对纳税人满意度的理论分析框架。为税务机关进一步优化“放管服”改革、提升纳税人满意度、构建和谐的税收征纳关系提供具体的指导意见。
作者简介
张建顺，南京审计大学政府审计学院讲师，研究方向为财政税收理论与政策；
匡浩宇，上海财经大学公共经济与管理学院税收学博士研究生，研究方向为税收理论与政策。
摘要
深入推进“放管服”改革，提升纳税人满意度，是营造良好营商环境，释放企业活力的重要手段。然而，如何确定“放管服”改革的施策重点和优化路径，现有文献尚未给出系统性解决方案。本文构建“放管服”改革对纳税人满意度的理论分析框架，基于2020年5座城市企业调查问卷数据，使用机器学习方法，识别“放管服”改革的施策重点和优化路径。研究发现，办税效率、按流程办税、税收宣传渠道、服务态度和业务熟练程度是影响纳税人满意度的重要改革措施。样本城市在按流程办税以及服务态度方面的投入已经处于最优区间，办税效率与税收宣传渠道的投入相对不足，未来在税收资源约束条件下，应重点提升办税效率以及丰富税收宣传渠道。本文拓展了税务部门“放管服”改革研究，丰富了机器学习方法在公共管理领域的应用。
一、引言
一、制度背景和机制分析
从1990年全国税收征管工作会议正式提出“纳税服务”概念，至今已经有30年的发展历程。税务机关纳税服务经历了引入、规范发展、成熟三个阶段（图1所示）。 1.纳税服务引入阶段（1990—1996年）。这一阶段主要特点是将“纳税服务”概念引入到税收实务工作中，各级税务机关开始重视纳税服务。1990年全国税收征管工作会议正式提出“纳税服务”概念，1993年征管工作会议要求在全国范围内推广为纳税人服务理念。1997年的税收征管改革将纳税服务确定为税收工作的基础内容。虽然这一阶段税务机关将纳税服务作为基本理念，但是对于如何强化纳税服务、怎么向纳税人更好的提供优质服务，没有形成一套系统的流程规范。 2.纳税服务规范发展阶段（1997—2007年）。这一阶段在国家层面制定了一系列法律规范，对纳税服务工作进行“建章立制”，保障纳税服务有章可循。2001年重新修订并颁布的《中华人民共和国税收征收管理法》首次将纳税服务确立为税务部门的法定职责，成为税务机关工作人员必须遵守的职业规范。2005年10月，国家税务总局出台《纳税服务工作规范（试行）》（以下简称《规范》），以文件的形式将纳税服务内容、规范、要求进行统一，《规范》涵盖纳税服务内容、税收宣传、纳税咨询、税务稽查与法律救济等方面的内容。这一阶段主要着重加强硬件环境建设、提升纳税服务质量，其中办税服务厅的管理是“着力点”。2006年取消农业税后，各项税费征收也更加规范化，在税收管理过程中也更加体现出纳税服务的内涵。不过在这一时期，关于现代化技术手段应用，以及如何更好地处理纳税服务和征收管理的关系方面，仍然处于探索阶段。 3.纳税服务成熟发展阶段（2008年至今）。2008年国家税务总局设立纳税服务司，作为管理和协调全国税务系统纳税服务工作的枢纽，标志着纳税服务进入新的发展阶段。这一时期，全国税务系统推动“便民办税春风行动”，持续改进纳税服务质量，将纳税服务纳入系统绩效考核指标，用赏罚分明的“绩效考核”指挥棒推动纳税服务纵深化发展。这一时期，我国税收征管体制经历了较大变革，在“营改增”和国地税合并过程中，贯彻“以纳税人为中心”的服务理念，积极推进“办税流程”规范化。国家税务总局2019年制定了最新版本的《全国税务机关纳税服务规范》（简称《纳税服务规范3.0版》），成为各级税务机关“办税流程”标准化的指南，同时这一文件也及时向社会和纳税人进行公开，在办税服务厅张贴流程指引，如果纳税人对于税务办理流程或者处理结果有异议，可以采取相关的法律救济途径。与此同时，税务机关积极拥抱互联网与大数据，积极推动纳税服务与数字经济紧密结合，实现高水平纳税服务，取得了一系列“互联网+”成果，例如深圳开出了第一张区块链发票，办税服务厅使用AI机器人，建立电子税务局等。新时代的纳税服务不断展现出时代特征，但核心依然是围绕纳税人服务这个宗旨。
（二）“放管服”改革的提出与演进
“放管服”改革将简政放权、放管结合、优化服务结合起来，三管齐下，是新时代政府部门深化改革的重大举措，是打造“服务型”政府的创新型探索。党的十八大以来，新一届政府将简政放权摆到更加突出的位置；十八届三中全会通过的《关于全面深化改革若干重大问题的决定》指出让市场在资源配置中起到决定性作用，进一步优化政府职能，政府制度性改革也进入到新的发展阶段。2015年5月，在全国推进简政放权放管结合职能转变工作电视电话会议上，李克强总理正式提出“放管服”改革，打造廉洁型、法制型、创新型、服务型政府。此后每年国务院都会召开电视电话会议推进“放管服”工作，2019年政府工作报告指出深化“放管服”改革，推动“放管服”改革向纵深化发展。
税务机关作为政府部门的重要组成部分，既是税收政策制定的参与者，也是税收政策的执行者，肩负着落实“最后一公里”的重大任务，税务系统“放管服”政策的落实事关全局性的改革成效。近年来，税务系统出台一系列政策文件，并通过“便民办税春风行动”指导各级税务机关加快落实“放管服”改革举措。表1展示了2014-2020年“便民办税春风行动”主题词和亮点。活动内容涉及最多的分别是“促进税收信息公开”、“提高税收服务质量”和“规范税收执法”。促进税收信息公开包括将涉税信息和办税流程主动向社会公开，加大税收宣传，帮助纳税人及时了解最新的税收政策。提高税收服务质量主要表现为办税流程更加简便、业务办理更加快捷高效。规范税收执法主要包括建立统一有序的税收执法流程，严格按流程办税。本文基于国家税务总局颁布的“放管服”改革文件以及使用爬虫技术获取的调查问卷样本城市（北京、上海、广州、深圳和武汉）税务局“放管服”工作动态文本信息，利用R语言进行文本分析，生成的词云（图2所示）表明“放管服”改革是围绕服务纳税人、提升服务质量、优化办税流程、推进信息公开等内容展开的。基于此，本文在设计调查问卷时，围绕“促进税收信息公开”、“提高税收服务质量”和“规范税收执法”三个方面，向受访者询问具体“放管服”改革与纳税人满意度情况。
（三）“放管服”改革影响纳税人满意度的机制分析
North指出制度是一种社会博弈规则，决定了经济中行为主体面临的激励，良好的制度能够降低市场交易成本，提升资源配置效率。我国改革发展实践经验证明，中国特色社会主义制度在促进经济增长和技术进步方面发挥了积极作用。“放管服”改革是新时代完善社会主义市场经济体制的重要实践，有助于推动国家治理体系和治理能力现代化。税收“放管服”改革的重要目标就是改善纳税执法的规范性、便捷性与精准性，提高纳税人满意度，营造市场化法制化国际化营商环境。通过梳理纳税服务发展历程以及税务部门“放管服”改革历程，可以发现税务部门“放管服”改革的重点是“促进税收信息公开”、“提高税收服务质量”和“规范税收执法”。本文围绕上述三个方面，阐述“放管服”改革影响纳税人满意度的机制。
1.促进税收信息公开与信息不对称
税收政策是国家宏观调控的重要工具，政府会根据经济运行情况和经济发展目标适时调整税收政策。例如，政府为激励企业创新实施高新技术企业税收优惠，为应对新冠疫情造成的中小企业经营困难，实施阶段性大规模减税降费政策。政府是税收政策的制定者和执行者，纳税人是税收政策的被动接受者，纳税人处于信息劣势一方，与政府之间存在信息不对称。信息不对称会增大政府和市场主体之间的“距离”，进而扭曲企业行为，削弱政策效果。例如，部分纳税人由于自身税收政策信息获取能力较差以及税收宣传渠道单一，可能无法及时全面了解税收政策，没有及时享受到税收优惠，这会削弱税收政策的经济调控作用，甚至产生逆向选择问题，扭曲企业生产经营决策。推进信息公开、保障市场主体的“知情权、参与权、表达权、监督权”是解决信息不对称的有效手段。公共服务主体多元性和广泛参与性也要求政府进行信息公开，促进透明行政、打造阳光型政府。在大数据背景下，人工智能、区块链等技术可以有效化解信息传递过程中出现的信息损失和信息截留问题，减少信息不对称、降低交易成本，促进资源的优化配置。税务系统深化“放管服”改革要求“税务机关畅通12366、门户网站等宣传渠道，加大税收热点问题的宣传解读”，一方面注重“总局-省局-市局-县局”垂直管理系统内部的政策宣传，另一方面通过举办“税收宣传月”活动以及利用互联网信息平台、微信公众号等新媒体宣传减税降费、税制改革等相关政策，这些都极大地便利了税务部门提供高效的税收服务，有助于纳税人第一时间了解税收政策变动，及时调整行为决策，提升满意度。
2.提高税收服务质量与制度性交易费用
新制度经济学派提出的“交易费用”理论认为，市场配置资源是需要额外成本的，例如企业完成市场交易需要负担寻找交易对象、订立合同、执行交易、洽谈交易、监督交易等方面的费用与支出。Williamson进一步将交易费用理论扩展到组织领域，认为不同交易费用下的契约对应着不同的治理结构，并主张治理结构的选择以最小化交易费用为目标。张五常指出交易费用就是“制度成本”，重新安排制度有助于减少交易费用。新制度经济学研究表明，通过制度性改革提高政府治理能力有助于降低交易成本，提高市场的资源配置效率，促进经济社会发展。现有研究发现降低税收征管成本能够有效提升纳税人满意度。税收征管成本是典型的制度性交易费用，反映了纳税人为了履行依法纳税义务所付出的费用，不仅包括税收负担，还包括依法纳税过程中发生的认证、评估、沟通、时间等各项成本。由于制度性交易费用是一种非生产性成本，过高的制度性交易费用会干扰企业正常生产经营，扭曲市场对资源的合理配置。深化“放管服”改革有助于优化企业营商环境，提升企业的经营活力与创新能力。具体地，“放管服”改革通过精简税务行政审批，为纳税人生产经营提供便利；简化纳税人登记、迁移、注销手续，降低纳税人迁移与退出成本；精简涉税资料报送，推动涉税资料电子化，让企业“少跑一趟”；推进建设电子税务局，提高网上办理涉税事项比例，提供高效便捷的税收服务。这些举措有助于提高税收服务质量，降低制度性交易费用，进而提升纳税人满意度。
3.规范税收执法与政府失灵 政府有限理性、管理合同的不完全性等因素，导致政府存在失灵，表现为政府部门资源配置低效率。然而，市场经济的正常运行需要政府提供公共服务，政府失灵会影响公共服务提供的质量，甚至危害市场公平竞争。纳税服务是政府为了便利纳税人纳税提供的一系列服务，提供高质量税收服务直接关系到纳税人满意度。由于信息不完全，中央政府与地方政府之间，国家税务总局与省级及以下税务机关之间会产生委托代理问题，表现为选择性执法以及政企合谋避税等问题，导致税收征管成本增加。为了防止税务系统的委托代理问题，“放管服”改革对税收执法进行了规范：一是规范税收权责，建立规范化权责清单，统一规范各级税务机关履责方式与追责情形。二是减少自由裁量空间。制定税务行政处罚基准，减少行政处罚裁量空间，规范各税种核定征收标准、程序和计算方法，提高核定征收透明度。三是规范技术标准，建立统一规范的“电子税务局”。通过规范税收执法有助于降低政策模糊性，强化政策落实，缓解委托代理问题导致的政府失灵，提高税收服务质量与公平性。并且，“放管服”改革还进一步要求“畅通纳税人投诉举报渠道”，鼓励群众监督，定期开展督查，对改革落实不力的部门“进行问责”，有助于发挥社会治理的作用，将公众、企业和社会组织引入到治理体系中来。通过规范税收执法，有助于减少税务机关选择性执法等道德风险行为，提升纳税人满意度。
图3反映了“放管服”改革对纳税人满意度的影响机制，即“放管服”改革通过促进税收信息公开减少信息不对称、提高税收服务质量降低制度性交易成本、规范税收执法流程改善政府失灵三方面来促进纳税人满意度的提升。在“放管服”改革中，哪些措施对于纳税人满意度提升影响最大？未来应当如何调整“放管服”改革投入力度，提升纳税人满意度？单靠理论分析无法得到上述问题的准确答案，必须通过定量分析才能够找到“放管服”优化路径。本文在实证分析部分，构建随机森林模型，得到对纳税人满意度影响最为显著的“放管服”改革措施（即施策重点），在此基础上进一步使用偏效应图分析工具，结合样本城市“放管服”改革投入情况，指出“放管服”改革优化路径。
三、研究设计
考虑到样本数据集的规模以及模型的可解释性，本文使用随机森林模型这一机器学习算法作为分析工具。一方面，本文的数据集为小样本，深度学习模型拟合能力过强，导致在小样本情形下，极易发生过拟合，会把数据噪声当做规律，导致样本外预测结果很差，而随机森林在小样本分析上更具优势。另一方面，随机森林可解释性更强，通过画出决策树图能够可视化随机森林模型的决策过程，便于发现规律；而深度神经网络通过反向传播算法求解模型，其端对端的“黑箱”特征十分明显，难以可视化模型决策过程。此外，随机森林模型相对于传统线性模型而言具有显著优势，随机森林模型允许特征数量大于观测值数量，通过尽可能多地引入特征，有助于解决遗漏变量导致的估计偏误。并且，随机森林模型是一种非参数的监督学习模型，避免了重要解释变量因为完全共线性被剔除的风险。
随机森林模型（RandomForest）是由Breiman提出的一种集成机器学习算法（ensemble learning）。所谓“森林”是指，随机森林模型由多个决策树模型组成，每“棵”决策树构成了一个基评估器，随机森林模型根据“多数票”原则，选择得票最多的预测作为结果输出。相比于单独的决策树模型，随机森林模型采用集成学习方式，充分利用不同决策树的预测信息，能够同时降低偏差（bias）和方差（variance），得到拟合效果更好并且更加稳健的预测结果。所谓“随机”是指，随机森林中的每棵决策树在进行节点分裂时，会随机选取部分特征（即解释变量）作为候选分裂变量。这种随机选择特征进行分裂的操作，能够有效降低决策树之间的相关性，充分发挥“森林”中决策树的互补性，从而获得更全面的预测信息。近年来，随着大规模数据集的涌现，以及计算机硬件的跨越式发展，人工智能热度不断升温，机器学习算法作为重要的数据分析工具，也开始被经济学家借鉴，并应用于实证分析中。
随机森林模型以决策树模型作为基评估器，通过构建多棵决策树，获得预测结果，因此随机森林算法的大部分工作是在构建决策树模型。决策树模型的构建思路是以降低不纯度为目标，自上而下对数据进行递归分割，形成一棵自上而下进行分裂的树，其本质上是利用超矩形面（hyper-rectangle）对数据进行分类。在构建决策树模型时，常用的不纯度指标为基尼系数（Giniindex）与信息熵（informationentropy），如果被解释变量是连续性变量，决策树就变成了回归树，回归树采用的不纯度指标为均方误差。具体地，决策树将分裂后带来节点不纯度下降幅度最大的特征作为分支节点，由于决策树是自上而下进行分支的，位于树顶端的根节点带来的不纯度下降幅度最大。从经济学意义角度来看，根节点对被解释变量的影响最大，其次是靠近根节点的节点。通过对随机森林中所有决策树模型中特征带来的不纯度下降幅度进行平均，能够得到该特征重要性的度量。本文通过构建随机森林模型，得到特征重要性图，能够识别对纳税人满意度贡献最大的“放管服”改革措施。与此同时，随机森林模型还能够输出特征偏效应图（partialindependenceplot），展示特征在不同取值时对被解释变量的边际影响。利用特征偏效应图，不仅能够获得“放管服”改革变量对提升纳税人满意度的边际贡献，还有助于发现“放管服”改革措施的最优投入区间，指导未来的“放管服”改革努力方向。 随机森林模型具有强大的拟合能力，如果不加干预地让决策树不断生长，最终会导致决策树的每个叶子结点只有一个观测值，不纯度为0，产生“过拟合”（overfit）问题。过拟合问题意味着模型没有“学习”到普遍规律，将样本中的“噪音”也看成了“规律”，这会显著降低模型的样本外预测能力。为此，需要对随机森林模型进行剪枝，防止模型因为过于复杂导致过拟合。随机森林使用两种剪枝思路，一是调整随机森林包括的决策树数量；二是对作为基评估器的决策树模型进行剪枝，避免决策树尽情生长导致过拟合。
（二）数据来源
本文所用企业层面数据来自于2020年11月份面向北京、上海、广州、深圳和武汉五个城市企业随机进行的“‘放管服’改革与纳税人满意度”问卷调查。为了保证样本的代表性，每个城市中三分之二的市辖区都有企业样本。在进行调查问卷发放时，充分考虑企业类型以及所在行业差异，保证调查样本的代表性。本次调查，共发放问卷520份，收回问卷492份，回收率为94.62%，剔除回答“放管服”改革问题时全部选择相同选项的问卷4份，共得到有效问卷488份。本文调查企业既包括国有企业与民营企业，也包括一般纳税人企业与小规模纳税人企业。城市层面数据来自于2019年各城市统计年鉴，城市营商环境数据来自中央广播电视总台编制的《2019中国城市营商环境报告》。通过对企业数进行分类统计，最终样本中来自上海企业数为56，北京企业数为70，广州企业数为46，武汉企业数为172，深圳企业数为144；国有企业数为160，民营企业数为328；一般纳税人企业数为354，小规模纳税人企业数为134。第一产业企业数量为46，第二产业企业数量为134，第三产业企业数量为308。从整体上看，本文企业来源与企业类型具有明显的差异性，企业类型分布也较为均衡，说明本次问卷调查具有代表性。
（三）变量构建与描述性统计分析
本文使用随机森林模型考察“放管服”改革对纳税人满意度的影响，识别对纳税人满意度影响最大的“放管服”改革措施，在此基础上结合各城市“放管服”改革执行情况，分析未来“放管服”改革的优化路径。模型被解释变量为纳税人满意度（Satisfaction），来自于企业问卷调查，对应的问卷问题是“纳税人综合满意度评价”，对应选项为“非常不满意、不满意、不确定、满意、非常满意”，相应取值为1到5，数值越高表示纳税人满意度越高。使用模型特征分为“放管服”改革特征、企业层面特征与城市层面特征。基于“放管服”改革实践，本文将“放管服”改革措施分为促进税收信息公开，提高税收服务质量，规范税收执法三方面。促进税收信息公开包括，税收宣传渠道（chan），税收优惠政策宣传（ince），办税事项公开（public），税收政策更新（upd），税收培训辅导（train）。提高税收服务质量包括，咨询反馈（response），办税环境（env），办税窗口设置（wind），业务熟练程度（skill），服务态度（atti），办税效率（eff）。规范税收执法包括，廉洁执法（clean），文明执法（civil），按流程办税（pro），投诉便利程度（comp）和减税降费落实（taxcut）。企业特征包括企业性质（state），企业纳税类型（taxtype），第一产业（agri），第二产业（ind），第三产业（serv）。城市层面特征包括城市GDP（gdp），第三产业占比（stru），金融发展水平（finance），财政自给率（fiscal），营商环境（busi）。表2展示了具体的变量构建方式与描述性统计结果。
四、实证分析
构建“最优的”随机森林模型需要根据数据集的特点，确定随机森林的超参数，实现泛化误差（generalizationerror）最小。由于机器学习模型通常会发生过拟合，如果使用全部样本进行训练，得到的模型往往在样本外预测表现很差，没有学习到真正的规律。在机器学习模型应用中，通常将数据划分为测试集与训练集，使用训练集对模型进行训练，将训练好的模型放到测试集中对模型预测效果进行检验。本文采用交叉验证的方法对模型的预测结果进行检验，进而确定最优的随机森林模型。交叉验证的思想是将数据划分为n份，每次使用其中1份作为测试集，其他n-1份作为训练集，共进行n次交叉验证，使用n次交叉验证结果的均值作为模型评价结果，实践中交叉验证常用R2（拟合优度）作为模型评价指标。具体地，本文使用基于python语言的scikit-learn库构建随机森林模型，使用10次交叉验证结果均值作为模型评价指标，通过学习曲线方法⑧确定随机森林超参数。调参的本质在于调整模型复杂度，一方面防止模型过于简单而拟合性较差，另一方面防止模型过于复杂导致样本外预测不佳。本文依次调整对模型复杂度影响最大的4个超参数，使用R2（拟合优度）作为交叉验证中的评价指标，R2越高意味着模型预测能力越强。n_estimators表示基评估器的数量，基评估器数量越大意味着模型复杂度越高。图4中的左上方子图展示了基评估器数量从1到100时R2的取值，结果表明基评估器数量为51个时R2最大。max_depth表示树的最大深度，树的深度越大意味着模型复杂度越高，将基评估器数量设置为51，画出深度取值为1到20的学习曲线，结果显示最大深度等于15时R2最大。按照以上思路，进一步调整max_features（进行分支时考虑的特征数量）和min_samples_leaf（分支后每个子节点包含的最小样本数量），使得R2最大。最终，本文确定随机森林模型超参数组合为n_estimators=51，max_depth=15，max_features=12，min_samples_leaf=1。
（二）“放管服”改革措施重要性分析
1.基准结果
作为随机森林基评估器的决策树模型，自上而下根据不纯度下降程度大小进行分支，这意味着越靠近树顶端的特征，对模型被解释变量的解释力度越强。通过对随机森林中所有回归树模型中变量带来的均方误差幅度进行平均，可以得到特征重要性排名，用来识别对纳税人满意度贡献最大的“放管服”改革措施。图5展示了使用全样本信息，得到的特征重要性排名，其中横轴为重要性水平得分，即加入该特征后随机森林模型均方误差下降的平均水平。综合考虑篇幅因素以及实际的政策指导意义，只展示排名前5位的“放管服”改革措施，分别是：办税效率（eff）、按流程办税（pro）、税收宣传渠道（chan）、服务态度（atti）和业务熟练程度（skill）。从均方误差下降程度大小来看，办税效率（eff）和按流程办税（pro）带来的均方误差下降程度明显高于其他3个变量。在市场经济条件下，效率是影响企业经营成果的重要因素，提升效率是企业在日益激烈的市场竞争中保持不败地位的必然选择。从生产视角看，企业履行纳税服务是一种非生产性活动，提高办税效率能够有效降低企业纳税成本，减少企业非生产性活动的投入，增加生产性投入。例如，办税效率过低造成纳税人等待时间过长，提高办税效率有助于企业将时间资源分配到生产经营或者研发领域，改善企业生产效率，提高企业市场竞争力。按流程办税反映了税务机关政策执行的“合规性”，再好的政策设计如果在落实上大打折扣，任意使用自由裁量权，政策无法取得良好效果。自“放管服”改革以来，税务机关推行了包括简化办税手续、减少报送材料、跨区域办税在内的一系列简政放权改革措施，并制定了相应纳税流程与规范。然而，在执行过程中，由于部分办税人员尚未完全树立“服务型政府”观念，改革任务艰巨，很多设计良好的政策并未得到很好地执行，资料重复提交、业务办理要求模糊、前后台衔接不畅等问题依旧存在，甚至出现基于纳税人身份而“选择性执法”的现象。提高按流程办税程度，强化“放管服”改革政策执行落实，能够显著改善营商环境，降低制度性交易成本，从而提升纳税人满意度。此外，税收宣传渠道、服务态度与业务熟练度也是影响纳税人满意度的重要因素。在税收征纳活动中，税务机关是税收征管信息的提供者，纳税人是税收征管信息的接收者与使用者。税收征管信息具有变动频繁的特点，加之税收宣传渠道有限，纳税人与税务机关广泛存在信息不对称，增加了税收征纳成本。例如，有限的税收宣传渠道使得部分纳税人不了解最新的税收优惠政策，没有进行税收优惠申报，增加了纳税成本。税务机关应充分利用互联网信息技术，拓展“微博”、“微信公众号”、“抖音”等多种新型且有效的宣传渠道，还可以利用大数据与人工智能技术，根据纳税人特点，定向推送纳税人关心的税收征管信息。此外，服务态度也是影响纳税人满意度的一个重要方面。提高纳税服务水平是构建服务型政府的重要内容，改善服务态度，增强服务意识，有助于构建良好的税收征纳氛围，增加纳税人员与办税人员的相互信任与理解，提升税收征纳服务质量与效率。业务熟练程度对纳税人满意度具有显著影响，这从侧面进一步验证了办税效率对纳税人满意度的重要影响。因为业务熟练度提升，必然会带来办税效率的改善，减少纳税人等待时间。
为了更好地展示随机森林模型的决策过程，本文还进一步画出回归树图形（如图6所示）。根据随机森林模型的原理，回归树将分裂后带来节点不纯度下降幅度最大的特征作为分支节点，自上而下进行分支。因此，位于树顶端的特征带来的不纯度下降幅度最大，即越靠近树顶端的特征对纳税人满意度影响程度最大。由于随机森林模型的预测结果是多棵树预测的平均结果，为了便于展示，随机选择一棵回归树进行可视化。可以发现图形中位于树顶端的变量依次为办税效率（eff）、按流程办税（pro）、税收宣传渠道（chan）、服务态度（atti），这与基于全样本估计得到的特征重要性排名基本一致，表明了实证结果的可信性。
为了进一步验证随机森林的解释力，本文使用多元线性回归模型和有序logit模型考察“放管服”改革对纳税人满意度的影响，并与随机森林模型估计结果进行对比（结果见表3）。列（1）-（3）分别是使用OLS、有序logit与随机森林模型得到的重要性特征分析结果。具体地，在OLS和有序logit模型回归结果中，挑选出对纳税人满意度产生显著（在10%水平下）正向影响的“放管服”改革措施，基于回归系数大小进行排序，得到影响纳税人满意度的重要特征排名。从R2大小来看，多元线性回归模型的R2为0.681，有序logit模型的R2为0.557，而随机森林模型R2高达0.917，显然随机森林模型解释力度更强。观察回归系数可以发现，agri（第一产业占比）由于完全共线性在模型回归时被删除，其影响系数无法得到估计。并且，本文使用的企业样本来源于5所城市，城市层面变量仅有5种变异，这意味着当引入5个以上城市层面变量时，某些城市层面变量影响系数无法得到估计。多元线性回归模型得到的对纳税人满意度影响最大的特征依次为：pro、eff、public、ince、wind，有序logit模型得到的对纳税人满意度影响最大的特征依次为pro、skill、eff、public、ince，随机森林模型得到的对纳税人满意度影响最大的特征依次为eff、pro、chan、atti、skill。与利用随机森林模型得到的重要特征排名相比较可以发现，pro和eff在三个模型中的重要性排名都比较靠前，这说明了本文结论的稳健性。由于引入了多个特征，在样本量有限的条件下，使用传统计量模型进行估计时会面临自由度损失的问题，变量估计系数显著性会较差。随机森林模型能够有效避免自由度减少、共线性等问题，得到更为准确与可靠的重要性特征。
2.异质性分析
以上特征重要性排名是基于全样本得出的，那么对于不同类型的企业，影响纳税人满意度的“放管服”改革措施重要性是否存在显著差异？本文按照不同所有制类型将企业划分为国有企业与民营企业，根据企业是否为一般纳税人，将企业划分为一般纳税人企业与小规模纳税人企业，根据企业所处产业类型，将企业划分为第一、二、三产业类型的企业，分别考察“放管服”改革措施对不同类型纳税人满意度的影响。
（1）基于企业所有制的异质性分析
图7展示了国有企业与民营企业样本的重要性特征估计结果。对于国有企业纳税人满意度影响程度排名前5位的“放管服”改革措施是：按流程办税（pro）、办税效率（eff）、业务熟练程度（skill）、税收宣传渠道（chan）和税收优惠政策宣传（ince）。对于民营企业纳税人满意度影响程度排名前5位的“放管服”改革措施是：办税效率（eff）、按流程办税（pro）、税收宣传渠道（chan）、办税窗口设置（wind）和服务态度（atti）。上述结果表明，不管是国有企业还是民营企业，都非常看重税务机关按照流程办税以及办税效率，这与全样本估计的结果基本类似。相对而言，国有企业更加看重按流程办税，其原因可能在于国有企业管理一般更加规范，规章制度更加完善，对于涉税事项的处理也建立了较为完备的系统，相应地也希望税务机关能够按照流程处理各项业务。影响民营企业纳税满意度的重要特征不仅包括办事效率，还包括办税窗口设置以及办税服务态度，说明民营企业更加看重办税效率。其原因可能在于，民营企业市场化程度更高，更加注重效率。此外，税收宣传对国有企业与民营企业纳税满意度有显著影响。国有企业不仅关注税收宣传渠道多样性，还重视税收优惠政策的宣传。由于民营企业在税收征管信息获取上存在劣势，因而更加关注税收宣传渠道的多样性。
图8展示了一般纳税人与小规模纳税人样本的重要性特征估计结果。对于一般纳税人企业满意度影响程度排名前5位的“放管服”改革措施是：办税效率（eff）、按流程办税（pro）、业务熟练程度（skill）、税收宣传渠道（chan）和服务态度（atti）。对于小规模纳税人企业满意度影响程度排名前5位的“放管服”改革措施是：税收宣传渠道（chan）、按流程办税（pro）、业务熟练程度（skill）、办税效率（eff）和文明执法（civil）。由于调查样本构成中一般纳税人企业占比达到72.54%，一般纳税人样本的特征重要性排名与全样本的特征的重要性排名基本相同。值得注意的是，税收宣传渠道是影响小规模纳税人满意度的最重要特征。一方面，国家出台了面向小规模纳税人的一系列优惠政策，纳税人需要及时了解最新的税收政策和规定；另一方面，小规模纳税人税收征管信息获取能力要明显弱于一般纳税人企业，税收宣传渠道单一会加剧小规模纳税人与税务机关的信息不对称，不利于小规模纳税人及时享受最新的税收优惠政策以及更加高效地办税。此外，办税效率与文明执法也是影响小规模纳税人满意度的重要特征。由于大企业对本地税收贡献较大，并且大企业往往与政府存在政治关联，部分税务机关在办税工作中存在“选择性执法”，重视大企业和税源大户，为其提供周到服务，而小规模纳税人的服务往往不受重视。
（3）基于企业所在产业的异质性分析
按照一、二、三产业考察“放管服”改革对纳税人满意度影响的行业异质性，结果如下图9所示。对于来自第一产业的企业，办税窗口设置（wind）、办税效率（eff）、服务态度（atti）、税收宣传渠道（chan）和办税环境（env）是影响纳税人满意度排名前5的因素。这表明来自第一产业的企业更加看重办税厅服务以及税收宣传。整体来看，办税效率（eff）与按流程办税（pro）是影响来自第二、三产业的企业纳税满意度的最重要的两个因素。不同的是，来自第三产业的企业更为关注税收宣传渠道（chan）与服务态度（atti），来自第二产业更加关注税务部门能否廉洁执法（clean）和办税窗口设置（wind）。其原因可能在于，工业企业常见的票种核定、税种认定、跨区域涉税登记与申报等业务大多需要在线下服务厅办理，所以更为关注办税窗口设置以及税务部门能否廉洁执法；而来自第三产业的企业很多是小规模纳税人，自身税收素养有待提升，会更多地选择向税务局工作人员咨询税收政策，因而对服务态度与税收宣传更为看重。
3.机制验证
重要性分析结果表明，办税效率（eff）、按流程办税（pro）、税收宣传渠道（chan）、服务态度（atti）和业务熟练程度（skill）是影响纳税人满意度排名前5的“放管服”改革措施。其中，办税效率（eff）、服务态度（atti）和业务熟练程度（skill）属于提高税收服务质量的“放管服”改革措施，按流程办税（pro）属于规范税收执法的“放管服”改革措施，税收宣传渠道（chan）属于促进税收信息公开的“放管服”改革措施。虽然随机森林不能揭示解释变量对被解释变量的具体作用方向，但是结合理论分析与OLS、有序logit结果（回归系数都为正数），可以证明上述改革措施能够显著提高纳税人满意度。为了进一步检验“放管服”改革措施对纳税人满意度的影响机制，本文采用主成分分析法（PCA），基于促进税收信息公开、提高税收服务质量和规范税收执法对应的二级指标（如办税效率（eff）等）得到税收信息公开、提高税收服务质量和规范税收执法指标，对理论部分提出的作用机制进行验证。主成分分析法是社会科学研究中经常采用的一种降维算法，在尽可能减少信息损失的前提下，基于多个维度指标生成一个综合指标。3个综合指标的主成分分析结果表明，第一主成分的表达式的回归系数都为正数，说明PCA生成的综合指标与二级指标的关系是正向关系，并且第一主成分贡献率达到0.8以上，因此使用第一主成分作为综合指标，得到促进税收信息公开（taxinfo）、提高税收服务质量（taxserv）和规范税收执法（taxnorms）三个变量。机制结果如表4所示，促进税收信息公开（taxinfo）、提高税收服务质量（taxserv）和规范税收执法（taxnorms）的回归系数显著为正，说明“放管服”改革能够通过促进税收信息公开、提高税收服务质量和规范税收执法提高纳税人满意度。在回归时对变量进行了标准化处理以消除量纲影响，因此不同变量之间的回归系数可以直接进行对比。OLS和有序logit回归结果都表明，提高税收服务质量（taxserv）对纳税人满意度的提升作用最明显，其次是规范税收执法（taxnorms）和促进税收信息公开（taxinfo），这与随机森林模型结果是吻合的。因为提高税收质量指标包括办税效率（eff）服务态度（atti）和业务熟练程度（skill）等多个重要性排名靠前的二级指标，并且按流程办税（pro）对提高纳税人满意度的重要性程度要高于税收宣传渠道（chan）。
4.“放管服”改革整体效果评估
考虑到随机森林模型主要用于识别重要影响因素以及刻画解释变量在不同取值水平下对因变量带来的边际影响，随机森林在评估政策效果方面不具有优势，因而本文使用OLS和有序logit模型评估“放管服”改革对纳税人满意度的整体作用效果。本文利用调查问卷中纳税人对“放管服”改革的评价信息生成“放管服”改革变量Reform，如果纳税人认为当地“放管服”改革后税务机关服务有显著改进，取值为1，否则取值为0。将Reform作为核心解释变量纳入回归模型，结果如表5所示。第（1）-（2）列是OLS估计结果，第（3）-（4）列是有序logit估计结果，第（2）和（4）列引入了企业层面和城市层面控制变量。本文以列（2）和列（4）结果分析“放管服”改革对纳税人满意度的影响。列（2）中Reform系数为1.431，说明有效的“放管服”改革能够提高纳税人满意度1.431单位，通过统计发现样本中纳税人满意度平均为4.430，可以得出推行有效的“放管服”改革能够促进纳税人满意度提高32.30%。上述定量分析结果表明，“放管服”改革对于提高纳税人满意度作用非常明显，推行“放管服”改革对于营造良好的营商环境，提高国家治理能力具有十分重要的现实意义。利用stata计量分析软件提供的margin命令，可以得到列（4）有序logit模型估计的边际效应为33.30%，这一结果与OLS估计结果是基本一致的，从侧面反映了研究结论的稳健性。
（三）“放管服”改革措施优化路径分析
前文的特征重要性分析为优化“放管服”改革措施提供了方向指引，然而具体的优化路径还需要考虑当前的税务机关“放管服”投入情况，以及相应领域改革投入带来的边际收益大小。举例来说，如果税务机关在某一改革措施方面已经达到很完善的程度，并且增加这一改革措施的投入所带来的纳税服务满意度提升并不明显，那么继续增加这一改革的投入显然是不经济的。本文使用随机森林模型中的偏效应图分析工具，揭示5座调研城市提升纳税人满意度的“放管服”改革优化路径。某一特征的偏效应图反映的是其他特征取值不变的情况下，该特征的边际变化对被解释变量的影响，类似于经济学中的边际分析。偏效应图适用于非参数估计的边际影响分析，能够揭示特征不同取值下的边际效应大小。
图9展示了影响纳税人满意度的特征偏效应，为了便于分析与展示，仅汇报了对纳税人满意度提升贡献前4位的特征：办税效率（eff）、按流程办税（pro）、税收宣传渠道（chan）、服务态度（atti）。图10的子图中，Y轴是纳税人满意度，非常不满意、不满意、一般、满意、非常满意，取值为1到5，数值越高表明纳税人满意度越高。X轴是纳税人对“放管服”改革措施评价，从非常不同意到同意，取值为1到5，数值越高表明“放管服”改革措施的投入越充足。偏效应曲线反映了其他条件不变的情况下，增加某一方面“放管服”改革措施的投入后，对纳税人满意度的边际影响。带数字的圆圈反映了城市的“放管服”改革措施的现实投入情况，以及对纳税人满意度的边际影响。其中，数字1-5分别代表上海、北京、广州、武汉与深圳。通过图9可以发现圆圈呈现集中分布的特点，其原因可能在于本文的调研企业样本来自于中国经济发展处于头部水平的城市，在城市类型以及企业构成方面具有很强的相似性，税务机关“放管服”改革面临的情形也较为相似。事实上，本文的贡献更多地在于使用机器学习算法分析提升纳税人满意度的“放管服”改革优化路径，可以应用到不同城市的“放管服”改革分析中。
观察图中偏效应曲线的变化趋势可以发现，每个“放管服”改革措施的偏效应图都有两个或者三个明显的转折点，这些转折点可以将“放管服”改革措施投入划分为不同阶段。斜率越高意味着单位投入带来的纳税人满意度提升越高，斜率最高的阶段就是最优区间。“放管服”改革措施的优化路径就是调整投入规模，使投入规模处于最优区间，以最低的投入获得最高的纳税人满意度提升。办税效率（eff）偏效应曲线在4-5之间斜率最大，并且样本城市平均办税效率投入水平靠近4，进一步增加用于办税效率提升的投入能够显著提升纳税人满意度。按流程办税（pro）偏效应曲线在4-5之间斜率最大，样本城市按流程办税投入水平都明显超过4，说明样本城市按流程办税投入水平已经处于最优区间。税收宣传渠道（chan）偏效应曲线在4-5之间斜率最大，而样本城市税收宣传渠道平均投入水平尚未达到4，因此需要进一步增加税收宣传渠道方面的投入，充分利用互联网以及人工智能技术拓展税收宣传渠道，提高税收宣传有效性，进而提升纳税人满意度。服务态度（atti）最优区间为3-4，服务态度投入从4提高到5并没有显著带来纳税人满意度的提升，当前样本城市服务态度水平已经基本处于最优区间。综合来看，样本城市在按流程办税以及服务态度方面投入已经处于最优区间，未来在税收资源约束条件下，应重点提升办税效率以及丰富税收宣传渠道，与此同时应当注意在提高效率的同时，不能够以牺牲按流程办税以及服务态度为代价。 为了得到针对非样本城市“放管服”改革的启示，我们对部分中小城市纳税人进行了访谈。在询问纳税人对所在城市“放管服”改革措施的评价时，他们表示“网上办税太复杂了，我们还是选择去服务厅办税”、“平时不怎么关注税收政策，只是办税的时候去服务厅咨询”，反映出非样本城市“放管服”改革在税收宣传以及“互联网+税务”等技术普及方面的投入不足。结合偏效应图呈现的“放管服”改革对纳税人满意度的边际影响，非样本城市加强税收宣传与网上服务大厅建设与普及，能够显著提升纳税人满意度。事实上，本文使用机器学习方法分析“放管服”改革优化路径，具有很强的现实指导意义。各地方税务局可以通过设计相关调查问卷，收集纳税人满意度与企业基本信息，结合自身“放管服”改革投入现状，利用机器学习分析方法，得到适用于本地实际的“放管服”改革优化路径，进而指导未来的政策制定。
五、研究结论与政策建议
“放管服”改革是释放制度红利、协调政府与市场关系的重要手段，其深刻影响了企业的生产经营和满意度评价。本文基于5座城市488个企业调查问卷数据，使用机器学习方法，揭示了影响“放管服”改革效果的重要性指标，并在此基础上提出了“放管服”改革措施的优化路径。这些结论可以概述为：（1）通过构建随机森林模型，得到特征重要性排名，识别对纳税人满意度贡献最大的“放管服”改革措施。实证结果表明，办税效率（eff）、按流程办税（pro）、税收宣传渠道（chan）、服务态度（atti）和业务熟练程度（skill）是提升纳税人满意度排名前5位的“放管服”改革措施。其中，办税效率（eff）和按流程办税（pro）对纳税人满意度的提升作用最为明显。（2）影响纳税人满意度的“放管服”改革措施重要性存在异质性。不管是国有企业还是民营企业，都非常看重税务机关是否按照流程办税以及办税效率。相对而言，国有企业更加看重按流程办税，而民营企业更加看重办税效率。纳税宣传对国有企业与民营企业纳税满意度有显著影响。国有企业不仅关注税收宣传渠道多样性，还重视税收优惠政策的宣传。由于民营企业在税收征管信息获取上存在劣势，因而更加关注税收宣传渠道的多样性。针对不同纳税类型企业而言，一般纳税人更看重的是“办税效率”，而小规模纳税人更重视“宣传渠道”。这些对于政策制定部门下一步进行精细化管理和“精准施策”提供了理论依据和现实参考。（3）使用随机森林模型中的偏效应图分析工具，揭示样本城市提升纳税人满意度的“放管服”改革优化路径。结果显示，样本城市按流程办税和办税服务态度的投入水平已经处于最优区间，而办税效率与税收宣传渠道并未达到最优区间，需要进一步增加投入。
（二）政策建议
本文基于全国五个样本城市调研的微观数据，使用机器学习方法，分析了“放管服”改革与纳税人满意度之间的关系，揭示了“放管服”改革从减少信息不对称、降低制度性交易费用、改善政府失灵三个方面提升纳税人满意度的作用机制。本文拓展了税务部门“放管服”改革和优化路径的研究，为进一步推动纳税服务高质量发展提供了参考。
基于以上研究结论，为进一步深化“放管服”改革，提升纳税人满意度，高质量推进税收现代化，需要重点做好以下五个方面的内容：（1）树立以纳税人为中心的服务理念，进一步优化税收执法方式，规范税收征管流程，提升税收治理效能。加大对税务机关执行服务规范和指引的督查，确保“放管服”各项政策落地生根，聚焦解决纳税人、缴费人痛点难点问题，进一步降低税收遵从成本，提高税收征管效率。（2）以提升办税效率为核心，提升线上线下办税效率，提供高效便捷的纳税服务。从纳税人需求侧出发，一方面持续加强税务系统信息化建设，运用云计算、人工智能、区块链等前沿技术为税收服务提档升级，积极探索诸如“一站式通办”、“云办税”等便利纳税人的税收征管方式；另一方面促进税收优惠政策的落实，让纳税人更好地享受制度改革红利。（3）加强税收宣传，助力营商环境优化和纳税人满意度提升。努力将税收宣传制度化、常态化，因地制宜，采用纳税人“喜闻乐见”的方式做好税收宣传工作，将税收优惠政策宣传与税法宣传结合起来，创新宣传方式、拓宽宣传渠道，可以采用微信公众号、抖音等新技术平台加大税收宣传，着力打通税收宣传的“痛点”和“难点”，提升纳税人满意度。（4）针对不同性质的纳税人，推进纳税服务向智能化个性化发展，运用税收大数据智能分析识别纳税人的实际体验、个性需求等，为他们提供优质高效便利的个性化服务，此外，针对不同地区、不同行业纳税人进行精细化管理，统筹好经济发展水平不同城市间的税收服务和“放管服”改革，做到“因城施策”、“因地制宜”。（5）全方位提升税务机关工作人员素质和服务水平，将业务技能提升和服务水平优化结合起来，强化数字经济背景下涉税业务的培训，利用“业务大比武”、“岗位大练兵”等活动提升税务机关工作人员的技能水平，为优化纳税服务提供坚实的保障。
往期推荐
信息技术应用如何影响社会福利权的实现？——基于贫困治理的实证研究
合作生产绩效及其影响因素：以政府和公众合作为视角