การใช้เทคโนโลยีดิจิทัลเพื่อเปลี่ยนผ่านเศรษฐกิจนอกระบบ : กรณีศึกษาจากต่างประเทศ

บทความโดย
จริยา จิริยะสิน
กิตตินัดดา อยู่โพธิ์

การใช้เทคโนโลยีดิจิทัลเพื่อเปลี่ยนผ่านเศรษฐกิจนอกระบบ : กรณีศึกษาจากต่างประเทศ

เศรษฐกิจนอกระบบเป็นหนึ่งในข้อจำกัดสำคัญของการบริหารรายได้ภาครัฐ เนื่องจากกิจกรรมทางเศรษฐกิจจำนวนมากเกิดขึ้นโดยไม่ถูกบันทึกในระบบภาษีอย่างครบถ้วน ไม่ว่าจะเป็นผู้ประกอบอาชีพอิสระ ผู้ค้ารายย่อย
ผู้ให้บริการผ่านแพลตฟอร์มออนไลน์ ธุรกิจขนาดเล็กที่ใช้เงินสดเป็นหลัก แรงงานรับจ้างอิสระ หรือผู้มีรายได้จากทรัพย์สินและธุรกรรมดิจิทัลที่ไม่ได้รายงานต่อรัฐอย่างเป็นระบบ ภาวะดังกล่าวทำให้ฐานภาษีแคบกว่าฐานเศรษฐกิจจริง ส่งผลให้เกิดช่องว่างภาษี ลดความเป็นธรรมระหว่างผู้ที่อยู่ในระบบกับผู้ที่อยู่นอกระบบ และจำกัดศักยภาพของรัฐในการจัดหารายได้เพื่อสนับสนุนบริการสาธารณะ

การดึงกิจกรรมทางเศรษฐกิจนอกระบบเข้าสู่ระบบภาษี มักอาศัยมาตรการบังคับใช้กฎหมาย การตรวจสอบย้อนหลัง และการรณรงค์ให้ผู้เสียภาษีเข้ามาจดทะเบียนหรือยื่นแบบด้วยตนเอง อย่างไรก็ดี แนวทางดังกล่าวมีข้อจำกัดเมื่อโครงสร้างเศรษฐกิจเปลี่ยนแปลงไปสู่เศรษฐกิจดิจิทัล ธุรกรรมจำนวนมากเกิดขึ้นผ่านแพลตฟอร์มออนไลน์ ระบบชำระเงินอิเล็กทรอนิกส์ ผู้ให้บริการตัวกลาง และตลาดดิจิทัลที่มีข้อมูลจำนวนมาก แต่ข้อมูลเหล่านี้อาจยังไม่ถูกเชื่อมโยงเข้าสู่ระบบภาษีอย่างเป็นระบบ หากรัฐยังพึ่งพาการยื่นแบบโดยสมัครใจและการตรวจสอบภายหลังเป็นหลัก ย่อมยากที่จะมองเห็นกิจกรรมทางเศรษฐกิจที่กระจายตัวและเปลี่ยนรูปอย่างรวดเร็ว

ในบริบทนี้ เทคโนโลยีดิจิทัลจึงมีบทบาทสำคัญในฐานะ “กลไกเปลี่ยนผ่าน” จากเศรษฐกิจนอกระบบไปสู่เศรษฐกิจในระบบ กล่าวคือ เทคโนโลยีไม่ได้ทำหน้าที่เพียงเพิ่มประสิทธิภาพการตรวจสอบภาษี แต่ช่วยทำให้กิจกรรมทางเศรษฐกิจที่เดิมมองไม่เห็น กลายเป็นข้อมูลที่สามารถระบุตัวตน จับคู่ ตรวจสอบ และนำมาใช้เพื่อสนับสนุนการปฏิบัติตามกฎหมายภาษีได้ ตั้งแต่การใช้ข้อมูลจากบุคคลที่สาม การเชื่อมโยงข้อมูลธุรกรรม การออกใบกำกับภาษีอิเล็กทรอนิกส์ การยืนยันตัวตนดิจิทัล การกรอกแบบภาษีล่วงหน้า การแจ้งเตือนความคลาดเคลื่อน ไปจนถึงการวิเคราะห์ความเสี่ยงด้วยข้อมูลขนาดใหญ่และปัญญาประดิษฐ์

บทความนี้จึงมุ่งศึกษาประสบการณ์ต่างประเทศในการใช้เทคโนโลยีดิจิทัลเพื่อเปลี่ยนผ่านเศรษฐกิจ
นอกระบบเข้าสู่ระบบภาษี โดยพิจารณาในมิติต่าง ๆ ได้แก่ (1) กลไกด้านข้อมูล (2) การใช้เทคโนโลยี (3) รูปแบบ
การให้บริการ (4) การกำกับดูแล และ (5) ผลต่อการขยายฐานภาษีหรือการเปลี่ยนผ่านเศรษฐกิจนอกระบบ
เพื่อนำไปสู่ข้อเสนอเชิงนโยบายสำหรับประเทศไทยในการออกแบบระบบภาษีดิจิทัลที่สามารถเพิ่มประสิทธิภาพ
การจัดเก็บรายได้ ลดช่องว่างภาษี และเสริมสร้างความเป็นธรรมทางการคลัง

1. กรณีศึกษาของสหราชอาณาจักร : The Connect System

สหราชอาณาจักรได้นำเทคโนโลยีข้อมูลขนาดใหญ่ (Big Data) และปัญญาประดิษฐ์ (Artificial Intelligence) มาใช้ในการเพิ่มประสิทธิภาพการจัดเก็บภาษีและขยายฐานผู้เสียภาษี โดยหน่วยงานหลักที่รับผิดชอบคือ
HM Revenue & Customs ซึ่งได้พัฒนาระบบวิเคราะห์ข้อมูลที่เรียกว่า Connect System ขึ้นมาตั้งแต่ปี ค.ศ. 2010 เพื่อใช้ในการตรวจจับการหลีกเลี่ยงภาษีและเพิ่มความครอบคลุมของระบบภาษี โดยระบบ Connect มีวัตถุประสงค์เพื่อระบุผู้มีความเสี่ยงต่อการไม่ปฏิบัติตามกฎหมายภาษี ผ่านการจัดทำโปรไฟล์ความเสี่ยง
(Risk Profiling) ซึ่งช่วยลดการตรวจสอบแบบสุ่มและเพิ่มความแม่นยำในการตรวจพบผู้หลีกเลี่ยงภาษี

การดำเนินงานของระบบ Connect ประกอบไปด้วย 2 กระบวนการหลัก ได้แก่ (1) การเชื่อมโยงข้อมูลจากหลายแหล่ง (Data Mapping) เป็นขั้นตอนสำคัญในการสร้างฐานข้อมูลขนาดใหญ่ที่ครอบคลุมข้อมูล
ทางเศรษฐกิจของผู้เสียภาษี โดยระบบ Connect ทำหน้าที่รวบรวมข้อมูลจากแหล่งข้อมูลที่หลากหลาย
ทั้งข้อมูลภายในของหน่วยงานและข้อมูลจากหน่วยงานภายนอก โดยระบบ Connect สามารถรวบรวมข้อมูลจากมากกว่า 30 ฐานข้อมูลเข้าสู่ส่วนกลาง ซึ่งช่วยให้หน่วยงานภาษีสร้างภาพรวมทางเศรษฐกิจของผู้เสียภาษีได้อย่างมีประสิทธิภาพและทำการตรวจสอบความสอดคล้องของข้อมูลจากหลายแหล่งได้อย่างแม่นยำ และ
(2) การวิเคราะห์เชิงสถิติเพื่อระบุความผิดปกติ (Anomaly Detection) เป็นกระบวนการที่นำข้อมูลขนาดใหญ่จากขั้นตอนแรกมาวิเคราะห์ด้วยเทคนิคทางสถิติและแบบจำลองความเสี่ยง เพื่อค้นหารูปแบบพฤติกรรมที่ไม่สอดคล้องกับข้อมูลที่รายงาน เช่น บุคคลที่มีรายได้ต่ำแต่มีทรัพย์สินหรือการใช้จ่ายที่สูง

ในด้านแหล่งข้อมูล ระบบ Connect ใช้ข้อมูลจากหลายภาคส่วนเพื่อสนับสนุนการวิเคราะห์ความเสี่ยง ได้แก่ (1) ข้อมูลภายในของ HMRC เช่น แบบแสดงรายการภาษี (2) ฐานข้อมูลภาครัฐของสหราชอาณาจักร เช่น Department for Work and Pensions (DWP) (3) ข้อมูลจากธนาคารและสถาบันการเงิน รวมถึงบัญชีในต่างประเทศ (4) ข้อมูลจากการแลกเปลี่ยนระหว่างประเทศตามมาตรฐาน Common Reporting Standard (CRS) ภายใต้ OECD และข้อมูลจากหน่วยงานจัดเก็บภาษีทั้งในและต่างประเทศ (5) ข้อมูลการถือครองและธุรกรรมอสังหาริมทรัพย์จาก Land Registry และแพลตฟอร์มอสังหาริมทรัพย์ (6) ข้อมูลการถือครองยานพาหนะจาก Driver and Vehicle Licensing Agency (DVLA) (7) ข้อมูลจากสื่อสังคมออนไลน์และแพลตฟอร์มอีคอมเมิร์ซ เช่น Airbnb, eBay, Amazon, Zoopla และ Instagram (8) ข้อมูลโครงสร้างบริษัทและกิจกรรมทางการเงินจาก Companies House และบริษัทข้อมูลเครดิต และ (9) ข้อมูลจากผู้ให้บริการระบบชำระเงิน เช่น กระเป๋าเงินดิจิทัล และแพลตฟอร์มอย่าง PayPal และ Stripe

ข้อมูลจากระบบถูกนำไปใช้ในการดำเนินมาตรการเชิงรุกแบบมุ่งเป้าหมาย โดยมาตรการสำคัญที่ดำเนินการ ได้แก่ (1) Let Property Campaign ซึ่งเป็นมาตรการนิรโทษกรรมสำหรับเจ้าของอสังหาริมทรัพย์ปล่อยเช่าที่ไม่ได้รายงานรายได้ พร้อมทั้งจัดทำเครื่องมือและแนวทางเพื่อส่งเสริมการปฏิบัติตามกฎหมายภาษีในอนาคต
(2) Help for Hustles ซึ่งให้ข้อมูลเกี่ยวกับหน้าที่ทางภาษีแก่ผู้ประกอบอาชีพอิสระและผู้ใช้แพลตฟอร์มออนไลน์ เช่น ผู้ขายสินค้าออนไลน์ (3) การเพิ่มความเข้มงวดในการตรวจสอบการใช้สิทธิประโยชน์ทางภาษี
ด้านการวิจัยและพัฒนา (R&D Tax Relief) เพื่อลดความผิดพลาดและการฉ้อโกง รวมถึงการแจ้งเตือนธุรกิจที่อาจถูกชักจูงให้ยื่นขอสิทธิ์โดยไม่ถูกต้อง และ (4) การตรวจสอบกลุ่มผู้มีรายได้สูง โดยใช้ข้อมูลจากการแลกเปลี่ยนข้อมูลระหว่างประเทศตามมาตรฐาน Common Reporting Standard (CRS) ภายใต้ OECD เพื่อวิเคราะห์รายได้ทั้งในและต่างประเทศและเพิ่มประสิทธิภาพการจัดเก็บภาษีกลุ่มดังกล่าว นอกจากนี้ ยังมีการพัฒนาระบบป้องกันการฉ้อโกงล่วงหน้า เช่น ระบบ Investigation and Detection Risking Service (IDRS) ซึ่งครอบคลุมทั้ง VAT และภาษีเงินได้บุคคลธรรมดา

ผลจากการดำเนินงานของระบบ Connect สะท้อนให้เห็นถึงประสิทธิภาพในการเพิ่มรายได้ภาษี โดยในปี ค.ศ. 2024 และ 2025 ระบบสามารถช่วยจัดเก็บภาษีเพิ่มเติมได้ประมาณ 4.6 พันล้านปอนด์ ซึ่งคิดเป็นราว 10% ของช่องว่างภาษีของประเทศ สะท้อนถึงแนวโน้มการเพิ่มขึ้นอย่างต่อเนื่องของประสิทธิภาพในการจัดเก็บภาษี ขณะเดียวกันระบบยังสามารถตรวจพบความผิดปกติทางภาษีได้มากกว่า 540,000 กรณีต่อปี
จากการวิเคราะห์ข้อมูลขนาดใหญ่ที่ครอบคลุมกว่า 55 พันล้านรายการข้อมูล ส่งผลให้การคัดกรองภาษีมี
ความแม่นยำมากขึ้น ลดการตรวจสอบแบบสุ่มและมุ่งเน้นไปยังกลุ่มที่มีความเสี่ยงสูงได้อย่างมีประสิทธิภาพ

2. กรณีศึกษาของประเทศออสเตรเลีย : Data Matching Programs

สำนักงานภาษีออสเตรเลีย (Australian Taxation Office: ATO) มีการดำเนินโครงการจับคู่ข้อมูล (Data Matching Programs) เพื่อเพิ่มประสิทธิภาพการบริหารจัดเก็บภาษีและยกระดับการกำกับดูแลการปฏิบัติตามกฎหมายภาษี โดยปรับเปลี่ยนจากระบบที่พึ่งพาข้อมูลที่ผู้เสียภาษีเป็นผู้ยื่นโดยตรงเป็นหลัก ไปสู่ระบบ
การบริหารภาษีที่ขับเคลื่อนด้วยข้อมูลมากขึ้น เป้าหมายของโครงการดังกล่าวมิได้จำกัดอยู่เพียงการตรวจพบข้อผิดพลาดภายหลังการยื่นแบบภาษีเท่านั้น แต่มุ่งเน้นการป้องกันความคลาดเคลื่อนตั้งแต่ต้นทาง โดยช่วยให้ผู้เสียภาษีสามารถใช้งานได้อย่างสะดวก ถูกต้อง และมีประสิทธิภาพมากขึ้น ขณะเดียวกัน ยังมีการใช้ข้อมูลภายนอกควบคู่กับระบบวิเคราะห์อัตโนมัติ เพื่อลดโอกาสในการไม่ปฏิบัติตามกฎหมายหรือการรายงานข้อมูลไม่ครบถ้วน ส่งผลให้ระบบภาษีมีความโปร่งใส น่าเชื่อถือ และมีประสิทธิภาพในการบริหารจัดเก็บมากยิ่งขึ้น

Data Matching Programs มีการใช้ข้อมูลจากหน่วยงานภายนอกมาใช้ในการตรวจสอบ เปรียบเทียบ และประมวลผลอย่างเป็นระบบและอัตโนมัติ โดยการใช้ปัญญาประดิษฐ์ (Artificial Intelligence: AI) และระบบอัตโนมัติอัจฉริยะ (Intelligent Automation) ในการวิเคราะห์เพื่อระบุความไม่สอดคล้องของข้อมูล ตรวจหาความเสี่ยงด้านพฤติกรรมการไม่ปฏิบัติตามกฎหมายภาษี และเพิ่มความถูกต้องของการรายงานภาษี
การวิเคราะห์ไม่ได้จำกัดอยู่ที่การรายงานหรือการสรุปตัวเลขเท่านั้น แต่ครอบคลุมทั้งการวิเคราะห์เพื่อให้เห็นรูปแบบและแนวโน้ม (Trend) การตรวจจับความผิดปกติ การสร้างแบบจำลองเชิงเส้นทาง (Patterns) และการทำนายเชิงสถิติ โดยการดำเนินงานประกอบด้วยขั้นตอนที่สำคัญ ดังนี้

(1) การรับข้อมูลจากบุคคลที่สามและหน่วยงานภายนอก ทั้งในรูปแบบที่มีกฎหมายกำหนดให้รายงานเป็นประจำ และในรูปแบบ “Specific Data-matching Programs” สำหรับอุตสาหกรรมหรือความเสี่ยงเฉพาะด้าน ซึ่งจะช่วยให้สามารถทำ Formal Data Matching สำหรับบางอุตสาหกรรมได้

(2) การตรวจสอบคุณภาพข้อมูลและเชื่อมโยงข้อมูลดังกล่าวเข้ากับผู้เสียภาษีที่ถูกต้องผ่านระบบ Identity Matching และในกรณีที่ระบบอัตโนมัติยังไม่สามารถยืนยันได้เพียงพอ จะมีเจ้าหน้าที่ ATO เข้าตรวจสอบเพิ่มเติม ทำให้สามารถลด False Match และทำให้การใช้ข้อมูลดังกล่าวมีความน่าเชื่อถือ

(3) เมื่อข้อมูลถูกจับคู่แล้ว ATO จึงนำผลไปใช้ ตั้งแต่การกรอกข้อมูลใน MyTax ล่วงหน้า การแจ้งเตือนผู้เสียภาษีแบบเรียลไทม์ การส่งจดหมายแจ้งความคลาดเคลื่อน การคัดเลือกกรณีเพื่อตรวจสอบ ไปจนถึงการตรวจจับปลอมแปลงและพฤติกรรมหลีกเลี่ยงภาษี ตัวอย่างเช่น ATO จะเตือนให้ผู้เสียภาษีทันทีเมื่อข้อมูลที่กรอกไม่สอดคล้องกับข้อมูลที่ ATO มีอยู่

(4) ใช้ปัญญาประดิษฐ์เพื่อทำ Risk Scoring ในกรณีที่มีความสำคัญ เช่น การสแกนบัญชี MyID ทั้งหมดเพื่อระบุและให้คะแนนความเสี่ยงของการขโมยตัวตนดิจิทัลหรือ Third-party Fraud ขณะเดียวกัน การใช้ปัญญาประดิษฐ์ต้องอยู่ภายใต้หลักความปลอดภัย นโยบายความเป็นส่วนตัว ความโปร่งใส และการกำกับดูแลโดยมนุษย์อย่างเหมาะสม

ภาพที่ 1 : ขั้นตอนการดำเนินงาน Data Matching Programs ของ ATO

ระบบดังกล่าวได้รับความร่วมมือจากทั้งภาครัฐและภาคเอกชน ในการรวบรวมข้อมูลลงใน Data Lake โดยมีหน่วยงานภาคเอกชน ได้แก่ ธนาคารและสถาบันการเงิน หน่วยงานด้านการลงทุน นายจ้าง (ข้อมูลการจ่ายเงินแก่ลูกจ้างและผู้รับจ้าง) แพลตฟอร์มออนไลน์และผู้ให้บริการใน Sharing Economy (ข้อมูลปริมาณ มูลค่า
การชำระเงิน) ผู้ให้บริการระบบรับชำระเงินและ Merchant Facilities (ข้อมูลธุรกรรมการชำระเงินทางอิเล็กทรอนิกส์) ตลาดหลักทรัพย์ (ข้อมูลการซื้อขายหุ้น) ผู้ให้บริการคริปโท (ธุรกรรมสินทรัพย์ดิจิทัล) รวมถึง ผู้จัดการทรัพย์สิน บริษัทประกัน และหน่วยงานด้านอสังหาริมทรัพย์ (ข้อมูลการชำระเงิน การซื้อขาย การโอนทรัพย์สิน) เป็นต้น

นอกจากนี้ หน่วยงานภาครัฐที่มีบทบาทในการสนับสนุนข้อมูล ได้แก่ Services Australia, Department of Home Affairs และ AUSTRAC รวมถึงหน่วยงานทะเบียนรถยนต์ สำนักงานที่ดิน และหน่วยงานจัดเก็บรายได้ของมลรัฐ ซึ่งให้ข้อมูลเกี่ยวกับสวัสดิการ การเดินทางระหว่างประเทศ รายได้จากต่างประเทศ การถือครองและโอนยานยนต์ ตลอดจนการซื้อขายและโอนกรรมสิทธิ์อสังหาริมทรัพย์

ระบบดังกล่าวช่วยยกระดับประสิทธิภาพการจัดเก็บภาษีในหลายมิติ ทั้งด้านการให้บริการและการกำกับดูแล โดยการนำข้อมูลจากภายนอกมาใช้กรอกแบบแสดงรายการล่วงหน้า ช่วยลดภาระและข้อผิดพลาดของผู้เสียภาษี ขณะเดียวกัน Data Matching ยังช่วยให้สามารถตรวจจับความคลาดเคลื่อนและความเสี่ยงด้านการไม่ปฏิบัติตามกฎหมายได้รวดเร็วยิ่งขึ้น นอกจากนี้ การนำระบบอัตโนมัติและเทคโนโลยีวิเคราะห์ข้อมูลมาใช้ยังช่วยเพิ่มประสิทธิภาพอย่างเป็นรูปธรรม โดยในปี 2020 มีการกรอกข้อมูลล่วงหน้ากว่า 85 ล้านรายการ และมี
การแจ้งเตือนผู้เสียภาษีกว่า 340,000 ราย ส่งผลให้มีการปรับปรุงข้อมูลที่เพิ่มรายได้ภาษีได้อย่างมีนัยสำคัญ สะท้อนถึงบทบาทของเทคโนโลยีในการสนับสนุนการตัดสินใจและยกระดับประสิทธิภาพของระบบภาษีโดยรวม

3. กรณีศึกษาของประเทศบราซิล : E-invoicing

ประเทศบราซิลมีระบบ E-invoicing ซึ่งเป็นการนำเทคโนโลยีดิจิทัลมาใช้เพื่อเพิ่มประสิทธิภาพการจัดเก็บภาษีและขยายฐานผู้เสียภาษี โดยมีหน่วยงานหลักที่รับผิดชอบคือ Secretaria da Fazenda (SEFAZ) ซึ่งทำหน้าที่ในการพัฒนาและกำกับดูแลระบบใบกำกับภาษีอิเล็กทรอนิกส์โดยตรง E-invoicing ของบราซิลประกอบไปด้วยเอกสารอิเล็กทรอนิกส์หลายรูปแบบ ได้แก่ (1) Nota Fiscal Eletrônica (NF-e) สำหรับธุรกรรมสินค้า (2) Nota Fiscal de Serviços Eletrônica (NFS-e) สำหรับธุรกรรมบริการ (3) Nota Fiscal de Serviços de Comunicação Eletrônica (NFCom) สำหรับภาคโทรคมนาคม และ (4) Conhecimento de Transporte Eletrônico (CT-e) สำหรับการขนส่งสินค้า

ระบบ E-invoicing ของบราซิลอาศัยข้อมูลธุรกรรมทางเศรษฐกิจแบบเรียลไทม์เป็นหลัก โดยกำหนดให้เอกสารอยู่ในรูปแบบไฟล์ XML ซึ่งเป็นรูปแบบข้อมูลที่มีโครงสร้างและสามารถประมวลผลได้โดยอัตโนมัติ นอกจากนี้ เอกสารต้องได้รับการลงลายมือชื่อดิจิทัลภายใต้ ICP-Brasil เพื่อยืนยันตัวตนของผู้ประกอบการและรับรองความถูกต้องของข้อมูล ใบกำกับภาษีอิเล็กทรอนิกส์แต่ละฉบับต้องประกอบด้วยข้อมูลสำคัญ ได้แก่
(1) หมายเลขใบกำกับภาษีที่ไม่ซ้ำกัน (2) ข้อมูลระบุตัวผู้ขายและผู้ซื้อ (3) รายละเอียดสินค้าและบริการ
(4) อัตราภาษีและจำนวนภาษีที่เกี่ยวข้อง (5) มูลค่ารวมของธุรกรรม และ (6) รหัสการอนุมัติจากหน่วยงานภาษี

ภาพที่ 2 : ระบบ E-invoicing ของประเทศบราซิล

การดำเนินงานของระบบใบกำกับภาษีอิเล็กทรอนิกส์ของบราซิลมีลักษณะเป็นกระบวนการแบบมีตรวจสอบล่วงหน้าซึ่งมีภาพรวมตามภาพข้างต้น โดยมีขั้นตอนการดำเนินการ ได้แก่ (1) ผู้ขายจัดทำใบกำกับภาษีอิเล็กทรอนิกส์และส่งให้ผู้ซื้อ พร้อมทั้งส่งข้อมูลเข้าสู่ระบบของ Secretaria da Fazenda (SEFAZ)
(2) ผู้ซื้อได้รับใบกำกับภาษี และระบบของ SEFAZ ทำการตรวจสอบความถูกต้องของข้อมูล โดยครอบคลุม
การตรวจสอบความถูกต้องของเอกสาร การคำนวณภาษี และการปฏิบัติตามกฎหมาย (3) เมื่อข้อมูลผ่าน
การตรวจสอบ SEFAZ จะออกรหัสการอนุมัติ (Authorization Code) และบันทึกลงในใบกำกับภาษีเพื่อยืนยันว่าเอกสารมีผลตามกฎหมายและธุรกรรมได้รับการลงทะเบียนกับภาครัฐแล้ว (4) ผู้ซื้อดำเนินการชำระเงินให้แก่ผู้ขาย และผู้ขายมีหน้าที่รายงานข้อมูลการรับชำระเงินเข้าสู่ระบบ SEFAZ และ (5) ทั้งผู้ขายและผู้ซื้อจัดเก็บสำเนาใบกำกับภาษีอิเล็กทรอนิกส์ไว้เป็นหลักฐานทางบัญชีและภาษีเป็นระยะเวลาไม่น้อยกว่า 5 ปี

ระบบใบกำกับภาษีอิเล็กทรอนิกส์มีบทบาทโดยตรงในการขยายฐานภาษีผ่านกลไกการทำงานแบบเรียลไทม์ ทำให้ภาครัฐสามารถเข้าถึงข้อมูลรายได้และกิจกรรมทางเศรษฐกิจได้อย่างทันท่วงที กลไกดังกล่าวช่วยลดช่องว่างภาษี เนื่องจากธุรกรรมที่เคยอยู่นอกระบบหรือไม่ได้รายงานถูกบันทึกเข้าสู่ฐานข้อมูลของรัฐโดยอัตโนมัติ ส่งผลให้ผู้ประกอบการ โดยเฉพาะธุรกิจขนาดเล็กและกิจกรรมในเศรษฐกิจนอกระบบมีแรงจูงใจและความจำเป็นในการเข้าสู่ระบบภาษีมากขึ้น นอกจากนี้ การเชื่อมโยงและตรวจสอบข้อมูลข้ามแหล่งอย่างเป็นระบบช่วยให้หน่วยงานภาษีสามารถวิเคราะห์พฤติกรรมที่มีความเสี่ยงและตรวจจับความผิดปกติได้แม่นยำขึ้น ลดการหลีกเลี่ยงภาษี และเพิ่มอัตราการปฏิบัติตามกฎหมาย ขณะเดียวกันการใช้ลายมือชื่อดิจิทัลและการจัดเก็บข้อมูลในรูปแบบอิเล็กทรอนิกส์ยังช่วยเพิ่มความปลอดภัยของข้อมูลและช่วยเพิ่มประสิทธิภาพในการตรวจสอบย้อนหลัง โดยระบบดังกล่าวไม่เพียงแต่ช่วยเพิ่มประสิทธิภาพในการจัดเก็บภาษี แต่ยังทำให้โครงสร้างภาษีมีความครอบคลุมมากขึ้น ลดการพึ่งพาการตรวจสอบภายหลัง และสนับสนุนการขยายฐานภาษีของประเทศในระยะยาว

ผลจากการดำเนินงานของระบบใบกำกับภาษีอิเล็กทรอนิกส์ของบราซิลสะท้อนให้เห็นถึงประสิทธิภาพในการยกระดับโครงสร้างภาษีและการขยายฐานภาษีอย่างเป็นรูปธรรม โดยระบบ E-invoicing ได้ถูกนำมาใช้ในวงกว้างและมีลักษณะบังคับใช้กับธุรกรรมทั้งภาคธุรกิจและภาครัฐ มูลค่าตลาดของ E-invoicing ของบราซิลอยู่ที่ประมาณ 401.7 ล้านดอลลาร์สหรัฐในปี ค.ศ. 2025 และคาดว่าจะเพิ่มขึ้นเป็น 1,527.3 ล้านดอลลาร์สหรัฐภายในปี ค.ศ. 2034 สะท้อนให้เห็นถึงการขยายตัวของการใช้เทคโนโลยีดิจิทัลอย่างชัดเจน ผลลัพธ์ดังกล่าวชี้ให้เห็นว่าระบบ E-invoicing ของบราซิลไม่เพียงช่วยยกระดับประสิทธิภาพในการจัดเก็บภาษี แต่ยังมีบทบาทสำคัญในการเพิ่มการปฏิบัติตามภาษีและสนับสนุนการพัฒนาเศรษฐกิจดิจิทัลอย่างยั่งยืน

4. กรณีศึกษาของประเทศเอสโทเนีย : The Digital State

เอสโตเนียเป็นต้นแบบของรัฐดิจิทัล (Digital State) ที่สามารถเชื่อมระบบยืนยันตัวตนดิจิทัลเข้ากับบริการภาครัฐได้อย่างมีประสิทธิภาพ ในมิติของระบบการจัดเก็บภาษี Estonian Tax and Customs Board (ETCB) ได้นำระบบดังกล่าวมาใช้เพื่อลดภาระของผู้เสียภาษีและเพิ่มประสิทธิภาพของระบบ โดยออกแบบให้การจัดเก็บภาษีทำงานบนโครงสร้างพื้นฐานดิจิทัลของรัฐอย่างครบวงจร ไม่ว่าจะเป็นการระบุตัวตนทางอิเล็กทรอนิกส์ (Electronic Identity: eID) การแลกเปลี่ยนข้อมูลระหว่างหน่วยงานผ่าน X-Road และการให้บริการภาษีผ่านแพลตฟอร์ม e-MTA / e-Tax ทำให้ประชาชนสามารถเข้าสู่ระบบด้วยตัวตนดิจิทัลที่เชื่อถือได้ ตรวจสอบข้อมูลที่ระบบเตรียมไว้ล่วงหน้า (Pre-filled Income Tax Data) และยื่นแบบภาษีได้อย่างรวดเร็วมากเมื่อเทียบกับหลายประเทศ

ระบบ eID เป็นรากฐานของบริการภาครัฐดิจิทัลทั้งหมด โดยมีหน่วยงาน Information System Authority (RIA) เป็นผู้รับผิดชอบ ระบบ eID ประกอบด้วยสื่อสำหรับยืนยันตัวตนอิเล็กทรอนิกส์หลายรูปแบบ ได้แก่ บัตรประจำตัวประชาชน (ID-card), บัตรผู้พำนัก (Residence Card), บัตรประจำตัวทางการทูต (Diplomatic ID), Mobile-ID, Digital ID และ Digital ID สำหรับ e-Resident โดยการดำเนินการทุกประเภทผ่าน eID ไม่ว่าจะเป็น การยืนยันตัวตน การลงนามอิเล็กทรอนิกส์ หรือการถอดรหัสข้อมูล ล้วนได้รับการคุ้มครองด้วยรหัส PIN ทั้งสิ้น กลไกดังกล่าวช่วยป้องกันการนำ eID ไปใช้ในทางมิชอบในกรณีที่บุคคลอื่นไม่ทราบรหัส PIN

ระบบ X-Road เป็นระบบตัวกลางสำหรับการแลกเปลี่ยนข้อมูลอย่างปลอดภัยระหว่างฐานข้อมูลของภาครัฐและเอกชน ทำให้หน่วยงานต่าง ๆ สามารถเชื่อมโยงกันได้โดยไม่จำเป็นต้องรวมฐานข้อมูลทั้งหมดไว้ที่ศูนย์กลางเดียว โครงสร้างแบบนี้ช่วยลดการจัดเก็บข้อมูลที่แยกส่วนกัน (Data Silo) และเอื้อให้บริการภาษีดึงข้อมูลจากแหล่งต่าง ๆ มาใช้ได้อย่างมีประสิทธิภาพภายใต้กรอบความปลอดภัยและการตรวจสอบย้อนกลับได้ ดังนั้น ความสำเร็จของระบบภาษีดิจิทัลของเอสโตเนียจึงไม่ควรอธิบายว่าเกิดจาก “E-tax Portal” เพียงอย่างเดียว แต่ต้องมองว่าเกิดจากระบบโครงสร้างพื้นฐานในองค์รวม (Interoperability Architecture) ของรัฐดิจิทัล

ระบบ e-MTA เป็นระบบที่แสดงแบบภาษีที่มีข้อมูลกรอกไว้ล่วงหน้าจากข้อมูลที่รัฐมีอยู่ ผู้เสียภาษีสามารถยืนยันตัวต้นด้วย Secure ID ซึ่งเป็นระบบยืนยันตัวตนความปลอดภัยสูง จากนั้นสามารถตรวจสอบข้อมูลในแบบที่ถูกกรอกไว้ล่วงหน้าแล้ว แก้ไขเฉพาะส่วนที่จำเป็น และอนุมัติเอกสารด้วยลายเซ็นอิเล็กทรอนิกส์ (Digital Signature) โดยสามารถยื่นแบบได้ในเวลาไม่ถึง 5 นาที ซึ่งลดภาระการปฏิบัติตามกฎหมายภาษี โดยย้ายภาระจากผู้ยื่นแบบไปสู่การจัดการข้อมูลภาครัฐที่ดีขึ้น

5. กรณีศึกษาของประเทศอินเดีย : 360 Degree Profiling

อินเดียได้พัฒนาระบบการวิเคราะห์ข้อมูล Integrated Taxpayer Data Management System (ITDMS) ซึ่งเป็นระบบ Data Mining[1] และ Data Profiling[2] ที่ออกแบบมาเพื่อรวบรวมข้อมูลผู้เสียภาษีจากหลายฐานข้อมูล และเชื่อมโยงเป็น “360-Degree Profile” ของบุคคลหรือกิจการเดียวกัน เพื่อทำให้การสืบค้นเบาะแสการหลีกเลี่ยงภาษี การคัดกรองคดีที่จะสืบสวน และการตรวจสอบข้อมูลเบื้องต้น (Pre-search Enquiry) เป็นไปได้อย่างรวดเร็วและแม่นยำมากยิ่งขึ้น

แนวคิด 360 Degree Profiling จะรวบรวมข้อมูลผู้เสียภาษีจากหลายแหล่ง ทั้งจากภายในกรมสรรพากรซึ่งเป็นหน่วยงานผู้พัฒนาหลัก และจากภายนอกหน่วยงาน ฐานข้อมูลภายในประกอบด้วย ข้อมูลประจำตัวผู้เสียภาษี ข้อมูลการชำระภาษี ข้อมูลการหักภาษี ณ ที่จ่าย ข้อมูลรายได้ที่ยื่นหรือผ่านการประเมิน และข้อมูลธุรกรรมหลักทรัพย์ ขณะที่ข้อมูลภายนอกประกอบด้วย ข้อมูลโทรศัพท์ การซื้อขายอสังหาริมทรัพย์ การถือครองยานพาหนะ ข้อมูลบัญชีธนาคารและเงินฝาก การใช้บัตรเครดิต การเดินทาง และเบี้ยประกันมูลค่าสูง เป็นต้น การบูรณาการข้อมูลดังกล่าวทำให้รัฐมองเห็นพฤติกรรมทางเศรษฐกิจของผู้เสียภาษีได้ครอบคลุมมากขึ้น และสามารถเปรียบเทียบความสอดคล้องระหว่างรายได้ที่แจ้งไว้กับการใช้จ่ายและการถือครองทรัพย์สินได้อย่างมีประสิทธิภาพ

นอกจากนี้ ระบบยังมีกลไกการเชื่อมโยงและระบุตัวตนของบุคคล (Entity Resolution) ซึ่งทำหน้าที่รวบรวมและเชื่อมข้อมูลที่อาจดูแตกต่างกัน แต่แท้จริงอ้างถึงบุคคลเดียวกัน โดยระบบไม่ได้อาศัยเพียงเลขประจำตัวที่เป็นตัวระบุเฉพาะ (Unique Identifier) เช่น ข้อมูลระบุตัวบุคคล (Identity particulars-PAN) หมายเลขบัญชีธนาคาร หรือหมายเลขหนังสือเดินทางเท่านั้น แต่ยังใช้การจับคู่ข้อมูลหลายรูปแบบร่วมกัน เช่น ชื่อกับที่อยู่ ชื่อกับวันเดือนปีเกิด หรือชื่อกับชื่อบิดา เป็นต้น หรือแม้แต่ในกรณีที่มีเพียงข้อมูลบางส่วน เช่น ชื่อหรือที่อยู่เพียงอย่างเดียว ระบบยังสามารถประมวลผลและเชื่อมโยงข้อมูลได้ โดยอาศัยกฎการจับคู่ที่หลากหลายเพื่อเพิ่มความแม่นยำในการระบุตัวบุคคล ซึ่งนี้มีความสำคัญมากในบริบทที่ข้อมูลจริงมักมีการสะกดชื่อแตกต่างกัน ที่อยู่ที่ไม่เป็นมาตรฐาน หรือวันเดือนปีเกิดที่คลาดเคลื่อน ระบบจะใช้เทคโนโลยีข้อมูลขนาดใหญ่ (Big Data) และปัญญาประดิษฐ์ (Artificial Intelligence) มาช่วยแปลง “ข้อมูลกระจัดกระจาย” ให้เป็น “ภาพรวมของหน่วยภาษี” นอกจากนี้ ระบบยังสามารถขยายจากการระบุตัวบุคคลไปสู่การวิเคราะห์ความสัมพันธ์ระหว่างบุคคลในครัวเรือนหรือเครือข่ายเดียวกัน (Relationship Resolution) เช่น คู่สมรส บุตร พี่น้อง และสมาชิกครัวเรือน ซึ่งช่วยให้การตรวจสอบภาษีมีความลึกมากขึ้น เพราะการหลีกเลี่ยงภาษีจำนวนมาก อาจมิได้เกิดจากบุคคลรายเดียว แต่เกิดผ่านความเชื่อมโยงของหลายบุคคล หลายธุรกรรม และหลายสินทรัพย์ การมี “Entity Resolution” ที่เป็นระบบมาตรฐาน และ “Relationship Resolution” จึงทำให้เจ้าหน้าที่สามารถประเมินความเสี่ยงได้รอบด้านและแม่นยำมากยิ่งขึ้น

6. กรณีศึกษาของประเทศปากีสถาน : Lifestyle Monitoring Cell

Lifestyle Monitoring Cell (LMC) เป็นหน่วยงานเฉพาะที่จัดตั้งขึ้นภายใต้ Directorate General of Intelligence and Investigation-Inland Revenue ของ Federal Board of Revenue (FBR) ในประเทศปากีสถาน มีบทบาทสำคัญในการเสริมสร้างการปฏิบัติตามกฎหมายภาษีและลดการหลีกเลี่ยงภาษีของผู้เสียภาษี โดยการใช้เทคโนโลยีจำพวกปัญญาประดิษฐ์และการวิเคราะห์ข้อมูลจากสื่อสังคมออนไลน์ เพื่อติดตามพฤติกรรมการแสดงความมั่งคั่งและรูปแบบการใช้จ่ายของบุคคลในพื้นที่สาธารณะบนแพลตฟอร์มดิจิทัล ระบบดังกล่าวถือเป็นส่วนหนึ่งของความพยายามของรัฐบาลปากีสถานในการขยายฐานภาษี เพิ่มประสิทธิภาพการจัดเก็บรายได้ของรัฐ และยกระดับความโปร่งใสในระบบภาษีของประเทศ

เป้าหมายหลักของ Lifestyle Monitoring Cell คือ การติดตามพฤติกรรมและรูปแบบการใช้จ่ายของบุคคล เช่น การถือครองทรัพย์สิน การเดินทาง หรือการเข้าร่วมกิจกรรมต่าง ๆ เพื่อคัดกรองข้อมูลที่อาจไม่สอดคล้องกับรายได้ที่ยื่นต่อหน่วยงานภาษี โดยใช้การวิเคราะห์ข้อมูลแบบเปิด (Open-source Intelligence: OSINT) ซึ่งเป็นกระบวนการรวบรวมและวิเคราะห์ข้อมูลจากแหล่งข้อมูลสาธารณะบนระบบดิจิทัลเพื่อประเมินพฤติกรรมทางเศรษฐกิจและระดับความมั่งคั่งของบุคคล ข้อมูลทั้งหมดจะถูกนำมาเปรียบเทียบกับข้อมูลการยื่นภาษีเงินได้ของบุคคล เพื่อระบุความผิดปกติที่อาจเกี่ยวข้องกับการปกปิดรายได้ หลังจากนั้น หน่วยงานจะจัดทำรายงานเชิงวิเคราะห์ในระดับส่วนกลาง และส่งต่อไปยังสำนักงานภาษีระดับภูมิภาค (Regional Tax Offices: RTOs) เพื่อดำเนินการออกหนังสือแจ้ง ตรวจสอบบัญชี และเรียกเก็บภาษีตามกฎหมาย ทั้งนี้ FBR ระบุว่ากระบวนการทั้งหมดดำเนินการภายใต้หลักการรักษาความลับตามกฎหมาย โดยไม่มีการเปิดเผยตัวตนของผู้ถูกตรวจสอบในระยะแรก เพื่อให้การบังคับใช้กฎหมายภาษีเป็นไปอย่างเหมาะสมและเป็นธรรม

แหล่งข้อมูลสำคัญที่ถูกนำมาใช้ในการวิเคราะห์ OSINT ได้แก่ (1) เครื่องมือค้นหาบนอินเทอร์เน็ต เช่น Google, Bing และ Yahoo (2) ข่าวและสื่อออนไลน์ เช่น หนังสือพิมพ์ เว็บไซต์ข่าว และนิตยสารออนไลน์ (3) แพลตฟอร์มสื่อสังคมออนไลน์ เช่น Facebook, Instagram, TikTok และ LinkedIn (4) ฟอรัมออนไลน์ บล็อก และห้องสนทนาอินเทอร์เน็ต (Internet Relay Chat: IRC) (5) ข้อมูลจาก Dark Web ซึ่งเป็นพื้นที่บนอินเทอร์เน็ตที่ถูกเข้ารหัสและไม่สามารถเข้าถึงได้ผ่านเครื่องมือค้นหาทั่วไป (6) ฐานข้อมูลออนไลน์ที่เกี่ยวข้องกับหมายเลขโทรศัพท์ อีเมล และที่อยู่ของบุคคล (7) ข้อมูลสาธารณะ เช่น สูติบัตร มรณบัตร เอกสารทางศาล และข้อมูลการจดทะเบียนธุรกิจ (8) ข้อมูลจากหน่วยงานภาครัฐ เช่น บันทึกการประชุม งบประมาณ คำแถลง และข่าวประชาสัมพันธ์ของภาครัฐ (9) งานวิจัยทางวิชาการ เช่น บทความวิจัย วิทยานิพนธ์ และวารสารวิชาการ และ (10) ข้อมูลทางเทคนิค เช่น IP Addresses, APIs, Open Ports และ Metadata ของเว็บไซต์ ทั้งนี้ ข้อมูลทั้งหมดจะถูกนำมาวิเคราะห์และเปรียบเทียบกับแบบแสดงรายการภาษี เพื่อระบุความไม่สอดคล้องระหว่างรายได้ที่แจ้งต่อรัฐกับพฤติกรรมการใช้ชีวิตที่ปรากฏในพื้นที่สาธารณะ ซึ่งช่วยให้หน่วยงานสามารถคัดกรองผู้มีความเสี่ยงในการหลีกเลี่ยงภาษีได้อย่างมีประสิทธิภาพมากขึ้น ในปีภาษี 2025 LMC สามารถเพิ่มประสิทธิภาพในการตรวจจับการหลีกเลี่ยงภาษีได้อย่างเป็นรูปธรรม โดยภายในระยะเวลาไม่ถึงสามเดือน หน่วยงานสามารถตรวจพบทรัพย์สินที่ไม่ได้เปิดเผยมูลค่ารวมประมาณ 12.3 พันล้านรูปีปากีสถาน จากกรณีที่ถูกตรวจสอบทั้งหมด 38 กรณี ซึ่งส่วนใหญ่เกี่ยวข้องกับรถยนต์หรู การจัดงานมูลค่าสูง การเดินทางระหว่างประเทศ และทรัพย์สินราคาสูง ดังนั้น แนวทางดังกล่าวจึงไม่เพียงช่วยเพิ่มรายได้ภาษีของภาครัฐและขยายฐานภาษีเท่านั้น แต่ยังมีบทบาทสำคัญในการยกระดับความโปร่งใสและความเป็นธรรมของระบบภาษีในระยะยาว

ตารางที่ 1 : การใช้เทคโนโลยีดิจิทัลเพื่อเปลี่ยนผ่านเศรษฐกิจนอกระบบของประเทศต่าง ๆ

ประเทศ	ชื่อระบบ/โครงการ	รายละเอียด	การใช้เทคโนโลยี	แหล่งข้อมูล	ผลลัพธ์/ข้อสรุป
สหราชอาณาจักร	The Connect System (หน่วยงานหลัก: HM Revenue & Customs)	– ใช้ Bigdata และ AI สร้างระบบ Connect System ในการเชื่อมโยงและวิเคราะห์ข้อมูล มากกว่า 55 พันล้านรายการข้อมูล เพื่อประเมินความเสี่ยงต่อการไม่ปฏิบัติตามกฎหมายภาษี และจัดทำ Risk Profiling – ข้อมูลจากระบบถูกนำไปใช้ในการดำเนินมาตรการเชิงรุก ได้แก่ การนิรโทษกรรมเจ้าของอสังหาริมทรัพย์ปล่อยเช่าที่ไม่ได้รายงานรายได้, การใช้ข้อมูลเกี่ยวกับภาษีของผู้ประกอบอาชีพอิสระและผู้ใช้แพลตฟอร์มออนไลน์, การตรวจสอบกลุ่มผู้มีรายได้สูง, การพัฒนาระบบตรวจสอบ เพื่อลดความผิดพลาดและการฉ้อโกง เป็นต้น	– Data Mapping – Anomaly Detection	– ข้อมูลภายในของ HMRC เช่น แบบแสดงรายการภาษี – ฐานข้อมูลภาครัฐของสหราชอาณาจักร เช่น DWP – ข้อมูลจากการแลกเปลี่ยนระหว่างประเทศตามมาตรฐาน CRS ภายใต้ OECD – ข้อมูลจากหน่วยงานจัดเก็บภาษีทั้งในและต่างประเทศ – ข้อมูลการถือครองและธุรกรรมอสังหาริมทรัพย์จาก Land Registry และแพลตฟอร์มอสังหาริมทรัพย์ – ข้อมูลการถือครองยานพาหนะจาก DVLA – ข้อมูลจากสื่อสังคมออนไลน์และแพลตฟอร์ม e-commerce เช่น Airbnb, eBay, Amazon, Zoopla และ Instagram – ข้อมูลโครงสร้างบริษัทและกิจกรรมทางการเงินจาก Companies House และบริษัทข้อมูลเครดิต – ข้อมูลจากผู้ให้บริการระบบชำระเงิน เช่น กระเป๋าเงินดิจิทัล และแพลตฟอร์มอย่าง PayPal และ Stripe	– เพิ่มรายได้ภาษีปีละประมาณ 4.6 พันล้านปอนด์ ในปี 2024 และ 2025 – ตรวจพบความผิดปกติทางภาษีได้มากกว่า 540,000 กรณีต่อปี
ออสเตรเลีย	Data Matching Programs (หน่วยงานหลัก: Australian Taxation Office: ATO)	– นำ AI และ Intelligent Automation มาวิเคราะห์ Trend และ Pattern เพื่อหา ผู้มีความเสี่ยงในการไม่ปฏิบัติตามกฎหมายภาษีและยกระดับประสิทธิภาพการจัดเก็บภาษี	– Identity and False Data Matching – ระบบ MyTax – Risk Scoring	– หน่วยงานภาครัฐ ได้แก่ Services Australia, Department of Home Affairs และ AUSTRAC, หน่วยงานทะเบียนรถยนต์, สำนักงานที่ดิน, หน่วยงานจัดเก็บรายได้ของมลรัฐ – หน่วยงานอื่น ๆ เช่น ธนาคารและสถาบันการเงิน, หน่วยงานด้านการลงทุน, นายจ้าง, แพลตฟอร์มออนไลน์และผู้ให้บริการใน Sharing Economy, ผู้ให้บริการระบบรับชำระเงินและ Merchant Facilities, ตลาดหลักทรัพย์, ผู้ให้บริการ Crypto, ผู้จัดการทรัพย์สิน, บริษัทประกัน, หน่วยงานด้านอสังหาริมทรัพย์	– ปี 2020 มีการกรอกข้อมูลล่วงหน้ากว่า 85 ล้านรายการ และมีการแจ้งเตือนผู้เสียภาษีกว่า 340,000 ราย – เพิ่มรายได้ภาษีอย่างมีนัยสำคัญ
บราซิล	E-Invoicing (SEFAZ) (หน่วยงานหลัก: Secretaria da Fazenda: SEFAZ)	– นำเทคโนโลยี Digital มาสร้างระบบตรวจสอบล่วงหน้า เพื่อเพิ่มประสิทธิภาพ และขยายฐานภาษี ในรูปแบบ Realtime E-invoicing (NF-e, NFS-e, NFCom, CT-e)	– ระบบ E-invoicing – Real-time Authorization	– ข้อมูลใบกำกับภาษีอิเล็กทรอนิกส์จากผู้ประกอบการ ประกอบด้วย (1) หมายเลขใบกำกับภาษีที่ไม่ซ้ำกัน (2) ข้อมูลระบุตัวผู้ขายและผู้ซื้อ (3) รายละเอียดสินค้าและบริการ (4) อัตราภาษีและจำนวนภาษีที่เกี่ยวข้อง (5) มูลค่ารวมของธุรกรรม และ (6) รหัสการอนุมัติจากหน่วยงานภาษี	– มูลค่าตลาดของ E-invoicing ของบราซิลอยู่ที่ประมาณ 401.7 ล้าน USDในปี 2025 – หน่วยงานภาษีสามารถวิเคราะห์พฤติกรรมที่มีความเสี่ยงและตรวจจับความผิดปกติได้แม่นยำขึ้นและลด การหลีกเลี่ยงภาษี – เพิ่มความปลอดภัยของข้อมูลและช่วยเพิ่มประสิทธิภาพในการตรวจสอบย้อนหลัง
เอสโตเนีย	The Digital State (หน่วยงานหลัก: Estonian Tax and Customs Board: ETCB และ Information System Authority: RIA)	– ออกแบบระบบภาษีที่ทำงานบนโครงสร้างพื้นฐานดิจิทัลแบบครบวงจร ประกอบด้วย (1) ระบบ eID สำหรับยืนยันตัวตนอิเล็กทรอนิกส์หลายรูปแบบ (2) ระบบ X-Road สำหรับการแลกเปลี่ยนข้อมูลอย่างปลอดภัย และ (3) ระบบ e-MTA ที่แสดง Pre-filled Income Tax Data	– Electronic Identity – X-Road – e-Tax	– ข้อมูลพื้นฐานของทั้งภาครัฐและเอกชนที่อยู่ภายในระบบรัฐดิจิทัลของประเทศ (Interoperability Architecture)	– สามารถยื่นแบบภาษีได้เร็วมากขึ้น โดยสามารถยื่นแบบได้ในเวลาไม่ถึง 5 นาที ซึ่งลดภาระการปฏิบัติตามกฎหมายภาษี โดยย้ายภาระจากผู้ยื่นแบบไปสู่การจัดการข้อมูลภาครัฐที่ดีขึ้น
อินเดีย	360 Degree Profiling และ Integrated Taxpayer Data Management System (หน่วยงานหลัก: กรมสรรพากร)	– สร้างระบบเชื่อมโยงข้อมูลเป็น 360-degree Profile เพื่อความสะดวกในการสืบค้นเพื่อหาเบาะแสการหลีกเลี่ยงภาษี การคัดกรองคดี และ Pre-search Enquiry – ใช้ Big Data และ AI มาแปลงข้อมูลให้เป็นภาพรวมของหน่วยภาษีในระดับลึก เช่น การวิเคราะห์ความสัมพันธ์ระหว่างบุคคลในครัวเรือนหรือเครือข่ายเดียวกัน เป็นต้น	– Data Mining และ Data Profiling – Entity Resolution – Relationship Resolution	– กรมสรรพากร (ข้อมูลประจำตัวผู้เสียภาษี, ข้อมูลการชำระภาษี, ข้อมูลการหักภาษี ณ ที่จ่าย, ข้อมูลรายได้ที่ยื่นหรือผ่านการประเมิน, และข้อมูลธุรกรรม หลักทรัพย์) – หน่วยงานอื่น ๆ (ข้อมูลโทรศัพท์, หมายเลขบัญชีธนาคาร, หมายเลขหนังสือเดินทาง, การซื้อขายอสังหาริมทรัพย์, การถือครองยานพาหนะ, ข้อมูลบัญชีธนาคารและเงินฝาก, การใช้บัตรเครดิต, การเดินทาง, และ เบี้ยประกันมูลค่าสูง เป็นต้น)	– ระบบ Integrated Taxpayer Data Management System (ITDMS) ทำให้เจ้าหน้าที่สามารถประเมินความเสี่ยงได้รอบด้านและแม่นยำมากยิ่งขึ้น – การตรวจสอบภาษีมีความลึกมากขึ้น ช่วยลดการหลีกเลี่ยงภาษี
ปากีสถาน	Lifestyle Monitoring Cell (หน่วยงานหลัก: Directorate General of Intelligence and Investigation-Inland Revenue)	– ใช้เทคโนโลยี และ Open-source Intelligence ติดตามพฤติกรรมและรูปแบบการใช้จ่ายเพื่อระบุบุคคลที่น่าจะมีรายได้จริงไม่ตรงกับที่ยื่นขอภาษี	– Open-source Intelligence	– เครื่องมือค้นหาบนอินเทอร์เน็ต เช่น Google, Bing และ Yahoo – ข่าวและสื่อออนไลน์ เช่น หนังสือพิมพ์ เว็บไซต์ข่าว และนิตยสารออนไลน์ – แพลตฟอร์มสื่อสังคมออนไลน์ เช่น Facebook, Instagram, TikTok และ LinkedIn – ฟอรัมออนไลน์ บล็อก และห้องสนทนาอินเทอร์เน็ต (IRC) – ข้อมูลจาก Dark Web – ฐานข้อมูลออนไลน์ที่เกี่ยวข้องกับหมายเลขโทรศัพท์ อีเมล และที่อยู่ของบุคคล – ข้อมูลสาธารณะ เช่น สูติบัตร มรณบัตร เอกสารทางศาล และข้อมูลการจดทะเบียนธุรกิจ – ข้อมูลจากหน่วยงานภาครัฐ เช่น บันทึกการประชุม งบประมาณ คำแถลง และข่าวประชาสัมพันธ์ของภาครัฐ – งานวิจัยทางวิชาการ – ข้อมูลทางเทคนิค เช่น IP Addresses, APIs, Open Ports และ Metadata	– สามารถเพิ่มประสิทธิภาพในการตรวจจับการหลีกเลี่ยงภาษีได้อย่างเป็นรูปธรรม – ในปีภาษี 2025 หน่วยงานสามารถตรวจพบทรัพย์สินที่ไม่ได้เปิดเผยมูลค่ารวมประมาณ 12.3 พันล้านรูปีปากีสถาน จากกรณีที่ถูกตรวจสอบทั้งหมด 38 กรณี ภายในระยะเวลา 3 เดือน

เมื่อพิจารณากรณีศึกษาทั้ง 6 ประเทศ พบว่า แม้แต่ละประเทศใช้เทคโนโลยีแตกต่างกันตามระดับความพร้อมของรัฐ โครงสร้างเศรษฐกิจ และกรอบกฎหมาย แต่มีเป้าหมายร่วมกันคือการลดขนาดของเศรษฐกิจนอกระบบ โดยทำให้รายได้ ธุรกรรม ทรัพย์สิน และความสัมพันธ์ทางเศรษฐกิจถูกบันทึกและเชื่อมโยงเข้าสู่ระบบภาษีมากขึ้น บทเรียนจากต่างประเทศชี้ว่า เทคโนโลยีดิจิทัลสามารถเปลี่ยนผ่านเศรษฐกิจนอกระบบเข้าสู่ระบบภาษีได้อย่างมีประสิทธิภาพเมื่อทำงานครบทั้ง 3 ด้าน ได้แก่

การทำให้กิจกรรมทางเศรษฐกิจถูกบันทึก โดยการทำให้เศรษฐกิจนอกระบบกลายเป็นข้อมูลที่รัฐมองเห็นได้ อาทิ กรณีของบราซิลแสดงให้เห็นว่าระบบ E-invoicing สามารถบันทึกธุรกรรมเข้าสู่ระบบตั้งแต่ต้นทาง ทำให้ธุรกรรมที่เคยไม่ถูกรายงานหรือยากต่อการตรวจสอบถูกจัดเก็บในรูปแบบข้อมูลอิเล็กทรอนิกส์ ขณะที่ออสเตรเลียใช้ข้อมูลจากธนาคาร นายจ้าง แพลตฟอร์มออนไลน์ ผู้ให้บริการชำระเงิน และหน่วยงานรัฐ เพื่อเปรียบเทียบกับข้อมูลที่ผู้เสียภาษียื่นไว้ ส่วนสหราชอาณาจักรใช้ข้อมูลจากหลายฐานเพื่อสร้างภาพรวมทางเศรษฐกิจของผู้เสียภาษีและระบุความไม่สอดคล้องของรายได้กับทรัพย์สินหรือการใช้จ่าย
การทำให้ผู้เสียภาษีปฏิบัติตามกฎหมายได้ง่าย กล่าวคือ การดึงคนเข้าสู่ระบบภาษีต้องอาศัยทั้งแรงจูงใจและแรงตรวจสอบ ประเทศที่ประสบความสำเร็จไม่ได้ใช้เทคโนโลยีเพื่อจับผิดเพียงอย่างเดียว แต่ใช้เพื่อทำให้การปฏิบัติตามกฎหมายสะดวกขึ้น ออสเตรเลียและเอสโตเนียสะท้อนแนวทางนี้อย่างชัดเจนผ่านการกรอกข้อมูลล่วงหน้า การแจ้งเตือนความคลาดเคลื่อน และการยื่นภาษีผ่านระบบดิจิทัลที่ลดภาระของประชาชน แนวทางดังกล่าวมีความสำคัญต่อกลุ่มเศรษฐกิจนอกระบบ เพราะผู้ประกอบการรายย่อยจำนวนมากไม่ได้อยู่นอกระบบเพราะต้องการหลีกเลี่ยงภาษีเสมอไป แต่อาจเกิดจากต้นทุนการจดทะเบียน ความซับซ้อนของเอกสาร ความไม่รู้หน้าที่ทางภาษี หรือความไม่มั่นใจต่อระบบราชการ
การทำให้รัฐตรวจสอบกลุ่มเสี่ยงได้อย่างแม่นยำและเป็นธรรม โดยมีการระบุตัวตนที่ปลอดภัยและแม่นยำ หากรัฐมีข้อมูลจำนวนมากแต่ไม่สามารถจับคู่ข้อมูลกับบุคคลหรือกิจการที่ถูกต้องได้ ระบบจะไม่สามารถขยายฐานภาษีได้อย่างมีประสิทธิภาพ กรณีของอินเดียชี้ให้เห็นความสำคัญของ Entity Resolution และ Relationship Resolution ในการเชื่อมโยงข้อมูลที่กระจัดกระจายให้กลายเป็นภาพรวมของผู้เสียภาษีรายเดียวกัน โดยเฉพาะในบริบทที่ข้อมูลชื่อ ที่อยู่ หรือหมายเลขระบุตัวตนอาจไม่สมบูรณ์หรือไม่เป็นมาตรฐาน นอกจากนี้ การใช้เทคโนโลยีเพื่อ formalization ต้องมีธรรมาภิบาลข้อมูลเป็นเงื่อนไขสำคัญ เพราะการขยายฐานภาษีด้วยข้อมูลจำนวนมากอาจกระทบสิทธิของประชาชนโดยตรง หากไม่มีหลักเกณฑ์ด้านความจำเป็น ความได้สัดส่วน การจำกัดวัตถุประสงค์ การตรวจสอบย้อนกลับ และสิทธิในการชี้แจงหรือแก้ไขข้อมูล ความพยายามในการดึงคนเข้าสู่ระบบอาจกลับกลายเป็นการสร้างแรงต่อต้านและทำให้เศรษฐกิจนอกระบบหลบเลี่ยงมากขึ้น

สรุป

ประสบการณ์จากต่างประเทศชี้ให้เห็นว่า เทคโนโลยีดิจิทัลสามารถเป็นเครื่องมือสำคัญในการเปลี่ยนผ่านเศรษฐกิจนอกระบบเข้าสู่ระบบภาษี หากถูกออกแบบให้ครอบคลุมทั้งการบันทึกธุรกรรม การเชื่อมโยงข้อมูล การระบุตัวตน การให้บริการผู้เสียภาษี และการวิเคราะห์ความเสี่ยง กรณีของบราซิลแสดงให้เห็นบทบาทของ E-invoicing ในการนำธุรกรรมเข้าสู่ระบบตั้งแต่ต้นทาง ออสเตรเลียและเอสโตเนียสะท้อนความสำคัญของบริการภาษีดิจิทัลที่ลดต้นทุนการปฏิบัติตามกฎหมาย ขณะที่สหราชอาณาจักร อินเดีย และปากีสถานแสดงให้เห็นศักยภาพของการใช้ข้อมูลขนาดใหญ่ การจับคู่ข้อมูล และการวิเคราะห์ความเสี่ยงเพื่อระบุกลุ่มที่มีแนวโน้มอยู่นอกระบบหรือรายงานรายได้ไม่ครบถ้วน

สำหรับประเทศไทย เป้าหมายของการใช้เทคโนโลยีดิจิทัลไม่ควรจำกัดอยู่ที่การเพิ่มรายได้ภาษีระยะสั้น แต่ควรมุ่งสร้างระบบภาษีที่ทำให้กิจกรรมทางเศรษฐกิจเข้าสู่ระบบได้ง่ายขึ้น ผู้ประกอบการรายย่อยมีต้นทุนการปฏิบัติตามกฎหมายต่ำลง และรัฐสามารถตรวจสอบกลุ่มเสี่ยงได้แม่นยำขึ้นโดยไม่ละเมิดสิทธิของประชาชน การปฏิรูปดังกล่าวจึงต้องผสมผสานระหว่างเทคโนโลยี มาตรฐานข้อมูล บริการภาษีที่เป็นมิตร แรงจูงใจทางเศรษฐกิจ และธรรมาภิบาลข้อมูล หากประเทศไทยสามารถดำเนินการได้อย่างสมดุล เทคโนโลยีดิจิทัลจะไม่ใช่เพียงเครื่องมือของรัฐในการตรวจสอบภาษี แต่จะเป็นโครงสร้างพื้นฐานสำคัญในการเปลี่ยนผ่านเศรษฐกิจนอกระบบไปสู่เศรษฐกิจในระบบ เพิ่มความเป็นธรรมระหว่างผู้เสียภาษี ลดช่องว่างภาษี และเสริมสร้างความยั่งยืนทางการคลังในระยะยาว