Ciò che le aziende non dicono (ma scrivono)
Le tasse societarie spesso sembrano un tema oscuro e tecnico, lontano dalle preoccupazioni della vita quotidiana. Eppure incidono quasi su tutto: quanto i governi possono spendere per scuole o infrastrutture, come gli azionisti valutano le aziende e perfino se un’impresa stia giocando “pulito” nell’arena economica. Le imposte rappresentano oggi uno dei costi più consistenti per le imprese, con importanti implicazioni sulle loro operazioni. Il problema? Comprendere il comportamento fiscale di un’azienda è sorprendentemente difficile, anche per i professionisti che se ne occupano ogni giorno.
Una delle ragioni è che le aziende non sono certo impazienti di “dire le cose come stanno”. Parlare troppo delle proprie strategie fiscali può attirare attenzioni indesiderate, sia da parte dei concorrenti sia delle autorità tributarie. Di conseguenza, ciò che viene reso pubblico nei report aziendali è di solito criptico, altamente standardizzato e sepolto in un linguaggio denso. Ma cosa accadrebbe se, nascosto in tutto quel testo, ci fosse molto più di quanto immaginiamo?
In uno studio di prossima pubblicazione su Review of Accounting Studies, insieme a Olga Bogachek e Antonio De Vito, abbiamo esaminato se i recenti progressi nel natural language processing e nel machine learning possano aiutare gli stakeholder aziendali a prevedere meglio gli esiti fiscali delle imprese. Abbiamo analizzato 14 anni di bilanci societari statunitensi, applicando il topic modeling per “leggere tra le righe” migliaia di report annuali e quantificare ciò che le aziende effettivamente comunicano. Queste misure testuali sono state poi integrate in modelli di machine learning sviluppati per prevedere esiti fiscali quali l’aliquota fiscale effettiva, le imposte correnti pagate e gli importi versati come accordi transattivi alle autorità fiscali.
I risultati sono stati sorprendenti. Anche quando le aziende non parlano direttamente di tasse, il modo in cui parlano di altri temi — controlli interni, struttura societaria, fusioni o rischi regolatori — può rivelare molto sui probabili esiti fiscali. Infatti, utilizzando questi indizi indiretti per prevedere i risultati fiscali reali, siamo riusciti a ridurre gli errori di previsione di oltre la metà.
Perché è importante?
Primo, per investitori e finanziatori significa avere informazioni migliori per valutare i rischi finanziari. Per i decisori politici e le autorità fiscali, offre una nuova lente per individuare pratiche fiscali aggressive o insostenibili prima che finiscano sui giornali. E per la società nel suo complesso, suggerisce un percorso verso una maggiore responsabilità: se gli stakeholder possono estrarre intuizioni significative da ciò che le aziende comunicano, anche indirettamente, ciò potrebbe spingerle a essere più trasparenti e responsabili nel loro comportamento fiscale.
Secondo, i report aziendali di oggi sono lunghi, complessi e spesso scoraggianti. È anche per questo che molti lettori li saltano. Ma con gli strumenti giusti, possiamo trasformare questo oceano di parole in informazioni utili e azionabili. Il nostro lavoro mostra che intelligenza artificiale e machine learning non sono solo parole alla moda: possono davvero aiutare a dare senso alla complessità e portare chiarezza su temi che ci riguardano tutti.
In un’epoca di crescente attenzione verso l’equità delle imprese e la responsabilità fiscale, capire come le aziende gestiscono le proprie tasse non è più solo compito degli specialisti. È una questione di interesse pubblico. E se le aziende non ce lo dicono sempre in modo diretto, ora abbiamo strumenti migliori per ascoltare attentamente ciò che comunicano tra le righe.
