Global Profit Shifting: A Machine Learning Approach to Estimating Corporate Tax Avoidance

Abstract

This thesis investigates global profit shifting by multinational corporations using both traditional econometric and machine learning approaches. First, it replicates a set of semi-elastic regression models to estimate the sensitivity of reported profits to effective tax rates, confirming a strong and nonlinear relationship. Using these models, the misalignment of profits is quantified, revealing approximately $950 billion of shifted profits globally in 2021. Second, the thesis applies machine learning techniques including neural networks, elastic net, and random forests to capture complex, nonlinear relationships. The best performing neural network model estimates $861 billion shifted profit, which aligns closely with the regression-based results. Although machine learning improves predictive accuracy, it raises interpretability challenges. The findings confirm that profits are disproportionately reported in low-tax jurisdictions and highlight the importance of combining interpretable and flexible modelling techniques in tax avoidance research.

Tato práce zkoumá globální přesun zisku nadnárodními korporacemi s využitím tradičních ekonometrických i strojových přístupů. Zaprvé replikuje sadu semi elastických regresních modelů pro odhad citlivosti vykázaných zisků na efek tivní daňové sazby, což potvrzuje silný a nelineární vztah. Pomocí těchto mod elů je kvantifikován nesoulad zisků, což odhaluje přibližně $950 miliard dolarů přesunutých zisků na celém světě v roce 2021. Zadruhé, práce aplikuje techniky strojového učení, včetně neuronových sítí, elastických sítí a náhodných lesů, k zachycení složitých, nelineárních vztahů. Nejvýkonnější model neuronové sítě odhaduje $861 miliard dolarů přesunutého zisku, což se úzce shoduje s výsledky založenými na regresi. Ačkoli strojové učení zlepšuje prediktivní přes nost, s sebou nese problémy s interpretovatelností. Zjištění potvrzují, že zisky jsou neúměrně vykazovány v jurisdikcích s nízkými zdaněními, a zdůrazňují důležitost kombinace interpretovatelných a flexibilních modelovacích technik ve výzkumu daňových úniků.