9.3.2 Data en variabelen

Om een analyse te kunnen maken van de mogelijke uitkomsten van een onzeker rechtsvindingsvraagstuk met de daarbij behorende waarschijnlijkheden, moet het systeem worden gevoed met relevante data. We hebben het dan niet alleen over specifiek fiscale data, maar over alle data die mogelijk van belang kan zijn om de mogelijke uitkomsten te achterhalen.

Interessant in dit kader is een onderzoek van Katz, Bommarito en Blackman naar een model om uitspraken van het Federaal Hooggerechtshof van de Verenigde Staten (Supreme Court of the United States) te voorspellen.1Het model dat zij hebben gemaakt is uiteindelijk behoorlijk succesvol met ongeveer 70% juiste voorspellingen. De voorspelling van een uitspraak vindt plaats aan de hand van de data die beschikbaar zijn voorafgaand aan die uitspraak. In hun model maken Katz, Bommarito en Blackman gebruik van de data van de Supreme Court Database. Deze database bevat tot 247 variabelen voor elke zaak. Dat zijn niet alleen inhoudelijke variabelen, maar bijvoorbeeld ook het geslacht van de rechters, de geboortedatum van de rechters, etc. De vraag is dan welke variabelen in aanmerking moeten worden genomen. Katz, Bommarito en Blackman merken daar het volgende over op:

Hoewel juristen volgens hen de nadruk leggen op juridische data, lijken Katz, Bommarito en Blackman hiermee aan te geven dat ook niet-juridische data in aanmerking moet worden genomen. De vraag is dan welke gegevens in aanmerking moeten worden genomen:

Het onderzoek van Katz, Bommarito en Blackman is zeker interessant. Ik wil er echter wel een paar opmerkingen bij plaatsen. In de eerste plaats ben ik niet enkel geïnteresseerd in voorspellingen van mogelijke uitkomsten van zaken die bij de Hoge Raad liggen (vanuit een Nederlands perspectief), maar in de mogelijke uitkomsten van onzekere fiscale rechtsvindingsvraagstukken ongeacht of deze bij de Hoge Raad liggen. Dat neemt niet weg dat we natuurlijk kunnen doen alsof een rechtsvindingsvraagstuk bij de Hoge Raad ligt en de Hoge Raad in laatste instantie een uitspraak moet doen. Een ander punt is dat het Nederlandse rechtssysteem niet identiek is aan het Amerikaanse rechtssysteem. De variabelen die Katz, Bommarito en Blackman hebben gebruikt zijn dus niet een-op-een bruikbaar bij een analyse van de mogelijke uitkomsten van Nederlandse fiscale rechtsvindingsvraagstukken. Desalniettemin is hun suggestie dat ook niet-juridische data in aanmerking moet worden genomen naar mijn idee wel juist.

Katz, Bommarito en Blackman hebben aangegeven dat juristen de nadruk leggen op juridische kenmerken. Vertaald naar de Nederlandse situatie denk ik dan aan gegevens die zijn te vinden in typisch juridische bronnen zoals

Lastiger is het om niet-juridische data te vinden die mogelijk relevant kunnen zijn bij de analyse van de mogelijke uitkomsten van fiscale rechtsvindingsvraagstukken. De correlaties en patronen kunnen namelijk verborgen zitten op plaatsen en dus in data waar we ze op voorhand niet verwachten. Is bijvoorbeeld het financieel belang mede bepalend voor de uitkomst? De provincie waar de belastingplichtige woont of is gevestigd? De samenstelling van de regering? Of de gemiddelde neerslag in het jaar waarin het fiscale vraagstuk is opgekomen?

Om tot zo betrouwbaar mogelijke uitkomsten te komen, willen we een zo compleet mogelijk databestand. Dat betekent dat we alle relevante data verzamelen, van verschillende bronnen en over verschillende onderwerpen. We krijgen dan wel een omvangrijk (high volume) databestand. Maar met moderne computertechnologie mag dat geen probleem zijn.

Het databestand kan bestaan uit verschillende documenten. (Dus geen database met enkel variabelen, maar een enorme hoeveelheid documenten met tekst en cijfers.) Die documenten kunnen weer worden verdeeld in verschillende elementen, de bouwstenen van die documenten. De bouwstenen van de documenten zijn de daarin voorkomende namen (bijvoorbeeld namen van arresten zoals het ‘Baksteenarrest’), vaktermen, ‘gewone’ Nederlandse woorden, buitenlandse termen (bijvoorbeeld ‘loan’ en ‘equity’), cijfers, etc. waaruit het document is opgebouwd. Ook de metadata van de documenten kunnen inhoudelijk relevante informatie bevatten. Elk van de elementen kan tot op zekere hoogte gecorreleerd zijn met andere elementen of combinaties van elementen of interessante patronen vormen. Niet alle elementen zijn echter even interessant wanneer we op zoek zijn naar correlaties en patronen waarmee we fiscale voorspellingen kunnen doen. Er zal dus een zekere mate van reductie plaats moeten vinden. Dat is echter niet eenvoudig en tot op zekere hoogte arbitrair.

Het is waarschijnlijk niet mogelijk om vooraf aan te geven wat de interessante elementen zijn en welke combinaties al dan niet de moeite waard zijn omdat deze mogelijk gecorreleerd kunnen zijn of een patroon laten zien. Het systeem zal dus zelflerend tot bepaalde combinaties moeten komen.

Een volgend aandachtspunt is dat een deel van de elementen als variabele kan worden uitgedrukt. Daarbij wil ik een onderscheid maken tussen numerieke variabelen en categorische variabelen.

Numerieke variabelen zijn meetbaar en kunnen in een getal worden uitgedrukt. Hierbij kan een onderscheid worden gemaakt tussen continue numerieke variabelen en discrete numerieke variabelen.

Categorische variabelen kunnen niet in een getal worden uitgedrukt. Bij categorische variabelen kan een onderscheid worden gemaakt tussen nominale categorische variabelen en ordinale categorische variabelen.

Welke variabelen moet het systeem beoordelen? Moeten we dat vooraf zelf bepalen, of moeten we het systeem simpelweg naar alles laten kijken? Ik denk dat laatste. Het lijkt mij raadzaam om de menselijke component (bij de keuze voor de variabelen) uit te schakelen. Het zijn namelijk de onverwachte correlaties die tot opmerkelijke uitkomsten kunnen leiden.