【摘要】随着数字经济时代的到来，丰富的数据资源有利于全面精准地刻画企业纳税情况，但数据来源广、类别不平衡以及噪音多等问题，也给企业纳税行为的甄别工作带来挑战。本文融合企业报表以及证监会、海关和税务等部门的多来源涉税数据，基于K-S检验和随机森林算法，构建了企业纳税行为甄别指标体系；将不同行业企业纳税行为甄别工作视为不同任务，提出基于多任务深度神经网络的企业纳税行为甄别模型，充分利用了不同行业任务间的相关性和差异性信息；针对样本数据集不平衡问题，引入焦点损失函数进一步改进了甄别模型。研究发现，相对于传统Logistic、支持向量机和神经网络等单任务模型，本文多任务模型的企业纳税行为甄别能力、泛化能力和稳健性更强。当模型预测某企业纳税不遵从的概率超出阈值时，即可判定该企业为重点稽查对象，以辅助税务部门提升稽查效率。本研究为政府智慧税务治理工作提供了新的思路。