To nye projekter ved DTU Management har modtaget bevilling fra Danmarks Frie Forskningsfond (DFF – Forskningsprojekt 2)!
Danmarks Frie Forskningsfond finansierer banebrydende forskning af højeste internationale kvalitet, og under DFF – Forskningsprojekt 2 er lektor Toke Reinholt Fosgaard og professor Stefan Røpke fra DTU Management blandt de dygtige forskere, der har modtaget støtte.
Projektet “Who are the Tax Evaders? Understanding, Predicting, and Decreasing Tax Evasion” ved Toke Reinholt Fosgaard har til formål at opnå en mere detaljeret forståelse af motivationerne hos personer, der er blevet taget i at snyde skat eller forsøge at gøre det. Skatteopkrævning er afgørende for et velfungerende samfund, men nogle borgere forsøger at undgå at betale skat. På trods af, at dette er et vedvarende problem, mangler vi præcis viden om, hvem skatteunddragerne er, og hvad der driver deres adfærd. I samarbejde med de danske skattemyndigheder inviteres både skatteunddragere og lovlydige skatteydere til at deltage i et onlineeksperiment, hvor de indsamlede data anvendes til at identificere adfærdsprofiler forbundet med skatteunddragelse.
Den eksisterende forskning baserer sig ofte på indirekte målinger, laboratorieeksperimenter, selvrapporterede motivationer eller aggregerede data, hvilket kun giver delvise indsigter. Med udgangspunkt i disse indsigter higer projektet mod at designe og implementere en intervention, der fremmer skatteoverholdelse. De opnåede indsigter vil desuden blive brugt, i samarbejde med skattemyndighederne, til at teste interventionen i et naturligt felteksperiment blandt skattepligtige borgere.
Projektet “Learning-guided optimization” ved Stefan Røpke handler om at løse optimeringsproblemer, der spiller en afgørende rolle for bedre beslutningstagning i både erhvervslivet og samfundet generelt. Dårlige beslutninger kan føre til betydelige omkostninger, forsinkelser eller miljømæssige konsekvenser. Metoder, der kan give optimale løsninger, er ofte meget beregningstunge og vanskelige at skalere til store problemstørrelser, mens heuristiske metoder tilbyder hurtigere og mere skalerbare, men ikke nødvendigvis optimale, løsninger.
Learning-Guided Optimization (LEGO) søger at overvinde disse begrænsninger ved at integrere Machine Learning-algoritmer (ML) for at forbedre både eksakte og heuristiske metoder med det formål at gøre dem mere anvendelige i praksis.
Tillykke til lektor Toke Reinholt Fosgaard og professor Stefan Røpke!
