Qua kết quả nghiên cứu sẽ giúp Việt Nam quản lý về nhà đất được tốt hơn, tính thuế thu nhập cá nhân và thuế tài sản được chính xác và đảm bảo thu đúng, thu đủ cho ngân sách nhà nước.

Giới thiệu

Trong những năm gần đây, thuật ngữ cơ sở dữ liệu (CSDL) đã trở nên quen thuộc trong nhiều lĩnh vực kinh tế-xã hội. Việc ứng dụng tin học và công nghệ thông tin vào quản lý ngày càng nhiều và đa dạng ở hầu hết các lĩnh vực kinh tế-xã hội.

Chính vì vậy, ngày càng nhiều người quan tâm đến thiết kế, xây dựng và ứng dụng CSDL, nhằm phục vụ tốt hơn công tác chuyên môn, nghiệp vụ. Ngày 12/11/2015, Chính phủ ban hành Nghị định số 117/2015/NĐ-CP để xây dựng và quản lý giá nhà và đất, tuy nhiên tính hiệu quả của việc cung cấp thông tin này còn hạn chế, dẫn đến cơ quan quản lý không quản lý được giá giao dịch thực tế bất động sản (BĐS).

Thêm vào đó, việc ban hành khung giá nhà, đất của Nhà nước cũng còn có khoảng cách lớn với giá thực tế, kết hợp 2 vấn đề này người dân đã trốn thuế, làm thất thoát nguồn ngân sách nhà nước đáng kể trong thời gian qua. Do vậy, việc xây dưng CSDL về giá BĐS là cần thiết, vì nó phục vụ quản lý về nhà đất được tốt hơn; Đánh thuế thu nhập cá nhân (TNCN) và thuế tài sản chính xác; Đảm bảo thu đúng, thu đủ cho ngân sách nhà nước (NSNN).

Xuất phát từ thực tiễn trên, nhóm nghiên cứu lựa chọn và nghiên cứu “kinh nghiệm quốc tế về về xây dựng CSDL về giá BĐS” nhằm có thêm căn cứ khoa học để xây dựng và hệ thống hóa CSDL về giá nhà và đất góp phần phục cho công tác quản lý đất, nhà và xác định giá tính thuế của BĐS được chính xác.

Kinh nghiệm quốc tế về xây dựng cơ sở dữ liệu giá bất động sản

Về thu thập dữ liệu giá giao dịch (giá thị trường) của bất động sản

Tổng hợp từ nghiên cứu Mack và Martinez-Garcia (2011) cho thấy, các nguồn thu thập dữ liệu tại Mỹ khá dồi dào. Cụ thể:

- Dữ liệu về các khoản vay thế chấp bằng BĐS, hợp đồng bảo hiểm nhà… được các ngân hàng tư nhân, công ty bảo hiểm và định chế tài chính khác quản lý, không được công bố công khai và bị phân mảnh theo khu vực địa lý.

- Đại lý môi giới BĐS: Mức giá rao bán hoặc rao mua của các đại lý có thể khác mức giá giao dịch thực tế, khiến nguồn dữ liệu này thiếu tin cậy và phụ thuộc vào sự khác biệt khu vực địa lý. - Các cơ quan quản lý nhà nước có nguồn dữ liệu khách quan có thể tiếp cận, nhưng lại không trực tiếp tham gia vào thị trường giao dịch BĐS. Do đó, số liệu không chi tiết hóa và chậm trễ trong phản ánh mức giá thực tế trên thị trường.

- Các văn phòng đăng ký giao dịch đất đai, cơ quan quản lý thuế: Động cơ tránh thuế có thể khiến mức giá được cung cấp cho các cơ quan này bị sai lệch và mức sai lệch này biến động qua thời gian, biến động giữa các khu vực và phụ thuộc vào đặc tính của từng loại BĐS.

- Các nguồn dữ liệu từ các cơ quan nghiên cứu độc lập, không trực tiếp tham gia vào thị trường BĐS, bao gồm báo chí, trường đại học. Mack và Martinez- Garcia (2011) cho rằng, các cơ quan cung cấp dữ liệu không trực tiếp liên quan đến các giao dịch BĐS trên thị trường, do đó tránh được rủi ro dữ liệu bị làm sai lệch từ các thành viên tham gia thị trường.

- Giá chào mua: Tại Đức, chính quyền ghi nhận khá chi tiết về các giao dịch BĐS, bao gồm giá thực hiện giao dịch, tọa độ, diện tích, chất lượng của tòa nhà, quyền và các đặc điểm khác (Kertscher, 2007). Hơn nữa, Hội đồng thẩm định giá có nghĩa vụ pháp lý phải công khai dữ liệu thị trường khác như giá trị chuẩn hóa của lô đất và các yếu tố so sánh khác (Kleiber và cộng sự, 2014). Dữ liệu này cũng được Cơ quan Thống kê Liên bang Đức sử dụng để công bố trong các bộ dữ liệu sau khi đã xử lý. Bộ dữ liệu gốc chỉ được công bố miễn phí cho mục đích nghiên cứu, hoặc có thu phí sử dụng, tùy vào quy định của từng bang.

- Ý kiến chuyên gia: Theo kết quả khảo sát từ Soot và cộng sự (2016), mức độ tự tin vào tính chính xác trong các ước tính về giá của các chuyên gia BĐS phụ thuộc vào trình độ chuyên môn và những trải nghiệm cá nhân của chuyên gia đó đối với thị trường.

- Giá chào bán: Nguồn dữ liệu này được cung cấp thông qua các kênh quảng cáo, tiếp thị trên thị trường BĐS. Với sự phát triển của thương mại điện tử, BĐS trong phân khúc bán lẻ, đặc biệt là nhà ở, có thể dễ dàng được tiếp thị thông qua các nền tảng trực tuyến.

Các nghiên cứu của Dinkel và Kurzrock (2012), cũng như Sprengnetter (2010) chỉ ra rằng, mức giá chào bán thường cao hơn mức giá chào mua từ 10-15%. Theo Soot và cộng sự (2016), mức chênh lệch giữa giá chào bán và giá giao dịch thực tế tại Đức là khoảng 13%.

Giải pháp khác có tính công nghệ và phục vụ trực tiếp cho mục đích của cơ quan thuế có tên gọi “Phát triển dữ liệu thuế tài sản” của Singh và cộng sự (2002) đã được cấp bằng sáng chế tại Mỹ. Cụ thể, dữ liệu thuế tài sản có thể được khai thác từ CSDL về BĐS từ nhiều nguồn và các CSDL này thường không liên quan tới nhau, có mục đích sử dụng khác nhau.

Thông qua việc sử dụng dữ liệu từ bên ngoài, cơ quan quản lý thuế có thể xây dựng hệ thống thông tin nhằm phát hiện các trường hợp được miễn trừ thuế, cũng như vị trí của BĐS để phân cấp xử lý trách nhiệm thuế.

Giải pháp này yêu cầu đầu vào là các CSDL quản lý tài sản. CSDL này có thể được thu thập từ những nguồn sau: (i) Dữ liệu bảo trì từ các tài sản thuộc nhà máy, hoặc từ phần mềm quản lý tài sản của DN; (ii) Dữ liệu trích xuất từ phần mềm quản lý cơ sở hạ tầng, ví dụ như phần mềm quản lý tài sản công nghệ thông tin, tài sản viễn thông, tàu bè, BĐS; (iii) Dữ liệu từ các hệ thống theo dõi cấp vùng như hệ thống định vị toàn cầu, hệ thống nhận dạng qua tần số sóng radio và các nguồn khác được cung cấp bởi các công nghệ tự động hóa.

Rotman và Wachtell (2007) lại tiếp cận vấn đề theo góc nhìn mang tính chất của thương mại điện tử. Theo đó, nếu có thể biến các giao dịch BĐS thành giao dịch hàng hóa thông thường thông qua đơn vị trung gian thanh toán, thông tin giao dịch hoàn toàn có thể được thu thập từ các bên tham gia vào quá trình thanh toán, bao gồm: Người mua, đơn vị chấp nhận thẻ, trung gian thanh toán và tổ chức phát hành thẻ. Những thông tin được lưu trữ bao gồm địa điểm, thời gian thực hiện, mã số theo dõi, số tài khoản giao dịch và số tiền.

Về xử lý và tích hợp dữ liệu về giá bất động sản

Theo Krause và Lipcombs (2016), dữ liệu giá BĐS mặc dù thuận tiện để thực hiện các nghiên cứu chuyên sâu về thị trường này vẫn có những hạn chế nhất định mà người sử dụng dữ liệu có thể gặp phải cho dù tiếp cận được nguồn dữ liệu dồi dào.

Thứ nhất, dữ liệu này thay đổi thường xuyên do diễn biến thị trường BĐS thường xuyên thay đổi và mức giá giao dịch chỉ đáng tin cậy khi đó là mức giá của giao dịch gần nhất.

Thứ hai, dữ liệu này phụ thuộc vào không gian (địa điểm của của lô đất) và giá trị BĐS thay đổi khi các đường bao lô đất thay đổi theo thời gian. Vì vậy, dữ liệu liên quan đến giao dịch BĐS cần kết nối với dữ liệu Hệ thống thông tin địa lý (GIS).

Thứ ba, các giao dịch BĐS phụ thuộc vào bối cảnh và có tác động tới giá giao dịch cuối cùng. Những yếu tố này thường không được phản ánh trong các dữ liệu giao dịch. Thứ tư, trong lĩnh vực kinh doanh BĐS, thông tin mang lại sức mạnh cạnh tranh cho các bên tham gia. Vì vậy, thông tin và các dữ liệu được bảo mật và thường được bán lại với giá cao.

Về xây dựng dữ liệu giá thông qua mô hình định giá bất động sản

Theo nghiên cứu của Zollino (2013), tại châu Âu, hầu hết dữ liệu giá BĐS thương mại được ước tính theo phương pháp định giá, sử dụng các mô hình tài chính và chấp nhận những chênh lệch so với giá giao dịch thực tế. Phương pháp này khắc phục vấn đề tính thanh khoản thấp của một số phân khúc trên thị trường BĐS, điều khiến cho chỉ số giá có thể bị điều khiển bởi một số giao dịch bất thường, hoặc trong bối cảnh khủng hoảng kinh tế, khi số lượng giao dịch sụt giảm mạnh.

Tuy nhiên, Geltner (2012) cho rằng phương pháp định giá không nắm bắt được các giai đoạn chuyển giao giữa các giai đoạn khác nhau của chu kỳ kinh doanh và do đó không phản ánh chính xác nhu cầu của thị trường ở một thời điểm nhất định.

Cụ thể, Fisher, Geltner và Pollakowski (2007) cho rằng, phương pháp giao dịch được sử dụng để khắc phục những hạn chế của phương pháp định giá truyền thống, đó là dữ liệu ước tính từ phương pháp định giá đã được “làm trơn” do sử dụng mô hình và có độ trễ so với diễn biến thực của thị trường. Từ đó, nhóm nghiên cứu của Geltner tại Viện Công nghệ Massachusets đã phát triển mô hình tính chỉ số giá BĐS dựa trên phương pháp giao dịch.

Bên cạnh đó, yếu tố thanh khoản được đưa vào cách tính thông qua phương pháp Fisher-Gatzlaff- Geltner-Haurin (2003), nhằm mô phỏng được biến động phía cung và phía cầu của thị trường BĐS. Kỹ thuật lọc nhiễu Bayesian được phát triển trong các nghiên cứu của Gatzlaff và Geltner (1998) và Geltner và Goeztmann (2000) được tác giả sử dụng để xây dựng chỉ số giá của các phân khúc thị trường theo tần suất thời gian.

Gợi ý cho Việt Nam trong xây dựng cơ sở dữ liệu giá bất động sản

Thông qua việc tham khảo kinh nghiệm thực tiễn ở các quốc gia khác, nhóm nghiên cứu rút ra một số vấn đề cần lưu ý trong xây dựng CSDL về giá BĐS cho Việt Nam như:

Thứ nhất, công tác thu thập dữ liệu giá giao dịch của BĐS: Tại Việt Nam, hiện nay đã có khung giá và bảng giá đất, tuy nhiên khung và bảng giá đất chưa sát với giá thị trường dẫn đến việc thất thu thuế từ các giao dịch BĐS là rất lớn, do đó các địa phương cần quy định về khung giá đất từng khu vực sát với giá thi trường.

Bên cạnh đó, cần quy định trách nhiệm của các bộ, ngành liên quan (Bộ Xây dựng; Bộ Tài nguyên và Môi trường; Bộ Tư Pháp) nên phối hợp thu thập CSDL về giá BĐS, để làm căn cứ xây dựng mô hình định giá BĐS sát với giá thị trường, nhằm thu đúng, thu đủ thuế về BĐS tại Việt Nam trong thời gian tới.

Thứ hai, xử lý, tích hợp dữ liệu giá giao dịch BĐS sau khi thu thập: Cần xây dựng phần mềm để thu thập và xử lý dữ liệu BĐS, phần mềm này sẽ được dùng chung cho các bộ, ngành có liên quan đến giao dịch BĐS (Bộ Xây dựng; Bộ Tài nguyên và Môi trường; Bộ Tư Pháp), trên phần mềm phải số hóa các tài liệu lưu trữ, ví dụ như bản đồ thửa đất, thông tin lịch sử giao dịch, giấy chứng nhận quyền sử dụng đất, các đặc tính của BĐS, đặc điểm tự nhiên và lịch sử của BĐS, giá giao dịch…

Thứ ba, khả năng xây dựng mô hình định giá BĐS dựa trên giao dịch: Tại Việt Nam, nên áp dụng mô hình định giá tích hợp các thông tin giao dịch thực do nhóm của Geltner (2012) đã thực hiện. Căn cứ trên giá BĐS được định giá từ mô hình, sẽ ước tính giá của BĐS tương tự cho năm sau dựa vào mô hình, để tính chỉ số giá cho BĐS và tính được giá BĐS giao dịch.

Kết hợp mô hình định giá này vào phần mềm thu thập dữ liệu nói trên thì các cơ quan chức năng sẽ xác định được giá thị trường của BĐS và hạn chế tối đa thất thu thuế cho NSNN.

Tài liệu tham khảo:

1. Dinkel, M., & Kurzrock, B. M. (2012), Asking prices and sale prices of owner-occupied houses in rural regions of germany. Journal of Interdisciplinary Property Research, 13(1), 5-25;

2. Kertscher, D. (2007), Base of transparency in markets of real estate in Germany: purchase price collection and the report of real estate. The XXX FIG General Assembly and Working Week, Hong Kong SAR;

3. Krause, A., & Lipscomb, C. A. (2016), The data preparation process in real estate: Guidance and review. Journal of Real Estate Practice and Education, 19(1), 15-42;

4. Mack, A., & Martínez-García, E. (2011), A cross-country quarterly database of real house prices: a methodological note. Globalization and Monetary Policy Institute Working Paper, 99.

(*) PGS.,TS. Phan Thị Hằng Nga, ThS. Thái Duy Tùng - Trường Đại học Tài chính-Marketing

(**) Bài đăng trên Tạp chí Tài chính kỳ 2 tháng 5/2021