XBRL US ha publicado un interesante estudio de caso, que presenta una investigación de estudiantes sobre si las grandes empresas están pagando su «parte justa» de impuestos. «Las preguntas controvertidas requieren el conjunto de datos correcto», argumenta, con acceso a datos oportunos y de alta calidad que permiten a los estudiantes (¡y a otros!) llevar a cabo análisis más significativos.
Los estudiantes de la Escuela de Contabilidad Patterson de la Universidad de Mississippi investigaron a 55 grandes empresas que no pagaron impuestos en 2020, comparando sus Tasas Impositivas Efectivas (ETR) con las de sus pares. Inicialmente, utilizaron un conjunto de datos disponible comercialmente. Como explica el estudio de caso, dichos conjuntos de datos suelen estar «normalizados» o estructurados de acuerdo con un conjunto de normas establecidas por el proveedor de datos. Los datos normalizados a menudo agregan los hechos reportados por las empresas, lo que facilita la comparación de múltiples empresas en una sola partida, pero reduce la especificidad y el detalle, y, de hecho, los estudiantes no pudieron determinar las asociaciones estadísticamente significativas entre las empresas y varios factores económicos, incluidos los ETR.
Por otro lado, los estudiantes pudieron examinar datos XBRL legibles por máquina de compañías individuales, exactamente como se informó. Usando un ejemplo, se les pidió que determinaran cómo una empresa rentable puede no pagar impuestos, conciliando su ETR con la tasa impositiva legal de los Estados Unidos del 21%, y profundizaron en las etiquetas digitales individuales para identificar factores como las exenciones fiscales y el uso de subsidiarias extranjeras para registrar ganancias.
«El mayor grado de especificidad disponible en los datos según lo informado permite a los estudiantes responder más preguntas al investigar el impacto de las políticas y otros factores económicos en las empresas individuales», argumentan los autores Christine Cheng de la Universidad de Mississippi y Campbell Pryde de XBRL US, con la consistencia de las etiquetas XBRL subyacentes que permiten comparaciones más precisas. La capacidad de visualizar los metadatos asociados con cada hecho reportado a través de Inline XBRL puede mejorar la experiencia de aprendizaje para los estudiantes, al tiempo que desarrollan habilidades valiosas para sus futuras carreras.
Los materiales de estudio de caso, incluido un caso de enseñanza y un script de datos de Python, ahora están disponibles para su uso por otros académicos. XBRL US anima a todos aquellos interesados en acceder a los datos de XBRL para uso en el aula y la investigación a ponerse en contacto.
Y si ya está utilizando los datos de XBRL para generar sus propios conocimientos oportunos y una mejor resolución sobre preguntas importantes en cualquier parte del mundo, en XBRL International nos encantaría saber más al respecto y compartir su estudio de caso con nuestros lectores.
Estudio de caso de XBRL: ¿Las grandes empresas están pagando su parte justa?
Las preguntas controvertidas requieren el conjunto de datos correcto. Los estudios de casos son a menudo la mejor herramienta para que los estudiantes aprendan a desenredar las complejidades de los estados financieros de las empresas públicas para obtener respuestas a preguntas importantes. El acceso a datos oportunos y de alta calidad puede ayudar a ilustrar el impacto de los eventos actuales y hacer que el análisis sea significativamente más relevante para los estudiantes.
Los profesores de la Escuela Patterson de Contabilidad de la Universidad de Mississippi pidieron a sus estudiantes que investigaran la controversia sobre las empresas que no pagan impuestos a pesar de tener ganancias sustanciales antes de impuestos en los Estados Unidos. El análisis remitió a los estudiantes a un informe que fue preparado por la organización de política tributaria sin fines de lucro, Institute on Taxation and Economic Policy (ITEP). El informe del ITEP nombra a 55 grandes empresas que no pagaron impuestos en 2020. Se les pidió a los estudiantes que investigaran la Tasa Impositiva Efectiva (ETR) para estas compañías y determinaran si diferían de la de sus compañeros.
El enfoque de este documento se centra en cómo se realizó este análisis utilizando dos conjuntos de datos diferentes: un conjunto de datos comerciales de uso común y un conjunto de datos con formato XBRL.
Uso de conjuntos de datos comerciales
Inicialmente, los estudiantes se basaron en un conjunto de datos disponibles comercialmente de 20 años de datos de contabilidad financiera de las empresas 10-K estados de cuenta. Los estudiantes analizaron estadísticas, realizaron series temporales y análisis de regresión lineal.
Los conjuntos de datos comerciales, para mejorar la comparabilidad de los datos de una empresa a otra, generalmente se «normalizan»: estructuran los datos según lo informado de acuerdo con un conjunto de normas establecidas por el proveedor de datos, con el fin de reducir la redundancia de los datos y mejorar la integridad de los datos, de modo que todos los datos se vean y lean de la misma manera en los registros de una base de datos relacional. Los datos normalizados a menudo agregan los hechos reportados por las empresas, de modo que se pueden comparar varias empresas en una sola partida. Si bien esto puede ser extremadamente útil para el análisis de tendencias y la comparabilidad, elimina la especificidad de los datos según lo informado, ocultando los detalles sobre las acciones de las empresas individuales.
Este fue el caso de los estudiantes que abordaron el análisis ETR. Encontraron que no podían determinar asociaciones estadísticamente significativas entre las empresas y varios factores económicos, incluidos los ETR. La pérdida de detalle en los conjuntos de datos comerciales puede afectar su utilidad en ciertos tipos de modelado de datos. Extraer datos directamente de los informes financieros de la empresa sería más útil para este estudio de caso, pero requiere mucha mano de obra y requiere mucho tiempo.
Uso de datos XBRL
La misma pregunta se planteó en un nuevo proyecto de estudiantes, pero esta vez, se utilizaron datos XBRL según lo informado en lugar de conjuntos de datos comerciales. XBRL, que significa eXtensible Business Reporting Language, es un estándar para estructurar datos financieros y comerciales. Un estado financiero con formato XBRL se puede preparar en múltiples formatos (XML, JSON, HTML o CSV) y es totalmente legible por máquina y se puede buscar. La Comisión de Bolsa y Valores (SEC) comenzó a exigir a las empresas que informaran en XBRL en 2009, por lo que hay un gran conjunto de datos históricos disponibles gratuitamente para su uso.
Las empresas informantes preparan sus finanzas en XBRL, de modo que tan pronto como la SEC publica el archivo de la empresa en línea, es inequívocamente legible por máquina y se puede extraer automáticamente en bases de datos.
Los datos XBRL proporcionan una herramienta lista para los estudiantes porque las empresas públicas que informan en XBRL lo hacen utilizando una tecnología llamada «Inline XBRL», que hace que los datos sean legibles por máquina y destaca cada hecho que tiene una «etiqueta» XBRL incorporada. El informe 10-K de Verisign a continuación muestra barras naranjas que describen cada hecho etiquetado, que incluye texto y hechos narrativos además de las finanzas. Los estudiantes que revisan un informe como este en el sitio web de la SEC pueden hacer clic en cualquier hecho destacado y ver todas las características del hecho, ilustrando aún más cómo las empresas eligen preparar sus estados financieros.
El estudio de caso: datos fiscales y etiquetado XBRL
Los estudiantes tuvieron la tarea de determinar por qué las empresas estaban en la lista de ITEP. ¿Cómo pueden las empresas rentables lograr no pagar impuestos, o incluso recibir reembolsos de impuestos? Las empresas tienen que informar una conciliación entre la tasa impositiva legal de los Estados Unidos, que es del 21%, y su propio ETR, que es la tasa impositiva promedio o real que la empresa pagó sobre sus ingresos antes de impuestos. El estudio de caso proporcionado a los estudiantes utilizó Verisign como ejemplo porque es una de las empresas en la lista de ITEP.
La primera tarea en el estudio de caso fue identificar la tabla de conciliación de impuestos en el Formulario 10-K de la compañía. A continuación, se muestra la tabla de 10-K de Verisign para el período que finaliza el 31 de diciembre de 2021. La primera fila muestra el gasto fiscal esperado calculado, calculado como si la tasa impositiva de Verisign coincidiera con la tasa impositiva legal de 2021 del 21%. Al hacer clic en el hecho reportado, los estudiantes pueden ver que el valor 164,266 representa la cantidad de impuestos que se esperaba que Verisign pagara a la tasa impositiva legal federal. El cuadro emergente que se muestra a continuación, que la SEC pone a disposición para representar los metadatos asociados con los hechos etiquetados, permite a los estudiantes saber que el valor se informa en miles de dólares.
Para asegurarse de que los estudiantes entiendan cómo se calcula el valor, investigaron más a fondo en la declaración para encontrar los ingresos antes de impuestos de Verisign como se muestra en la figura a continuación. El valor 782,219 multiplicado por el ETR del 21% es igual al impuesto esperado calculado de 164,266 como se muestra en la tabla de conciliación anterior. Y de nuevo, todas estas cifras se informan en miles.
Volviendo a la tabla de conciliación de Verisign nuevamente como se muestra a continuación, el gasto fiscal de Verisign en 2021 se ajustó por una serie de factores. Primero, se incrementó como se muestra en la segunda partida, porque Verisign paga impuestos estatales además de los impuestos federales sobre la renta en todos los años.
En las filas tercera y cuarta de la tabla, los estudiantes pueden notar que Verisign disfruta de una tasa impositiva efectiva más baja porque registran ganancias y propiedad intelectual en subsidiarias extranjeras. Estas subsidiarias extranjeras están ubicadas en jurisdicciones de impuestos más bajos y, por lo tanto, permiten a Verisign reducir su tasa impositiva efectiva por debajo de la tasa impositiva legal en todos los años. Continuando con los elementos de la línea de la tabla, Verisign también disfruta de exenciones fiscales de una nueva medición de beneficios fiscales no reconocidos. En el año más reciente, la compensación basada en acciones de Verisign aumentó su obligación tributaria, sin embargo, la compensación basada en acciones redujo la obligación tributaria de Verisign durante los dos años anteriores.
Muchas compañías también incluyen una línea ‘Otros’, que es una categoría general para las diferencias que no son lo suficientemente importantes como para ser reportadas en una línea separada. Por último, en el cuadro se informa de la provisión real para el gasto del impuesto sobre la renta. Los estudiantes podrían encontrar la tasa impositiva efectiva de Verisign para 2021 de (0.33%) dividiendo el impuesto sobre la renta total (beneficio) de Verisign por su pre-impuesto ((2,611) dividido por 782,219).
Cómo los estudiantes pueden beneficiarse del uso de datos XBRL según lo informado
- El mayor grado de especificidad disponible en los datos reportados permite a los estudiantes responder más preguntas al investigar el impacto de las políticas y otros factores económicos en las empresas individuales.
- La consistencia de las etiquetas XBRL subyacentes (independientemente de la etiqueta de artículo de línea asignada por la empresa) garantiza la facilidad de comparación de una empresa a otra.
- La capacidad de visualizar los metadatos asociados con cada hecho reportado a través de Inline XBRL (como los visores mostrados anteriormente) puede mejorar la experiencia de aprendizaje para los estudiantes al mostrarles otras características de un hecho reportado, como el tipo de datos, las unidades, el nivel de precisión e incluso el tipo de equilibrio.
- Los estudiantes obtendrán de su conocimiento de XBRL, el estándar de facto para informes comerciales, que se utiliza en 184 programas regulatorios en todo el mundo. Cada científico de datos, contador y analista financiero debe tener una buena comprensión de XBRL. Obtener este conocimiento como estudiantes los ayudará en futuros esfuerzos profesionales.