出口退税制度是我国促进外贸出口、调节市场经济的重要手段之一,而随之而来的出口骗税风险也亟需引起重视。随着信息技术的快速发展,传统的风险管理模式难以应对日益增长的出口骗税风险,从大量出口退税数据中挖掘骗税活动特征成为防范骗税风险的重要工作思路。目前,我国的退税风险防控流程主要有预警、函调、评估和稽查,存在大数据应对不充分、征退分离导致的信息不对称、信息共享程度弱等问题,且目前国内运用数据挖掘研究退税预警手段的案例及文献非常少,无法很好地解决出口骗税问题。因此,本文以数据挖掘为切入点,采用分层抽样方法选取某市出口退税数据作为样本,并结合退税管理实际确定19个研究变量。分别采用CART决策树和LightGBM等方法,建立出口企业骗税风险预警模型,并对影响骗税风险预警的因素进行重要性排序,从而给出完善预警机制、防范骗税风险的建议。结果显示,在模型选用方面,LightGBM模型预测能力优于CART决策树,预测准确率更高,稳定性较好;在指标预测能力方面,出口质量指标>企业活跃程度评价指标>经营和财务状况评价指标。在此基础上,本文对完善出口企业骗税风险预警、加强出口退税风险管理提出如下建议:一是完善税务数据库,加强基础数据的管理与维护;二是深化数据挖掘研究,建设大数据预警体系;三是强化企业风险标识,建立健全出口企业信用体系管理,包括加强日常退税管理中疑点企业的标示、实现信用管理的动态调整;四是建立跨部门合作机制,打造全方位信息共享平台,包括开发以大数据为依托的第三方税收监管信息反馈系统、多部门共建出口退税风险防控机制;五是加大出口骗税惩戒力度。本文是运用数据挖掘思路在退税风险模型中的一次尝试,研究指标仅限于税务部门内部可获数据,尚未进行横向及纵向的数据扩展;对所使用到的CART和LightGBM这两种算法的优化仅限于对其参数的调整,并没有研究将其与其他算法相比较或结合。随着未来学者们对出口退税大数据管理研究的深入,相信会有更优化的指标体系和算法用于预警模型中。