Ai Key Takeaways

Σχετικά με αυτή την περίληψη

Η περίληψη δημιουργήθηκε αυτόματα με τη βοήθεια τεχνητής νοημοσύνης, ώστε να σας δώσει μια γρήγορη εικόνα των βασικών σημείων του άρθρου.

Οι περιλήψεις AI ενδέχεται να περιέχουν ανακρίβειες ή παραλείψεις. Για την πλήρη ενημέρωση, διαβάστε ολόκληρο το άρθρο.

  • Η Ανεξάρτητη Αρχή Δημοσίων Εσόδων χρησιμοποιεί τον δείκτη ομοιότητας Jaccard για τον εντοπισμό κρυφών συνδέσεων μεταξύ διαφορετικών επιχειρήσεων και φυσικών προσώπων.
  • Το μαθηματικό αυτό εργαλείο αναλύει δεδομένα όπως οι εταίροι, οι διευθύνσεις και οι εμπορικές συναλλαγές για να αποκαλύψει ύποπτα επιχειρηματικά μοτίβα.
  • Η μέθοδος εφαρμόστηκε επιτυχώς σε υπόθεση κυκλώματος στη Θεσσαλονίκη, όπου αποκαλύφθηκαν εκατοντάδες διασυνδεδεμένες επιχειρήσεις με σημαντικές οφειλές προς το Δημόσιο.
  • Η τεχνολογία αυτή λειτουργεί ως εργαλείο ανάλυσης κινδύνου, επιτρέποντας στους ελεγκτές να εντοπίζουν πιο αποτελεσματικά περιπτώσεις πιθανής φοροδιαφυγής ή χρήσης αχυρανθρώπων.
  • Η υψηλή ομοιότητα δεν αποτελεί απόδειξη παράβασης, αλλά αποτελεί κριτήριο για την περαιτέρω διερεύνηση συγκεκριμένων υποθέσεων από τις ελεγκτικές υπηρεσίες.
Για να μας βλέπεις πιο συχνά στα αποτελέσματα αναζήτησης Προσθήκη της huffingtonpost.gr στην Google

Μια επιχείρηση κλείνει αφήνοντας πίσω της χρέη στην Εφορία. Λίγο αργότερα, μια άλλη ανοίγει στην ίδια διεύθυνση, με διαφορετικό ΑΦΜ, αλλά τους ίδιους πελάτες, προμηθευτές ή διαχειριστές. Στα χαρτιά πρόκειται για δύο διαφορετικές εταιρείες. Στην πραγματικότητα, όμως, μπορεί να κρύβεται πίσω τους το ίδιο επιχειρηματικό κύκλωμα.

Αυτές ακριβώς τις συνδέσεις επιχειρεί να αποκαλύψει η Ανεξάρτητη Αρχή Δημοσίων Εσόδων (ΑΑΔΕ), αξιοποιώντας ένα μαθηματικό εργαλείο που ονομάζεται δείκτης ομοιότητας Jaccard. Πρόκειται για μια μέθοδο ανάλυσης δεδομένων που επιτρέπει στους ελεγκτές να εντοπίζουν κοινά χαρακτηριστικά μεταξύ διαφορετικών επιχειρήσεων και φυσικών προσώπων, ακόμη κι όταν οι μεταξύ τους σχέσεις δεν είναι άμεσα ορατές.

Advertisement
Advertisement

ΑΑΔΕ: Πώς ο αλγόριθμος συνδέει διαφορετικά ΑΦΜ

Αντί να εξετάζει κάθε επιχείρηση ξεχωριστά, το σύστημα αναζητά κοινά στοιχεία: εταίρους, μετόχους, διαχειριστές, επαγγελματικές διευθύνσεις, τηλέφωνα, ηλεκτρονικές διευθύνσεις, αλλά και εμπορικές συναλλαγές. Ιδιαίτερη σημασία έχουν οι πληροφορίες από το myDATA και τις δηλώσεις ΦΠΑ, καθώς μπορούν να αποκαλύψουν εάν διαφορετικές εταιρείες συναλλάσσονται με τους ίδιους πελάτες και προμηθευτές. Όταν οι συμπτώσεις είναι πολλές, η υπόθεση αποκτά αυξημένο ελεγκτικό ενδιαφέρον.

Ο δείκτης Jaccard μετρά πόσο μοιάζουν δύο σύνολα δεδομένων. Η τιμή του κυμαίνεται από το μηδέν έως το ένα. Όσο πλησιάζει στο ένα, τόσο μεγαλύτερη είναι η ομοιότητα.

Για παράδειγμα, εάν δύο πρόσωπα εμφανίζονται σε 15 εταιρείες το καθένα και έχουν 10 κοινές, ο συνολικός αριθμός διαφορετικών εταιρειών είναι 20.

Ο δείκτης Jaccard υπολογίζεται διαιρώντας τις 10 κοινές εταιρείες με τις 20 διαφορετικές. Το αποτέλεσμα είναι 0,5 ή 50%, ποσοστό που αποτυπώνει σημαντική επικάλυψη στις επιχειρηματικές τους συμμετοχές.

Η υψηλή ομοιότητα, πάντως, δεν αποτελεί απόδειξη φοροδιαφυγής. Είναι ένδειξη που μπορεί να οδηγήσει σε περαιτέρω έλεγχο.

Η υπόθεση της Θεσσαλονίκης: 380 επιχειρήσεις και χρέη 43 εκατ. ευρώ

Η πρακτική αξία της συγκεκριμένης τεχνολογίας αναδείχθηκε στην υπόθεση κυκλώματος στη Θεσσαλονίκη, το οποίο, σύμφωνα με τα στοιχεία της ΑΑΔΕ, συνδεόταν με 380 επιχειρήσεις, 205 πρόσωπα και οφειλές 43 εκατομμυρίων ευρώ προς το Δημόσιο.

Advertisement

Η ελεγκτική υπηρεσία ΔΕΟΣ αξιοποίησε τον δείκτη Jaccard για να εντοπίσει επαναλαμβανόμενες επιχειρηματικές σχέσεις μεταξύ διαφορετικών ΑΦΜ. Με όριο ομοιότητας άνω του 5%, εντοπίστηκαν 719 συνδέσεις μεταξύ 369 ΑΦΜ, οι οποίες σχημάτιζαν 29 ομάδες. Η μεγαλύτερη περιλάμβανε 262 ΑΦΜ.

Όταν το όριο αυξήθηκε πάνω από το 10%, οι συνδέσεις περιορίστηκαν σε 504, μεταξύ 330 ΑΦΜ, σχηματίζοντας 60 ομάδες. Η μεγαλύτερη αριθμούσε 34 ΑΦΜ.

Με ακόμη αυστηρότερο όριο, πάνω από 20%, προέκυψαν 358 συνδέσεις μεταξύ 270 ΑΦΜ, κατανεμημένες σε 77 ομάδες. Η μεγαλύτερη περιλάμβανε 13 ΑΦΜ. Η διαδικασία θυμίζει τη χαρτογράφηση ενός κοινωνικού δικτύου: ο Α συνδέεται με τον Β, ο Β με τον Γ και σταδιακά αποκαλύπτεται μια ευρύτερη αλυσίδα σχέσεων, ακόμη κι αν ο Α δεν έχει άμεση σύνδεση με τον Γ.

Advertisement

Όσο αυξάνεται το απαιτούμενο ποσοστό ομοιότητας, τόσο περιορίζονται οι συνδέσεις και αναδεικνύονται μικρότερες ομάδες με ισχυρότερα κοινά χαρακτηριστικά.

Από τις εταιρείες-φαντάσματα στους πραγματικούς ελεγκτές

Η νέα μεθοδολογία αλλάζει τον τρόπο με τον οποίο επιλέγονται οι φορολογικές υποθέσεις προς διερεύνηση. Αντί οι ελεγκτές να αναζητούν χειροκίνητα κοινά στοιχεία σε εκατοντάδες επιχειρήσεις, τα ψηφιακά εργαλεία μπορούν να αναδεικνύουν ύποπτα μοτίβα και να κατευθύνουν την έρευνα σε συγκεκριμένα πρόσωπα και εταιρείες.

Το σύστημα μπορεί, για παράδειγμα, να επισημάνει μια ακολουθία επιχειρήσεων που διακόπτουν τη λειτουργία τους αφήνοντας οφειλές και αντικαθίστανται από νέες με παρόμοια χαρακτηριστικά.

Advertisement

Στόχος είναι να εντοπίζονται περιπτώσεις στις οποίες χρησιμοποιούνται «αχυράνθρωποι», δηλαδή πρόσωπα που εμφανίζονται ως τυπικοί διαχειριστές ή εκπρόσωποι επιχειρήσεων, ενώ η πραγματική διοίκηση και ο έλεγχος ασκούνται από άλλους. Ωστόσο, η ύπαρξη κοινών συνεργατών, διευθύνσεων ή εμπορικών σχέσεων μπορεί να είναι απολύτως νόμιμη. Γι’ αυτό και η τεχνολογία λειτουργεί ως εργαλείο εντοπισμού κινδύνου και όχι ως μηχανισμός αυτόματης διαπίστωσης παραβάσεων.

Τι σημαίνει για τις επιχειρήσεις

Η αξιοποίηση τέτοιων εργαλείων σηματοδοτεί τη μετάβαση σε μια νέα εποχή φορολογικών ελέγχων, στην οποία δεν εξετάζονται μόνο οι δηλώσεις και οι οφειλές μιας εταιρείας, αλλά και οι σχέσεις της με το ευρύτερο επιχειρηματικό περιβάλλον. Η διασύνδεση δεδομένων από φορολογικά και επιχειρηματικά μητρώα επιτρέπει τον ταχύτερο εντοπισμό ασυνήθιστων συναλλαγών και επαναλαμβανόμενων εταιρικών σχημάτων.

Advertisement
Advertisement