Σε νέα ψηφιακή εποχή περνά ο φοροελεγκτικός μηχανισμός, καθώς η ΑΑΔΕ ετοιμάζεται να αξιοποιήσει συνδυαστικά στοιχεία από φορολογικές δηλώσεις, τραπεζικές συναλλαγές, πληρωμές με κάρτες, οφειλές και επαγγελματική δραστηριότητα.
Η νέα Γενική Διεύθυνση Ψηφιακών Υπηρεσιών και Συστημάτων, με διακριτικό τίτλο ΓΔ ΨΗΦΥΣ, αναλαμβάνει κεντρικό ρόλο στον ψηφιακό μετασχηματισμό της φορολογικής διοίκησης. Αντικαθιστά τη Γενική Διεύθυνση Ηλεκτρονικής Διακυβέρνησης και θέτει στο επίκεντρο την Τεχνητή Νοημοσύνη, τα Big Data και τα αυτοματοποιημένα μοντέλα ανάλυσης κινδύνου.
Βασικός στόχος είναι να περιοριστούν οι τυχαίοι ή χαμηλής απόδοσης έλεγχοι και οι διαθέσιμες ελεγκτικές δυνάμεις να κατευθύνονται στις υποθέσεις με τις ισχυρότερες ενδείξεις φοροδιαφυγής.
Ένα ενιαίο οικονομικό προφίλ για κάθε ΑΦΜ
Τα νέα συστήματα θα συγκεντρώνουν και θα συσχετίζουν τις πληροφορίες που διαθέτει νόμιμα η φορολογική διοίκηση για κάθε φυσικό ή νομικό πρόσωπο.
Στο ψηφιακό προφίλ θα μπορούν να συνδυάζονται, μεταξύ άλλων:
- Τα εισοδήματα και τα περιουσιακά στοιχεία που δηλώνονται
- Οι τραπεζικές καταθέσεις και οι χρηματικές συναλλαγές
- Οι κινήσεις και οι εισπράξεις μέσω καρτών
- Ο κύκλος εργασιών και η επαγγελματική δραστηριότητα
- Οι φορολογικές οφειλές και η συνέπεια στις πληρωμές
- Τα δεδομένα από εισαγωγές, εξαγωγές και ενδοκοινοτικές συναλλαγές
- Πληροφορίες που φτάνουν στην ΑΑΔΕ μέσω καταγγελιών
Η συγκέντρωση των δεδομένων δεν σημαίνει ότι κάθε απόκλιση θα οδηγεί αυτόματα σε καταλογισμό φόρου ή προστίμου. Το σύστημα θα λειτουργεί πρωτίστως ως μηχανισμός αξιολόγησης κινδύνου, αναδεικνύοντας τις υποθέσεις που χρειάζονται περαιτέρω έλεγχο από τις αρμόδιες υπηρεσίες.
Πώς θα επιλέγονται οι έλεγχοι
Οι αλγόριθμοι θα αναζητούν ασυνήθιστες μεταβολές, επαναλαμβανόμενες αναντιστοιχίες και οικονομικές κινήσεις που δεν φαίνεται να δικαιολογούνται από τα δηλωμένα στοιχεία.
Εάν, για παράδειγμα, ένας φορολογούμενος εμφανίζει περιορισμένο εισόδημα αλλά πραγματοποιεί συναλλαγές ή αυξάνει τις καταθέσεις του σε σημαντικά υψηλότερα επίπεδα, η υπόθεση ενδέχεται να λάβει αυξημένη βαθμολογία κινδύνου.
Αντίστοιχα, μία επιχείρηση που δηλώνει συστηματικά τζίρο αισθητά χαμηλότερο από επιχειρήσεις με παρόμοια χαρακτηριστικά στον ίδιο κλάδο και στην ίδια περιοχή μπορεί να βρεθεί ψηλότερα στη λίστα προτεραιότητας.
Το ίδιο θα συμβαίνει όταν εντοπίζονται απότομες μεταβολές στον κύκλο εργασιών, ασυνήθιστες συναλλαγές στο ηλεκτρονικό εμπόριο ή αντιφάσεις μεταξύ δηλώσεων, ηλεκτρονικών βιβλίων και πραγματικών εισπράξεων.
Ποιοι μπαίνουν πρώτοι στο ψηφιακό μικροσκόπιο
Αυξημένο ελεγκτικό ενδιαφέρον αναμένεται να παρουσιάζουν:
- Φορολογούμενοι με δαπάνες, καταθέσεις ή συναλλαγές που δεν συμβαδίζουν με τα δηλωμένα εισοδήματά τους
- Επιχειρήσεις με τζίρο σημαντικά χαμηλότερο από τον μέσο όρο του κλάδου τους
- Επαγγελματίες που εμφανίζουν μεγάλες και ανεξήγητες διακυμάνσεις στην οικονομική τους δραστηριότητα
- Ηλεκτρονικά καταστήματα με ύποπτα μοτίβα συναλλαγών
- Επιχειρήσεις με αναντιστοιχίες μεταξύ φορολογικών δηλώσεων και διαθέσιμων ψηφιακών δεδομένων
- Υποθέσεις ενδοκοινοτικής απάτης, λαθρεμπορίου ή οργανωμένης φοροδιαφυγής
- Πρόσωπα και εταιρείες για τα οποία έχουν υποβληθεί τεκμηριωμένες καταγγελίες
Η εμφάνιση ενός φορολογουμένου σε κατηγορία αυξημένου κινδύνου δεν θα αποτελεί από μόνη της απόδειξη παράβασης. Θα καθορίζει, όμως, ποιες υποθέσεις προηγούνται στον ελεγκτικό σχεδιασμό.
Η «Λίμνη Δεδομένων» της φορολογικής διοίκησης
Κεντρικό εργαλείο του νέου μοντέλου θα είναι η αποκαλούμενη «Επιχειρησιακή Λίμνη Δεδομένων». Πρόκειται για μια ενιαία ψηφιακή υποδομή στην οποία θα συγκεντρώνονται μεγάλες ποσότητες πληροφοριών από διαφορετικές πηγές και σε διαφορετικές μορφές.
Παράλληλα, η Επιχειρησιακή Αποθήκη Δεδομένων θα οργανώνει και θα επικαιροποιεί τις διαθέσιμες πληροφορίες, ώστε οι ελεγκτικές υπηρεσίες να μπορούν να αποκτούν γρήγορα συνολική εικόνα για κάθε υπόθεση.
Μέσω διαδραστικών αναφορών, οι ελεγκτές θα βλέπουν τις βασικές αποκλίσεις, τη βαθμολογία κινδύνου και τις οικονομικές σχέσεις που χρειάζονται περαιτέρω διερεύνηση.
Τι αλλάζει στις καταγγελίες
Νέος θα είναι και ο τρόπος αξιολόγησης των καταγγελιών που υποβάλλονται στην ΑΑΔΕ.
Αντί μια πληροφορία να εξετάζεται απομονωμένα, θα διασταυρώνεται με τα φορολογικά και οικονομικά δεδομένα του προσώπου ή της επιχείρησης που αφορά. Εφόσον εντοπίζονται πρόσθετες ενδείξεις, η υπόθεση θα μπορεί να περνά σε υψηλότερη βαθμίδα ελεγκτικής προτεραιότητας.
Με αυτόν τον τρόπο επιδιώκεται να ξεχωρίζουν γρηγορότερα οι καταγγελίες με πραγματικό φορολογικό ενδιαφέρον από εκείνες που είναι αόριστες ή δεν επιβεβαιώνονται από τα διαθέσιμα στοιχεία.
Πρόβλεψη παραβάσεων με μηχανική μάθηση
Το Σύστημα Προηγμένης Επιχειρησιακής Νοημοσύνης και Ανάλυσης Δεδομένων θα χρησιμοποιεί τεχνικές μηχανικής μάθησης για την αναγνώριση μοτίβων που έχουν συνδεθεί στο παρελθόν με φορολογικές παραβάσεις.
Τα μοντέλα θα μπορούν να υπολογίζουν την πιθανότητα παραβατικότητας, να εντοπίζουν δίκτυα συναλλαγών και να αναδεικνύουν πιθανές σχέσεις μεταξύ φυσικών προσώπων και επιχειρήσεων.
Τα ίδια εργαλεία θα αξιοποιούνται για την καταπολέμηση της απάτης στις ενδοκοινοτικές συναλλαγές, την αποκάλυψη οργανωμένων κυκλωμάτων φοροδιαφυγής και λαθρεμπορίου, αλλά και την παρακολούθηση της πορείας των δημοσίων εσόδων.
Η μεγάλη πρόκληση για την ΑΑΔΕ θα είναι διπλή: να αξιοποιήσει αποτελεσματικά τα δεδομένα χωρίς οι αλγοριθμικές ενδείξεις να αντιμετωπίζονται ως αυτόματες αποδείξεις ενοχής και να διασφαλίσει ότι κάθε έλεγχος θα ολοκληρώνεται με ανθρώπινη αξιολόγηση και τις προβλεπόμενες θεσμικές εγγυήσεις.
