Σε αλγορίθμους ανάλυσης κινδύνου βασίζει πλέον μεγάλο μέρος των ελέγχων της η Ανεξάρτητη Αρχή Δημοσίων Εσόδων, συνδυάζοντας εκατομμύρια ψηφιακά δεδομένα ώστε να εντοπίζει ασυνήθιστες συναλλαγές, αποκλίσεις και σχέσεις μεταξύ προσώπων ή επιχειρήσεων.
Στόχος είναι οι έλεγχοι να γίνονται πιο γρήγορα και στοχευμένα, περιορίζοντας τις τυχαίες επιλογές και στρέφοντας τον μηχανισμό στις υποθέσεις που εμφανίζουν αυξημένη πιθανότητα φοροδιαφυγής, λαθρεμπορίου ή άλλης οικονομικής παράβασης.
Οι ακριβείς παράμετροι των αλγορίθμων δεν δημοσιοποιούνται, ώστε να μην είναι δυνατόν να παρακαμφθούν. Ωστόσο, ο τρόπος λειτουργίας τους στηρίζεται σε ορισμένες βασικές αρχές και αναπτύσσεται σε πέντε διαδοχικά στάδια.
Το παράδειγμα με τα 970.000 ζεύγη υποδημάτων
Χαρακτηριστική είναι η υπόθεση εισαγωγής και διακίνησης περίπου 970.000 ζευγών υποδημάτων χωρίς τα προβλεπόμενα παραστατικά.
Σύμφωνα με την ΑΑΔΕ, η επιχείρηση είχε δηλώσει ως αντικείμενο δραστηριότητας το χονδρικό εμπόριο αποσκευών, τσαντών και συναφών ειδών και είχε κάνει έναρξη μέσα στο 2026. Από την έρευνα προέκυψε ότι φέρεται να εισήγαγε και να διακινούσε μεγάλες ποσότητες εμπορευμάτων χωρίς την έκδοση των απαιτούμενων τιμολογίων.
Τα έσοδα που φέρονται να αποκρύφτηκαν ξεπερνούν τα 2,7 εκατ. ευρώ, ενώ ο αναλογών ΦΠΑ υπολογίστηκε σε περίπου 648.000 ευρώ. Το ψηφιακό σύστημα ανάλυσης κινδύνου οδήγησε τους ελεγκτές της Γενικής Διεύθυνσης Δυνάμεων Ελέγχου Οικονομικών Συναλλαγών, γνωστής ως ΔΕΟΣ, στα γραφεία και στις αποθήκες της επιχείρησης.
Τα πέντε στάδια του ψηφιακού ελέγχου
1. Συγκέντρωση των δεδομένων
Στο πρώτο στάδιο, η ΑΑΔΕ αντλεί και συγκεντρώνει στοιχεία από διαφορετικές ψηφιακές πηγές. Μεταξύ αυτών βρίσκονται:
- Οι φορολογικές δηλώσεις
- Τα ηλεκτρονικά βιβλία myDATA
- Οι ταμειακές μηχανές και τα POS
- Οι τραπεζικοί λογαριασμοί και οι συναλλαγές με κάρτες
- Τα στοιχεία των τελωνείων
- Οι ψηφιακές πλατφόρμες
- Πληροφορίες από δημόσιους και ιδιωτικούς φορείς
Το σύστημα μπορεί να αντιπαραβάλλει τα τιμολόγια πωλήσεων μιας επιχείρησης με τις αγορές που δηλώνουν οι προμηθευτές της, καθώς και τα στοιχεία των παραστατικών με τις περιοδικές δηλώσεις ΦΠΑ, το έντυπο Ε3 και τη δήλωση φορολογίας εισοδήματος.
Η διασύνδεση των POS με τις ταμειακές μηχανές δημιουργεί, παράλληλα, μια ηλεκτρονική αλυσίδα από την πληρωμή με κάρτα μέχρι την έκδοση και τη διαβίβαση της απόδειξης.
Ένδειξη κινδύνου μπορεί να αποτελέσουν οι εισπράξεις μέσω καρτών που υπερβαίνουν τις εκδοθείσες αποδείξεις, η χρήση ενός POS από διαφορετικό ΑΦΜ, οι υπερβολικές ακυρώσεις συναλλαγών ή οι πληρωμές σε ώρες κατά τις οποίες η επιχείρηση εμφανίζεται κλειστή.
Εξετάζονται επίσης τραπεζικές πιστώσεις, αγορές περιουσιακών στοιχείων, δαπάνες διαβίωσης και μεταφορές χρημάτων μεταξύ συνδεδεμένων προσώπων ή εταιρειών, όταν δεν συμβαδίζουν με τα δηλωμένα εισοδήματα.
2. Διασταύρωση με βάση τον ΑΦΜ
Στο δεύτερο στάδιο, τα δεδομένα από τις διαφορετικές πηγές συνδέονται κυρίως μέσω του Αριθμού Φορολογικού Μητρώου.
Με αυτόν τον τρόπο σχηματίζεται μια συνολική εικόνα για τη δραστηριότητα κάθε φορολογουμένου ή επιχείρησης, χωρίς τα στοιχεία να εξετάζονται αποσπασματικά.
3. Εντοπισμός ύποπτων αποκλίσεων
Το σύστημα αναζητά ασυμφωνίες ανάμεσα σε όσα αγοράστηκαν, εισήχθησαν, πληρώθηκαν ή διακινήθηκαν και σε όσα τελικά δηλώθηκαν ως πωλήσεις, έσοδα, ΦΠΑ ή αποθέματα.
Στις βασικές ενδείξεις περιλαμβάνονται:
- Μεγάλες εισαγωγές ή αγορές με δυσανάλογα χαμηλές πωλήσεις
- Συνεχείς ζημιές παρά την έντονη εμπορική δραστηριότητα
- Τραπεζικές καταθέσεις ή πληρωμές μέσω POS που δεν δικαιολογούνται από τον δηλωμένο τζίρο
- Μεγάλες αποκλίσεις μεταξύ ΦΠΑ εισροών και εκροών
- Ασυμφωνίες ανάμεσα σε myDATA, δηλώσεις ΦΠΑ, Ε3 και φορολογία εισοδήματος
- Απότομη ανάπτυξη μεγάλης δραστηριότητας από νεοσύστατη εταιρεία
- Μεγάλος όγκος ηλεκτρονικών πωλήσεων χωρίς αντίστοιχη φορολογική εικόνα
- Αποθέματα που δεν προκύπτουν από τις δηλωμένες αγορές και πωλήσεις
- Διαδοχικές εταιρείες μικρής διάρκειας με κοινά πρόσωπα, έδρες, τηλέφωνα ή αποθήκες
4. Δημιουργία προφίλ κινδύνου
Στο τέταρτο στάδιο, κάθε υπόθεση λαμβάνει μια βαθμολογία φορολογικού κινδύνου. Όσο περισσότερες και σοβαρότερες είναι οι αποκλίσεις, τόσο αυξάνεται η πιθανότητα να επιλεγεί ο φορολογούμενος ή η επιχείρηση για έλεγχο.
Η ανάλυση δεν περιορίζεται στους οικονομικούς αριθμούς. Μπορεί να συσχετίσει πρόσωπα, εταιρείες, διευθύνσεις και προηγούμενες υποθέσεις.
Στην περίπτωση των υποδημάτων, για παράδειγμα, εντοπίστηκε σύνδεση της διαχειρίστριας με πρόσωπο που είχε απασχολήσει στο παρελθόν το ΔΕΟΣ για παρόμοια υπόθεση.
5. Έλεγχος και επιβεβαίωση
Το τελευταίο στάδιο περνά από την οθόνη στο πεδίο. Οι ελεγκτές αξιοποιούν τα αποτελέσματα της ανάλυσης και πραγματοποιούν στοχευμένο έλεγχο σε βιβλία, παραστατικά, τραπεζικές κινήσεις, αποθήκες και εμπορεύματα.
Ο αλγόριθμος δεν αποδεικνύει από μόνος του τη φοροδιαφυγή και δεν επιβάλλει φόρους ή πρόστιμα. Παράγει ενδείξεις και βοηθά στην ιεράρχηση των υποθέσεων. Η παράβαση πρέπει να επιβεβαιωθεί από τον έλεγχο και τα πραγματικά ευρήματα.
Προειδοποιήσεις μεταξύ επαγγελματιών
Την ίδια ώρα, ο φοροελεγκτικός μηχανισμός βρίσκεται αντιμέτωπος και με δίκτυα άμεσης ενημέρωσης μεταξύ επαγγελματιών, κυρίως σε νησιά και τουριστικές περιοχές.
Μέσω εφαρμογών επικοινωνίας, καταστηματάρχες φέρονται να ειδοποιούν ο ένας τον άλλον μόλις εμφανιστούν κλιμάκια ελεγκτών σε κάποιο κατάστημα ή στο λιμάνι ενός νησιού. Η πρακτική αυτή επιτρέπει σε επιχειρήσεις να προσαρμόζουν προσωρινά τη συμπεριφορά τους, δυσχεραίνοντας τους επιτόπιους ελέγχους.
Περισσότερη τεχνητή νοημοσύνη στους ελέγχους
Η επιλογή υποθέσεων βάσει κριτηρίων ανάλυσης κινδύνου προβλέπεται ρητά από τον Κώδικα Φορολογικής Διαδικασίας, με αξιοποίηση πληροφοριών από εσωτερικές και εξωτερικές πηγές.
Παράλληλα, η νέα Γενική Διεύθυνση Ψηφιακών Υπηρεσιών και Συστημάτων της ΑΑΔΕ συγκεντρώνει σε ενιαίο πλαίσιο τις ψηφιακές υπηρεσίες, τα πληροφοριακά συστήματα, τα δεδομένα και τις τεχνολογικές υποδομές.
Η ΑΑΔΕ επιδιώκει πλέον συστηματικότερη χρήση της τεχνητής νοημοσύνης, της ανάλυσης μεγάλων δεδομένων και των εργαλείων risk analysis, ώστε να αυτοματοποιήσει διαδικασίες και να κατευθύνει τους ελέγχους εκεί όπου οι ενδείξεις παραβατικότητας είναι ισχυρότερες.
