BUSINESSFACEBOOKNOMIKA ΘΕΜΑΤΑΕΠΙΧ/ΣΕΙΣΟΙΚΟΝΟΜΙΑ

Εντοπισμός φοροφυγάδων με τεχνητή νοημοσύνη

∆ιασταυρώσεις µε ανάλυση big data θα αποκαλύπτουν φορολογητέα ύλη

Τη δυνατότητα να εντοπίζει φορολογητέα ύλη που έχει αποκρυφθεί με τη χρήση τεχνητής νοημοσύνης έχει πλέον η Ανεξάρτητη Αρχή Δημοσίων Εσόδων. Επί της ουσίας, οι φοροφυγάδες εντοπίζονται με τη χρήση έξυπνων εργαλείων – διασταυρώσεων, ενώ ταυτόχρονα η τεχνητή νοημοσύνη θα διευκολύνει τους φορολογουμένους στη συμπλήρωση των δηλώσεών τους, προσφέροντας εξατομικευμένη βοήθεια, ελαχιστοποιώντας λάθη και παραλείψεις.

Το σχέδιο της Ανεξάρτητης Αρχής Δημοσίων Εσόδων για τη χρήση της τεχνητής νοημοσύνης στη λειτουργία των υπηρεσιών της και στον περιορισμό της φοροδιαφυγής, περιέγραψε ο διοικητής της Γιώργος Πιτσιλής στο 5ο συνέδριο Φορολογικού Δικαίου. Οπως είπε ο κ. Πιτσιλής, με τη χρήση της τεχνητής νοημοσύνης η ΑΑΔΕ θα έχει τη δυνατότητα να αποκαλύπτει φορολογητέα ύλη.

Αυτό μπορεί να γίνεται με την ανάλυση μεγάλων δεδομένων από διάφορες πηγές, όπως τραπεζικές συναλλαγέςψηφιακές δημόσιες πλατφόρμες και μέσα κοινωνικής δικτύωσης, ανιχνεύοντας συμπεριφορικά προφίλ, όπως ασυνήθιστες συναλλαγές ή μεταφορές χρημάτων και πληρωμές μέσω καρτών σε μη καταχωρισμένους πωλητές, που συνδέονται συχνά με μη καταγεγραμμένη οικονομική δραστηριότητα μέσω πλατφορμών στη λεγόμενη οικονομία διαμοιρασμού. Η τεχνητή νοημοσύνη μπορεί να εντοπίζει, όπως ανέφερε ο διοικητής της ΑΑΔΕ, ανωμαλίες και ασυνήθιστες αποκλίσεις στα εισοδήματα πολιτών και επιχειρήσεων, όπως η μη αναλογία μεταξύ των εισοδηματικών πηγών και των δαπανών.

Ο κ. Πιτσιλής είπε ότι η ΑΑΔΕ έχει ήδη ενσωματώσει προγράμματα τεχνητής νοημοσύνης και data mining στη λειτουργία της, ενώ υλοποιεί και έργα με χρηματοδότηση από το Ταμείο Ανάκαμψης και Ανθεκτικότητας για την αξιοποίηση τεχνολογιών τεχνητής νοημοσύνης και άλλων προηγμένων εργαλείων ανάλυσης δεδομένων από τη φορολογική διοίκηση για τη διενέργεια έξυπνων διασταυρώσεων.

Τα δεδομένα που εξάγονται οδηγούν σε στοχευμένους φορολογικούς ελέγχους:

1. Προβλέποντας φορολογικές παραβάσεις, με τη χρήση μοντέλων μηχανικής μάθησης για την εκτίμηση του κινδύνου φορολογικών παραβάσεων, βασιζόμενοι σε προηγούμενα μοτίβα συμπεριφοράς, που ενδέχεται να υποδεικνύουν φορολογική απάτη.

2. Αναπτύσσοντας προφίλ κινδύνου για φορολογουμένους και επιχειρήσεις σχετικά με την πιθανότητα φοροδιαφυγής και φοροαποφυγής, επιτρέποντας στις φορολογικές αρχές να αποφασίζουν, να προτεραιοποιούν και να εστιάζουν τους ελέγχους σε συγκεκριμένες ομάδες.

3. Αξιολογώντας και αξιοποιώντας καταγγελίες των πολιτών για περιπτώσεις φοροδιαφυγής με αυτοματοποιημένο, γρήγορο και αποτελεσματικό τρόπο και με περισσότερες δυνατότητες συλλογής και ανάλυσης πληροφοριών.

Οπως αναφέρουν από την Ανεξάρτητη Αρχή Δημοσίων Εσόδων, με το νέο σύστημα θα ανιχνεύονται σε πραγματικό χρόνο ύποπτα περιστατικά φοροδιαφυγής και λαθρεμπορίου, ενώ οι φορολογούμενοι θα κατηγοριοποιούνται ανάλογα με τη συμπεριφορά τους – π.χ. στρατηγικός κακοπληρωτής, πιθανότητα φοροδιαφυγής κ.λπ.

Η τεχνητή νοημοσύνη μπορεί εύκολα να εντοπίζει ύποπτες αποκλίσεις μεταξύ εσόδων και δαπανών νοικοκυριών και επιχειρήσεων.

Σύμφωνα με τον κ. Πιτσιλή, η τεχνητή νοημοσύνη συμβάλλει και στη δημιουργία αυτοματοποιημένων συστημάτων υποβοήθησης κατά τη δήλωση φόρων. Αυτά τα συστήματα μπορούν να διευκολύνουν τους φορολογουμένους στη συμπλήρωση των δηλώσεών τους, προσφέροντας εξατομικευμένη βοήθεια με ακρίβεια και ευκολία, ελαχιστοποιώντας λάθη και παραλείψεις. Επίσης παρέχουν συμβουλευτική υποστήριξη στους φορολογουμένους για τη συμμόρφωσή τους με τους φορολογικούς κανόνες, διευκολύνοντας τη συμμόρφωση. Το έργο που υλοποιείται με πόρους του Ταμείου Ανάκαμψης περιλαμβάνει:

• Διασύνδεση με τα πληροφοριακά συστήματα του ελέγχου: Παροχή δεδομένων για την υλοποίηση έμμεσων τεχνικών ελέγχων και ελεγκτικών διασταυρωτικών επαληθεύσεων.

• Ανάλυση δεδομένων για σκοπούς στόχευσης ελέγχων: Αντληση και ανάλυση δεδομένων της ΑΑΔΕ σε συνδυασμό με δεδομένα από εξωτερικές πηγές (παγκόσμιος ιστός, κοινωνικά δίκτυα, ανοιχτά δεδομένα κ.λπ.) για την αποδοτικότερη επικαιροποίηση ανάλυσης κινδύνων στη στόχευση και προτεραιοποίηση των ελέγχων, σε συμφωνία και προς επίτευξη των στόχων του στρατηγικού και επιχειρησιακού σχεδίου της ΑΑΔΕ.

• Εγκαιρη ανίχνευση περιστατικών φοροδιαφυγής: Ανίχνευση σε πραγματικό χρόνο ύποπτων περιστατικών φοροδιαφυγής και λαθρεμπορίου.

• Ανακάλυψη δυναμικών σχέσεων μεταξύ των φορολογουμένων: Οπως έχει αποδειχτεί από εφαρμογές άλλων ευρωπαϊκών χωρών είναι πολύ σημαντικό βήμα για την εύρεση απάτης και φοροδιαφυγής.

• Κατηγοριοποίηση φορολογουμένων: Κατηγοριοποίηση της αναμενόμενης συμπεριφοράς φορολογουμένων π.χ. στρατηγικός κακοπληρωτής, πιθανότητα φοροδιαφυγής κ.λπ.

• Profiling φορολογουμένων: Εύρεση μη εμφανών ομοιοτήτων μεταξύ των φορολογουμένων όπως προκύπτουν έπειτα από δημογραφική, οικονομική και συμπεριφορική ανάλυση του συνόλου του πληθυσμού των φορολογουμένων. Χρησιμοποιείται στην εκτίμηση κινδύνου και σε άλλες περιπτώσεις χρήσης.

• Εκτίμηση ρίσκου και αξιολόγηση κινδύνου: Αξιολόγηση των φορολογουμένων ως προς το ρίσκο μη πληρωμής.

• Πρόβλεψη εσόδων και οφειλών: Πρόβλεψη εσόδων και οφειλών συνολικά και ανά φορολογούμενο ή ανά ΔΟΥ, ανά γεωγραφική περιοχή, ανά επάγγελμα, ή οποιαδήποτε άλλη διάσταση βάσει των ιστορικών στοιχείων συμπεριφοράς των φορολογουμένων.

ΕΔΩ Η ΠΗΓΗ  ΑΠΟ ΤΗ ΚΑΘΗΜΕΡΙΝΗ 

Related Articles

Αφήστε μια απάντηση

Back to top button