Ανεβάζει ταχύτητα ο φορολογικός μηχανισμός, με στόχο τον εντοπισμό των αδήλωτων εισοδημάτων. Στην πλήρη ενεργοποίηση και εφαρμογή έξι ψηφιακών εργαλείων προχωρά η Ανεξάρτητη Αρχή Δημοσίων Εσόδων (ΑΑΔΕ), με στόχο τη διενέργεια στοχευμένων ελέγχων στη μάχη κατά της φοροδιαφυγής και της διακίνησης μαύρου χρήματος.
Της ΣΙΣΣΥΣ ΣΤΑΥΡΟΠΙΕΡΡΑΚΟΥ – ΠΗΓΗ: Realnews
Η τεχνητή νοημοσύνη, τα big data, τα συστήματα CRM και ERM, οι αλγόριθμοι, η συμπεριφορική ανάλυση και η μηχανική μάθηση αποτελούν πλέον ένα ενιαίο ψηφιακό πλέγμα, το οποίο ενισχύει την αποτελεσματικότητα των ελεγκτικών μηχανισμών και περιορίζει τα περιθώρια απόκρυψης εισοδημάτων.
Σύμφωνα με τα διαθέσιμα στοιχεία, η παραοικονομία (φοροδιαφυγή, λαθρεμπόριο και «μαύρο» χρήμα) στη χώρα μας κυμαίνεται μεταξύ 20,9% και 21,6% του ΑΕΠ, που μεταφράζεται σε ένα ποσό αρκετά πάνω από 45 δισ. ευρώ, όταν ο αντίστοιχος μέσος όρος στην Ε.Ε. υπολογίζεται μεταξύ 15% και 17%. Η ύπαρξη τόσο εκτεταμένης παραοικονομίας δεν έχει μόνο άμεσες δημοσιονομικές επιπτώσεις, εξαιτίας της απώλειας φορολογικών εσόδων, αλλά επηρεάζει αρνητικά και τη συνολική λειτουργία της οικονομίας.
Με τη χρήση big data, αλγορίθμων και μηχανικής μάθησης, η ΑΑΔΕ, μέσω ανάλυσης κινδύνου και ψηφιακών διασταυρώσεων, μπορεί να αξιοποιεί και να αναλύει όλα τα διαθέσιμα δεδομένα, εντοπίζοντας ασυνέπειες και αποκλίσεις που πιθανόν υποδηλώνουν φορολογική παραβατικότητα. Το νέο ψηφιακό σύστημα «βλέπει» ταχύτερα πού υπάρχουν ύποπτες διαφορές ανάμεσα στα δηλωμένα στοιχεία και στην πραγματική οικονομική δραστηριότητα, βοηθώντας την ΑΑΔΕ να προχωρήσει σε ένα πλήρες και στοχευμένο μοντέλο φορολογικής εποπτείας. Παράλληλα, περιορίζεται η ανάγκη για αποσπασματικούς ή τυχαίους ελέγχους, καθώς οι διαθέσιμοι πόροι κατευθύνονται σε υποθέσεις με υψηλότερη πιθανότητα παραβατικότητας.
Η ΑΑΔΕ σχεδιάζει τουλάχιστον 194.000 ελέγχους και έρευνες για φοροδιαφυγή, λαθρεμπόριο και οικονομικό έγκλημα, με στόχο βεβαιώσεις ύψους 1,5 δισ. ευρώ από ελέγχους. Παράλληλα, θα προχωρήσει σε 307.820 διασταυρώσεις, από τις οποίες 183.138 αφορούν δηλώσεις εισοδήματος και ΦΠΑ και 124.682 εισερχόμενες πληροφορίες από αλλοδαπές Αρχές. Τα ψηφιακά εργαλεία που χρησιμοποιεί η ΑΑΔΕ είναι τα εξής:
1. Επιχειρησιακή και τεχνητή νοημοσύνη στην ανάλυση κινδύνου
Ο ελεγκτικός μηχανισμός της ΑΑΔΕ για την αντιμετώπιση της φοροδιαφυγής, του λαθρεμπορίου και του οικονομικού εγκλήματος πραγματοποιεί στοχευμένους ελέγχους και έρευνες, αξιοποιώντας την τεχνητή νοημοσύνη στην ανάλυση κινδύνου και στην επιλογή των υποθέσεων που θα ελεγχθούν. Παράλληλα, στόχο για το 2026 αποτελεί η χρήση σύγχρονης τεχνολογίας και τεχνητής νοημοσύνης για την αύξηση των εισπράξεων έναντι ληξιπρόθεσμων οφειλών, την εκκαθάριση του σχετικού χαρτοφυλακίου και τη λήψη μέτρων για τον περιορισμό της δημιουργίας νέων ληξιπρόθεσμων οφειλών. Η ΑΑΔΕ δεν επιλέγει τυχαία τις υποθέσεις προς έλεγχο, αλλά χρησιμοποιεί δεδομένα, προκειμένου να υπολογίζει ποιοι φορολογούμενοι, επαγγελματικοί κλάδοι ή επιχειρήσεις εμφανίζουν μεγαλύτερη πιθανότητα παραβατικότητας. Στο στόχαστρο τίθενται επιχειρήσεις με μεγάλο φορολογικό κενό, υψηλή ιστορική παραβατικότητα και αποκλίσεις ανάμεσα στα δηλωθέντα έσοδα και στην πραγματική οικονομική δραστηριότητα. Η τεχνητή νοημοσύνη λειτουργεί ως φίλτρο προτεραιοποίησης: εντοπίζει ασυνήθιστες συμπεριφορές και βοηθά τους ελεγκτές να επικεντρωθούν στον έλεγχό τους, καθώς μπορεί να υπάρχει μεγαλύτερη πιθανότητα φοροδιαφυγής.
2. Big Data Analytics στις ψηφιακές διασταυρώσεις
Η ΑΑΔΕ συγκεντρώνει τεράστιο όγκο πληροφοριών από το myDATA, τα POS, τις δηλώσεις ΦΠΑ, τις δηλώσεις εισοδήματος, τα τραπεζικά δεδομένα, τις πλατφόρμες ηλεκτρονικού εμπορίου, τις βραχυχρόνιες μισθώσεις και τις εισερχόμενες πληροφορίες από το εξωτερικό. Τα δεδομένα αυτά δεν εξετάζονται μεμονωμένα, αλλά συνδυάζονται ώστε να προκύπτει η συνολική εικόνα του φορολογουμένου. Ετσι, μπορεί να εντοπιστεί, για παράδειγμα, επιχείρηση με χαμηλές δηλώσεις ΦΠΑ αλλά υψηλή δραστηριότητα μέσω POS ή ηλεκτρονικών πλατφορμών. Φέτος προβλέπονται 6.350 στοχευμένοι και προτεραιοποιημένοι έλεγχοι σε κλάδους και επιχειρήσεις με μεγάλη παραβατικότητα και σημαντικό φορολογικό κενό. Οι φορολογικοί έλεγχοι και οι έρευνες θα επικεντρωθούν, μεταξύ άλλων, σε κλάδους και επιχειρήσεις με μεγάλο φορολογικό κενό, υψηλή παραβατικότητα και αποκλίσεις μεταξύ δηλωθέντων εισοδημάτων και δαπανών. Η Γενική Διεύθυνση Δυνάμεων Ελέγχου Οικονομικών Συναλλαγών, αξιοποιώντας τα συστήματα, τα δεδομένα και τις διαθέσιμες πληροφορίες, θα συμβάλει στην αποκάλυψη κυκλωμάτων και μεγάλων υποθέσεων φοροδιαφυγής και λαθρεμπορίου. Επίσης, θα ενισχύσει το «οπλοστάσιο» όσον αφορά την αντιμετώπιση της απάτης στον ΦΠΑ, την αποκάλυψη φαινομένων αδήλωτης εργασίας και παράνομων οικονομικών συναλλαγών, την ανάκτηση ενισχύσεων και επιδοτήσεων και την αντιμετώπιση σύνθετων περιπτώσεων οικονομικού εγκλήματος.
3. Συστήματα CRM και ERM
Στο επιχειρησιακό σχέδιο 2026 της ΑΑΔΕ αναφέρεται ότι τα συστήματα διαχείρισης κινδύνου συμμόρφωσης (CRM) και επιχειρησιακού κινδύνου (ERM) χρησιμοποιούνται για την καταγραφή, την παρακολούθηση και την ανάλυση κινδύνων που σχετίζονται με τη φορολογική συμμόρφωση των επιχειρήσεων. Η ΑΑΔΕ τα αξιοποιεί κυρίως ως εργαλεία ανάλυσης κινδύνου για ελέγχους, φορολογική συμμόρφωση, προτεραιοποίηση υποθέσεων και όχι ως απλά συστήματα διαχείρισης υποθέσεων. Με αυτά τα συστήματα, η ΑΑΔΕ καταγράφει, παρακολουθεί και αναλύει κινδύνους που σχετίζονται με τη φορολογική συμπεριφορά κυρίως των επιχειρήσεων. Κάθε υπόθεση αποκτά ένα είδος «προφίλ κινδύνου», με βάση το ιστορικό της, τις αποκλίσεις της, τις προηγούμενες παραβάσεις και τη συμπεριφορά της σε σχέση με άλλες επιχειρήσεις του ίδιου κλάδου. Με αυτόν τον τρόπο, οι έλεγχοι αποκτούν πιο συστηματικό χαρακτήρα, καθώς δεν βασίζονται μόνο σε μεμονωμένα στοιχεία, αλλά σε συνολική αξιολόγηση της φορολογικής εικόνας κάθε υπόθεσης
4. Αλγόριθμοι
Οι αλγόριθμοι της ΑΑΔΕ επεξεργάζονται έναν τεράστιο όγκο δεδομένων και βαθμολογούν κάθε φορολογούμενο με ένα σκορ επικινδυνότητας. Η ΑΑΔΕ προβλέπει διοικητικούς, γεωχωρικούς, επιτόπιους και ψηφιακούς ελέγχους για την αντιμετώπιση της φοροδιαφυγής και του οικονομικού εγκλήματος. Οι βασικοί πυλώνες είναι:
- Διασταύρωση στοιχείων: Συγκρίνονται τα δηλωθέντα εισοδήματα με τις δαπάνες διαβίωσης, τις κινήσεις τραπεζικών λογαριασμών, τις αγορές ακινήτων και τα σκάφη αναψυχής.
- Έμμεσες τεχνικές ελέγχου: Αν οι δαπάνες κάποιου είναι δυσανάλογα μεγάλες σε σχέση με τα έσοδα που δηλώνει, ο αλγόριθμος «χτυπάει καμπανάκι».
- Συμπεριφορά κλάδου: Μια επιχείρηση συγκρίνεται με τον μέσο όρο του κλάδου της. Αν, για παράδειγμα, μια επιχείρηση δηλώνει σταθερά πολύ λιγότερα κέρδη από γειτονικές επιχειρήσεις με παρόμοια τετραγωνικά και αντίστοιχη δραστηριότητα, μπαίνει σε προτεραιότητα ελέγχου.
- Διασύνδεση POS – ταμειακών μηχανών: Ο αλγόριθμος παρακολουθεί σε πραγματικό χρόνο αν οι εισπράξεις μέσω κάρτας αντιστοιχούν σε εκδοθείσες αποδείξεις.
Σε αυτή την κατεύθυνση η ΑΑΔΕ έχει αναβαθμίσει το οπλοστάσιό της με:
- Social media monitoring: Λογισμικά και ψηφιακές μέθοδοι που μπορούν να αξιοποιούνται για τον εντοπισμό περιπτώσεων στις οποίες η δημόσια εικόνα ενός φορολογουμένου, όπως η προβολή πολυτελούς τρόπου ζωής, δεν φαίνεται να συμβαδίζει με τις φορολογικές του δηλώσεις.
- Data mining: Εξεύρεση δεδομένων από πλατφόρμες όπως το Airbnb, το Booking και το TikTok, με σκοπό τον εντοπισμό αδήλωτων εισοδημάτων ή οικονομικής δραστηριότητας που δεν έχει αποτυπωθεί φορολογικά.
Αυτοματοποιημένος έλεγχος πόθεν έσχες: Το σύστημα αντλεί αυτόματα στοιχεία από τράπεζες, χρηματιστήριο και κτηματολόγιο, ώστε να διευκολύνεται η σύγκριση περιουσιακών στοιχείων, εισοδημάτων και δηλωμένων οικονομικών δεδομένων.
5. Μοντέλα συμπεριφορικής ανάλυσης
Η Ανεξάρτητη Αρχή Δημοσίων Εσόδων έχει περάσει σε μια νέα εποχή ψηφιακού ελέγχου, χρησιμοποιώντας μοντέλα συμπεριφορικής ανάλυσης για την καταπολέμηση της φοροδιαφυγής. Αντί για τυχαίους ελέγχους, το σύστημα «σκανάρει» τεράστιους όγκους δεδομένων, προκειμένου να εντοπίσει ασυνήθιστες συμπεριφορές που μπορεί να υποδηλώνουν απόκρυψη εισοδήματος. Το μοντέλο βασίζεται στη σύγκριση της «αναμενόμενης» συμπεριφοράς ενός φορολογουμένου με την «πραγματική». Τα μοντέλα περιλαμβάνουν:
- Peer analysis: Το σύστημα συγκρίνει μια επιχείρηση με άλλες του ίδιου κλάδου, μεγέθους και περιοχής.
- Trend analysis: Παρακολουθείται η διακύμανση των εσόδων και των εξόδων σε βάθος χρόνου. Απότομες μεταβολές χωρίς προφανή επιχειρηματικό λόγο ενεργοποιούν προειδοποιητικές ενδείξεις.
Η λογική αυτών των μοντέλων βασίζεται στο ότι η φοροδιαφυγή δεν εντοπίζεται έπειτα από μια σειρά από επαναλαμβανόμενες συμπεριφορές: ξαφνικές μειώσεις εσόδων, ασυνήθιστη χρήση μηδενικών δηλώσεων, μεγάλες αποκλίσεις μεταξύ δαπανών και δηλωθέντων εισοδημάτων ή δραστηριότητα στο διαδίκτυο που δεν αντιστοιχεί στα φορολογικά δεδομένα. Το επιχειρησιακό σχέδιο αναφέρει ρητά τη συμπεριφορική ανάλυση φορολογουμένων ως σενάριο του συστήματος BI/Data Analytics, με τη δημιουργία ψηφιακού προφίλ για κάθε ΑΦΜ.
6. Προγνωστικά μοντέλα μηχανικής μάθησης
Η ΑΑΔΕ χρησιμοποιεί προηγμένα μοντέλα μηχανικής μάθησης για την καταπολέμηση της φοροδιαφυγής και τη βελτίωση της εισπραξιμότητας. Επίσης, αναπτύσσει μοντέλα μηχανικής μάθησης για την πρόβλεψη παραβατικότητας, τον εντοπισμό μη δηλωθείσας φορολογητέας ύλης και απάτης στο ενδοκοινοτικό εμπόριο, καθώς και μοντέλα πρόβλεψης φορολογικών εσόδων. Τα μοντέλα μηχανικής μάθησης βοηθούν την ΑΑΔΕ να προβλέπει το πού υπάρχει μεγαλύτερη πιθανότητα παραβατικότητας, ώστε οι έλεγχοι να γίνονται πιο στοχευμένα, γρήγορα και αποτελεσματικά. Συνήθως λειτουργούν ως εργαλείο υποστήριξης για την επιλογή, την ιεράρχηση και την τεκμηρίωση των ελέγχων. Με την πάροδο του χρόνου, όσο αυξάνεται ο όγκος των διαθέσιμων δεδομένων, τα μοντέλα αυτά μπορούν να βελτιώνουν την ακρίβεια των προβλέψεων, να αναγνωρίζουν πιο σύνθετα μοτίβα και να ενισχύουν την ικανότητα της φορολογικής διοίκησης να παρεμβαίνει έγκαιρα, ακόμα και πριν εκδηλωθεί η παραβατικότητα.
enikonomia.gr
