Utaja poreza direktno i negativno utiče na tržišne uslove poslovanja stvaranjem nelojalne konkurencije. U poređenju sa konkurentima koji ne plaćaju porez, kompanije koje posluju u skladu sa zakonom imaju veće troškove, a samim tim i veće cene proizvoda i usluga. Štaviše, utaja poreza, iz percepcije pojedinca kroz njegov angažman u takvom sektoru, utiče na umanjivanje osnovnih ljudskih prava (lokalna infrastruktura, zdravstvena nega, penzije…). Paralelno sa tim, malverzacije u tom domenu umanjuju unapređivanje nivoa i kvaliteta javnih usluga što za direktnu posledicu ima nezadovoljstvo građana. Otkrivanje prevara poreskih obveznika je najteži korak u fiskalnoj kontroli. Jedan od primarnih ciljeva poreske kontrole su praćenja i provera finansijskog poslovanja velikih preduzeća/korporacija kao najvećih nosioca rizika, u domenu poreskih prevara. Uporedo sa tim, utaje poreza kod malih i mikro preduzeća se u najvećoj meri vrše kroz gotovinske transakcije prihoda i rashoda. Korišćenjem raznih nezavisnih izvora, ili uparivanjem podataka i proverom sa drugim izvorima, poreska uprava može da utvrdi maliciozne radnje obveznika. Takođe, utvrđivanje prekršajnih radnji obveznika zahtevalo i terensku poresku kontrolu (nasumičnu ili po prijavi) što iziskuje dosta vremena i finansijskih sredstava poreske uprave (broj inspektora i dodatne materijalne resurse). Veoma je težak, i u krajnjoj meri nemoguć, posao da se za činjeničnu proveru usklađenosti poreza, poreska uprava oslanja isključivo na poresku kontrolu. S tim u vezi, revizorski posao dodatno bi olakšala primena nekih softverskih alata kojim bi se utvrdile moguće malverzacije, a da se ne naruši odnos poverenja poreskih obveznika i uprave.
TaxCore® kao sistem za monitoring obveznika beleži sve značajne elemente svake finansijske transakcije što poreskim vlastima omogućava praćenje naplate poreza i evidenciju prometa. Platforma je utemeljena sa strane identiteta obveznika i zaštite podataka te je veoma intuitivna i omogućava poreskim službenicima pretraživanje poreskih obveznika po raznim parametrima. Ovim se poreskim službenicima omogućava da lako lociraju i koriste informacije od značaja, da prate trendove u poslovanju obveznika, itd. Ovim softverskim rešenjem se poreskoj upravi pružaju obaveštenja o svakoj komercijalnoj transakciji na način koji omogućava analizu rizika i daljinsku reviziju. Jedna od prednosti TaxCore®-a je u objedinjavanju svih poreskih podataka za sve obveznike poreskog sistema jedne zemlje. Na ovaj način se formira velika baza podataka od značaja, iz koje se mogu generisati smisleni i značajni rezultati/izveštaji, ali i realizovati buduća predviđanja o potencijalnim poreskim prevarama. Objedinjenost podataka svih transakcija za sve obveznike nije na nivou centralizacije, u smislu čuvanja podataka na “jednom” mestu, već u vidu potpunosti informacija. Akumulirani podaci omogućavaju sveobuhvatnost jer se grupisanjem same informacije, kao i njihov značaj, imaju veću i bolju primenu u raznim analizama što se može iskoristiti za neka buduća predviđanja. Efikasnost poreske kontrole bi mogla da se poboljša primenom novog pristupa u kome bi prvi korak bio definisanje osnovnih parametara koristeći proces DATA MINING. Cilj je razviti algoritme za otkrivanje poreskih prekršaja primenom naprednih metoda analize velikih skupova podataka (big data) i veštačke inteligencije uz pomoć mašinskog učenja. Veliki skupovi podataka se smatraju novom vrstom resursa, u smislu sredstava u poslovanju i koriste se za unapređivanje poslovnih procesa i povećanje produktivnosti za naredni period. Prema dostupnoj literaturi procenjeno je da, uz finansijski sektor, najveća oblast za povećanje produktivnosti, korišćenjem velikih skupova podataka je javni sektor, odnosno državna uprava1. Primena metoda mašinskog učenja na velike baze podataka u poreskoj administraciji pružila bi dragoceni uvid u istorijsko ponašanje obveznika, na osnovu koga bi mogle da se dobiju preporuke za terensku kontrolu. Pored efekta kojim bi se unapredila efikasnost terenske kontrole, ovakav pristup bi omogućio i formiranje rizičnih kategorija poreznika. Ideja je da se na osnovu istorijskih pokazatelja pojedinih atributa poreskog obveznika formiraju obrasci prema kojima bi se, u zavisnosti od stepena poklapanja sa obrascima, obvezniku dodeljivao određeni nivo rizičnosti.
Izdvajanje obrazaca i modela
Izdvajanje obrazaca o mogućim scenarijima za utaju poreza vršilo bi se na osnovu istorijskog ponašanja obveznika praćenjem određenih atributa (unapred definisanih) uz oslanjanje na neke od modela iz literature (veštačke neuronske mreže, Bajesove mreže, logaritamska regresija…). Potrebno je izvršiti kategorizaciju rizičnosti obveznika na recimo, nizak/srednji/visok. U zavisnosti od stepena poklapanja (verovatnoće) sa definisanim scenarijima o utaji poreza obveznik bi dobio određenu kategorizaciju važnosti u smislu nivoa rizičnosti. Jedna od koristi razvoja indikatora rizika za pojedinačne poreske obveznike je mogućnost korišćenja ovih indikatora za rangiranje svih poreskih obveznika prema definisanom nivou rizika. Mašinsko učenje bi se koristilo za otkrivanje obrazaca i odnosa među atributima koji su korisni za identifikaciju „problematičnog“ ponašanja obveznika. Njime bi se vršio odabir obveznika koji su sumnjivi i kao takvi bi se prosleđivali inspektorima na dalje provere. Cilj ovakvog pristupa je u povećanju produktivnosti poreskih inspektora na terenu i u povraćaju gubitaka poreskih prihoda. U poređenju sa metodom ručnog pretraživanja, ovakva tehnika rudarenja podataka je savremeniji (naučni) pristup kojom bi se štedeli resursi i izbegle lične procene u odabiru „sumnjivih“ obveznika.
Osnovno polazište za utvrđivanje budućih potencijalnih poreskih prevara je kako razgraničiti namernu prevaru od slučajne greške koju je načinio obveznik. Uglavnom se termin „prevara“ odnosi na sva nepoštovanja, prekršaje poreskih propisa. Zbog toga se poreske prevare često izjednačavaju sa poreskim nepravilnostima. Ipak, poreske nepravilnosti podrazumevaju sve slučajeve kada obveznik nije izmirio svoje poreske obaveze. S druge strane, poreska prevara je namera obveznika da zaobiđe zakon u cilju izbegavanja plaćanja poreza. Dakle, poreske prevare su podskup skupa poreskih nepravilnosti. Osnovno polazište za identifikovanje poreskih prevara je u razgraničenju namernih (prevara) od slučajnih (greška) nepravilnosti. Razgraničenje bi se zasnivalo na svim realnim scenarijima o poreskim prekršajima koji su bazirani na stvarnim istorijskim podacima, uz glavni indikator razgraničenja namere od slučajnosti – a to bila učestalost scenarija prekršajnih radnji.
Za očekivati je veliki broj analitičkih anomalija kada se krene u rudarenje podataka. Treba razlikovati anomalije visokog rizika od anomalija niskog rizika. One anomalije koje bi se mogle predvideti ne treba uzeti u dalja razmatranja. Poznavanje poreskog sistema upravo kroz TaxCore® omogućiće da se razdvoje normalne i očekivane anomalije od onih koje bi mogle da se okarakterišu kao potencijalne poreske prevare.
Prva instanca je klasifikacija podataka sa kojima raspolažemo u vidu ispravnosti samih podataka (negativni iznosi, prazna polja, formati, duplirane vrednosti, neujednačene vrednosti…). Tačnost modela zavisi od ispravnosti ulaznih podataka. Ispravnost ulaznih podataka u najvećoj meri zavisi od tačnosti njihovog unosa. Što nas vraća na sam početak, da je za ispravnost ulaznih informacija odgovoran obveznik, koji koristi komponente za izdavanje računa u skladu sa tehničkom specifikacijom. Potrebno je prilikom izbora modela voditi računa o tome da li se implementirani algoritam može izvršiti u realnom vremenu. Problem je definisati početne uslove i atribute na osnovu kojih bi se formirali scenariji rizičnog ponašanja obveznika. Trebalo bi definisati maliciozne modele ponašanja, odnosno formirati pravila koja su u skladu sa nekim poznatim ili hipotetičkim prevarama. Ukoliko nema povratnih ekspertskih informacija, potrebno je da sami formiramo sintetičke podatke koji čine kako legalne tako i nelegalne transakcije. Tumačenjem postojećih podataka, međusobnih veza, njihovim ukrštanjem i primenom modela nad tim podacima trebalo bi da se dođe do krajnjeg cilja: da li se ta transakcija tog poreznika može sa određenom tačnošću tumači kao prevara. Uz to, dobro je da se primene različite metode mašinskog učenja (K-najbliži susedi, klasifikator stabla odlučivanja, veštačke neuronske mreže, logistička regresija…) da bi se utvrdilo kako koja metoda upravlja ulaznim podacima i koje su tačnosti dobijeni rezultati. Ukoliko bi se dobijeni rezultati prosledili poreskoj upravi koja bi izlaskom na teren utvrdila tačnost proračuna time bi se obezbedila potvrda o (ne)tačnosti metode, koja bi se mogla smatrati jedinom validnom potvrdom metode. S tim u vezi, izbor metode bi odredili najtačniji rezultati.
Ako postoje realni istorijski podaci o dokazanim poreskim prevarama, otkrivanje budućih potencijalnih obveznika koji bi izvršili prevaru, utvrđivalo bi se primenom supervised metoda. Primena modela bi išla u smeru pretraživanja baze podataka o transakcijama svih poreskih obveznika, i identifikovali bi se oni obveznici koji su sličnih osobina (ponašanja) onim obveznicima kod kojih je dokazana poreska prevara. Ukoliko ne postoji znanje ili dostupne informacije o postojećim poreskim prevarama, rudarenje podacima bi se vršilo primenom unsupervised metoda mašinskog učenja, iako su nižeg nivoa preciznosti i interpretabilnosti u poređenju supervised metoda. Kod unsupervised metoda, za razliku od supervised, ne bi se identifikovati samo slučajevi utaje poreza, već bi se ukazalo i na privredne subjekte koji su neredovni u izmirivanju poreskih obaveza kao i na sumnjivo ponašanje obveznika. Ove metode rada se mogu koristiti u revizorskom radu poreskih uprava za utvrđivanje poreskog kriminala. Takođe se mogu smatrati pogodnim za podršku u odlučivanju u upravljanju rizicima prilikom utaje poreza, i koje bi koristile za bolje određivanje prioriteta poreskih kontrola i obezbedilo efikasniju naplatu poreza.
Primeri iz prakse
Sledi kratak pregled mogućnosti za primenu TaxCore® rešenja u okviru aktuelnih trendova mašinskog učenja za predviđanje budućih potencijalnih obveznika koji bi izvršili utaju poreza. Posebna kategorija računa na koje treba obratiti pažnju su refundacije. Globalni podatak je da na nivou maloprodajnih objekata čak 28% svih malverzacija izvrše zaposleni kroz refundacije2. S tim u vezi akcenat za moguće poreske utaje treba staviti upravo na refundacije. Trebalo bi ispratiti sa posebnom pažnjom zaposlene sa dodatnim kredencijalima (npr. menadžeri)3 jer oni imaju povlašćenja za dodatne popuste, kupone za sledeće kupovine i slično. Neki od mogućih načina praćenja refundacija su:
- Scenario 1:
Pratiti ukupan broj refundacija u ukupnom broju izdatih računa za svakog prodavca, porediti po svim zaposlenima. Kolika je frekventnost dešavanja, pratiti na dnevnom, nedeljnom nivou… Veliki broj refundacija u ukupnoj prodaji prodavca, često se ponavlja – alarm - Scenario 2:
Pratiti broj otkazanih artikala po računu za svakog prodavca i porediti po zaposlenima. Veliki broj otkaza jednog prodavca u odnosu na prodaju, često se ponavlja – alarm - Scenario 3:
Praćenje oscilacije cena na pojedinom artiklu gde je cena u odnosu na prosek uvećana ili umanjena što može da ukazuje na manipulaciju prijavljene i prodajne cene, kao i na nedozvoljeno povećanje (price gouging). - Scenario 4:
Pratiti prijave kupaca o sumnjivim transakcijama koje se odnose na to prodajno mesto
Suština ovih scenarija je u ponavljanju, odnosno frekvenciji događaja. Događaj koji se desi nijednom, jednom ili beznačajan broj puta u posmatranom vremenskom periodu, ne može se markirati kao potencijalne poreske prevare. Takođe, potrebno je definisati više međusobno nezavisnih kategorija rizika koje se odnose na različite pojmove (težinski faktori početnih uslova, učestalost, kategorije rizika za poreznike…). Procena rizika je veoma subjektivan proces, međutim, ukoliko se primene određene metodologije i principi, subjektivnost se može smanjiti na najmanji mogući nivo. Na osnovu dostupnih podataka u TaxCore® bazi mogu se identifikovati određena pravila i ekspertizom definisati tipovi rizika kao i nivoi prihvatljivosti rizika. Procena rizika bi podrazumevala donošenje odluka na osnovu realnih podataka i ekspertskog iskustva. Svaki rizični događaj prati i njegova frekventnost. S tim u vezi, neophodno je na osnovu znanja eksperata, definisati intervale učestalosti, prema kojima bi se razgraničavalo ponašanje obveznika. Suština problema je u postavljanju pragova, kako za nivoe rizika posmatranog događaja, tako i za intervale frekventnosti.
TaxCore® omogućava da se isprati i razdvoji vreme izdavanja računa i vreme stizanja računa u bazu. Ovo je veoma značajan podatak jer praćenjem vremena stizanja računa može da se utvrdi da li dolazi do gomilanja računa u određenom delu dana (npr. kraj radnog vremena), da li postoje praznine u toku radnog vremena, koliko se često ponavljaju, itd.
Takođe kroz sistem TaxCore® može da se provere poreske stope, u smislu da li obveznici zaista primenjuju poreske stope koje su prijavili. Takođe, može da se utvrdi da li se na nivou jednog obveznika za isti artikal računa više različitih poreskih stopa, kao i da li dolazi do mešanja poreskih stopa prilikom izdavanja računa kod poreznika koji ima više poreskih kategorija.
Uz sve ovo, na nivou obveznika mogu de se prate trendovi sledećih elemenata za proizvoljne vremenske intervale (dnevnom, nedeljnom, mesečnom, kvartalnom, godišnjem nivou, poreski kalendar početak i kraj fiskalne godine ili bilo kog perioda za podnošenje fiskalnih prijava pošto je period neposredno pre toga vrlo interesantan za izvlačenje para i smanjenje prometa):
– broj izdatih računa
– promet
– iznos poreza
– max i min broj izdatih računa
– odnos tipova plaćanja keš/kartica
– tipovi transakcija i njihovi procenti po broju i iznosu u ukupnom broju/iznosu transakcija (dvostruko praćenje na nivou poreznika i poređenje poreznika sa prosečnim trendom kretanja na nivou delatnosti) kao i još mnogi drugi.
Ovi podaci mogu biti od značaja za praćenje stepena odstupanja trenda na nivou obveznika u odnosu na kretanje na nivou delatnosti, po izabranom parametru.
Primer 1:
Jedan od primera praćenja trenda po jednom parametru bi bio da se utvrdi odstupanje trenda kretanja broja računa obveznika u odnosu na trend kretanja prosečnog broja izdatih računa na nivou celokupne delatnosti. Trebalo bi definisati i intervale odstupanja: (1) koji procenat odstupanja se toleriše, (2) koji pragovi bi zahtevali dodatno ispitivanje bez deklarisanja obveznika kao mogućeg izvršioca prevare i (3) koji procenat odstupanja, i svi veći od njega, bi markirali obveznika kao potencijalnog izvršioca prevare i alarmirali poresku inspekciju da se izvrši terenska kontrola tog obveznika. Uz procenat odstupanja neophodno je ispratiti i njegovu učestalost; mora se razlikovati po težini (značajnosti) učestalosti odstupanja na nedeljnom od učestalosti odstupanja na mesečnom nivou. Na primer, dva odstupanja na nedeljnom nivou nemaju istu težinu kao dva odstupanja na mesečnom nivou.
Primer 2:
Na osnovu nekoliko primera iz prakse i njihovog evidentiranog prometa u TaxCore®-u, uočeno je da iz meseca u mesec postoji trend opadanja broja izdatih računa, kao i da pojedinim radnim danima nema ni jedan izdati račun (u sistemu nema zabeleženih računa). Treba napomenuti da je razmatrana ugostiteljska delatnost i da je za pojedine delatnosti uobičajeno je da nema svakodnevnih prodaja. Prema ovim primerima iz prakse može se definisati jedan scenario da ukoliko postoji trend opadanja broja računa i da pojedinim danima nema evidentirane prodaje, da za oba ispunjena uslova obveznik ide u crvenu zonu što znači da se prosleđuje inspektorima na dalju proveru.
Svaki tip prevare ostavlja određene „tragove“ u podacima. TaxCore® beleži događaje u realnom vremenu ne ostavljajući mogućnost za naknadnom, retroaktivnom izmenom podataka kojom bi se “pregazili” stari podaci. Ovo dalje implicira, da se u bazi čuva apsolutno svaka promena koja se desi na nivou svake informacije. Na ovaj način se formira veliki skup podataka čijom pretragom i analizom se mogu utvrditi modeli budućih potencijalnih prekršajnih radnji. Ljudi nisu sposobni da urade obuhvat velikih baza podataka, da definišu i izdvoje određene obrasce i scenarije na osnovu podataka. Napredne metode mašinskog učenja su idealne za rudarenje velikih baza podataka i za identifikaciju scenarija. Obrasci po kojima bi metode mašinskog učenja pretraživale podatke mogu se definisati na osnovu realnih istorijskih pokazatelja o poreskim obveznicima koji su izvršili poreske prevare ili formiranjem fingiranih scenarija poreskih prevara. Metode veštačke inteligencije se mogu koristiti u oba smera. Prvi je u definisanju i izdvajanju poreznika koji su izvršili neke poreske prekršaje, a drugi smer je da se koriste kao alati za izvršenje malverzacija. Naime, mogu se formirati lažni skupovi podataka, u zavisnosti od poreskih kategorija, koji bi se AI algoritmima trenirali da bi se postigao željeni nivo tačnosti poklapanja sa realnim podacima. Takav skup podataka, koji je identičan realnim podacima, može da se koristi za poreske informacije kojima bi se obmanula poreska inspekcija. S tim u vezi potrebno je da se u kontrole poreskih obveznika uključe napredne tehnologije da bi se predupredila i po mogućstvu, kontrolisala prevelika zastupljenost AI u poreskim prevarama.
S obzirom na to da se u trenutnim uslovima globalizacije i razvoja IT tehnologija drastično uvećava broj rizika, neophodno je zbog finansijske stabilnosti zemlje, definisati mere i pristupe za utvrđivanje potencijalnih poreskih prevara. U vezi sa tim, potrebno je prilagoditi se svetskim finansijskim previranjima i razmotriti savremeni pristup u identifikovanju poreskih prevara. TaxCore® zbog svoje sveobuhvatne primene, inovativnog pristupa, tehnologije i teorije omogućio bi poreskim vlastima da upravljaju rizicima budućih poreskih prevara što bi za posledicu imalo dalji ekonomski napredak i rast zemlje.
Autor teksta: Jelena Lukić, poslovni analitičar, Data Tech International d.o.o.