TaxCore© is at the forefront of digital tax transformation, integrating data from fiscal devices into a unified, real-time system that allows tax authorities to track financial transactions, identify irregularities (using AI), and plan audits effectively. Given the volume of collected data, which includes information on hundreds of thousands of taxpayers and records over 15 million new invoices daily, the system requires the application of advanced processing and analysis methods, such as data mining and modern analytical approaches. Advanced analytical methods enable detailed and rapid analysis, pattern identification, and decision-making based on a large volume of data. The large database provides a comprehensive overview of tax activities but simultaneously poses a challenge for efficient and timely searching and analysis.

For tax authorities to identify irregularities and plan inspections, the new advanced functionality of TaxCore© in the form of an AI module employs sophisticated technologies and algorithms for more detailed processing and data analysis. The application of machine learning (ML) methods to large databases allows in-depth analysis of the chronological behaviour of taxpayers, based on which the system forms risk categories for taxpayers. Patterns of taxpayer behaviour serve as historical indicators of various attributes, according to which, depending on the degree of alignment with recognised patterns, the system assigns taxpayers an appropriate risk level. Some of the behavioural patterns on which TaxCore© profiles taxpayers include the percentage of working days with no issued invoices, deviations in taxpayers’ financial transactions compared to the average trend of financial transactions in their activities, active working hours of the taxpayer during a period, etc.

AI-Powered Risk Assessment and Tax Audits

Since each type of fraud leaves certain “traces” in the data, TaxCore© offers a 360-degree view of taxpayer behaviour, monitoring their actions through defined patterns. Based on the established risk level for each defined pattern, we obtain a cumulative risk score for the taxpayer as an aggregate of their individual risk levels in behavioral patterns. This part of the system represents a significant business value of the TaxCore© platform, especially concerning support for audit work in tax administrations. Such a view of the taxpayer enables detailed analysis and is particularly useful in the risk analysis sector, aiding in the identification of potential tax evasion and determining priorities for tax controls and actions. This level of automation and analytical power directly contributes to the success of tax administrations in recognising tax risks and acting timely, thus optimising processes and increasing efficiency in conducting tax controls.

Artificial Intelligence for Irregularity Detection

One of the key innovations in TaxCore® is its use of AI algorithms to analyse fiscal data and flag potential cases of tax evasion. These AI models automate the detection of unusual financial transactions, reducing the need for  manual analysis and minimising the risk of human error. Tax Inspectors and analysts can now focus their efforts on high-priority cases, leading to more efficient allocation of resources and a better overall management of tax risks.

Traditional methods often required time-consuming manual work, which left room for oversight. In contrast, TaxCore’s AI-driven system offers automation and improved precision, allowing for quicker and more accurate detection of irregularities and significantly greater accuracy in predictions.

Balancing Artificial Intelligence and Human Expertise

While the AI algorithms in TaxCore© provide deep insights into taxpayer behavior, human judgment still plays a critical role. The system flags potential irregularities, but the final decision on what actions to take rests with tax inspectors. This balance ensures that AI enhances the decision-making process without completely removing the human element, allowing tax authorities to maintain a fair and contextual approach when addressing non-compliance.

Isolation Forest and KMeans for Anomaly Detection

TaxCore© employs a powerful combination of KMeans clustering and Isolation Forest algorithms (enhanced by the use of AI) to detect irregularities. KMeans groups taxpayers based on similarities—such as the number of fiscal invoices issued daily—while Isolation Forest identifies anomalies within these clusters. This dual approach allows for efficient detection of outliers, ensuring that tax authorities can quickly identify taxpayers whose operations deviate significantly from the norm.

For instance, if a taxpayer’s invoice volume suddenly spikes or drops compared to their historical average, the system flags them for further review. This method significantly improves accuracy in detecting fraudulent activity while reducing the number of false positives.

Forecasting Tax Obligations with the Prophet Algorithm

Beyond anomaly detection, TaxCore© also utilises the Prophet algorithm (based on AI) to forecast taxpayer sales volumes and predict when will the system cross certain thresholds for instance on a monthly or annual basis. This is particularly useful for identifying taxpayers who may try to stay just below certain tax brackets to avoid higher liabilities. By predicting sales trends, tax authorities can monitor businesses more effectively and ensure compliance with tax regulations.

Clustering Similar Taxpayer Behaviour with Kohonen Networks

The system uses Kohonen networks to cluster taxpayers based on similarities in their transactions, recognizing and analyzing patterns in operations. This approach generates a two-dimensional map where each point represents a cluster of similar transactions, facilitating visualisation and identification of specific taxpayer behavior patterns. This effectively identifies deviations that may indicate potential irregularities. By utilizing input parameters such as invoice issue date and time, sales amounts, and refunds, the system groups taxpayers based on similarities. For such parameter selection, dominant time periods for invoice issuance are identified, as well as the analysis of the sales structure in relation to refunds. Clusters also aid in recognizing taxpayers showing deviations, such as those with disproportionately high refunds relative to sales. Taxpayers appearing in multiple clusters require closer examination, while those stable within one cluster may be less suspicious, but it remains important to analyse the reasons for their activity during certain periods.

Conclusion

As we strive for digitalization and modernization, leading to an increased use of information technologies, big data becomes a new type of resource in business. The TaxCore© system uses large databases as a key tool for improving business processes and increasing productivity in the public sector, as well as for preventing tax evasion. Through sophisticated algorithms and machine learning, TaxCore© efficiently detects irregularities at the sales points, enabling tax authorities to monitor fiscal transactions in near real-time and quickly identify attempts at tax evasion. Rather than relying on subjective judgment, tax administrators now have access to data-driven insights that help them allocate resources more effectively and focus their efforts where they are needed most.

In-Depth Analysis and Management of Tax Risks

By forming and processing these databases, detailed analysis of collected data on financial transactions and the application of machine learning are enabled. Machine learning methods are ideal for mining large databases and identifying patterns based on historical indicators of tax operations.

More Objective Risk Assessment and More Efficient Tax Controls

Identifying and managing risks, as a significant part of the tax system, is often a subjective process. However, by applying certain methodologies and patterns, it is possible to achieve a higher level of objectivity and precision in decision-making. By using real data from the TaxCore© database and defined scenarios, a taxpayer would be assigned a certain categorization of importance or risk level. This would allow ranking taxpayers according to their risk scores and, with expert experience, achieve a more reliable and objective risk assessment.

Macro and Micro Perspectives: From the Tax System to Individual Taxpayers

With the verification of financial transactions and the collection of data on all taxpayer transactions within the tax system of a country, TaxCore© enables a shift from a macro view, i.e., analysis of the entire financial system of the country, to a micro level, where individual taxpayers representing potential risks are singled out and proposed for further inspection. The capability that the system provides is an insight into the historical behavior of taxpayers, assessing the extent to which their operations align with defined patterns, as well as applying machine learning to identify and isolate taxpayers whose financial activities would require further analysis. The data generated in this way serve as a basis for additional investigations, significantly improving the efficiency and accuracy of tax control.

The Future

TaxCore© has been focused on collecting fiscal data from the field under all conditions, excelling through the application of innovative technologies, such as private blockchain for security elements, as well as enabling systems that generate invoices created using various technologies over a long time span to easily adapt and connect with TaxCore©.

With the development of AI and ML, the focus of the entire development is shifting from acquisition to data analysis, pattern recognition, and rounding out the entire TaxCore© into a tool that will enable inspectors to fight against tax evasion most efficiently, while assisting taxpayers in easily and affordably complying with fiscalization rules and preventing unintentional errors that may occur in business.With the advancement of Large Language Models, for the first time, communication between humans and systems using real natural language has become possible. This has opened the opportunity for TaxCore©, in the next step, to unify raw data about taxpayers, transactions, analysis results derived from machine learning, other public data sources, and expose all of this to individuals who will communicate with TaxCore© in the simplest way – in their native language.

The post Machine Learning for Anomaly Detection in Fiscal Invoices appeared first on Dti.

Durante su 41 edición, la CATA, o Asociación de Administradores Tributarios de la Commonwealth se reunió para debatir los problemas actuales de los miembros de las administraciones tributarias y de sus redes de socios. 

Esta entidad, fundada en 1978, se dedica a ayudar a sus 47 países miembros mediante conferencias, programas de formación, publicaciones e intercambio de conocimientos con el fin de desarrollar administraciones tributarias efectivas que promuevan el desarrollo sostenible y el buen gobierno.   

Uno de los eventos más importantes que organiza esta entidad de forma regular es la conferencia técnica anual de la CATA, en la que expertos en materia de digitalización, cumplimiento y legislación debaten importantes cuestiones técnicas y legales de especial interés para los miembros de las administraciones tributarias.    

Los principales temas que fueron tratados durante estas sesiones divididas en tres días, que se celebraron esta vez de manera virtual debido a la situación actual con el coronavirus, fueron los siguientes: 

• las reformas fiscales globales, los sistemas tributarios simplificados,  
• el uso de la tecnología para simplificar los sistemas tributarios,  
• la gestión del cumplimiento de las PYME a través de la simplificación tributaria,  
• la cooperación entre agencias de ingresos y la comparativa de la movilización de los ingresos tras el COVID.  

En ella también participaron representantes de la India, del Reino Unido, Mauricio, Canadá, Kenia, Malasia, Uganda, Malta, Nigeria y de Barbados. Todos ellos contribuyeron al evento con sus respectivas presentaciones.  

Data Tech International tuvo el honor de participar de nuevo en este evento anual (la última vez este tuvo lugar en las maravillosas Islas Fiyi, para conocer más acerca de ello pueden visitar nuestro otro artículo al respecto). La intervención de DTI se programó para el segundo día de reunión bajo el título de: los sistemas tributarios simplificados.   

Goran Todorov, director ejecutivo de DTI, fue el orador de DTI y durante su presentación recalcó el uso de la tecnología de blockchain en la tributación como aspecto clave en el futuro para solventar la brecha de recaudación producto del subregistro, de la supresión de ventas electrónicas y de otras prácticas fraudulentas que se usan para engañar a las autoridades fiscales. La solución TaxCore de DTI ya ha adoptado esta tecnología como parte de sus características principales. Los prerrequisitos principales para el uso del blockchain, y que TaxCore hace realidad, son los siguientes: 

• Los registros deben ser digitales – el blockchain es aparentemente inmutable, por lo que es importante asegurarse de que cualquier dato que se transfiera al blockchain sea preciso; 
• Debe existir una identidad digital – para de este modo establecer una conexión fuerte entre la persona y sus operaciones comerciales; 
• Leyes y regulaciones – en el caso de que no existan en el país, deben aceptar la firma electrónica, así como el establecimiento de una infraestructura de clave pública; 
• Alfabetización digital. 

La necesidad de una alfabetización digital y de leyes y regulaciones o decisiones políticas puede suponer un desafío mucho más importante al proceso de digitalización que la tecnología por sí misma.  

En este sentido, hoy se puede implementar la solución TaxCore en cualquier país, a través de distintas fases, lo que ayuda a transformar y preparar el entorno para la próxima revolución tecnológica que incluirá el Blockchain.  

Una vez implementada, la solución TaxCore recoge datos a través de cuatro canales distintos para llevar a cabo auditorías en las facturas, usando para ello la metodología de la mini auditoría del blockchain.  

Entre sus procesos de recogida de datos existe la recogida a distancia que se produce automáticamente y que requiere de conexión a internet; la recogida local facilita la carga de paquetes de auditoría cuando no hay conexión a internet; el escaneado del código QR manda la información cuando se escanea el código QR de la factura (el que utiliza el cliente al comprobar su compra y que transmite dicha información a las autoridades fiscales) y la auditoría del elemento de seguridad, que sirve cuando no existe conexión a internet y que se trata del último recurso en el caso de que exista la necesidad de recoger los datos que nunca abandonaron las instalaciones del comerciante. 

Toda esta información, que siempre se encuentra encriptada, sirve para formar contadores que se acumulan. El resultado de esta metodología de la mini auditoria del blockchain se vuelve todavía más valiosa cuando las instalaciones del contribuyente pierden la conexión a internet y los datos no fluyen, en ese caso si cualquier cliente simplemente escanea el código QR de una factura proporcionada por el vendedor, se mostrará la brecha. Este ejemplo muestra que incluso sin realizar una vista a las instalaciones del contribuyente y de forma sencilla y cómoda desde su proprio escritorio, un agente de la autoridad fiscal puede observar y controlar la brecha tributaria que se produce en la transición entre las modalidades en línea y fuera de línea, y, lo que es más importante, puede determinar la obligación tributaria del contribuyente.  

Además de eso, cualquier tipo de transacción emitida dispone de sus proprios contadores para cada contribuyente, asegurando de este modo que la actividad comercial pueda continuar sin percances.  

Finalmente, el orador abordó la detección del fraude por parte de los clientes mediante el escaneo del código QR de las facturas, lo que constituye otra propuesta para afrontar el problema de la brecha de ingresos y de la recaudación de impuestos. 

La tecnología blockchain se centra, en todos estos asuntos, en el proceso de auditoría el cuál TaxCore ha asumido como una de sus principales filosofías de trabajo y que puede, sin duda alguna, ayudar a las autoridades fiscales a descubrir todos los impuestos no declarados y a conocer mejor a sus contribuyentes. 

The post CATA – Chipre acoge su 41a conferencia técnica appeared first on Dti.

Dans sa 41e édition, la CATA, ou l’Association du patrimoine commun des administrateurs fiscaux, s’est réunie pour débattre des préoccupations actuelles des administrations fiscales membres et des réseaux partenaires. 

La CATA, créée en 1978, se consacre à aider ses 47 pays membres à travers des conférences ou des publications. Avec le but de développer des administrations fiscales efficaces qui favorisent le développement durable et la bonne gouvernance. 

L’un des événements les plus importants que cette organisation organise régulièrement est la conférence technique annuelle de la CATA. Dans la réunion, d’importantes questions politiques et techniques qui préoccupent actuellement les administrations fiscales membres sont débattues par des experts. Les domaines inclus sont la numérisation, la conformité et la législation. 

Sujets abordés au cours de la CATA

Les principaux sujets qui ont été abordés lors de la session de trois jours, cette fois tenue dans un format virtuel en raison de la situation du Covid 19, ont été les suivants : 

• réformes fiscales mondiales, systèmes fiscaux simplifiés, 
• l’utilisation de la technologie pour simplifier les systèmes fiscaux, 
• la gestion de la conformité des PME par la simplification fiscale, 
• coopération entre les agences fiscales et 
• analyse comparative et mobilisation des revenus post-COVID. 

Lors de la CATA, des représentants de l’Inde, du Royaume-Uni, de l’Ile Maurice, du Canada, du Kenya, de la Malaisie, de l’Ouganda, de Malte, du Nigéria et de la Barbade ont contribué à l’événement avec leurs présentations. 

Data Tech International a eu l’honneur de participer une nouvelle fois à cet événement annuel (le dernier s’est tenu dans les merveilleuses îles Fidji, voir notre autre article) et sa participation était prévue pour le deuxième jour de la réunion sous le titre : Systèmes fiscaux simplifiés. 

Présentation de DTI lors de la conférence CATA

Goran Todorov, directeur général de DTI était l’orateur de DTI dans la CATA, et dans sa présentation l’utilisation de la technologie blockchain (technologie de stockage et de transmission d’informations) dans la fiscalité était l’aspect clé de la résolution future de l’écart de revenus résultant de la sous-déclaration, de la suppression des ventes électroniques et d’autres pratiques frauduleuses, utilisées pour tromper les autorités fiscales. La solution TaxCore de DTI a déjà adopté cette méthodologie dans le cadre de ses fonctionnalités principales. Les principales conditions préalables à l’utilisation de Blockchain, que TaxCore concrétise, sont : 

• Les enregistrements doivent être numériques – La blockchain est ostensiblement immuable, il faut  s’assurer que toutes les données existantes transférées sur la blockchain sont exactes ; 
• L’identité numérique doit être en place – pour établir un lien fort entre une personne et ses activités commerciales ; 
• Lois et règlements – au cas où elles n’existent pas dans le pays, doivent avoir l’acceptation de la signature électronique et l’établissement de l’infrastructure à clé publique ; 
• Alphabétisation numérique. 

Le besoin d’alphabétisation numérique, de lois et de réglementations ou de décisions politiques peut être plus difficile pour un processus de numérisation que la technologie elle-même. 

À cet égard, la solution TaxCore peut être déployée aujourd’hui dans n’importe quel pays. Sa mise en œuvre par phases, transforme et prépare systématiquement l’environnement pour la révolution technologique à venir telle que Blockchain.

Processus d’audit mini blockchain

Une fois mis en œuvre, TaxCore collecte des données à partir de quatre canaux différents. Afin d’effectuer des audits sur les factures selon la méthodologie d’audit mini blockchain. 

Parmi ses processus de collecte de données, il y a la collecte à distance, instantanée et nécessite une connexion Internet. D’autre côté, la collection locale pour télécharger les paquets d’audit lorsqu’aucune collection Internet n’est disponible. Aussi, le scan QR sert à envoyer les informations en scannant le code QR de la facture. Ce cas est utilisé par le client pour vérifier son achat et transmettre les informations à l’administration fiscale. Finalement, l’audit ES, sert pour le mode hors ligne et c’est le dernier recours lorsqu’il y a la nécessité de collecter des données qui n’ont jamais quitté les locaux du commerçant. 

Capacité de continuer avec les opérations, même sans connection

Toutes ces données, toujours cryptées, servent à former des compteurs qui s’accumulent. Le résultat de la méthodologie d’audit mini blockchain devient plus précieux lorsque les locaux d’un contribuable sont déconnectés. Si données ne sont pas transmises, dans ce cas, si un client scanne simplement le code QR d’une facture fournie par le vendeur, l’écart sera affiché. Cet exemple montre que même sans visite chez le contribuable, de manière transparente et confortable et depuis son bureau, un agent de l’administration fiscale peut surveiller et contrôler l’écart fiscal qui se produit entre le passage d’intervalles en ligne à des intervalles hors ligne. Ce qui est plus est important, cela déterminera l’assujettissement à l’impôt d’un contribuable en particulier. De plus, chaque type de transaction émise possède ses propres compteurs pour chaque contribuable. Ce qui garantit que le travail du contribuable n’est jamais perturbé de quelque manière que ce soit. 

Enfin, l’orateur a abordé la détection de la fraude par chaque client en scannant le code QR de chaque facture. Ce fait  représente encore une autre proposition pour lutter contre l’écart de revenus et le problème de sa collecte.

The post CATA – Chypre organise sa 41e conférence technique appeared first on Dti.

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 uprava. 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 refundacije. 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) 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.

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.

The post Veštačka Inteligencija i TaxCore appeared first on Dti.

Tax fraud directly and negatively affects business market conditions by creating unfair competition. Compared to competitors who do not pay taxes, companies that operate in accordance with the law have higher costs, and therefore, higher prices for products and services. Moreover, tax fraud, from the perception of the individual citizens, causes the reduction of basic human rights (local infrastructure, health care, pensions…). Tax fraud reduces tax collection and thereby reduces the level of public service quality and room for its improvement.

Detecting taxpayer fraud is the most difficult step in fiscal control. One of the primary goals of tax control is to monitor and check the financial operations of large companies/corporations as they represent the biggest risk bearers in the tax fraud field. At the same time, small and micro companies who perform tax fraud do it mostly through cash transactions related to income and expenses. By using various independent sources, or by matching data and checking with other sources, tax authorities can determine taxpayers’ malicious actions.

Also, the determination of taxpayers’ criminal actions requires a field tax inspection (randomly or on request), which requires a lot of time and financial resources from the tax administration (concerning the number of inspectors and additional material resources). It is a very difficult, and ultimately impossible, task for the tax administration to solely rely on field inspections for the factual verification of tax compliance. In this respect, the application of some software tools would further ease audit work which would, in turn, help determine possible embezzlement, without violating the relationship of trust between the taxpayers and the administration itself.

TaxCore’s® advantages

TaxCore®, as a taxpayer monitoring system, records all significant elements of every single fiscal transaction, which enables tax authorities to monitor tax collection and transaction records. The platform is based on taxpayers’ identity and data protection. It is very intuitive, allowing tax officials to search taxpayers according to several parameters. This enables tax officials to easily locate and use important information, monitor trends in the taxpayer’s business, etc. This software solution provides the tax administration with notifications about each commercial transaction in a way that enables risk analysis and remote verification.

One of TaxCore’s® advantages is the unification of the tax authority’s data for all taxpayers in a country. In this way, TaxCore® can form a large important database, from which it can generate not just meaningful and significant results/reports, but also future predictions about potential tax frauds. The platform does not achieve the unification of all taxpayer’s transaction data through centralization, in the sense of storing data in one place, but rather under the form of complete information. Accumulated data enables comprehensiveness because if we group the information itself, as well as its importance, it then has a greater and better application in various analyses, which is, in turn, used for some future predictions.

Tax inspection efficiency could be improved by applying a new approach in which the first step would be to define basic parameters by using the DATA MINING process. The objective is to develop algorithms to detect tax violations by using advanced methods of analyzing big data and artificial intelligence with the help of machine learning. Big data are considered a new type of resource, in terms of business assets, and are used to improve business processes and increase productivity for the next period.

Extracting Patterns and Models

According to the available literature, it estimates that, in addition to the financial sector, the biggest area in which the economy, as a whole, will increase productivity, thanks to big data, is the public sector, i.e., the state administration. The application of machine learning methods to large databases in the tax administration would provide valuable insights into the historical behavior of taxpayers. Based on this, we could obtain recommendations for field inspections. In addition to improving the effectiveness of field inspections, this approach would also enable the creation of risk categories for taxpayers. The idea is to create forms based on historical indicators of certain attributes of the taxpayer, according to which, and depending on the degree of matching with the forms, the platform could assign a taxpayer with a certain level of risk.

Extracting patterns of possible scenarios for tax fraud would be based on the taxpayers’ historical behavior and would work by monitoring certain (predefined) attributes and relying on some of the models from the literature (artificial neural networks, Bayesian networks, logarithmic regression…). It is necessary to categorize the risk of the taxpayer into, for instance, low/medium/high. Depending on the degree of coincidence (probability) with the defined tax fraud scenarios, the taxpayer would receive a certain categorization of importance based on the level of risk. One of the benefits of developing risk indicators for individual taxpayers is the possibility of using these indicators to rank all taxpayers according to a defined risk level.

Machine learning

The platform could use Machine learning to discover patterns and relationships among attributes that are useful for identifying taxpayers’ “suspicious” behavior. It would be used to select taxpayers who are suspicious and, as such, would be forwarded to inspectors for further checks. The goal of this approach is to increase the productivity of tax inspectors in the field and to regain tax revenue losses. Compared to the manual search method, this data mining technique is a more modern (scientific) approach that would spare resources and avoid personal judgments in selecting “suspicious” taxpayers.

How to separate anomalies

The basic starting point for determining future potential tax frauds is to distinguish intentional fraud from an accidental mistake made by the taxpayer. The term “fraud” refers to all cases of willful non-compliance with tax regulations. We often depict Tax fraud as a synonym for tax violation. However, tax violation includes all cases when the taxpayers have not settled their tax liability. On the other hand, tax fraud represents the taxpayer’s intention to circumvent the law to avoid paying taxes. Thus, tax frauds are a subset of a set of tax violations. The basic starting point for identifying tax fraud lies in distinguishing intentional (fraud) from accidental (mistake) irregularities. The delineation would be based on all realistic scenarios of tax violations that are based on historical data, with the main indicator of distinguishing intent from mere coincidence – this indicator would be the frequency of violation cases.

We expect many analytical anomalies when starting data mining. High-risk anomalies should be distinguished from low-risk anomalies. Those anomalies that could be foreseen should not be taken into further consideration. Knowledge of the tax system, precisely through TaxCore®, will make it possible to separate normal and expected anomalies from those characterized as potential tax frauds.

Classifying the data

The first instance is the classification of the data we have in terms of the correctness of the data itself (negative amounts, empty fields, formats, duplicate values, uneven values…). The accuracy of the model depends on the correctness of the input data. The correctness of the input data largely depends on the accuracy of their input. This brings us back to the very beginning, that is, the correctness of the input information is the responsibility of the taxpayer, who uses the components for issuing invoices. The challenge is to define the initial conditions and attributes based on which we can create taxpayers’ risky behavior scenarios.

Malicious models of behavior should be defined, that is, rules should be formed that are in accordance with some known or hypothetical frauds. If there is no feedback from experts, we need to form synthetic data ourselves that make up for both legal and illegal transactions. If we interpret the existing data, their interconnections, their intersection, and the application of a model to that data, we should reach the goal – whether we can interpret the transaction of that taxpayer as fraud with certain accuracy.

Moreover, it is good to apply different machine learning methods (K-nearest neighbors, decision tree classifier, artificial neural networks, logistic regression…) to determine how these methods handle the input of data as well as the accuracy of the results obtained. If we forward the obtained results to the tax administration, it would determine the accuracy of the calculations by going out into the field, thus providing feedback on the (in)accuracy of the method. This could be considered the only valid confirmation of the method itself. In this regard, the method of choice would determine the most accurate results.

Supervised methods to detect fraud

If there is real historical data on proven tax frauds, the detection of future potential taxpayers who would commit fraud would be determined by using supervised methods. The application of the model would go in the direction of searching in the database for the transactions of all taxpayers, thus identifying those taxpayers who have similar characteristics (behavior) to those taxpayers proven to have committed tax fraud. If there is no knowledge or available information about existing tax frauds, we would perform data mining using unsupervised machine learning methods, although these have a lower level of precision and interpretation compared to supervised methods.

With the unsupervised method, in contrast to the supervised method, we would identify not just cases of tax fraud, but economic entities that are irregular in paying tax obligations, as well as taxpayers’ suspicious behavior. These working methods can be used in the verification work made by tax inspectors to determine tax crime. They can also be suitable for supporting risk management decisions in case of tax fraud, used to better prioritize tax controls and ensure a more efficient tax collection.

Examples from practice

The following is a brief overview of the possibilities of applying the TaxCore® solution within the current machine learning trends for predicting future potential taxpayers who would commit tax fraud. A special invoice category to pay attention to is refund invoices. According to global information, at the level of retail businesses, employees commit as much as 28% of all fraud through issuing refunds. For this reason, when looking for possible tax fraud, we should place emphasis on refunds. Companies should pay special attention to employees who possess additional credentials (e.g., managers) because they have privileges for additional discounts, coupons for subsequent purchases, and the like. Some of the possible ways to track refunds are:

• • Scenario 1: Monitoring the total number of refunds within the total number of taxpayer’s issued invoices, compared by all employees. What is the frequency of occurrences, monitor it on a daily, weekly basis… A large number of refunds in the taxpayer’s total sales, if often repeated – is a signal of alarm.
  • Scenario 2: monitoring the number of canceled items per invoice for each taxpayer and comparing it by employees. A large number of cancellations by one taxpayer in relation to sales, if often repeated – is a signal of alarm.
  • Scenario 3: Monitoring the price oscillation of an individual item where taxpayers increase the price or decrease it compared to the average, which may indicate manipulation of the reported and actual selling price, as well as an illegal increase (price gouging).
  • Scenario 4: Monitoring customer reports of suspicious transactions related to a specific point of sale.

The essence of these scenarios is the repetition or frequency of the events. We cannot mark an event that never happens, once or an insignificant number of times in the observed period, as a potential tax fraud.

Risk categories

Also, it is necessary to define several mutually independent risk categories related to different concepts (weight factors of initial conditions, frequency, taxpayers’ risk categories…). Risk assessment is a very subjective process, however, if we apply certain methodologies and principles, we can reduce subjectivity to the lowest possible level. Based on the available data in the TaxCore® database, we can identify and define certain rules and risk types, as well as risk acceptability levels with expertise. Risk assessment would entail making decisions based on real data and the experience of experts. Every risk event is accompanied by its frequency. To this respect, it becomes necessary, based on the experts’ knowledge, to define frequency intervals, according to which we could delimit the taxpayers’ behavior. The essence of the problem lies in setting thresholds, both for the observed event’s risk levels, as well as for the frequency of the intervals.

TaxCore® makes it possible to track and separate the time of invoice issuance from the time of invoice reception in the database. This information is very important because by monitoring the time invoice reception, we can determine whether there is an accumulation of invoices in a determined part of the day (e.g., end of working hours), whether there are gaps during working hours, how often they repeat them, etc.

We can also check tax rates through the TaxCore® system, in terms of whether taxpayers really apply the tax rates they have declared. Also, we can determine whether, at the level of one taxpayer, we calculate several different tax rates for the same item, as well as whether there is a mixing of tax rates when issuing an invoice by a taxpayer who is issuing several tax categories.

Element trends

In addition to this, we can monitor trends of the following elements at a taxpayer level for arbitrary time intervals (daily, weekly, monthly, quarterly, at an annual level, tax calendar, beginning and end of the fiscal period or any period for submitting fiscal returns, since the period immediately before is very interesting for withdrawing money and reducing turnover):

-Number of issued invoices

-Turnover

-Tax amount

-Max and min number of issued invoices

-Cash/card ratio for types of payment

Types of transactions and their percentages by number and amount in the total number/amount of transactions (double monitoring at the level of taxpayers and taxpayer comparison with the average trend at the level of business activity), etc.

These data can be important for monitoring the degree of deviation of the trend at one taxpayer’s level in relation to the trends at the level of their business activity, according to the selected parameter.

Example 1

One of the examples of trend monitoring according to one parameter would be to determine the deviation of the trend of the number of taxpayer invoices in relation to the trend of the average number of issued invoices at the level of their business activity. We could also define deviation intervals: (1) what percentage of deviations we tolerate, (2) what thresholds would require additional investigation without declaring the taxpayer as a possible fraud perpetrator and (3) what percentage of deviations, and anything higher than that, would mark the taxpayer as a potential fraud perpetrator and would alert the tax inspectors to carry out a field inspection of that taxpayer.

Along with the deviation percentage, it is necessary to monitor its frequency; it must differ in weight (significance) of the frequency of deviations on a weekly basis from the frequency of deviations on a monthly level. For example, two deviations on a weekly basis do not have the same weight as two deviations monthly.

Example 2

Based on several examples from practice and their recorded turnover in TaxCore®, we observed that, from month to month, there is a decreasing trend in the number of issued invoices. Also, on certain working days taxpayers did not issue a single invoice (there are no recorded invoices in the system). It should be noted that this is the hospitality industry, and it is common for some industries not to have daily sales. According to these examples from practice, we can define a scenario, according to which if there is a tendency for the number of invoices to decrease and on some days, taxpayers record no sales, for both conditions met, the taxpayer enters the red zone, which means that we pass the task on to the tax inspectors for additional controls.

Every type of fraud leaves certain “traces” in the data. TaxCore® records events in real-time, leaving no possibility for subsequent, retroactive data changes that would “override” old data. This further implies that we absolutely store every change that occurs at the level of every piece of information in the database. In this way, we create big data, the search and analysis of which can determine the models of future potential misdemeanor actions. Humans are not able to manually analyze large databases, to define and extract certain patterns and scenarios based on the data. Advanced machine learning methods are ideal for mining large databases and for identifying scenarios. Patterns by which machine learning methods would search the data can be defined based on real historical indicators belonging to taxpayers who have committed tax frauds or by forming fictitious tax fraud scenarios. We can use Artificial intelligence methods in both directions.

Artificial Intelligence methods

The first direction is in defining and singling out taxpayers who have committed some tax violations, and the second direction is to use them as tools for committing fraud. Namely, fake data sets can be created, depending on the tax categories, which would be in turn trained with AI algorithms to achieve the desired level of matching accuracy with real data. Such a set of data, which is identical to real data, can be used for tax information that would mislead tax inspectors. In this respect, it is necessary to include advanced technologies in the taxpayer monitoring process to prevent and, if possible, control the overrepresentation of AI in tax fraud.

Given that in the current globalization and development conditions of IT technology, the number of risks increases drastically, the financial stability of the country must define measures and approaches for determining potential tax frauds. In this regard, adaptation to the world’s financial turmoil becomes necessary, as well as considering a modern approach to identifying tax fraud. TaxCore® due to its comprehensive application, innovative approach, technology, and theory, would enable tax authorities to manage future tax fraud risks which would result in further economic progress and in the growth of the country.

Text Author: Jelena Lukić, business analyst, Data Tech International, d.o.o.

The post Artificial Intelligence and TaxCore appeared first on Dti.

La fraude fiscale affecte directement et négativement les conditions du marché des entreprises en créant une concurrence déloyale. Par rapport aux concurrents qui ne paient pas d’impôts, les entreprises qui fonctionnent conformément à la loi ont des coûts plus élevés, et donc des prix plus élevés pour les produits et services. De plus, la fraude fiscale, de la perception de l’individu à son implication dans un tel secteur, affecte la réduction des droits humains fondamentaux (infrastructures locales, soins de santé, retraites…). Parallèlement à cela, la fraude dans ce domaine diminue l’amélioration du niveau et de la qualité des services publics, ce qui entraîne une conséquence directe sur l’insatisfaction des citoyens.

La détection de la fraude fiscale est l’étape la plus difficile du contrôle fiscal. L’un des principaux objectifs du contrôle fiscal est de surveiller et de contrôler les opérations financières des grandes entreprises/sociétés en tant que principaux porteurs de risques dans le domaine de la fraude fiscale. En comparaison, la fraude fiscale des petites et micro-entreprises se fait principalement par le biais de transactions en espèces sur les revenus et les dépenses. En utilisant diverses sources indépendantes, ou en comparant les données et en vérifiant avec d’autres sources, l’administration fiscale peut déterminer les actions malveillantes des contribuables. Aussi, la détermination des actions délictuelles par les contribuables nécessite un contrôle fiscal de terrain (au hasard ou sur demande), ce qui demande beaucoup de temps et de moyens financiers à l’administration fiscale (nombre d’inspecteurs et moyens matériels supplémentaires). C’est une tâche très difficile, et finalement impossible, pour l’administration fiscale de s’appuyer exclusivement sur le contrôle fiscal pour la vérification de la conformité fiscale. À cet égard, le travail de vérification serait encore facilité par l’utilisation de certains outils logiciels qui permettraient de déterminer d’éventuelles malversations, sans porter atteinte à la relation de confiance entre les contribuables et l’administration.

TaxCore®, en tant que système de surveillance des contribuables, enregistre tous les éléments importants de chaque transaction financière, ce qui permet aux autorités fiscales de surveiller la collecte des impôts et les enregistrements des transactions. La plateforme est basée sur l’identité des contribuables et la protection des données est très intuitive et permet aux agents des impôts de rechercher les contribuables selon divers paramètres. Cela permet aux agents du fisc de localiser et d’utiliser facilement des informations importantes, de suivre les tendances de l’activité du contribuable, etc. Cette solution logicielle fournit à l’administration fiscale des notifications sur chaque transaction commerciale d’une manière qui permet l’analyse des risques et l’audit à distance.

L’un des avantages de TaxCore® est l’unification de toutes les données fiscales pour tous les contribuables du système fiscal d’un pays. De cette façon, une grande base de données d’importance est formée, à partir de laquelle des résultats/rapports signifiants et significatifs peuvent être générés, mais aussi des prévisions futures sur les fraudes fiscales potentielles peuvent être réalisées. L’unification des données de toutes les transactions pour tous les contribuables ne se fait pas au niveau de la centralisation, au sens de stockage des données dans « un » endroit, mais sous la forme de l’exhaustivité des informations. Les données accumulées permettent l’exhaustivité car en regroupant les informations elles-mêmes, ainsi que leur importance, elles ont une utilisation plus grande et meilleure dans diverses analyses qui peuvent être utilisées pour certaines prévisions futures.

L’efficacité du contrôle fiscal pourrait être améliorée en appliquant une nouvelle approche dans laquelle la première étape consisterait à définir les paramètres de base à l’aide du processus DATA MINING. L’objectif est de développer des algorithmes de détection des infractions fiscales à l’aide de méthodes avancées d’analyse de grands ensembles de données (big data) et d’intelligence artificielle à l’aide de l’apprentissage automatique. Les grands ensembles de données sont considérés comme un nouveau type de ressource, en termes de moyens dans les affaires et sont utilisés pour améliorer les processus commerciaux et augmenter la productivité pour la période suivante. Selon la littérature disponible, on estime qu’avec le secteur financier, le plus grand domaine d’augmentation de la productivité, en utilisant de grands ensembles de données, est le secteur public, c’est-à-dire l’administration de l’État. L’application de méthodes d’apprentissage automatique à de grandes bases de données de l’administration fiscale fournirait des informations précieuses sur le comportement historique des contribuables , sur la base desquelles des recommandations de contrôle sur le terrain pourraient être obtenues. Outre l’effet qui améliorerait l’efficacité du contrôle sur le terrain, cette approche permettrait également de constituer des catégories de contribuables à risque. L’idée est de créer des modèles basés sur des indicateurs historiques de certains attributs du contribuable, selon lesquels, en fonction du degré de correspondance avec les formulaires, le contribuable se verrait attribuer un certain niveau de risque.

Extraction des formulaires de modèles

L’extraction de modèles de scénarios possibles de fraude fiscale serait basée sur le comportement historique des contribuables en surveillant certains attributs (définis à l’avance) et en s’appuyant sur certains des modèles de la littérature (réseaux de neurones artificiels, réseaux bayésiens, régression logarithmique…). Il est nécessaire de catégoriser le niveau de risque du contribuable en, par exemple, faible/moyen/élevé. Selon le degré de coïncidence (probabilité) avec les scénarios de fraude fiscale définis, le contribuable recevrait une certaine catégorisation d’importance en termes de niveau de risque. L’un des avantages du développement d’indicateurs de risque pour les contribuables individuels est la possibilité d’utiliser ces indicateurs pour classer tous les contribuables selon un niveau de risque défini. L’apprentissage automatique serait utilisé pour découvrir des modèles et des relations entre les attributs qui sont utiles pour identifier le comportement « problématique » du contribuable. Il serait utilisé pour sélectionner les contribuables suspects et, à ce titre, serait transmis aux inspecteurs pour des contrôles supplémentaires. Le but de cette approche est d’augmenter la productivité des inspecteurs des impôts sur le terrain et de récupérer la perte de recettes fiscales. Par rapport à la méthode de recherche manuelle, cette technique d’exploration de données est une approche (scientifique) plus moderne qui permettrait d’économiser des ressources et d’éviter les jugements personnels dans la sélection des contribuables « suspects ».

Le point de départ fondamental pour déterminer les futures fraudes fiscales potentielles est de savoir comment distinguer la fraude intentionnelle d’une erreur accidentelle commise par le contribuable. Généralement, le terme « fraude » fait référence à toute non-conformité, violation de la réglementation fiscale. C’est pourquoi la fraude fiscale est souvent assimilée à des irrégularités fiscales. Toutefois, les irrégularités fiscales comprennent tous les cas où le contribuable n’a pas réglé ses obligations fiscales. D’autre part, la fraude fiscale est l’intention du contribuable de contourner la loi afin d’éviter de payer des impôts. Ainsi, les fraudes fiscales constituent un sous-ensemble de l’ensemble des irrégularités fiscales. Le point de départ fondamental pour identifier les fraudes fiscales consiste à distinguer les irrégularités intentionnelles (fraude) des irrégularités accidentelles (erreur). La délimitation serait basée sur tous les scénarios réalistes d’infractions fiscales basés sur des données historiques réelles, avec le principal indicateur de distinction entre l’intention et la coïncidence – cet indicateur serait la fréquence des cas d’infraction.

Un grand nombre d’anomalies analytiques sont à prévoir lors de l’exploration de données. Les anomalies à haut risque doivent être distinguées des anomalies à faible risque. Les anomalies prévisibles ne doivent pas être davantage prises en considération. La connaissance du système fiscal précisément à travers TaxCore® permettra de séparer les anomalies normales et attendues de celles qui pourraient être qualifiées de potentielles fraudes fiscales.

La première instance est la classification des données dont nous disposons en termes d’exactitude des données elles-mêmes (montants négatifs, champs vides, formats, valeurs en double, valeurs inégales…). La précision du modèle dépend de l’exactitude des données d’entrée. L’exactitude des données d’entrée dépend en grande partie de la précision de leur entrée. Ce qui nous ramène au tout début, à savoir que l’exactitude des informations d’entrée est de la responsabilité du contribuable, qui utilise des composants pour émettre des factures conformément à la spécification technique. Lors du choix d’un modèle, il est nécessaire de prendre en compte si l’algorithme implémenté peut être exécuté en temps réel. Il convient de définir des modèles de comportement malveillants, c’est-à-dire de définir des règles conformes à certaines fraudes connues ou hypothétiques. S’il n’y a pas de retour d’informations d’experts, nous devons constituer nous-mêmes des données synthétiques, qui constituent à la fois des transactions légales et illégales. En interprétant les données existantes, leurs interrelations, leur intersection et l’application d’un modèle à ces données, l’objectif final devrait être atteint : si la transaction de ce contribuable peut être interprétée avec une certaine précision comme une fraude. De plus, il est bon d’appliquer différentes méthodes d’apprentissage automatique (K-Nearest Neighbors, Decision Tree Classifier, Artificial Neural Networks, Logistic Regression…) pour déterminer comment quelle méthode gère les données d’entrée et la précision des résultats obtenus. Si les résultats obtenus étaient transmis à l’administration fiscale, qui déterminerait l’exactitude du calcul en se rendant sur le terrain, cela fournirait une confirmation de l'(in)exactitude de la méthode, qui pourrait être considérée comme la seule confirmation valable de la méthode. À cet égard, le choix de la méthode déterminerait les résultats les plus précis.

S’il existe des données historiques réelles sur les fraudes fiscales avérées, la détection des futurs contribuables potentiels qui commettraient une fraude serait déterminée à l’aide de méthodes supervisées. L’application du modèle irait dans le sens d’une recherche dans la base de données des transactions de tous les contribuables, et permettrait d’identifier les contribuables qui présentent des caractéristiques (comportement) similaires à celles des contribuables chez qui la fraude fiscale est avérée. S’il n’y a pas de connaissances ou d’informations disponibles sur les fraudes fiscales existantes, l’exploration de données serait effectuée à l’aide de méthodes d’apprentissage automatique non supervisées, bien qu’elles aient un niveau de précision et d’interprétation inférieur à celui des méthodes supervisées. Avec la méthode non supervisée, contrairement à la méthode supervisée, non seulement les cas de fraude fiscale seraient identifiés, mais les entités économiques qui sont irrégulières dans le paiement des obligations fiscales ainsi que les comportements suspects des contribuables seraient signalés. Ces méthodes de travail peuvent être utilisées dans le travail d’audit des administrations fiscales pour déterminer la criminalité fiscale. Elles peuvent également être considérées comme adaptées à aider dans la décision de la gestion des risques de fraude fiscale, et qui seraient utilisées pour mieux hiérarchiser les contrôles fiscaux et assurer une collecte fiscale plus efficace.

Exemples de la pratique

Ce qui suit est un bref aperçu des possibilités d’utilisation de la solution TaxCore® dans le cadre des tendances actuelles d’apprentissage automatique pour prédire les futurs contribuables potentiels qui commettraient une fraude fiscale. Une catégorie spéciale de comptes auxquels il faut prêter attention sont les remboursements. Les informations mondiales indiquent qu’au niveau des établissements de vente au détail, pas moins de 28 % de toutes les fraudes sont commises par des employés via des remboursements. À cet égard, l’accent, en cas de fraude fiscale éventuelle, devrait être mis précisément sur les remboursements. Une attention particulière doit être accordée aux employés disposant d’informations d’identification supplémentaires (par exemple, les managers) car ils ont des privilèges pour des remises supplémentaires, des coupons pour des achats ultérieurs, etc. Voici quelques-unes des façons possibles de suivre les remboursements :

• • Scénario 1 : Suivre le nombre total de remboursements parmi le nombre total de factures émises pour chaque vendeur, comparer avec tous les employés. Quelle est la fréquence des événements, surveiller au niveau quotidien, hebdomadaire… Grand nombre de remboursements dans les ventes totales du vendeur, souvent répétés – est un signal d’alarme.
  • Scénario 2 : Suivre le nombre d’articles annulés par ticket de caisse pour chaque vendeur et comparer par employé. Grand nombre d’annulations par un vendeur par rapport aux ventes, souvent répétées – est un signal d’alarme.
  • Scénario 3 : Surveillance de l’oscillation du prix d’un article individuel où le prix est augmenté ou diminué par rapport à la moyenne, ce qui peut indiquer une manipulation du prix déclaré de vente, ainsi qu’une augmentation illégale (prix abusifs).
  • Scénario 4 : Suivi des signalements des clients sur les transactions suspectes liées à ce point de vente.

L’essentiel de ces scénarios est la répétition, c’est-à-dire la fréquence des événements. Un événement qui ne se produit jamais, une seule fois ou un nombre insignifiant de fois au cours de la période observée ne peut pas être qualifié de fraude fiscale potentielle. Aussi, il est nécessaire de définir plusieurs catégories de risques indépendantes les unes des autres liées à des concepts différents (facteurs de pondération des conditions initiales, fréquence, catégories de risques pour les contribuables…). L’évaluation des risques est un processus très subjectif, cependant, si certaines méthodologies et principes sont appliqués, la subjectivité peut être réduite au niveau le plus bas possible. Sur la base des données disponibles dans la base de données TaxCore®, certaines règles peuvent être identifiées et les types de risques ainsi que les niveaux d’acceptabilité des risques peuvent être définis avec expertise. L’évaluation des risques impliquerait de prendre des décisions basées sur des données réelles et l’expérience d’experts. Chaque événement à risque est accompagné de sa fréquence. A cet égard, il est nécessaire, sur la base des connaissances des experts, de définir des intervalles de fréquence, selon lesquels le comportement des contribuables serait délimité. L’essence du problème réside dans la définition de seuils, à la fois pour les niveaux de risque de l’événement observé et pour les intervalles de fréquence.

TaxCore® permet de suivre et de séparer l’heure d’émission des factures et l’heure de réception des factures dans la base de données. Il s’agit d’une information très importante car en surveillant l’heure de réception des factures, on peut déterminer s’il y a une accumulation de factures dans une certaine partie de la journée (par exemple la fin des heures de travail), s’il y a des lacunes pendant les heures de travail, combien de fois elles sont répétées, etc.

Les taux d’imposition peuvent également être vérifiés via le système TaxCore®, pour savoir si les contribuables appliquent réellement les taux d’imposition qu’ils ont déclarés. En outre, il est possible de déterminer si plusieurs taux de taxe différents sont calculés pour le même article au niveau d’un contribuable, ainsi que si les taux de taxe sont mélangés lors de l’émission d’une facture à un contribuable qui a plusieurs catégories de taxe.

En plus de tout cela, les tendances des éléments suivants peuvent être surveillées au niveau du contribuable pour des intervalles de temps arbitraires (quotidien, hebdomadaire, mensuel, trimestriel, annuel, calendrier fiscal, début et fin de l’exercice ou toute période de dépôt des déclarations fiscales, puisque la période juste avant est très intéressante pour extraire de l’argent et réduire le chiffre d’affaires) :

– nombre de factures émises

– flux de trésorerie

– montant de la taxe

– nombre max et min de factures émises

– ratio types de paiement espèces/carte

– les types d’opérations et leurs pourcentages en nombre et en montant dans le nombre/montant total des opérations (double contrôle au niveau des contribuables et comparaison des contribuables avec l’évolution moyenne des mouvements au niveau de l’activité) ainsi que bien d’autres.

Ces données peuvent être importantes pour suivre le degré d’écart de la tendance au niveau des contribuables par rapport à l’évolution au niveau de l’activité, selon le paramètre choisi.

Exemple 1 :
Un des exemples de suivi de tendance selon un paramètre serait de déterminer l’écart de la tendance du nombre de factures du contribuable par rapport à la tendance du nombre moyen de factures émises au niveau de l’ensemble de l’activité. Les intervalles d’écart doivent également être définis : (1) quel pourcentage d’écart est toléré, (2) quels seuils nécessiteraient une enquête supplémentaire sans déclarer le contribuable comme un auteur possible de fraude, et (3) quel pourcentage d’écart, et tout montant supérieur à celui-ci, marquerait le contribuable comme auteur potentiel de la fraude et alerterait l’inspection des impôts pour qu’elle procède à un contrôle de terrain de ce contribuable. Parallèlement au pourcentage d’écart, il est nécessaire de surveiller sa fréquence ; il doit différer en poids (importance) de la fréquence des déviations sur une base hebdomadaire de la fréquence des déviations sur une base mensuelle. Par exemple, deux écarts sur une base hebdomadaire n’ont pas le même poids que deux écarts sur une base mensuelle.

Exemple 2 :
Sur la base de plusieurs exemples de la pratique et de leur chiffre d’affaires enregistré dans TaxCore®, il a été observé que de mois en mois, il y a une tendance à la baisse du nombre de factures émises, ainsi que certains jours ouvrables, il n’y a pas une seule facture émise (il n’y a pas de factures enregistrées dans le système). Il convient de noter qu’il s’agit de l’industrie hôtelière et qu’il est courant que certaines industries n’aient pas de ventes quotidiennes. Selon ces exemples tirés de la pratique, un scénario peut être défini selon lequel s’il y a une tendance à la diminution du nombre de factures et que certains jours il n’y a pas de ventes enregistrées, que pour les deux conditions remplies, le contribuable entre dans la zone rouge, ce qui signifie qu’il est transmis aux inspecteurs pour un contrôle complémentaire.

Chaque type de fraude laisse certaines « traces » dans les données. TaxCore® enregistre les événements en temps réel, ne laissant aucune possibilité de modifications ultérieures et rétroactives des données qui « remplaceraient » les anciennes données. Cela implique en outre qu’absolument chaque changement qui se produit au niveau de chaque élément d’information est stocké dans la base de données. De cette manière, un grand ensemble de données est formé, dont la recherche et l’analyse peuvent déterminer des modèles d’actes délictueux potentiels futurs. Les humains ne sont pas capables de parcourir de grandes bases de données, de définir et d’extraire certains modèles et scénarios basés sur les données. Les méthodes avancées d’apprentissage automatique sont idéales pour extraire de grandes bases de données et identifier des scénarios. Les schémas par lesquels les méthodes d’apprentissage automatique rechercheraient les données peuvent être définis sur la base d’indicateurs historiques réels de contribuables ayant commis une fraude fiscale ou en formant des scénarios fictifs de fraude fiscale. Les méthodes d’intelligence artificielle peuvent être utilisées dans les deux sens. La première consiste à définir et à distinguer les contribuables qui ont commis certaines infractions fiscales, et la deuxième consiste à les utiliser comme outils pour commettre une fraude. À savoir, de faux ensembles de données peuvent être formés, en fonction des catégories fiscales, qui seraient formés par des algorithmes d’IA afin d’atteindre le niveau de précision souhaité de correspondance avec des données réelles. Un tel ensemble de données, identiques aux données réelles, peut être utilisé à des fins fiscales pour tromper l’inspection des impôts. À cet égard, il est nécessaire d’inclure les technologies de pointe dans les contrôles des contribuables afin de prévenir et, si possible, contrôler la surreprésentation de l’IA dans la fraude fiscale.

Considérant que dans les conditions actuelles de mondialisation et de développement de la technologie informatique, le nombre de risques augmente considérablement, il est nécessaire pour la stabilité financière du pays de définir des mesures et des approches pour déterminer les fraudes fiscales potentielles. À cet égard, il est nécessaire de s’adapter à la tourmente financière mondiale et d’envisager une approche moderne pour identifier la fraude fiscale. TaxCore®, en raison de son utilisation complète, de son approche innovante, de sa technologie et de sa théorie, permettrait aux autorités fiscales de gérer les risques de fraudes fiscales futures, entraînant de nouveaux progrès économiques et la croissance du pays.

Auteur du texte : Jelena Lukić, analyste d’affaires, Data Tech International d.o.o.

The post Intelligence Artificielle et TaxCore appeared first on Dti.

El fraude fiscal afecta a las condiciones de mercado de las empresas de forma negativa y directa a través de la creación de una competencia desleal. En comparación con los competidores que no pagan impuestos, las empresas que funcionan de acuerdo con lo que marca la ley tienen costes más elevados, lo que conlleva precios más elevados para productos y servicios. Además, el fraude fiscal, desde la perspectiva ciudadana, repercute en la reducción de derechos humanos fundamentales (infraestructuras locales, cuidados sanitarios, pensiones…). Al mismo tiempo, el fraude en este ámbito merma la mejora del nivel y calidad de los servicios públicos, lo que repercute directamente en la insatisfacción de los ciudadanos.

La detección del fraude de los contribuyentes representa la etapa más difícil del control fiscal. Uno de los objetivos principales del control fiscal supone la vigilancia y el control de las operaciones financieras de grandes empresas o sociedades en cuanto a que estas suponen los mayores riesgos en ámbito del fraude fiscal. En comparación, el fraude fiscal de pequeñas empresas y de microempresas se realiza principalmente mediante las transacciones en efectivo sobre los ingresos y gastos. Al utilizar distintas fuentes independientes, o al comparar los datos y verificarlos con otras fuentes, la administración fiscal puede determinar las acciones malintencionadas de los contribuyentes.

Asimismo, la determinación de las acciones delictivas de los contribuyentes requiere de una auditoría fiscal de campo (al azar o bajo previa solicitud), lo que resta mucho tiempo y recursos económicos a la administración fiscal (en relación con el número de inspectores y de medios materiales adicionales). El hecho de que la administración fiscal se apoye en exclusiva en la auditoría fiscal para la verificación de la conformidad fiscal representa una tarea muy complicada, y, finalmente, imposible de realizar. En este sentido, la labor de auditoría se vería facilitada por el uso de determinadas herramientas de software que permitirían determinar eventuales malversaciones, sin menoscabar por ello la relación de confianza entre la administración y los contribuyentes.

TaxCore®, como sistema de vigilancia de los contribuyentes, registra todos los elementos importantes de cada transacción financiera, lo que permite a las autoridades fiscales controlar efectivamente la recaudación de impuestos y el registro de transacciones. En esta plataforma, tanto la identidad de los contribuyentes como la protección de datos son muy intuitivas y permiten a los agentes fiscales investigar a los contribuyentes en base a diversos parámetros. Todo ello permite a los agentes del fisco localizar y utilizar información importante, hacer un seguimiento de las tendencias en la actividad del contribuyente, etc. Esta solución de software proporciona notificaciones a la administración fiscal sobre cada transacción comercial de una forma que permite el análisis de riesgos y la auditoría a distancia.

Una de las ventajas de TaxCore® es la unificación de todos los datos fiscales de todos los contribuyentes del sistema fiscal de un país. De esta manera, se forma una gran base de datos importantes a partir de la cual no solamente se generan resultados o informes significativos, sino que también se generan previsiones sobre el fraude fiscal potencial. La unificación de datos de todas las transacciones llevadas a cabo por todos los contribuyentes no se efectúa al nivel de la centralización, en el sentido del almacenamiento de datos en “un” lugar, sino que se realiza en función de la exhaustividad de las informaciones. Los datos acumulados permiten la exhaustividad, ya que al agregar la información en sí misma, junto con su importancia, se dispone de un mayor y mejor uso en los distintos análisis que se pueden llevar a cabo para determinadas previsiones a futuro.

La eficacia de la auditoría fiscal podría mejorarse aplicando un nuevo enfoque en el cual la primera etapa consistiría en la definición de parámetros de base con la ayuda del proceso de minado de datos o DATA MINING. El objetivo es desarrollar algoritmos de detección de infracciones fiscales utilizando métodos avanzados de análisis de grandes conjuntos de datos (big data) y de inteligencia artificial a través del aprendizaje automático. Los grandes conjuntos de datos son considerados como un nuevo tipo de recurso, en términos de medios comerciales, y que se utilizan para mejorar los procesos comerciales y aumentar la productividad para el siguiente período.

De acuerdo con los últimos estudios publicados, se estima que, junto con el sector financiero, el sector que verá aumentar más su productividad, gracias al uso de grandes conjuntos de datos, sea el sector público, es decir, la administración del Estado. La aplicación de métodos de aprendizaje automáticos en grandes bases de datos de la administración tributaria aportaría información de gran valor sobre el comportamiento histórico de los contribuyentes, en función de los cuales se obtendrían recomendaciones para efectuar auditorías de campo. Dejando de lado el hecho de que este efecto mejoraría la eficacia del control de campo, este enfoque también permitiría, además, constituir categorías de contribuyentes en función del riesgo que conllevan. La idea sería crear formularios basados en indicadores históricos de determinados atributos del contribuyente, según los cuales, en función del grado de correspondencia con los formularios, al contribuyente se le atribuiría un cierto nivel de riesgo.

Extracción de patrones y modelos

La extracción de patrones para modelos de escenarios posibles referentes al fraude fiscal se basaría en el comportamiento histórico de los contribuyentes que se catalogaría según ciertos atributos (definidos de antemano) y estos se apoyarían en determinados modelos de literatura (redes neuronales artificiales, redes bayesianas, regresión logarítmica…). Es necesario categorizar el nivel de riesgo del contribuyente, en, por ejemplo, débil/moderado/elevado. En función del nivel de coincidencia (probabilidad) con los escenarios de fraude fiscal definidos, el contribuyente recibiría una determinada categorización de importancia en cuanto a los niveles de riesgo.

Una de las ventajas en el desarrollo de indicadores de riesgo para los contribuyentes individuales es la posibilidad de utilizar estos indicadores para clasificar a todos los contribuyentes según un nivel de riesgo definido. El aprendizaje automático se emplearía para descubrir modelos y relaciones entre los atributos útiles para identificar el comportamiento “problemático” del contribuyente. Este sería usado para seleccionar los contribuyentes sospechosos y, como tal, se haría llegar esta información a los inspectores para realizar más auditorías. El propósito de este enfoque es el aumento de la productividad de los inspectores fiscales sobre el terreno, así como la recuperación de la pérdida de recibos fiscales. En relación con el método de búsqueda manual, esta técnica de exploración de datos significa una aproximación (científica) más moderna que permitiría ahorrar recursos y evitaría juicios personales en la selección de contribuyentes “sospechosos”.

¿Cómo determinar el fraude fiscal?

El punto de partida fundamental para determinar el fraude fiscal futuro es como saber distinguir el fraude internacional de un error accidental cometido por el contribuyente. Generalmente, el término “fraude” se refiere a cualquier incumplimiento o violación de las normas tributarias. Es por ello por lo que el fraude fiscal a menudo se equipara a las irregularidades fiscales. Sin embargo, las irregularidades fiscales incluyen todos los casos en los que el contribuyente no ha satisfecho sus obligaciones fiscales. Por otro lado, el fraude fiscal significa la intención del contribuyente de evadir la ley con el fin de evitar pagar impuestos.

De esta manera, el fraude fiscal constituye un subconjunto de todas las irregularidades fiscales. El punto de partida principal para identificar el fraude fiscal consiste en distinguir las irregularidades intencionadas (fraude) de las irregularidades accidentales (error). Esta delimitación se basaría en todos los escenarios realistas de infracciones fiscales basados en datos históricos reales, siendo el indicador fundamental de estos la distinción entre la intención y la coincidencia – este indicador sería la frecuencia en los casos de infracción.

Se espera un gran número de anomalías en la exploración de datos. Se deben distinguir las anomalías de alto riesgo de las anomalías de bajo riesgo. Las anomalías previsibles no deben tenerse más en cuenta. El conocimiento del sistema fiscal, precisamente mediante TaxCore®, permitirá separar las anomalías normales y esperadas de aquellas que podrían ser calificadas como fraude fiscal en potencia.

La primera instancia es la clasificación de datos que tenemos en función de la exactitud de los datos en sí mismos (importes negativos, campos vacíos, formatos, valores duplicados, valores desiguales…). La precisión del modelo depende de la exactitud de los datos de entrada. De igual forma, la exactitud de los datos de entrada depende, en gran medida, de la precisión de su entrada. Lo que nos lleva de vuelta al principio, a saber, que la exactitud de las informaciones de entrada es responsabilidad del contribuyente, que es quien utiliza componentes para emitir facturas conforme a las especificaciones técnicas.

El desafío radica en la definición de las condiciones iniciales y en los atributos, sobre la base de los cuales se formarían los escenarios de comportamiento del riesgo de los contribuyentes. Es conveniente definir modelos de comportamiento malicioso, es decir, definir normas conforme a ciertos fraudes conocidos o hipotéticos. Si no disponemos de opiniones de expertos, debemos construir datos sintéticos nosotros mismos, lo que a su vez constituyen transacciones legales e ilegales.

Al interpretar los datos existentes, sus interrelaciones, su intersección y la aplicación de un modelo a esos datos, se debería llegar al objetivo final: si la transacción de este contribuyente se puede interpretar con cierta precisión como fraude. Asimismo, resulta algo positivo aplicar diferentes métodos de aprendizaje automáticos (K-Nearest Neighbors, Decision Tree Classifier, Artificial Neural Networks, Logistic Regression…) para determinar cómo ese método gestiona los datos de entrada y la precisión de los resultados obtenidos. Si los resultados obtenidos fueran transmitidos a la administración tributaria, que sería quien determinaría la exactitud del cálculo realizando una visita de campo, ese hecho proporcionaría la confirmación de la corrección o incorrección del método, lo que podría considerarse como la única confirmación válida del mismo. En este sentido, la elección del método determinaría los resultados más precisos.

Si existen datos históricos reales comprobados sobre el fraude fiscal, la detección de eventuales futuros contribuyentes que cometerían fraude fiscal se determinaría empleando métodos supervisados. La aplicación del modelo iría en la dirección de una búsqueda en la base de datos de transacciones de todos los contribuyentes, lo que permitiría identificar a los contribuyentes que presenten características (comportamientos) similares a aquellos contribuyentes en los que su fraude fiscal está probado.

Si no se dispusiera de conocimientos o de información referente al fraude fiscal existente, la búsqueda de datos se efectuaría mediante métodos de aprendizaje automáticos sin supervisión, aunque estos tuviesen un nivel de precisión y de interpretación inferiores a aquellos de los métodos supervisados. Con el método sin supervisión, de forma contraria al método supervisado, no solamente los casos de fraude fiscal serían identificados, sino que también serían identificadas las entidades económicas que actúan de forma irregular en el pago de sus obligaciones tributarias, además de ello, sería también posible señalar los comportamientos sospechosos de los contribuyentes.

Estos métodos de trabajo se pueden utilizar en el trabajo de auditoría de las administraciones tributarias con el fin de determinar la criminalidad fiscal. Estos métodos también se pueden considerar adaptados a la ayuda en la gestión de los riesgos del fraude fiscal, y se utilizarían para optimizar las auditorías fiscales, asegurando así, una recaudación tributaria más eficaz.

Ejemplos prácticos

Lo siguiente representa un breve resumen de las posibilidades de aplicación de la solución TaxCore® en lo referente a las tendencias actuales del aprendizaje automático para la predicción de futuros contribuyentes potenciales que cometerían fraude fiscal. Una categoría especial de cuentas a las que prestar atención son los reembolsos. Las informaciones a nivel mundial muestran que, al nivel de los establecimientos de venta minorista, no menos de un 28% de todos los fraudes son cometidos por empleados mediante reembolsos. En este sentido, el foco, en caso de posible fraude fiscal, debe estar puesto precisamente sobre los reembolsos. Se debe prestar especial atención a los empleados que dispongan de informaciones de identificación adicionales (por ejemplo, los managers) ya que tienen privilegios para llevar a cabo descuentos adicionales, disponen de cupones para compras posteriores, etc. He aquí algunas de las formas posibles de realizar un seguimiento de los reembolsos:

• • Escenario 1: Realice un seguimiento del número total de reembolsos, entre los cuales, el número total de facturas emitidas por cada vendedor, comparándolas con todos los empleados. Determine cuál es la frecuencia de los acontecimientos, haga una vigilancia diaria, semanal… Si hay un gran número de reembolsos en las ventas totales del vendedor, y si se repiten a menudo, es señal de alarma.
  • Escenario 2: Realice un seguimiento del número de artículos anulados a través de un recibo por cada vendedor y compárelos con cada empleado. Un gran número de cancelaciones por vendedor en relación con las ventas, si se repiten a menudo, es señal de alarma.
  • Escenario 3: Vigile la oscilación de precios de un artículo individual donde el precio aumenta o disminuye con respecto al promedio, lo que puede indicar una manipulación en el precio declarado a su venta, así como un aumento ilegal (precios abusivos).
  • Escenario 4: Haga un seguimiento de los informes de los clientes sobre transacciones sospechosas relacionadas con este punto de venta.

La esencia, en estos escenarios, es la repetición, es decir, la frecuencia de los hechos. No puede calificarse como fraude fiscal en potencia un evento que nunca se ha producido o que ha ocurrido una sola vez o un número insignificante de veces a lo largo del período observado. De igual forma, conviene definir varias categorías de riesgo independientes las unas de las otras y vinculadas a conceptos diferentes (factores de ponderación en las condiciones iniciales, frecuencia, categorías de riesgo para los contribuyentes…). La evaluación de los riesgos es un proceso muy subjetivo, sin embargo, si se aplican ciertas metodologías y principios, se puede reducir la subjetividad al nivel más bajo posible.

En las bases de datos disponibles en la base de datos TaxCore®, se pueden identificar y definir, de forma experta, algunas normas y tipos de riesgo, así como los niveles de aceptabilidad de los riesgos. La evaluación de los riesgos implicaría tomar decisiones basadas en datos reales y en la experiencia de los expertos. Cada evento de riesgo viene acompañado de su frecuencia. En este sentido, es necesario definir, basándose en los conocimientos de los expertos, los intervalos de frecuencia, según los cuales se delimitaría el comportamiento de los contribuyentes. La esencia del problema reside en la definición de umbrales, tanto para los niveles de riesgo observados como para los intervalos de frecuencia.

TaxCore® posibilita rastrear y separar el tiempo de emisión de las facturas y el tiempo en el que se reciben las mismas en la base de datos. Esta se trata de una información muy importante, ya que, al controlar el tiempo de recepción de las facturas, se puede determinar si existe una acumulación de facturas en una parte determinada de la jornada (por ejemplo, hacia el final de las horas de trabajo), si se producen fluctuaciones durante las horas de trabajo, cuántas veces se repiten, etc.

Las tasas impositivas también se pueden verificar mediante el uso del sistema TaxCore®, para conocer si los contribuyentes realmente aplican las tasas impositivas que han declarado. Además, es posible determinar si se calculan varias tasas impositivas para el mismo artículo a nivel del contribuyente, así como si se mezclan las tasas impositivas en el momento de la emisión a un contribuyente que dispone de varias categorías de tasa.

Además de todo esto, las tendencias de los elementos siguientes pueden ser monitoreadas a nivel del contribuyente por intervalos de tiempo arbitrarios (diario, semanal, mensual, trimestral, anual, por calendario tributario, inicio y fin del año fiscal o cualquier período de presentación de declaraciones de impuestos, ya que el período que viene justo antes es muy interesante para sacar dinero y reducir así la facturación):

– número de facturas emitidas

– flujo de tesorería

– importe de la tasa

– número máximo y mínimo de facturas emitidas

– ratio entre los tipos de pago en efectivo/con tarjeta

Los tipos de operaciones y sus porcentajes en número y en importe en cuanto al número o importe total de las operaciones (doble control a nivel del contribuyente y comparación de los contribuyentes con la evolución media de los movimientos a nivel de actividad), entre otros.

Estos datos pueden ser importantes para controlar el grado en el que la tendencia, a nivel del contribuyente, se desvía del cambio a nivel de actividad, según el parámetro escogido.

Ejemplo 1:

Uno de los ejemplos de seguir una tendencia de acuerdo con un parámetro sería determinar la desviación en la tendencia del número de facturas del contribuyente respecto a la tendencia del número medio de facturas emitidas a nivel del conjunto de la actividad. Los intervalos de desvío deben quedar igualmente definidos: (1) qué porcentaje de desvío es tolerable, (2) qué umbrales requerirían mayor investigación sin declarar al contribuyente como autor posible del fraude, y (3) qué porcentaje de desvío, y cualquier cantidad mayor que esta, señalaría al contribuyente como autor potencial del fraude y alertaría a que la inspección de impuestos realizase una auditoría de campo a este.

Junto con el porcentaje de desviación, resulta necesario monitorear su frecuencia; debe diferir en peso (importancia) teniendo en cuenta desde frecuencia de las desviaciones semanales hasta la frecuencia de las desviaciones mensuales. Por ejemplo, dos desviaciones semanales no tienen el mismo peso que dos desviaciones mensuales.

Ejemplo 2:

En base a varios ejemplos prácticos y a su facturación registrada en TaxCore®, se observa que, de un mes a otro, existe tanto una tendencia a la baja en el número de facturas emitidas como el hecho de que, en determinados días laborables, no haya habido ni una sola factura emitida (no existen facturas registradas en el sistema). Cabe señalar que se trata de la industria hotelera y, en este sentido, es común que determinadas industrias no dispongan de ventas diarias. De acuerdo con estos ejemplos prácticos, es posible definir un escenario según el cual si existe una tendencia a que el número de facturas disminuya y a que en ciertos días no haya ventas registradas, y solamente debido a que se cumplan estas dos condiciones, el contribuyente entre en zona roja, lo que significa que este caso es transferido a los inspectores para controles adicionales.

Cada tipo de fraude deja ciertas “huellas” en los datos. TaxCore® registra eventos en tiempo real, sin dejar ninguna posibilidad a que se produzcan modificaciones ulteriores o retroactivas en los datos que “sustituirían” los datos antiguos. Ello además implica que absolutamente cada cambio que se produzca a nivel de cada elemento de información sea almacenado en la base de datos.

De esta forma, se forma un gran conjunto de datos cuya investigación y análisis pueden determinar modelos de potenciales actos delictivos a futuro. Los humanos no son capaces de recorrer bases de datos extensas, y de definir y extraer determinados modelos y escenarios basados en dichos datos. Asimismo, los métodos avanzados de aprendizaje automático son ideales para la extracción de grandes bases de datos y para la identificación de escenarios. Los esquemas según los cuales los métodos de aprendizaje automático investigarían los datos pueden ser definidos de acuerdo con indicadores históricos de contribuyentes reales que hayan cometido fraude fiscal o, también, se podrían crear escenarios de fraude fiscal ficticios. Los métodos de inteligencia artificial pueden ser utilizados en ambos sentidos.

El primero consiste en definir y en distinguir los contribuyentes que hayan cometido determinadas infracciones fiscales, y el segundo consistiría en utilizarlos como herramientas para cometer un fraude. Es decir, se pueden formar conjuntos de datos falsos, en función de categorías fiscales, que serían, a su vez, formadas por algoritmos de IA con el fin de lograr el nivel de precisión deseado con datos reales.

Tal conjunto de datos, idénticos a los datos reales, se pueden utilizar con fines fiscales para engañar a la inspección fiscal. En este sentido, existe la necesidad de incluir tecnologías punta en las auditorías realizadas a los contribuyentes con el objetivo de prevenir y de, si es posible, controlar la sobrerrepresentación de la IA en el fraude fiscal.

Considerando que en las condiciones actuales de globalización y desarrollo de la tecnología informática el número de riesgos aumenta considerablemente, resulta necesario, para la estabilidad financiera del país, definir medidas y enfoques para determinar fraudes fiscales en potencia. En este sentido, hay que adaptarse a la tormenta financiera mundial y considerar un enfoque moderno para la identificación del fraude fiscal. TaxCore®, debido a su compleja utilización, enfoque innovador, y de su tecnología y teoría, permitiría a las autoridades fiscales gestionar los riesgos de fraudes fiscales futuros, lo que repercutiría en un mayor progreso y crecimiento económico para el país.

Autor del texto: Jelena Lukić, analista de negocios en Data Tech International d.o.o.

The post La Inteligencia Artificial, el fraude fiscal y TaxCore appeared first on Dti.

The difference maker is the amount of data that can be “packed” in a QR code and what happens to that data after the verification. In TaxCore®, QR codes contain plenty of important data, all of which is shared with the TA upon scanning:

• Seller Identity
• Buyer Identity (usually just for B2B)
• Document Type and Total Counters
• Date and Time
• Invoice and Transaction Type (and their total counters)
• Encrypted Accumulated Totals (internal data)
• PKI-based digital signature

To understand just how useful this can be for the TA, let’s look at a short case study.

A short study on its usefulness

A taxpayer has been creating fiscal invoices but has not been reporting all the transactions regularly (which can happen unintentionally, due to equipment malfunction). In normal circumstances, there would be no way for a TA to know of this without a targeted field visit.

However, thanks to the comprehensive data shared with the TA and the blockchain approach in TaxCore®, it is enough for just one customer to scan the invoice QR code and all accumulated information about the previous invoices will also be transferred to the TA.

When information about a scanned invoice arrives at the TaxCore®, this invoice is stored in the system, which then checks whether it has received all previous invoices according to their unique invoice number. If some invoices are missing, a gap will be recorded in the system until all the invoices are properly reported. TA officers can use a portal interface for a quick and simple view of all the gaps.

The numbers in Range Start and Range End columns mark the unique numbers of invoices that have been stored in the system. In this case, all those invoices have been transferred to the TA via a QR code scan.

For this reason, there are no items in the stored invoice details. Nevertheless, because of the digital signature, there is non-repudiable information about the taxpayer and the unique invoice number.

TA officers can access the invoice’s internal data and see the accumulated total for previously issued invoices including the total number of issued invoices and total tax liability.

TaxCore® and taxpayer’s tax liability

As you can see, the proper application of a QR code on an invoice can be extremely helpful in identifying taxpayers who have not been reporting their transactions regularly. Even in those situations, TaxCore® users do not need to worry about losing information about the taxpayer’s tax liability.

The post Scanning QR code on invoices – how can it benefit all parties? appeared first on Dti.

In its 41st edition, CATA, or the Commonwealth Association of Tax Administrators gathered to debate what are the current concerns to member tax administrations and partner networks.

This entity, established in 1978, has the dedication of helping its 47 country members through conferences, training programs, publications and knowledge sharing to develop effective tax administrations that promote sustainable development and good governance.

One of the most important events that this organization regularly holds is the annual CATA Technical Conference, during which subject matter experts debate important policy and technical issues of current concern with member tax administrations in the fields of digitalization, compliance, and legislation.

Discussed topics

The main topics that these members discussed during the three-day session, this time held in a virtual format due to the Covid 19 situation, were the following:

• global tax reforms, simplified tax systems
• the use of technology to simplify tax systems,
• managing SME compliance through tax simplification,
• inter-revenue agency cooperation and
• benchmarking and revenue mobilization post-COVID.

Representatives from India, the United Kingdom, Mauritius, Canada, Kenya, Malaysia, Uganda, Malta, Nigeria, and Barbados contributed to the event with their presentations.

Data Tech International had the honor to participate once again in this annual event (the last one held in the wonderful Fiji Islands, see our other article) and they scheduled their intervention for the second day of the meeting under the title of: Simplified Tax Systems.

Goran Todorov, managing director of DTI, was the speaker from DTI, and in his presentation the utilization of the blockchain technology in taxation was the key aspect to future solving of the revenue gap that comes from underreporting, electronic sales suppression, and other fraudulent malpractices used to deceive the tax authorities. DTI’s TaxCore solution has already embraced this methodology as part of its core features. Main prerequisites for the use of Blockchain, which TaxCore brings to reality are:

• Records need to be digital – Blockchain is ostensibly immutable, so it is important to make sure that any existing data that is transferred onto the blockchain is accurate;
• Digital identity needs to be in place – to establish a strong connection between a person and their business operation;
• Laws and regulations – in case it doesn’t exist in the country, must have acceptance of electronic signature and establishment of Public Key Infrastructure;
• Digital literacy.

The need for digital literacy, laws and regulations, or political decisions might be more challenging for a digitalisation process than the technology itself.

The TaxCore® solution

Regarding this, we can deploy the TaxCore® solution today in any country, implemented in phases, systematically transforming and preparing the environment for the upcoming technology revolution such as Blockchain.

Once implemented, TaxCore® collects data from four different channels to perform audits on the invoices as per mini blockchain audit methodology.

Among its data collection processes there is the remote collection which is instant and needs an internet connection; the local collection allows audit packages upload when there is no internet connection available; the QR scan sends the information by scanning the invoice’s QR code (used by the customer to check their purchase and transmit the information to the TA) and the SE audit, that serves for the offline mode and it is the last resort in case there is the need to collect data that never left the merchant’s premises.

Mini blockchain audit methodology and TaxCore®

All of this data, which is always encrypted, serves to form counters that accumulate. The result of mini blockchain audit methodology becomes most valuable when a taxpayer’s premise goes offline and the data is not coming, in that case if any customer simply scans the QR code of an invoice provided by seller, it will show the gap. This example shows that even without a visit to taxpayer’s premise, in a seamless and comfortable way and from its desk, a tax authority officer can monitor and control the tax gap produced between the transition from online to offline intervals, and what is more important, to determine the tax liability for a particular taxpayer. Moreover, every kind of transaction issued has its own counters for every single taxpayer, ensuring that business is never disturbed in any way.

Finally, the speaker addressed the fraud detection by every customer by scanning each invoice’s QR code, which is yet another proposal to tackle the revenue gap and revenue collection issue.

In all these matters, the blockchain technology centers on the audit process and TaxCore® assumes it as one of its main working philosophies which can definitely help the tax authorities to discover all unreported taxes and know their taxpayers better.

The post 41st CATA Technical Conference hosted by Cyprus appeared first on Dti.

“Transforming Tax Systems with Blockchain” focused on how tax authorities can use blockchain in conjunction with other technologies to improve tax compliance.

Representatives from government, academia and private sector (regional and international) share their expertise, supplemented by real-life examples of how governments have used blockchain technology in countering illicit financial flows and improving tax compliance.

TaxCore® and the proof-of-audit

Data Tech International was fortunate to be invited and present to the panel Proof-of-Audit function, which is a confirmation from the TaxCore® that all the invoices issued with a particular secure element (one taxpayer can have more secure elements) have been stored in its database. The platform issues a proof-of-audit after each fiscal invoice (remote audit) or after a group of delayed invoices reaches the database (remote audit facing technical issues or local audit). It also confirms that exactly the same data entered in the taxpayer’s POS and transferred to the tax authority database.

However, not receiving a Proof-of-Audit does not immediately prevent the taxpayer from issuing new fiscal invoices.

The taxpayer can continue issuing fiscal invoices without a Proof-of-Audit but there is always a preset limit until when the solution can delay a Proof-of-Audit.

This setup forces taxpayers to report regularly – even if the internet failure prevents normal invoice transmission to the database, the platform will inform the taxpayer that the preset limit is approaching. He/she can then perform a local audit in order to obtain a Proof-of-Audit from the tax authority.

Other speakers contributed with their own views and presentations to make this conference, once again, successful:

Thanks to Jeffrey Owens and Daniel Prud’homme, for choosing us to participate in this great event!

You can view the conference here: https://studio.sonoptik.ca/Blockchain/

Video presentation by DTI:

The post TRANSFORMING TAX SYSTEMS WITH BLOCKCHAIN appeared first on Dti.