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.