Ο αλγόριθμος της ΑΑΔΕ που «ξεσκέπασε» το δίκτυο των εταιρειών φαντασμάτων στη Θεσσαλονίκη (VIDEO)

719 ύποπτες συνδέσεις στη Θεσσαλονίκη

Ο αλγόριθμος της ΑΑΔΕ που «ξεσκέπασε» το δίκτυο των εταιρειών φαντασμάτων στη Θεσσαλονίκη (VIDEO)

Ένα διαφορετικό μοντέλο φορολογικών ελέγχων εφαρμόζει πλέον η ΑΑΔΕ, αξιοποιώντας αλγοριθμικά εργαλεία για να αποκαλύπτει σχέσεις που δεν είναι εύκολο να εντοπιστούν με τον παραδοσιακό έλεγχο μιας επιχείρησης. Στο επίκεντρο βρίσκεται ο δείκτης ομοιότητας Jaccard, μέσω του οποίου οι ελεγκτικές υπηρεσίες μπορούν να χαρτογραφήσουν συνδέσεις μεταξύ εταιρειών και προσώπων και να εντοπίσουν πιθανά δίκτυα εικονικών επιχειρήσεων και «αχυρανθρώπων».

Η λογική του συστήματος είναι να μην αντιμετωπίζεται κάθε ΑΦΜ ως ξεχωριστή περίπτωση. Αντίθετα, εξετάζεται το σύνολο των χαρακτηριστικών που συνδέουν διαφορετικές επιχειρήσεις, όπως τα ίδια πρόσωπα, οι έδρες, τα στοιχεία επικοινωνίας, οι λογιστές, οι τραπεζικές σχέσεις αλλά και οι εμπορικές συναλλαγές.

Με αυτόν τον τρόπο, επιχειρήσεις που εμφανίζονται τυπικά ως ανεξάρτητες μπορούν να ενταχθούν σε έναν κοινό «χάρτη» όταν παρουσιάζουν επαναλαμβανόμενα χαρακτηριστικά.

Πώς αποκαλύπτονται οι κοινές συνδέσεις

Ο δείκτης Jaccard χρησιμοποιείται για να υπολογιστεί ο βαθμός επικάλυψης ανάμεσα σε δύο σύνολα δεδομένων. Στην πράξη, η ΑΑΔΕ μπορεί να συγκρίνει τις εταιρείες με τις οποίες συνδέονται δύο διαφορετικά πρόσωπα και να εξετάζει πόσες από αυτές είναι κοινές.

Για παράδειγμα, εάν δύο άτομα συνδέονται από 15 εταιρείες το καθένα και οι 10 είναι κοινές, τότε οι διαφορετικές εταιρείες ανέρχονται συνολικά σε 20. Ο δείκτης Jaccard διαμορφώνεται έτσι στο 50%, καθώς οι 10 κοινές εταιρείες αντιστοιχούν στις 20 συνολικά διαφορετικές.

Όσο μεγαλύτερη είναι η αναλογία των κοινών στοιχείων, τόσο ισχυρότερη θεωρείται η συγκεκριμένη σύνδεση και τόσο περισσότερο αυξάνεται το ενδιαφέρον για περαιτέρω έλεγχο.

Στην ανάλυση μπορούν να συνυπολογιστούν:

  • Πρόσωπα που επανεμφανίζονται σε διαφορετικές εταιρείες, όπως μέτοχοι, εταίροι, διαχειριστές και νόμιμοι εκπρόσωποι.
  • Κοινές υποδομές και στοιχεία επικοινωνίας, όπως επαγγελματικές διευθύνσεις, τηλέφωνα, ηλεκτρονικές διευθύνσεις, λογιστές και τραπεζικοί λογαριασμοί.
  • Συναλλακτικές σχέσεις, με την αξιοποίηση στοιχείων από το myDATA και τις δηλώσεις ΦΠΑ, ώστε να εντοπίζονται κοινοί πελάτες και προμηθευτές.
  • Διαδοχή εταιρικών σχημάτων, ιδιαίτερα όταν μια επιχείρηση σταματά τη δραστηριότητά της έχοντας αφήσει οφειλές και εμφανίζεται στη συνέχεια άλλη εταιρεία με παρόμοιο δίκτυο συναλλαγών.

Ένα χαρακτηριστικό παράδειγμα που επικαλείται η ΑΑΔΕ αφορά υπόθεση στην οποία εντοπίστηκε μεγάλο δίκτυο 380 επιχειρήσεων και 205 προσώπων, με συνολικές οφειλές προς το Δημόσιο ύψους 43 εκατ. ευρώ.

Τι έδειξε η ανάλυση στη Θεσσαλονίκη

Ιδιαίτερο ενδιαφέρον παρουσιάζουν τα αποτελέσματα της εφαρμογής της συγκεκριμένης μεθόδου στην υπόθεση που ερευνήθηκε στη Θεσσαλονίκη.

Η ανάλυση ανέδειξε εκατοντάδες σχέσεις μεταξύ διαφορετικών ΑΦΜ, με κάθε σύνδεση να προκύπτει από κοινές εταιρικές παρουσίες. Οι επιμέρους σχέσεις λειτουργούν ως «κρίκοι», οι οποίοι στη συνέχεια ενώνονται και δημιουργούν μεγαλύτερα δίκτυα.

Με βάση διαφορετικά όρια ομοιότητας προέκυψαν τα εξής δεδομένα:

  • Με δείκτη άνω του 5%, εντοπίστηκαν 719 συνδέσεις μεταξύ 369 ΑΦΜ, οι οποίες σχημάτισαν 29 ομάδες. Η μεγαλύτερη ομάδα περιλάμβανε 262 ΑΦΜ.
  • Με όριο άνω του 10%, καταγράφηκαν 504 συνδέσεις μεταξύ 330 ΑΦΜ, σε 60 ομάδες, με τη μεγαλύτερη να αποτελείται από 34 ΑΦΜ.
  • Όταν το όριο αυξήθηκε πάνω από 20%, παρέμειναν 358 συνδέσεις μεταξύ 270 ΑΦΜ, οι οποίες κατανεμήθηκαν σε 77 ομάδες. Η μεγαλύτερη ομάδα περιλάμβανε 13 ΑΦΜ.

Η διαδικασία μπορεί να παρομοιαστεί με μια αλυσίδα: ένα πρόσωπο συνδέεται με μια ομάδα εταιρειών, ένα δεύτερο πρόσωπο έχει κοινές εταιρείες με το πρώτο και στη συνέχεια εμφανίζεται ένας τρίτος κρίκος. Έτσι δημιουργείται ένα ευρύτερο δίκτυο, ακόμη και όταν δεν υπάρχει απευθείας σύνδεση μεταξύ όλων των προσώπων.

Η αύξηση του ορίου ομοιότητας λειτουργεί ως φίλτρο. Όσο υψηλότερο είναι το όριο, τόσο περιορίζονται οι σχέσεις που παραμένουν στην ανάλυση και οι μεγαλύτερες ομάδες διασπώνται σε μικρότερα και πιο συγκεκριμένα σύνολα.

Η ύπαρξη μιας τέτοιας ομάδας, πάντως, δεν αποτελεί από μόνη της απόδειξη φορολογικής παράβασης ή εγκληματικού κυκλώματος. Αποτελεί ένδειξη που μπορεί να οδηγήσει σε στοχευμένο έλεγχο και περαιτέρω διερεύνηση των συγκεκριμένων σχέσεων.

Από τον έλεγχο του ΑΦΜ στην ανάλυση ολόκληρου του δικτύου

Η αξιοποίηση τέτοιων εργαλείων αλλάζει σταδιακά τη φιλοσοφία των φορολογικών ελέγχων. Αντί οι υπηρεσίες να αναζητούν μόνο μεμονωμένες παραβάσεις, μπορούν να εξετάζουν ταυτόχρονα ολόκληρα πλέγματα σχέσεων και να εντοπίζουν μοτίβα που επαναλαμβάνονται.

Οι αλγόριθμοι συμβάλλουν στον εντοπισμό ΑΦΜ που παρουσιάζουν αυξημένο φορολογικό κίνδυνο και βοηθούν στην επιλογή των υποθέσεων που χρήζουν περαιτέρω ελέγχου. Παράλληλα, διαφορετικές πηγές δεδομένων μπορούν να συνδυαστούν, δημιουργώντας μια πιο ολοκληρωμένη εικόνα για τις επιχειρηματικές και οικονομικές διασυνδέσεις.

Στην περίπτωση της Θεσσαλονίκης, η συγκεκριμένη μεθοδολογία χρησιμοποιήθηκε για να αποτυπωθούν οι σχέσεις ανάμεσα στα εμπλεκόμενα πρόσωπα και τις εταιρείες. Η ΑΑΔΕ έχει παρουσιάσει και σχετικό οπτικοακουστικό υλικό, στο οποίο αποτυπώνεται η εξέλιξη της έρευνας και ο τρόπος με τον οποίο οι επιμέρους συνδέσεις οδηγούν στην ανάδειξη των πιο «επικίνδυνων» περιπτώσεων.

Με αυτόν τον τρόπο, ο φορολογικός έλεγχος μετατρέπεται από μια διαδικασία εξέτασης μεμονωμένων επιχειρήσεων σε μια ψηφιακή χαρτογράφηση ολόκληρων δικτύων.

Σχέδιο δολοφονίας στην Αθήνα: Ο επιχειρηματίας που φέρεται να ήταν στόχος ιρανικού δικτύου