.gif)
Φορολογικός φάκελος για κάθε φορολογούμενο από την Εφορία: Πού θα χρησιμοποιείται
Φάκελο για κάθε φορολογούμενο δημιουργεί η Εφορία, προκειμένου ανά πάσα στιγμή να έχει όλα τα δεδομένα που μπορεί να χρειαστεί ο ελεγκτικός μηχανισμός ή το οικονομικό επιτελείο για τα επιδόματα που διανέμει κατά καιρούς. Ανεξαρτήτως του εάν κάποιος έχει χρέη στην Εφορία ή όχι, θα έχει το δικό του φορολογικό προφίλ. Σίγουρα, το φορολογικό προφίλ αφορά κυρίως την πρόληψη, έναντι χρεών.
Αυτό σημαίνει ότι η Εφορία θα αρχίσει με τα νέα ψηφιακά εργαλεία που διαθέτει να κάνει, για παράδειγμα, μια γενική πρόβλεψη εσόδων και οφειλών συνολικά και ανά φορολογούμενο ή ανά ΔΟΥ, ανά γεωγραφική περιοχή, ανά επάγγελμα -ή οποιαδήποτε άλλη διάσταση-, βάσει των ιστορικών στοιχείων συμπεριφοράς των φορολογουμένων. Με τον τρόπο αυτόν θα μπορεί να γνωρίζει εάν υπάρχει κάποιος φορολογούμενος που φοροδιαφύγει, εάν μπορεί να πληρώσει τις υποχρεώσεις του (ακόμα και τα δάνεια που έχει πάρει) και εάν υπάρχει κίνδυνος να δημιουργήσει ληξιπρόθεσμα χρέη.
Όπως αναφέρουν από την ΑΑΔΕ, για την αντιμετώπιση των περιπτώσεων μη συμμόρφωσης θα αξιοποιηθούν εργαλεία δημιουργίας προφίλ φορολογουμένων και υποθέσεων, μέθοδοι αποτίμησης κινδύνου και ανάλυσης συμπεριφορών, εκτεταμένες διασταυρώσεις, διαδικασίες ανταλλαγής δεδομένων με τρίτους φορείς, καθώς και με άλλες χώρες. Τα δεδομένα θα αντλούνται από τα στοιχεία που δηλώνουν, αλλά και από εξωτερικές πηγές (παγκόσμιος ιστός, κοινωνικά δίκτυα, ανοιχτά δεδομένα κ.λπ.), για την αποδοτικότερη επικαιροποίηση ανάλυσης κινδύνων.
Πού θα βοηθήσουν τα νέα ψηφιακά εργαλεία
Αντιμετώπιση σε πραγματικό χρόνο ύποπτων περιστατικών φοροδιαφυγής και λαθρεμπορίου.
Ανακάλυψη δυναμικών σχέσεων μεταξύ των φορολογουμένων: όπως έχει αποδειχτεί από εφαρμογές άλλων ευρωπαϊκών χωρών, είναι πολύ σημαντικό βήμα για την εύρεση απάτης και φοροδιαφυγής.
Κατηγοριοποίηση φορολογουμένων: κατηγοριοποίηση της αναμενόμενης συμπεριφοράς φορολογουμένων, π.χ. στρατηγικός κακοπληρωτής, πιθανότητα φοροδιαφυγής κ.λπ.
Profiling φορολογουμένων: εύρεση μη εμφανών ομοιοτήτων μεταξύ των φορολογουμένων, όπως προκύπτουν έπειτα από δημογραφική, οικονομική και συμπεριφορική ανάλυση του συνόλου του πληθυσμού των φορολογουμένων. Χρησιμοποιείται στην εκτίμηση κινδύνου και σε άλλες περιπτώσεις χρήσης.
Εκτίμηση ρίσκου και αξιολόγηση κινδύνου: αξιολόγηση των φορολογουμένων ως προς το ρίσκο μη πληρωμής.
Πρόβλεψη εσόδων και οφειλών: πρόβλεψη εσόδων και οφειλών συνολικά και ανά φορολογούμενο ή ανά ΔΟΥ, ανά γεωγραφική περιοχή, ανά επάγγελμα ή οποιαδήποτε άλλη διάσταση βάσει των ιστορικών στοιχείων συμπεριφοράς των φορολογουμένων.
Παράλληλα, η ενεργοποίηση του συστήματος Τεχνητής Νοημοσύνης και μηχανικής μάθησης, το οποίο θα περιλαμβάνει τεχνικές με τις οποίες θα γίνεται επεξεργασία δεδομένων και εξαγωγή πληροφορίας από μεγάλα σύνολα δεδομένων, θα οδηγήσει στην πρόβλεψη μελλοντικών γεγονότων. Αρχικά, τα ιστορικά δεδομένα θα χρησιμοποιούνται για να χτίσουν ένα μαθηματικό μοντέλο, το οποίο θα συλλαμβάνει τις σημαντικές μελλοντικές τάσεις. Στη συνέχεια το μοντέλο πρόβλεψης που δημιουργείται θα χρησιμοποιείται σε τρέχοντα δεδομένα, για να προβλέψει τι θα συμβεί μελλοντικά ή για να προτείνει δράσεις με τις οποίες θα επιτευχθούν τα καλύτερα δυνατά αποτελέσματα.
Ανακάλυψη δυναμικών σχέσεων μεταξύ των φορολογουμένων: όπως έχει αποδειχτεί από εφαρμογές άλλων ευρωπαϊκών χωρών, είναι πολύ σημαντικό βήμα για την εύρεση απάτης και φοροδιαφυγής.
Κατηγοριοποίηση φορολογουμένων: κατηγοριοποίηση της αναμενόμενης συμπεριφοράς φορολογουμένων, π.χ. στρατηγικός κακοπληρωτής, πιθανότητα φοροδιαφυγής κ.λπ.
Profiling φορολογουμένων: εύρεση μη εμφανών ομοιοτήτων μεταξύ των φορολογουμένων, όπως προκύπτουν έπειτα από δημογραφική, οικονομική και συμπεριφορική ανάλυση του συνόλου του πληθυσμού των φορολογουμένων. Χρησιμοποιείται στην εκτίμηση κινδύνου και σε άλλες περιπτώσεις χρήσης.
Εκτίμηση ρίσκου και αξιολόγηση κινδύνου: αξιολόγηση των φορολογουμένων ως προς το ρίσκο μη πληρωμής.
Πρόβλεψη εσόδων και οφειλών: πρόβλεψη εσόδων και οφειλών συνολικά και ανά φορολογούμενο ή ανά ΔΟΥ, ανά γεωγραφική περιοχή, ανά επάγγελμα ή οποιαδήποτε άλλη διάσταση βάσει των ιστορικών στοιχείων συμπεριφοράς των φορολογουμένων.
Παράλληλα, η ενεργοποίηση του συστήματος Τεχνητής Νοημοσύνης και μηχανικής μάθησης, το οποίο θα περιλαμβάνει τεχνικές με τις οποίες θα γίνεται επεξεργασία δεδομένων και εξαγωγή πληροφορίας από μεγάλα σύνολα δεδομένων, θα οδηγήσει στην πρόβλεψη μελλοντικών γεγονότων. Αρχικά, τα ιστορικά δεδομένα θα χρησιμοποιούνται για να χτίσουν ένα μαθηματικό μοντέλο, το οποίο θα συλλαμβάνει τις σημαντικές μελλοντικές τάσεις. Στη συνέχεια το μοντέλο πρόβλεψης που δημιουργείται θα χρησιμοποιείται σε τρέχοντα δεδομένα, για να προβλέψει τι θα συμβεί μελλοντικά ή για να προτείνει δράσεις με τις οποίες θα επιτευχθούν τα καλύτερα δυνατά αποτελέσματα.
.gif)
.gif)
.gif)
.gif)
.png)
.jpg)
