Unsupervised Identification of Corporate Tax-Risk Profiles Using Multilayer Network and Financial Characteristics

Steuerbehörden weltweit stehen vor einer beständigen Herausforderung: Unternehmen agieren nicht isoliert. Sie bilden komplexe Geflechte aus Eigentums-, Management- und Familienverhältnissen, die oft über Grenzen hinweg bestehen und Strukturen schaffen, die schwer zu entwirren sind. Wenn diese Unternehmensgruppen Geld, Gewinne oder Vermögenswerte auf ungewöhnliche Weise verschieben, kann dies ein Signal für aggressive Steuerplanung oder Steuervermeidung sein. Traditionell haben sich Steuerbeamte auf Expertenurteil und feste Regeln verlassen, um diese Warnsignale zu erkennen, indem sie einzelne Unternehmenskonten betrachteten oder Standard-Checklisten anwandten. Doch da die Anzahl der vernetzten Unternehmen wächst und ihre Finanzdaten immer vielfältiger werden, stoßen diese traditionellen Methoden an ihre Grenzen. Sie übersehen oft das Gesamtbild dessen, wie sich eine ganze Unternehmensgruppe gemeinsam verhält, anstatt nur darauf zu schauen, wie ein einzelnes Unternehmen für sich allein aussieht. Um dies zu lösen, wenden Forscher einen anderen Ansatz an: den Einsatz von Computern, um verborgene Muster in riesigen Datenmengen zu finden, ohne im Voraus wissen zu müssen, wie ein „riskantes“ Unternehmen aussieht. Diese Methode, bekannt als unüberwachtes Lernen (unsupervised learning), ermöglicht es den Daten, ihre eigenen seltsamen oder ungewöhnlichen Formen zu offenbaren, was Beamten hilft, Gruppen zu identifizieren, die sich aufgrund ihres Aufbaus und der Art ihrer Geldflüsse von der Masse abheben.

Ein Forschungsteam der Kaunas University of Technology in Litauen hat eine neue Methode entwickelt, um diese Unternehmensgruppen abzubilden, um deren Steuerrisiken besser zu verstehen. Anstatt ein einzelnes Unternehmen zu betrachten, behandelten sie ganze verwandte Unternehmensgruppen als eine einzige Einheit und analysierten sowohl deren Finanzkennzahlen als auch ihre strukturellen Verbindungen. Die Forscher begannen mit einem umfangreichen Datensatz, der von der staatlichen Steuerverwaltung Litauens zur Verfügung gestellt wurde und Informationen über mehr als 113.000 juristische Personen und mehr als 261.000 Personen enthielt. Diese Einheiten waren durch drei spezifische Arten von Beziehungen miteinander verknüpft: wer Anteile an wem hält, wer wen verwaltet oder kontrolliert, sowie familiäre Bindungen. Das Team baute ein digitales Modell dieser Verbindungen auf und hielt dabei jede Art von Beziehung getrennt, um die darin enthaltenen einzigartigen Informationen zu bewahren – ganz so, als würde man verschiedene Ebenen einer Landkarte getrennt halten, anstatt sie alle zu einem einzigen Bild zu verschmieren. Aus diesem komplexen Netz extrahierten sie klare, lesbare Beschreibungen darüber, wie jede Gruppe organisiert war, wobei sie Dinge wie die Anzahl der beteiligten Unternehmen, die Anzahl der ausländischen Einheiten innerhalb der Gruppe und die Frage, ob die Eigentumsstrukturen in Kreisläufen auf sich selbst zurücklaufen, zählten.

Um die finanzielle Seite zu verstehen, untersuchten die Forscher, wie das Geld innerhalb jeder Gruppe verteilt wurde. Sie berechneten, welchen Anteil jedes Unternehmen an den Gesamtvermögen, dem Umsatz, den Gewinnen und den Schulden der Gruppe leistete. In einer typischen Gruppe könnten diese Beiträge halbwegs ausgewogen sein, aber in einigen Gruppen hält ein Unternehmen vielleicht einen massiven Anteil am Gewinn, während ein anderes fast alle Schulden trägt. Die Forscher maßen diese Ungleichgewichte, um ein Profil des Finanzverhaltens für jede Gruppe zu erstellen. Sie kombinierten diese strukturellen Beschreibungen mit den Finanzprofilen und speisten sie in einen spezialisierten Computeralgorithmus namens „Reduced Clustering Method“ ein. Dieser Algorithmus ist darauf ausgelegt, natürliche Gruppierungen in Daten zu finden, ohne vorher gesagt zu bekommen, wonach er suchen soll. Er scannt die Informationen und sagt: „Diese Gruppen ähneln einander und unterscheiden sich von jenen dort drüben“, und sortiert so tausende von Unternehmensgruppen basierend auf ihrer einzigartigen Mischung aus Struktur und Finanzen in unterschiedliche Kategorien ein.

Die Studie konzentrierte sich auf 722 Unternehmensgruppen, die über genügend vollständige Finanzdaten für eine Analyse verfügten, was insgesamt 7.050 juristische Personen repräsentierte. Als die Forscher den Computer ansetzten, um die Gruppen allein basierend auf ihren Finanzkennzahlen zu sortieren, fand er acht unterschiedliche Profile. Die meisten Gruppen fielen in eine große, gemeinsame Kategorie, in der die finanziellen Rollen relativ ausgewogen waren. Einige kleinere Gruppen stachen jedoch mit extremen Merkmalen hervor. Eine winzige Gruppe, die nur aus drei Unternehmen bestand, zeigte massive Abweichungen in ihren operativen Ergebnissen, während eine andere kleine Gruppe von sieben Unternehmen ungewöhnlich starke Schwankungen bei den Gewinnen aufwies. Diese wurden nicht als schuldig eingestuft, aber als statistisch ungewöhnlich identifiziert, was darauf hindeutete, dass etwas an ihrer finanziellen Anordnung im Vergleich zur Norm selten war.

Als die Forscher die Gruppen basierend auf ihren strukturellen Verbindungen analysierten, fand der Computer zwölf verschiedene Profile. Einige Gruppen zeichneten sich dadurch aus, dass sie viele ausländische Eigentümer hatten, während andere durch komplexe Kontrollketten oder kreisförmige Eigentumsstrukturen charakterisiert waren, bei denen Unternehmen A Unternehmen B besitzt, welches wiederum Unternehmen C besitzt, welches dann wiederum Unternehmen A besitzt. Solche kreisförmigen Strukturen können die Sicht darauf erschweren, wer tatsächlich die Kontrolle innehat. Die Analyse zeigte, dass Gruppen ähnlicher Größe sehr unterschiedliche interne Organisationen aufweisen können; einige waren einfach und direkt, während andere komplexe Netzwerke mit vielen Ebenen der Eigentümerschaft und ausländischer Beteiligung darstellten.

Der aufschlussreichste Teil der Studie ergab sich, als die Forscher sowohl die finanziellen als auch die strukturellen Informationen in einer einzigen Analyse kombinierten. Dieser Ansatz schuf siebzehn unterschiedliche Profile und bot damit eine viel detailliertere Sicht als die Betrachtung eines einzelnen Faktors allein. Die kombinierte Analyse zeigte, dass finanzielle Auffälligkeiten und strukturelle Komplexität nicht immer zusammen auftreten. Einige Gruppen waren finanziell seltsam, aber strukturell einfach, während andere komplexe Eigentumsgeflechte, aber sehr standardmäßige Finanzmuster aufwiesen. Vor allem identifizierte die Studie spezifische Gruppen, die sowohl ungewöhnliche Finanzverhaltensweisen als auch komplexe strukturelle Merkmale besaßen. Beispielsweise fanden die Forscher Gruppen, die eine signifikante ausländische Beteiligung, kreisförmige Eigentumsstrukturen und extreme Ungleichgewichte bei der Verteilung von Gewinnen oder Vermögenswerten unter ihren Mitgliedern aufwiesen. Diese spezifischen Kombinationen sind genau das, worauf Steuerbehörden am meisten achten, da sie die Art von verborgener Komplexität darstellen, die oft mit aggressiver Steuerplanung einhergeht.

Die Forscher betonen, dass diese Methode nicht beweist, dass eine bestimmte Gruppe Steuern hinterzieht. Der Algorithmus identifiziert lediglich Gruppen, die anders aussehen als der Durchschnitt, und fungiert somit als Werkzeug, das menschlichen Experten hilft zu entscheiden, welche Fälle eine genauere Untersuchung verdienen. Durch das Sortieren der riesigen Menge an Unternehmensdaten in verständliche Profile ermöglicht das System den Steuerbehörden, sich von bloßem Raten wegzubewegen und hin zu einer gezielteren Untersuchungsstrategie. Die Studie zeigt, dass es möglich ist, verborgene Muster aufzudecken, die unsichtbar blieben, wenn die Unternehmen isoliert betrachtet würden, indem man untersucht, wie Unternehmen miteinander verbunden sind und wie sich ihr Geld gemeinsam bewegt. Während die aktuellen Ergebnisse auf Daten aus Litauen basieren und auf Gruppen mit vollständigen Finanzunterlagen beschränkt sind, bietet der Ansatz einen vielversprechenden Weg zur Modernisierung der Steuerrisikobewertung. Er legt nahe, dass die Zukunft der Steuerehrlichkeit nicht in strengeren Regeln liegen könnte, sondern in klügeren Wegen, die Verbindungen zu sehen, die die Unternehmenswelt zusammenhalten.