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

Les autorités fiscales du monde entier sont confrontées à un défi persistant : les entreprises ne fonctionnent pas de manière isolée. Elles forment des réseaux complexes de propriété, de gestion et de liens familiaux, s'étendant souvent au-delà des frontières pour créer des structures difficiles à démêler. Lorsque ces groupes d'entreprises déplacent de l'argent, des profits ou des actifs de manières inhabituelles, cela peut signaler une planification ou une évasion fiscale agressive. Traditionnellement, les responsables fiscaux se sont appuyés sur le jugement d'experts et sur des règles fixes pour repérer ces signaux d'alerte, en examinant les comptes de sociétés individuelles ou en appliquant des listes de contrôle standard. Cependant, à mesure que le nombre d'entreprises interconnectées augmente et que leurs données financières deviennent plus variées, ces méthodes traditionnelles peinent à suivre le rythme. Elles passent souvent à côté de la vue d'ensemble de la manière dont un groupe entier d'entreprises se comporte collectivement, plutôt que de se concentrer sur la façon dont une seule entreprise apparaît isolément. Pour résoudre ce problème, les chercheurs se tournent vers une approche différente : utiliser l'informatique pour trouver des modèles cachés dans de vastes quantités de données sans avoir besoin de savoir à l'avance à quoi ressemble une entreprise « risquée ». Cette méthode, appelée apprentissage non supervisé, permet aux données de révéler leurs propres formes étranges ou inhabituelles, aidant ainsi les responsables à identifier les groupes qui se distinguent de la masse en fonction de la façon dont ils sont construits et de la façon dont leur argent circule.

Une équipe de chercheurs de l'Université de technologie de Kaunas, en Lituanie, a développé une nouvelle façon de cartographier ces groupes d'entreprises afin de mieux comprendre leurs risques fiscaux. Au lieu d'examiner une seule entreprise, ils ont traité des groupes entiers d'entreprises liées comme une unité unique, analysant à la fois leurs chiffres financiers et leurs connexions structurelles. Les chercheurs ont commencé avec un vaste ensemble de données fourni par l'Inspection de l'État lituanien des impôts, qui contenait des informations sur plus de 113 000 entités juridiques et plus de 261 000 personnes. Ces entités étaient liées par trois types spécifiques de relations : qui détient des parts dans qui, qui gère ou contrôle qui, et les liens familiaux. L'équipe a construit un modèle numérique de ces connexions, en gardant chaque type de relation séparé pour préserver l'information unique qu'il contient, un peu comme si l'on gardait les différentes couches d'une carte distinctes plutôt que de les mélanger toutes en une seule. À partir de ce réseau complexe, ils ont extrait des descriptions claires et lisibles de la manière dont chaque groupe était organisé, comptant des éléments tels que le nombre d'entreprises impliquées, le nombre d'entités étrangères faisant partie du groupe, et si la boucle de propriété revient sur elle-même en cercles.

Pour comprendre l'aspect financier, les chercheurs ont examiné comment l'argent était distribué au sein de chaque groupe. Ils ont calculé la contribution de chaque entreprise aux actifs totaux, aux revenus, aux profits et aux dettes du groupe. Dans un groupe typique, ces contributions peuvent être relativement équilibrées, mais dans certains groupes, une entreprise peut détenir une part massive des profits tandis qu'une autre détient la quasi-totalité des dettes. Les chercheurs ont mesuré ces déséquilibres pour créer un profil de comportement financier pour chaque groupe. Ils ont ensuite combiné ces descriptions structurelles avec les profils financiers et les ont injectées dans un algorithme informatique spécialisé appelé la Méthode de Clustering Réduit (Reduced Clustering Method). Cet algorithme est conçu pour trouver des regroupements naturels dans les données sans qu'on lui dise quoi chercher. Il scanne l'information et dit : « Ces groupes se ressemblent entre eux, et sont différents de ceux de là-bas », effectuant ainsi un tri de milliers de groupes d'entreprises en catégories distinctes basées sur leur mélange unique de structure et de finance.

L'étude s'est concentrée sur 722 groupes d'entreprises qui disposaient de données financières suffisamment complètes pour être analysées, représentant un total de 7 050 entités juridiques. Lorsque les chercheurs ont laissé l'ordinateur trier ces groupes en se basant uniquement sur leurs chiffres financiers, il a trouvé huit profils distincts. La plupart des groupes tombaient dans une grande catégorie commune où les rôles financiers étaient relativement équilibrés. Cependant, quelques petits groupes se sont distingués par des caractéristiques extrêmes. Un groupe minuscule, composé de seulement trois entreprises, présentait des écarts massifs dans ses résultats opérationnels, tandis qu'un autre petit groupe de sept entreprises présentait des variations de profits inhabituellement importantes. Ces groupes n'ont pas été désignés comme coupables de quoi que ce soit, mais ils ont été identifiés comme statistiquement inhabituels, suggérant que quelque chose dans leur arrangement financier était rare par rapport à la norme.

Lorsque les chercheurs ont analysé les groupes sur la base de leurs connexions structurelles uniquement, l'ordinateur a trouvé douze profils différents. Certains groupes étaient définis par la présence de nombreux propriétaires étrangers, tandis que d'autres étaient caractérisés par des chaînes de contrôle complexes ou des structures de propriété circulaire où l'entreprise A possède l'entreprise B, qui possède l'entreprise C, qui à son tour possède l'entreprise A. Ces structures circulaires peuvent parfois rendre difficile l'identification de celui qui est réellement aux commandes. L'analyse a montré que des groupes de taille similaire pouvaient avoir des organisations internes très différentes ; certains étaient simples et directs, tandis que d'autres étaient des réseaux complexes impliquant de nombreuses couches de propriété et une participation étrangère.

La partie la plus révélatrice de l'étude est venue lorsque les chercheurs ont combiné les informations financières et structurelles dans une analyse unique. Cette approche a créé dix-sept profils distincts, offrant une vue beaucoup plus détaillée que l'examen d'un seul facteur. L'analyse combinée a montré que les anomalies financières et la complexité structurelle ne se produisent pas toujours ensemble. Certains groupes étaient financièrement étranges mais structurellement simples, tandis que d'autres possédaient des réseaux de propriété complexes mais des schémas financiers très standards. Plus important encore, l'étude a identifié des groupes spécifiques qui possédaient à la fois des comportements financiers inhabituels et des caractéristiques structurelles complexes. Par exemple, les chercheurs ont trouvé des groupes qui présentaient une participation étrangère significative, des structures de propriété circulaire et des déséquilibres extrêmes dans la répartition des profits ou des actifs entre leurs membres. Ces combinaisons spécifiques sont celles qui intéressent le plus les autorités fiscales, car elles représentent le type de complexité cachée qui accompagne souvent la planification fiscale agressive.

Les chercheurs soulignent que cette méthode ne prouve pas qu'un groupe spécifique évite les impôts. L'algorithme identifie simplement les groupes qui diffèrent de la moyenne, agissant comme un outil pour aider les experts humains à décider quels cas méritent un examen plus approfondi. En triant la vaste mer de données d'entreprises en profils compréhensibles, le système permet aux autorités fiscales de passer de la supposition à une stratégie d'investigation plus ciblée. L'étude démontre qu'en examinant comment les entreprises sont connectées et comment leur argent circule ensemble, il est possible de découvrir des modèles cachés qui resteraient invisibles si les entreprises étaient examinées de manière isolée. Bien que les résultats actuels soient basés sur des données de Lituanie et soient limités aux groupes possédant des dossiers financiers complets, l'approche offre une voie prometteuse pour moderniser l'évaluation des risques fiscaux. Elle suggère que l'avenir de la conformité fiscale ne réside peut-être pas dans des règles plus strictes, mais dans des moyens plus intelligents de percevoir les connexions qui lient le monde des affaires.