Unsupervised Identification of Corporate Tax-Risk Profiles Using Multilayer Network and Financial Characteristics
Questo studio propone un framework non supervisionato che integra le caratteristiche delle reti multistrato con le deviazioni finanziarie per identificare profili di rischio fiscale aziendale eterogenei senza fare affidamento su criteri predefiniti o dati etichettati.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Le autorità fiscali di tutto il mondo affrontano una sfida persistente: le aziende non operano in isolamento. Esse formano complessi intrecci di proprietà, gestione e legami familiari, che spesso si estendono oltre i confini nazionali per creare strutture difficili da sbrogliare. Quando questi gruppi di imprese spostano denaro, profitti o attività in modi insoliti, ciò può segnalare una pianificazione o un'evasione fiscale aggressiva. Tradizionalmente, i funzionari fiscali si sono affidati al giudizio esperto e a regole fisse per individuare questi segnali d'allarme, esaminando i conti delle singole società o applicando checklist standard. Tuttavia, con l'aumentare del numero di imprese interconnesse e la crescente varietà dei loro dati finanziari, questi metodi tradizionali faticano a tenere il passo. Spesso perdono di vista il quadro d'insieme di come un intero gruppo di aziende si comporti collettivamente, piuttosto che come una singola azienda appaia da sola. Per risolvere questo problema, i ricercatori si stanno rivolgendo a un approccio diverso: l'uso del computer per trovare modelli nascosti in enormi quantità di dati senza dover sapere in anticipo cosa sia un'azienda "rischiosa". Questo metodo, noto come apprendimento non supervisionato (unsupervised learning), permette ai dati di rivelare le proprie forme strane o insolite, aiutando i funzionari a identificare gruppi che si distinguono dalla massa in base a come sono strutturati e a come muovono il denaro.
Un team di ricercatori della Kaunas University of Technology in Lituania ha sviluppato un nuovo modo per mappare questi gruppi societari per comprendere meglio i loro rischi fiscali. Invece di guardare una singola azienda, hanno trattato interi gruppi di imprese correlate come un'unica unità, analizzando sia i loro numeri finanziari che le loro connessioni strutturali. I ricercatori sono partiti da un vasto dataset fornito dall'Ispettorato Statale delle Imposte della Lituania, che conteneva informazioni su oltre 113.000 entità legali e più di 261.000 persone. Queste entità erano collegate attraverso tre tipi specifici di relazioni: chi detiene quote in chi, chi gestisce o controlla chi, e i legami familiari. Il team ha costruito un modello digitale di queste connessioni, mantenendo separato ogni tipo di relazione per preservare l'informazione unica che essa conteneva, proprio come mantenere distinti i diversi strati di una mappa invece di mescolarli tutti in uno solo. Da questa complessa rete, hanno estratto descrizioni chiare e leggibili di come ogni gruppo fosse organizzato, contando elementi come quanti compagni erano coinvolti, quante entità straniere facevano parte del gruppo e se la proprietà tornava su se stessa in cerchi.
Per comprendere l'aspetto finanziario, i ricercatori hanno osservato come il denaro veniva distribuito all'interno di ogni gruppo. Hanno calcolato quanto ogni azienda contribuisse al totale delle attività, dei ricavi, degli utili e dei debiti del gruppo. In un gruppo tipico, questi contributi potrebbero essere relativamente equilibrati, ma in alcuni gruppi una singola azienda potrebbe detenere una quota massiccia dei profitti mentre un'altra detiene quasi tutto il debito. I ricercatori hanno misurato questi squilibri per creare un profilo del comportamento finanziario per ogni gruppo. Hanno poi combinato queste descrizioni strutturali con i profili finanziari e le hanno inserite in un algoritmo specializzato chiamato Metodo di Clustering Ridotto (Reduced Clustering Method). Questo algoritmo è progettato per trovare raggruppamenti naturali nei dati senza che gli venga detto cosa cercare. Scansiona le informazioni e dice: "Questi gruppi sono simili tra loro e diversi da quelli di là", di fatto classificando migliaia di gruppi societari in categorie distinte basate sulla loro combinazione unica di struttura e finanza.
Lo studio si è concentrato su 722 gruppi societari che disponevano di dati finanziari sufficientemente completi per essere analizzati, rappresentando un totale di 7.050 entità legali. Quando i ricercatori hanno lasciato che il computer classificasse i gruppi basandosi solo sui loro numeri finanziari, ha trovato otto profili distinti. La maggior parte dei gruppi rientrava in una categoria comune e vasta, dove i ruoli finanziari erano relativamente equilibrati. Tuttavia, alcuni piccoli gruppi si distinguevano per caratteristiche estreme. Un minuscolo gruppo, composto da sole tre aziende, mostrava deviazioni massicce nei suoi risultati operativi, mentre un altro piccolo gruppo di sette aziende presentava oscillazioni insolitamente grandi nei profitti. Questi non sono stati segnalati come colpevoli di nulla, ma sono stati identificati come statisticamente insoliti, suggerendo che qualcosa nella loro disposizione finanziaria fosse raro rispetto alla norma.
Quando i ricerci hanno analizzato i gruppi basandosi solo sulle loro connessioni strutturali, il computer ha trovato dodici profili differenti. Alcuni gruppi erano definiti dall'avere molti proprietari stranieri, altri erano caratterizzati da catene di controllo complesse o strutture di proprietà circolari, in cui l'Azione A possiede l'Azienda B, che possiede l'Azienda C, che a sua volta possiede l'Azienda A. Queste strutture circolari possono talvolta rendere difficile capire chi sia realmente al comando. L'analisi ha mostrato che gruppi di dimensioni simili potevano avere organizzazioni interne molto diverse; alcuni erano semplici e diretti, altri erano reti intricate che coinvolgevano molti livelli di proprietà e partecipazione straniera.
La parte più rivelatrice dello studio è emersa quando i ricercatori hanno combinato sia le informazioni finanziarie che quelle strutturali in un'unica analisi. Questo approccio ha creato diciassette profili distinti, offrendo una visione molto più dettagliata rispetto al semplice esame di uno dei due fattori. L'analisi combinata ha dimostrato che le stranezze finanziarie e la complessità strutturale non avvengono sempre insieme. Alcuni gruppi erano finanziariamente strani ma strutturalmente semplici, mentre altri avevano reti di proprietà complesse ma schemi finanziari molto standard. Soprattutto, lo studio ha identificato gruppi specifici che possedevano sia comportamenti finanziari insoliti che caratteristiche strutturali complesse. Ad esempio, i ricercatori hanno trovato gruppi che presentavano una significativa partecipazione straniera, strutture di proprietà circolari ed estremi squilibri nella distribuzione di profitti o attività tra i loro membri. Queste combinazioni specifiche sono ciò che interessa maggiormente ai funzionari fiscali, poiché rappresentano il tipo di complessità nascosta che spesso accompagna la pianificazione fiscale aggressiva.
I ricercatori sottolineano che questo metodo non prova che un gruppo specifico stia evadendo le tasse. L'algoritmo si limita a identificare i gruppi che appaiono diversi dalla media, agendo come uno strumento per aiutare gli esperti umani a decidere quali casi meritino un esame più approfondito. Classificando la vasta mole di dati societari in profili comprensibili, il sistema permette alle autorità fiscali di passare dal tirare a indovinare a una strategia di investigazione più mirata. Lo studio dimostra che, osservando come le aziende sono connesse e come il loro denaro si muove insieme, è possibile scoprire modelli nascosti che rimarrebbero invisibili se le aziende venissero esaminate isolatamente. Sebbene i risultati attuali si basino su dati della Lituania e siano limitati ai gruppi con registri finanziari completi, l'approccio offre una strada promettente per modernizzare la valutazione del rischio fiscale. Suggerisce che il futuro della conformità fiscale possa non risiedere in regole più severe, ma in modi più intelligenti per vedere le connessioni che legano insieme il mondo aziendale.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.