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

Belastingautoriteiten wereldwijd staan voor een hardnekkige uitdaging: bedrijven opereren niet in isolatie. Ze vormen complexe webben van eigendom, management en familiebanden, die vaak landsgrenzen overschrijden om structuren te creëren die moeilijk te ontrafelen zijn. Wanneer deze groepen bedrijven geld, winsten of activa op ongebruikelijke manieren verschuiven, kan dit wijzen op agressieve belastingplanning of belastingontwijking. Traditioneel hebben belastingambtenaren vertrouwd op deskundig oordeel en vaste regels om deze rode vlaggen te signaleren, waarbij ze naar de rekeningen van individuele bedrijven keken of standaard checklists toepasten. Echter, naarm matter de onderling verbonden bedrijven toenemen en hun financiële gegevens diverser worden, hebben deze traditionele methoden moeite om het bij te houden. Ze missen vaak het grotere plaatje van hoe een hele groep bedrijven samen gedraagt, in plaats van hoe één enkel bedrijf er op zichzelf uitziet. Om dit op te lossen, richten onderzoekers zich op een andere aanpak: het gebruik van computers om verborgen patronen te vinden in enorme hoeveelheden gegevens zonder vooraf te hoeven weten hoe een "risicovol" bedrijf eruitziet. Deze methode, bekend als unsupervised learning (ongesuperviseerd leren), stelt de data in staat om haar eigen vreemde of ongebruikelijke vormen te onthullen, wat ambtenaren helpt om groepen te identificeren die uit de toon vallen op basis van hoe ze zijn opgebouwd en hoe hun geld beweegt.

Een team onderzoekers van de Kaunas University of Technology in Litouwen heeft een nieuwe manier ontwikkeld om deze bedrijfsgroepen in kaart te brengen om hun belastingrisico's beter te begrijpen. In plaats van naar een enkel bedrijf te kijken, behandelden zij volledige groepen gerelateerde bedrijven als een enkele eenheid, waarbij zowel hun financiële cijfers als hun structurele verbindingen werden geanalyseerd. De onderzoekers begonnen met een enorme dataset verstrekt door de Litouwse Staatsbelastingdienst, die informatie bevatte over meer dan 113.000 juridische entiteiten en meer dan 261.000 personen. Deze entiteiten waren verbonden via drie specifieke soorten relaties: wie aandelen houdt in wie, wie beheert of controleert wie, en familiebanden. Het team bouwde een digitaal model van deze verbindingen, waarbij ze elk type relatie apart hielden om de unieke informatie die het bevatte te bewaren, vergelijkbaar met het apart houden van verschillende lagen van een kaart in plaats van ze allemaal tot één geheel te smeren. Uit dit complexe web extraheerden zij duidelijke, leesbare beschrijvingen van hoe elke groep was georganiseerd, waarbij zaken werden geteld zoals hoeveel bedrijven erbij betrokken waren, hoeveel buitenlandse entiteiten deel uitmaakten van de groep, en of het eigendom in cirkels terug naar zichzelf leidt.

Om de financiële kant te begrijpen, keken de onderzoekers naar hoe geld binnen elke groep werd verdeeld. Ze berekenden hoeveel elk bedrijf bijdroeg aan de totale activa, omzet, winst en schulden van de groep. In een typische groep kunnen deze bijdragen enigszien gebalanceerd zijn, maar in sommige groepen kan het ene bedrijf een enorm aandeel in de winst houden terwijl een ander bijna alle schulden draagt. De onderzoekers maten deze onbalansen om een profiel van het financiële gedrag voor elke groep te creëren. Vervolgens combineerden ze deze structurele beschrijvingen met de financiële profielen en voerden ze deze in een gespecialiseerd computeralgoritme genaamd de Reduced Clustering Method. Dit algoritme is ontworpen om natuurlijke groeperingen in data te vinden zonder te worden verteld waarnaar het moet zoeken. Het scant de informatie en zegt: "Deze groepen lijken op elkaar, en verschillen van die daar.", waardoor het duizenden bedrijfsgroepen sorteert in onderscheidende categorieën op basis van hun unieke mix van structuur en financiën.

De studie richtte zich op 722 bedrijfsgroepen die voldoende volledige financiële gegevens hadden om geanalyseerd te worden, wat in totaal 7.050 juridische entiteiten vertegenwoordigde. Wanneer de onderzoekers de computer lieten sorteren op basis van alleen hun financiële cijfers, vond het acht verschillende profielen. De meeste groepen vielen in een grote, algemene categorie waar financiële rollen relatief gebalanceerd waren. Echter, een paar kleinere groepen vielen op door extreme kenmerken. Eén piepkleine groep, bestaande uit slechts drie bedrijven, vertoonde enorme afwijkingen in de operationele resultaten, terwijl een andere kleine groep van zeven bedrijven ongewoon grote schommelingen in winsten kende. Deze werden niet aangemerkt als schuldig aan iets, maar werden geïdentificeerd als statistisch ongebruikelijk, wat suggereert dat iets aan hun financiële arrangement zeldzaam is vergeleken met de norm.

Wanneer de onderzoekers de groepen analyseerden op basis van alleen hun structurele verbindingen, vond de computer twaalf verschillende profielen. Sommige groepen werden gedefinieerd door het hebben van veel buitenlandse eigenaren, terwijl andere werden gekenmerkt door complexe controleketens of circulaire eigendomsstructuren waarbij Bedrijf A eigenaar is van Bedrijf B, die op zijn beurt eigenaar is van Bedrijf C, die op zijn beurt weer eigenaar is van Bedrijf A. Dergelijke circulaire structuren kunnen soms het moeilijk maken om te zien wie er werkelijk de leiding heeft. De analyse toonde aan dat groepen van vergelijkbare omvang zeer verschillende interne organisaties kunnen hebben; sommige waren eenvoudig en direct, terwijl andere ingewikkelde netwerken waren met veel lagen van eigendom en buitenlandse deelname.

Het meest onthullende deel van de studie kwam voort toen de onderzoekers zowel de financiële als de structurele informatie in één enkele analyse combineerden. Deze aanpak creëerde zeventien onderscheidende profielen, wat een veel gedetailleerder beeld gaf dan het kijken naar slechts één van beide factoren alleen. De gecombineerde analyse toonde aan dat financiële bijzonderheden en structurele complexiteit niet altijd samen voorkomen. Sommige groepen waren financieel vreemd maar structureel eenvoudig, terwijl anderen complexe webben van eigendom hadden maar zeer standaard financiële patronen vertoenden. Het belangrijkste nog was dat de studie specifieke groepen identificeerde die zowel ongebruikelijke financiële gedragingen als complexe structurele kenmerken bezaten. Bijvoorbeeld, de onderzoekers vonden groepen die een aanzienlijke buitenlandse deelname, circulaire eigendomsstructuren en extreme onbalansen in de verdeling van winsten of activa onder hun leden hadden. Juist deze combinaties zijn waar belastingambtenaren het meest in geïnteresseerd zijn, aangezien zij de complexe verborgenheid vertegenwoordigen die vaak gepaard gaat met agressieve belastingplanning.

De onderzoekers benadrukken dat deze methode niet bewijst dat een specifieke groep belastingen ontduikt. Het algoritme identificeert simpelweg groepen die anders lijken dan het gemiddelde, en fungeert als een instrument om menselijke experts te helpen beslissen welke gevallen een nadere inspectie verdienen. Door de enorme zee van bedrijfsgegevens te sorteren in begrijpelijke profielen, stelt het systeem belastingautoriteiten in staat om weg te bewegen van gissen en toe te bewegen naar een meer gerichte onderzoeksstrategie. De studie demonstreert dat door te kijken naar hoe bedrijven verbonden zijn en hoe hun geld samen beweegt, het mogelijk is om verborgen patronen te ontdekken die onzichtbaar zouden blijven als de bedrijven in isolatie zouden worden onderzocht. Hoewel de huidige resultaten gebaseerd zijn op data uit Litouwen en beperkt zijn tot groepen met volledige financiële verslagen, biedt de aanpak een veelbelovend pad voor de modernisering van belastingrisicobeoordeling. Het suggereert dat de toekomst van belastingnaleving niet ligt in strengere regels, maar in slimmere manieren om de verbindingen te zien die de bedrijfswereld bij elkaar houden.