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

As autoridades fiscais em todo o mundo enfrentam um desafio persistente: as empresas não operam isoladamente. Elas formam redes complexas de propriedade, gestão e laços familiares, muitas vezes espalhando-se por diversas fronteiras para criar estruturas que são difíceis de desvendar. Quando esses grupos de empresas deslocam dinheiro, lucros ou ativos de formas incomuns, isso pode sinalizar um planejamento ou evasão fiscal agressiva. Tradicionalmente, os fiscais de impostos dependiam do julgamento de especialistas e de regras fixas para identificar esses sinais de alerta, analisando as contas de empresas individuais ou aplicando listas de verificação padrão. No entanto, à medida que o número de negócios interconectados cresce e seus dados financeiros se tornam mais variados, esses métodos tradicionais têm dificuldade em acompanhar o ritmo. Eles frequentemente perdem a visão do quadro geral de como um grupo inteiro de empresas se comporta em conjunto, em vez de apenas como uma única empresa parece isoladamente. Para resolver isso, pesquisadores estão recorrendo a uma abordagem diferente: usar computadores para encontrar padrões ocultos em quantidades massivas de dados sem a necessidade de saber de antemão como uma empresa é "arriscada". Este método, conhecido como aprendizado não supervisionado, permite que os dados revelem suas próprias formas estranhas ou incomuns, ajudando os oficiais a identificar grupos que se destacam da multidão com base em como são construídos e como seu dinheiro circula.

Uma equipe de pesquisadores da Universidade de Tecnologia de Kaunas, na Lituânia, desenvolveu uma nova maneira de mapear esses grupos corporativos para entender melhor seus riscos fiscais. Em vez de olhar para uma única empresa, eles trataram grupos inteiros de empresas relacionadas como uma única unidade, analisando tanto seus números financeiros quanto suas conexões estruturais. Os pesquisadores começaram com um vasto conjunto de dados fornecido pela Inspeção de Impostos do Estado da Lituânia, que continha informações sobre mais de 113.000 entidades legais e mais de 261.000 pessoas. Essas entidades estavam ligadas através de três tipos específicos de relacionamentos: quem detém ações em quem, quem gere ou controla quem, e laços familiares. A equipe construiu um modelo digital dessas conexões, mantendo cada tipo de relacionamento separado para preservar a informação única que cada um detinha, de forma muito semelhante a manter as diferentes camadas de um mapa distintas em vez de as misturar todas em uma só. A partir desta rede complexa, eles extraíram descrições claras e legíveis de como cada grupo era organizado, contando elementos como quantas empresas estavam envolvidas, quantas entidades estrangeiras faziam parte do grupo e se a propriedade retornava sobre si mesma em círculos.

Para compreender o lado financeiro, os pesquisadores observaram como o dinheiro era distribuído dentro de cada grupo. Eles calcularam quanto cada empresa contribuía para o total de ativos, receita, lucros e dívidas do grupo. Em um grupo típico, essas contribuições podem ser relativamente equilibradas, mas em alguns grupos, uma empresa pode deter uma parcela massiva do lucro enquanto outra detém quase todas as dívidas. Os pesquisadores mediram esses desequilíbrios para criar um perfil de comportamento financeiro para cada grupo. Eles então combinaram essas descrições estruturais com os perfis financeiros e os inseriram em um algoritmo de computador especializado chamado Método de Agrupamento Reduzido (Reduced Clustering Method). Este algoritmo é projetado para encontrar agrupamentos naturais nos dados sem que lhe seja dito o que procurar. Ele varre as informações e diz: "Estes grupos parecem semelhantes entre si e diferentes daqueles ali", efetivamente classificando milhares de grupos corporativos em categorias distintas com base em sua mistura única de estrutura e finanças.

O estudo focou em 722 grupos corporativos que possuíam dados financeiros completos o suficiente para serem analisados, representando um total de 7.050 entidades legais. Quando os pesquisadores deixaram o computador classificar esses grupos baseando-se apenas em seus números financeiros, ele encontrou oito perfis distintos. A maioria dos grupos caiu em uma categoria comum e ampla, onde os papéis financeiros eram relativamente equilibrados. No entanto, alguns grupos menores se destacaram com características extremas. Um grupo minúsculo, composto por apenas três empresas, apresentou desvios massivos em seus resultados operacionais, enquanto outro pequeno grupo de sete empresas apresentou oscilações de lucros incomumente grandes. Estes não foram sinalizados como culpados de nada, mas foram identificados como estatisticamente incomuns, sugerindo que algo em sua organização financeira era raro em comparação com a norma.

Quando os pesquisadores analisaram os grupos baseando-se apenas em suas conexões estruturais, o computador encontrou doze perfis diferentes. Alguns grupos foram definidos por terem muitos proprietários estrangeiros, enquanto outros foram caracterizados por cadeias complexas de controle ou estruturas de propriedade circular, onde a Empresa A possui a Empresa B, que possui a Empresa C, que por sua vez possui a Empresa A. Essas estruturas circulares podem, às vezes, dificultar a percepção de quem está realmente no comando. A análise mostrou que grupos de tamanho semelhante podem ter organizações internas muito diferentes; alguns eram simples e diretos, enquanto outros eram redes intrincadas envolvendo muitas camadas de propriedade e participação estrangeira.

A parte mais reveladora do estudo surgiu quando os pesquisadores combinaram tanto a informação financeira quanto a estrutural em uma única análise. Esta abordagem criou dezessete perfis distintos, oferecendo uma visão muito mais detalhada do que olhar para apenas um dos fatores. A análise combinada mostrou que as estranhezas financeiras e a complexidade estrutural nem sempre ocorrem juntas. Alguns grupos eram financeiramente estranhos, mas estruturalmente simples, enquanto outros possuíam redes de propriedade complexas, mas padrões financeiros muito comuns. Mais importante ainda, o estudo identificou grupos específicos que possuíam tanto comportamentos financeiros incomuns quanto características estruturais complexas. Por exemplo, os pesquisadores encontraram grupos que tinham participação estrangeira significativa, estruturas de propriedade circular e desequilíbrios extremos na forma como os lucros ou ativos eram distribuídos entre seus membros. São essas combinações específicas que mais interessam aos fiscais de impostos, pois representam o tipo de complexidade oculta que frequentemente acompanha o planejamento fiscal agressivo.

Os pesquisadores enfatizam que este método não prova que qualquer grupo específico esteja evadindo impostos. O algoritmo simplesmente identifica grupos que parecem diferentes da média, atuando como uma ferramenta para ajudar especialistas humanos a decidir quais casos merecem uma investigação mais próxima. Ao classificar o vasto mar de dados corporativos em perfis compreensíveis, o sistema permite que as autoridades fiscais se afastem das suposições e caminhem em direção a uma estratégia de investigação mais direcionada. O estudo demonstra que, ao observar como as empresas estão conectadas e como seu dinheiro se move em conjunto, é possível descobrir padrões ocultos que permaneceriam invisíveis se as empresas fossem examinadas isoladamente. Embora os resultados atuais sejam baseados em dados da Lituânia e limitados a grupos com registros financeiros completos, a abordagem oferece um caminho promissor para a modernização da avaliação de riscos fiscais. Sugere que o futuro da conformidade fiscal pode não residir em regras mais rígidas, mas em formas mais inteligentes de enxergar as conexões que unem o mundo corporativo.