Papírování spojené s činností úřadů postupně nahrazují internetové formuláře a žádosti. S tím přibývá i množství dat. Dokáží je úředníci efektivně využít? Dobrým příkladem, jak se dají moderní technologie aplikovat na úrovni veřejné správy, je odhalování daňových podvodů.
Namátkové daňové kontroly přinesly předloni do státního rozpočtu více než šest miliard korun. Tato částka představuje dostatečnou motivaci, aby stát v těchto kontrolách i nadále pokračoval a hledal cesty, jak si na neplatiče ještě lépe posvítit.
NAJDĚTE ROZDÍL (V DATECH)
Snad každý se snaží svůj vyměřovací daňový základ legálními prostředky snížit. Některé daňové subjekty si však při jeho snižování pomáhají i nástroji za hranicemi zákona. Tyto nezákonné aktivity se nedají odhalit přímo, ale projevují se jako anomálie v datech, netypické vzory, které lze odhalit vhodnými dataminingovými a statistickými nástroji, jako jsou například IBM SPSS Modeler a IBM SPSS Statistics. Analýza obrovských objemů dat pomáhá najít »podvodné« vzory chování.
V podstatě existují dva přístupy k řešení této úlohy, a to podle toho, zda máme k dispozici historické záznamy nebo nikoli. Nejsou-li tyto záznamy k dispozici, musíme hledat anomálie v datech. Pokud však jsou záznamy, o nichž víme, že šlo o krácení daně, nejprve je analyzujeme a najdeme v nich charakteristické vzory. Tyto vzory hledáme i ve zbývajících záznamech. V ČR bylo za rok 2008 evidováno více než 9,5 milionu ekonomicky aktivních daňových subjektů. Najít v tomto množství osoby a společnosti, které se dopustily trestné činnosti krácení daně, je bez kvalitních softwarových nástrojů nadlidský úkol. Stejný úkol se v součinnosti systémového integrátora a analytické společnosti SPSS CR řeší také na Slovensku pro Daňové ředitelství SR, kde již existují konkrétní výsledky.
DATA, DATA, DATAMINING
Sofistikované softwarové nástroje jsou schopné zpracovat a analyzovat obrovské množství dat získaných z daňových přiznání, historických údajů o platební disciplíně plátců a z výsledků již uskutečněných daňových kontrol.
V případě Daňového ředitelství SR vede efektivní modelování vztahů a závislostí k nalezení takových subjektů, které se svým charakterem výrazně odlišují od ostatních. Tyto subjekty jsou z nějakého důvodu podezřelé a bude jim věnována zvýšená pozornost při daňových kontrolách. Daňové ředitelství SR si dalo za úkol zefektivnit proces výběru daní a eliminovat daňové úniky. Cíle bylo dosaženo nalezením skrytých závislostí v datech, které odhalily souvislosti mezi chováním daňového subjektu v minulosti a jeho tendencí k daňovému podvodu v současnosti. Nutným předpokladem byla kvalitní datová základna, vzniklá konsolidací různých datových zdrojů z různých formátů, obsahující velké množství reálných i dopočítaných informací charakterizujících daňový subjekt.
Zjednodušeně se dá říci, že existuje seznam několika milionů daňových přiznání, k němuž se připojí informace o daňových subjektech, které přiznání podávají. Vše se zanalyzuje a na základě predikčních modelů určí rizikové, podezřelé subjekty, u kterých se uskuteční hlubší kontrola. Výsledkem je pak seznam několika set/tisíc přesně identifikovaných daňových subjektů, u kterých je řádově vyšší pravděpodobnost odhalení nějakého nezákonného chování. Takto cílené kontroly přinášejí proti »náhodně vybraným« namátkovým kontrolám mnohem více peněz na pokutách. Dodatečně získané prostředky do státního rozpočtu jsou ve výši několika miliard korun.
Podstatou tohoto přístupu jsou prediktivní analýzy - konkrétně dataminingový predikční model, který všem záznamům přiřadí pravděpodobnost, s jakou se jedná o podezřelý případ. Na základě zkušeností analytických a metodických pracovníků daňové správy nebo na základě různých dataminingových metod jsou vybrány konkrétní informace charakterizující daňový subjekt a ty jsou obsaženy v datové matici. Datová matice čítá komplexní množinu 60 kritérií, tvořenou jak registračními, daňovými a účetními daty, tak dalšími údaji, které mělo příslušné daňové ředitelství k dispozici. Při finálním výpočtu pravděpodobnosti podvodu není předem stanoveno, která kritéria z celkových 60 musí být splněna. Důležitější jsou totiž celková procenta a příznaky rizik nebo nová data za určité zdaňovací období. Hodnotí se především změny chování daňových subjektů na základě definovaných ukazatelů. Roztříděním daňových subjektů na fyzické a právnické subjekty a podle míry podezření na daňové úniky, je pak možno operativně identifikovat rizikové subjekty.
VÝHODY ADRESNÝCH KONTROL
Kritici tohoto řešení mohou namítnout, že ještě před samotnou kontrolou jsou subjekty obviněny z daňových úniků. Opak je pravdou. Nejde o dokazování viny či neviny. Úkolem je pouze nasměrovat kontrolu tím správným směrem - k subjektům, u kterých je největší pravděpodobnost, ne však jistota, že se dopustily krácení daně apod. Adresnost kontrol navíc vede i k tomu, že se kontroloři mohou soustředit na ty nejrizikovější případy, a očekává se proto i větší finanční rozsah vybraných pokut. Další výhodou adresných kontrol je i hledisko nižšího požadavku na kapacity, které kontrolní úřady mají. Neztrácejí totiž čas s případy, kde je velmi nízká pravděpodobnost, že došlo k nějakému trestnému činu, a lidské zdroje mohou využít účelně.
Cílené kontroly však mají i sociální důsledky. Tímto způsobem se totiž eliminuje možnost, že se do rizikových subjektů zařadí i subjekty, které žádný daňový podvod nespáchaly, nebo se dopustily pouze neúmyslné chyby. Namátkové kontroly by se v těchto případech snížily na malé procento. Tím, že nebudou bezdůvodně obtěžovány tyto subjekty, nevzniká žádné zbytečné tření nálad ani důvod k nespokojenosti občanů s byrokracií. Závěrem lze říci, že je vybráno více peněz s menším úsilím. Zároveň se zvyšuje spokojenost jak daňových subjektů, tak kontrolních úřadů.
Uvedený příklad slouží jako ilustrace využití technologie na úrovni statní správy, ale podobné systémy se dají uplatnit i na úrovni samosprávy. Obce mají ve svých běžných evidenčních programech množství dat, jejichž analýza by jistě přinesla překvapivé závěry a doporučení vhodná pro aplikaci v praxi. Skutečným problémem tedy zůstává schopnost zamyslet se nad problémem a položit si tu správnou otázku.
LIBOR ŠLIK
konzultant SPSS CR
ANETA ŽIVNÁ KAVALIEROVÁ
koordinátorka marketingu a PR SPSS CR
