Advanced data analytics in tax administration The case of Independent Authority for Public Revenue (IAPR)

Abstract

Η φορολογική διοίκηση αποτελούσε ανέκαθεν έναν σημαντικό τομέα στην ακαδημαϊκή έρευνα, καθώς βασικός στόχος των κυβερνήσεων είναι η μεγιστοποίηση της συλλογής εσόδων, προκειμένου να υλοποιήσουν τις πολιτικές τους, ελαχιστοποιώντας παράλληλα την επιβάρυνση των φορολογουμένων. Ωστόσο, με την πάροδο των ετών, το κέντρο βάρους έχει μετατοπιστεί από μια καθαρά οικονομική προσέγγιση σε μια πιο σύνθετη οπτική, η οποία συνδυάζει την οικονομία με την κοινωνιολογία και την ψυχολογία. Η πλέον πρόσφατη και πολλά υποσχόμενη ερευνητική προσέγγιση στον τομέα της φορολογικής διοίκησης είναι η χρήση της προηγμένης ανάλυσης δεδομένων σε συνδυασμό με τη διεξαγωγή πρωτογενούς έρευνας μεταξύ των φορολογουμένων. Μια τέτοια προσέγγιση μπορεί να βοηθήσει στον εντοπισμό πιθανών περιοχών μη συμμόρφωσης και, ακολούθως, στη βελτίωση της αποτελεσματικότητας των διαδικασιών είσπραξης φόρων. Η παρούσα διδακτορική διατριβή διερευνά πώς οι τεχνικές προηγμένης ανάλυσης δεδομένων μπορούν να μετασχηματίσουν τη λειτουργία των φορολογικών αρχών βελτιώνοντας την κατανόηση της συμμόρφωσης, ενισχύοντας τη στρατηγική στόχευση και ευθυγραμμίζοντας τις θεσμικές πρακτικές με διεθνή πρότυπα, ενισχύοντας έτσι την συμμόρφωση. Η μελέτη εστιάζει στην περίπτωση της Ανεξάρτητης Αρχής Δημοσίων Εσόδων (ΑΑΔΕ) στην Ελλάδα, αλλά θα μπορούσε να αξιοποιηθεί και σε άλλες φορολογικές διοικήσεις. Το βασικό ερευνητικό ερώτημα είναι: Πώς μπορεί η προηγμένη ανάλυση δεδομένων να ενισχύσει την αποτελεσματικότητα και την αποδοτικότητα της φορολογικής διοίκησης, βελτιώνοντας την κατανόηση της φορολογικής συμπεριφοράς και την εφαρμογή στοχευμένων πολιτικών συμμόρφωσης; Η διατριβή ακολουθεί τριπλή μεθοδολογική προσέγγιση. Πρώτον, διενεργείται πρωτογενής έρευνα μέσω ημιδομημένου ερωτηματολογίου σε φυσικά πρόσωπα που ασκούν επιχειρηματική δραστηριότητα, τα αποτελέσματα της οποίας αναλύονται οικονομετρικά με το μοντέλο Stata (n=175). Δεύτερον, αξιοποιούνται δευτερογενή διοικητικά δεδομένα για την περίοδο 2018–2023, τα οποία απεικονίζονται μέσω Power BI, αναδεικνύοντας περιφερειακές διαφοροποιήσεις στη φορολογική συμμόρφωση, τους ελέγχους και τα δημόσια έσοδα. Τρίτον, γίνεται αντιστοίχιση της περίπτωσης της ΑΑΔΕ με διεθνή πρότυπα και δείκτες (TADAT και Μοντέλα Ωριμότητας του ΟΟΣΑ), ώστε να αξιολογηθεί ο βαθμός ετοιμότητας της φορολογικής διοίκησης και να εντοπιστούν κενά και ευκαιρίες μεταρρύθμισης. Η μέθοδος ολοκληρώνεται με αδόμητη συνέντευξη του Διοικητή της ΑΑΔΕ. Α. Ερωτήματα σε επίπεδο φορολογικής διοίκησης (Institutional-Level Questions) ▪ Ποια είναι η θέση της ελληνικής Φορολογικής Διοίκησης όσον αφορά την ωριμότητα στη χρήση προηγμένης ανάλυσης δεδομένων; ▪ Πώς μπορούν τα διαδραστικά δεδομένα και η διεθνής συγκριτική αξιολόγηση (TADAT, ΟΟΣΑ) να ενισχύσουν τη στρατηγική φορολογική διακυβέρνηση; Β. Ερωτήματα σε συμπεριφορικό επίπεδο (Behavioral-Level Questions) ▪ Ποιοι είναι οι βασικοί παράγοντες που επηρεάζουν τη φορολογική συμμόρφωση; ▪ Πώς επηρεάζουν η πιθανότητα ελέγχου, η αυστηρότητα των ποινών και η αναστολή λειτουργίας την πρόθεση συμμόρφωσης; ▪ Πώς αλληλεπιδρούν ψυχολογικά χαρακτηριστικά —όπως η ανάγκη για γνωστική σύγκλιση, η αξιολόγηση και η κινητοποίηση— με τους μηχανισμούς αποτροπής; Γ. Ερωτήματα εφαρμογής και πολιτικής στρατηγικής (Strategic Application & Policy Questions) ▪ Πώς μπορούν η συμπεριφορική τμηματοποίηση και η ανάλυση δεδομένων να ενσωματωθούν σε στοχευμένες στρατηγικές συμμόρφωσης; ▪ Ποιες είναι οι πρακτικές επιπτώσεις της μελέτης για τα στελέχη και τους υπεύθυνους χάραξης πολιτικής στη Φορολογική Διοίκηση; Τα ευρήματα καταδεικνύουν ότι η αυξημένη πιθανότητα ελέγχου, η αυστηρότερη ποινή και η μεγαλύτερη διάρκεια αναστολής λειτουργίας ενισχύουν την πρόθεση συμμόρφωσης — υπό την προϋπόθεση ότι ευθυγραμμίζονται με συγκεκριμένα ψυχολογικά προφίλ. Η συμπεριφορική τμηματοποίηση, με βάση θεωρίες κινήτρων και γνωστικά χαρακτηριστικά, προσφέρει μια βαθύτερη και πιο προσαρμοσμένη κατανόηση της φορολογικής συμπεριφοράς σε σύγκριση με τα παραδοσιακά μοντέλα αποτροπής. Παράλληλα, η ανάλυση μέσω Power BI αναδεικνύει γεωγραφικές και εισοδηματικές ασυμμετρίες στους ελέγχους, τις επιστροφές και τα δημόσια έσοδα, ενώ η διεθνής σύγκριση αποκαλύπτει περαιτέρω δυνατότητες στην ανάλυση κινδύνου, στη στρατηγική στόχευση και στη διαχείριση δεδομένων. Η διατριβή ολοκληρώνεται με την πρόταση του Πλαισίου Νοημοσύνης Συμμόρφωσης (Compliance Intelligence Framework - CIF), το οποίο ενοποιεί τις ευρηματικές διαστάσεις της έρευνας σε ένα εφαρμόσιμο και μεταρρυθμιστικό εργαλείο. Το CIF επιτρέπει στις φορολογικές αρχές να προσδιορίσουν ποιον να στοχεύσουν (με βάση ψυχολογικά προφίλ), πού να παρέμβουν (με γεωγραφική και τομεακή ανάλυση κινδύνου) και πώς να επιδράσουν (με διαφοροποιημένους μοχλούς πολιτικής). Πρόκειται για ένα οργανωμένο, δομημένο πλαίσιο που συνδυάζει τα προαναφερθέντα στοιχεία σε μια ενιαία, κλιμακούμενη δομή στρατηγικής συμμόρφωσης, το οποίο, κατά την γνώση της υποψήφιας διδάκτορος, δεν έχει κάτι αντίστοιχο στην διεθνή βιβλιογραφία. Τελικά. η παρούσα διατριβή γεφυρώνει τη θεωρία με την πράξη και τις κοινωνικές επιστήμες με την τεχνολογία. Συνεισφέρει τόσο στη διεθνή βιβλιογραφία όσο και στις εφαρμοσμένες πρακτικές, αφού καταλήγει προτείνοντας έναν οδικό χάρτη μεταρρυθμιστικών παρεμβάσεων προς την Φορολογική Διοίκηση 3.0, αξιοποιήσιμο από τις φορολογικές διοικήσεις που επιδιώκουν να μεταβούν από την αξιοποίηση των δεδομένων για λόγους ενημέρωσης και δράσης σε προληπτική, ευφυή και τεκμηριωμένη λήψη αποφάσεων.