چه به صورت شخصی و چه به صورت سازمانی، برای اینکه بتوانیم، سیستم جمع‌آوری مالیات موفقی را در جامعه‌ پیاده‌سازی کنیم، باید اطلاعات و بینش‌های عمیقی درباره‌ی مالیات‌دهندگان داشته باشیم. در سرتاسر جهان سالانه میلیاردها دلار به دلیل کلاهبرداری، فرار، عدم جمع‌آوری درست پول و… در اداره‌های مالیات از دست می‌رود. این باعث شده است، دولت‌ها به فکر چاره‌ای برای جلوگیری از فرار مالیاتی باشند و داده‌های زیادی را در این حوزه جمع‌آوری کنند. 

افراد و صاحبان مشاغل روش‌های مختلفی برای انجام معامله‌‌هایی که مشمول مالیات می‌شوند دارند. آن‌ها انواع راه‌ها را از منظر مالیات مورد بررسی قرار می‌دهند؛ به این منظور که راهی انتخاب کنند تا کمترین مالیات را بپردازند.

این نکته را در نظر داشته باشید که برنامه‌ریزی مالیاتی قانونی است اما آن چیزی که غیرقانونی محسوب می‌شود، فرار از پرداخت این مالیات است.

قبل از پرداخت به موضوع آنالیز داده‌های کلان در حوزه مالیات بهتر است، تعاریف اساسی برنامه‌ریزی مالیاتی، اجتناب از مالیات و فرار مالیاتی را با هم بررسی کنیم.

• برنامه‌ریزی مالیاتی: به اقدام برای کاهش بدهی مالیاتی با اعمال اسناد قانونی و اخلاقی مانند تخفیف، معافیت، کسر و… اشاره دارد. برای این کار افراد و سازمان‌ها از مزایایی که قانون برایشان در نظر گرفته، استفاده می‌کنند. برای مثال استفاده از درگاه پرداخت پادیوم و مجموعه سرویس‌های مکمل آن باعث می‌شود مشکلات مالیاتی خود را کم کنید.
• اجتناب از مالیات: به این معنی است که افراد و سازمان‌ها از نقاط ضعف موجود در قانون به منظور کاهش بدهی‌های مالیاتی خود استفاده می‌کنند و مالیات خود را به حداقل می‌رسانند.
• فرار مالیاتی: عملی غیر قانونی است. در فرار مالیاتی افراد به عمد درآمد یا فروششان را سرکوب می‌کنند تا بدهی مالیاتی خود را از طریق راه‌هایی ناعادلانه کاهش دهند.

کلان‌داده چیست و چگونه می‌تواند به شرکت‌ها کمک کند؟

کلان‌داده به مجموعه داده‌های بسیار بزرگی اطلاق می‌شود که با ابزارهای ساده‌ی مدیریت پایگاه داده قابل تحلیل و مدیریت نیستند و به ابزارهای پیشرفته‌تری نیاز دارند. این داده‌ها می‌توانند، ساختارمند و یا بدون ساختار باشند که با حجم و سرعت زیادی درباره‌ی موضوعات مختلفی از قبیل تعاملات انسانی، فرآیند‌های خاص، الگو‌های رفتاری و… تولید می‌شوند.

می‌توان از این داده‌ها با استفاده از هوش مصنوعی و یادگیری ماشین استفاده کرد و آن‌ها را مورد ارزیابی قرار داد و اطلاعات بسیار مفیدی را از آن‌ها استخراج کرد.

از آن‌جایی که شرکت‌ها به طور پیوسته در حال تولید داده‌های زیاد و متفاوتی هستند، تحلیل آن داده‌ها می‌تواند تا حد زیادی برایشان مفید واقع شود. هم‌اکنون شرکت‌ها هزینه‌های بسیار زیادی را برای ایجاد امکانات و استخدام افراد خبره در این زمینه می‌پردازند تا بتوانند از تحلیل این داده‌ها به سود خودشان بهره ببرند.

شرکت‌ها از تحلیل کلان‌داده‌ها برای بهبود عملکرد، افزایش سود، ایجاد کمپین‌های بازاریابی، بهبود خدمات به مشتری و… استفاده می‌کنند.

برخی از راه‌هایی که کلان‌داده‌ها به کاهش فرار مالیاتی کمک می‌کنند عبارتند از:

تجزیه‌و‌تحلیل داده‌ها برای بررسی ارتباط در سپرده‌های نقدی

در این نوع تجزیه‌و‌تحلیل، داده‌ها بر اساس پیوندها و یا روابطشان با یکدیگر گروه‌بندی می‌شوند.

برای مثال در مورد شرکت‌ها، گروه‌بندی روی کارکنان، کارفرمایان، مدیران و آدرس‌های شعب مختلف و ارتباطات میان آن‌ها انجام می‌شود. در مورد اشخاص، گروه‌بندی بر اساس آدرس‌های ایمیل، آدرس‌های مشترک، شماره‌های تماس، دارایی‌ها، سرمایه‌گذاری‌ها و حساب‌های بانکی انجام می‌شود.پس از آن روابط و تعاملات میان آن‌ها مورد بررسی قرار می‌گیرد.

همچنین اطلاعاتی از پایگاه‌داده‌های موجود در اداره‌ی مالیات نیز دریافت می‌شود. در نتیجه هرگونه کلاهبرداری به سرعت شناسایی شده و جلوی آن گرفته خواهد شد.

پیاده‌سازی کلان‌داده‌ها و بسترهای نرم‌افزاری تحلیلی پیشرفته

در این مورد می‌توان از منابع مختلف داده‌ها را جمع‌آوری کرد و به تحلیل آن‌ها پرداخت.

این امر به ایجاد دیدی یکپارچه در پرونده‌های مالیاتی و مالیات‌های فردی کمک بسیار زیادی می‌کند. همچنین باعث می‌شود، منابع به شیوه‌ای بهینه مورد استفاده قرار داده‌ شوند.

این‌کار با این هدف که ادارات مالیاتی بتوانند وظایف خود را به خوبی انجام دهند و شکاف‌های مالیاتی را برطرف کنند، انجام می‌شود و در مقابله با ناسازگاری‌هایی مانند فرار مالیاتی، دستکاری در قیمت‌گذاری و… کمک می کند.

پلتفرم‌های تحلیلی پیشرفته می‌توانند به شناسایی الگوهای داده و روابط پیچیده‌ی تجاری کمک کنند.

مدل ترکیبی تشخیص تقلب

این مدل برای به منظور ارزیابی ویژگی‌های مختلف مجرمین استفاده می‌شود و مبتنی بر یکپارچه‌سازی سطوح مختلف ضریب‌های اطمینان است. در این حالت مدلی برای فرار مالیاتی بر اساس قوانین شغلی، ناهنجاری‌ها، آنالیز اجتماعی و مدل‌های مرتبط با نظارت بر کلاهبرداری اجتماعی و فردی ایجاد می‌شود.

مدل شبیه‌سازی هوش تجاری و فرار مالیاتی

این مدل شرایطی را که در آن فرآیندهای فرار مالیاتی اتفاق می‌افتد، بازسازی می‌کند و تمامی اطلاعات مرتبط با آن را در بستری واحد پیاده‌سازی می‌کند.

این امر به تجزیه‌و‌تحلیل معاملات و فعالیت‌های مشتری کمک می‌کند و امکان تائید و اعتبارسنجی داده‌ها را فراهم می‌آورد. همچنین امکان کشف روش‌های جدید کلاهبرداری و گزارش آن‌ها و در نهایت جلوگیری از فرار مالیاتی را نیز ایجاد می‌کند.

نتیجه‌گیری

به طور کلی فرار مالیاتی یکی از چالش‌های اقتصادی و اجتماعی در تمام جوامع است. استفاده از داده‌ها یکی از راه‌های جلوگیری از فرار مالیاتی است.

تاثیر و ارزش کلان‌داده در این حوزه نیز به مهارت و کارایی افراد خبره و سیستم‌های تجزیه و تحلیل داده‌ها وابسته است. با این حال، این روزها سازمان‌ها مزایای زیادی را از کار با کلان‌داده‌ها می‌برند.

کلان‌داده‌ها با استخراج و تجزیه‌و‌تحلیل داده‌ها برای سازمان‌ها ایجاد ارزش می‌کنند و به ایجاد مشاغل هوشمندانه کمک می‌کنند و باعث می‌شوند کارها در سازمان‌ها با سرعت و کیفیت بالاتری انجام شوند.

سوالات متداول