04 décembre 2019

le robot anti fraude fonctionne FORT bien

chiens renifleurs.jpgSITUATION MENSUELLE BUDGÉTAIRE AU 31 OCTOBRE 2019

Le solde général d’exécution au 31 octobre 2019 s’établit à - 107,7 Md€ contre - 87,0 Md€ à fin octobre 2018.Les dépenses du budget général au 31 octobre 2019 atteignent 287,8 Md€ contre 282,8 Md€ au 31 octobre 2018 tandis que les prélèvements sur recettes s’établissent à 52,8 Md€ contre 49,7 Md€ au 31 octobre 2018. Les recettes du budget général (nettes des remboursements et dégrèvements) au 31 octobre 2019 s’établissent à 238,2 Md€ contre 254,0 Md€ à fin octobre 2018.notamment  impôt sur le revenu 56 865  au lieu de 65 331  fin octobre 2018 (-13,0%)

xxxxxx

la mission "Requête et Valorisation" est chargée de développer les outils d'analyse permettant une identification plus rapide des situations de fraude intégrée aujourd’hui au service du contrôle fiscal. 

Impôts: pourquoi le logiciel antifraude de Bercy interroge
Par Emmanuel Paquette,
  

Mise a jour décembre 2019

Montants redressés à l’aide des principaux dispositifs anti-abus dédiés
 à la lutte contre l’évasion fiscale

MIEUX CIBLER LES OPÉRATIONS DE CONTRÔLE page9

Un des objectifs principaux consiste à détecter plus efficacement les incohérences déclaratives et à exploiter les informations de différentes sources pour mieux cibler les affaires, afin d’opter à bon escient entre contrôles du bureau ou sur place. Si elle continue de mobiliser ses services de recherche pour recueillir des renseignements de terrain (autres que déclaratives), l’administration fiscale utilise désormais les nouvelles potentialités de l’exploitation des données (analyse de données et datamining) pour améliorer sa programmation. Les projets informatiques du service du contrôle fiscal permettent de faciliter la conception, l'exploitation et le suivi de listes de dossiers de façon massive. Le ciblage ainsi réalisé par la mission requêtes et valorisation (MRV) s’appuie sur un silo intégrant de façon décloisonnée des données de nature et d'origine différentes et un suivi rapproché de l'exploitation des dossiers sélectionnés. La DGFiP développe également le recours au traitement de données non structurées (text-mining), l’exploitation des données ouvertes dans le respect du règlement général sur la protection des données (RGPD) ou le recours à des data-scientists

. Par ailleurs, le maintien de services de recherche sur le terrain permet de mutualiser les informations recueillies avec les partenaires du contrôle fiscal (service judiciaire, police, gendarmerie, organismes sociaux…), ce qui facilite leur recoupement et contribue utilement à la détection de la fraude fiscale.

La Cour des comptes  avait   publié le 10 octobre 2013, un référé adressé au premier ministre, Jean-Marc Ayrault, sur l'organisation, les méthodes et les résultats du contrôle fiscal en France. 

Les recommandations de la Cour des comptes pour lutter contre la fraude fiscale (2013)

"Elle concerne des contribuables de nature très différente, note-t-elle, des personnes physiques dont les activités sont, pour l'essentiel, légales, de grands groupes qui utilisent abusivement des mécanismes d'optimisation fiscale ou encore des réseaux criminels qui ont notamment investi le champ de la fraude à la TVA." 

Ce dispositif de ciblage automatisé de la fraude fiscale. déjà mis en place  pour traquer les fraudes des entreprises depuis 2014, à titre expérimental tout d'abord, puis pérennisé  en 2015  est ainsi élargi à l'ensemble des contribuables de l'Hexagone.

les premiers résultats du data mining 

      Arrêté du 12 novembre 2019, JORF n°0278 du 30 novembre 2019

L’arrêté publié au JO du 30 novembre 2019 remplace les alinéas trois à six de l’article 2 de l’arrêté du 21 février 2014 par les dispositions suivantes : « Le traitement est mis en œuvre pour les fraudes relatives aux professionnels et aux particuliers.« Il peut utiliser les données des professionnels et ds personnes physiques contenues dans la base. »

Il pérennise ainsi l’utilisation de l’outil de data-mining a l’égard des particuliers.

L’arrêté prévoit également que les données transmises par les opérateurs de plateformes collaboratives en application de l’article 242 bis du CGI seront également traitées par cet outil de data-mining.

mise a jour mars 2019

 Pourquoi décide-t-on de vérifier sur place une entreprise 

Unsa Dgfip - Compte-rendu du groupe de travail contrôle fiscal du 10 ... 

data mining MRV 
– le compte rendu de cgt finances publiques

L’organisation du contrôle fiscal et la lutte contre la fraude fiscale

L'activité de contrôle externe mobilise environ 10 000 agents (programmation, contrôle, recouvrement, contentieux) pour un budget de 1 000 MM€ dont plus de 4 000 vérificateurs (VF et ESFP) qui ont effectué 47900 contrôles externes en 2017 (-2%). Soit 7 710 MM€ de droits nets (-3.5%) et de 3 014 de pénalités (+ 6.5%) encaissés 

Les statistiques officielles du contrôle fiscal 2017

Le répartition du contrôle fiscal externe  par montant de redressements  

PJL Lutte contre la fraude –

Audition de M. Bruno Parent et Mme Maïté Gabet 

lire le compte rendu

Conjuguer vérifications générales et ponctuelles et avoir en amont une programmation plus efficace grâce aux outils de data mining : ce sont les fondamentaux qui structurent l'évolution du contrôle fiscal aujourd'hui. 

Nous cherchons à mieux cibler les contrôles. Cela permet d'obtenir des résultats équivalents en diminuant le nombre de contrôles et en évitant de contrôler une entreprise « à tort ». Cela passe en effet par le recours au big data, au data mining, ou analyse de données de masse, et cela produit des résultats. Cette année,(2018) 20 % des contrôles des brigades territoriales seront effectués à partir d'une programmation issue du data mining.

Dans un contexte d'allocation optimale des ressources qui nous sont allouées, la diversification des modes d'action et l'amélioration des relations avec les entreprises sont compatibles.

Par ailleurs, nous développons les vérifications ponctuelles. Les points qui motivent notre présence et qui feront l'objet d'un contrôle, sont précisés en amont. Cela est beaucoup plus rapide et offre une sécurité juridique plus grande pour l'entreprise.

nous cherchons à mieux cibler les contrôles. Cela permet d'obtenir des résultats équivalents en diminuant le nombre de contrôles et en évitant de contrôler une entreprise « à tort ». Cela passe en effet par le recours au big data, au data mining, ou analyse de données de masse, et cela produit des résultats. Cette année (2018), 20 % des contrôles des brigades territoriales seront effectués à partir d'une programmation issue du data mining. 

Le service public du datamining , Etalab

Installée au sixième étage de l'immeuble Sully du ministère de l'Economie et des Finances depuis 2013, une cellule d'analyse a enfanté et entraîné ces algorithmes voraces. Initialement constituée de quatre personnes, l'équipe dirigée par Philippe Schall  avec Marion Paclot 'cliquez) compte aujourd'hui 22 collaborateurs - ils devraient être une trentaine l'année prochaine. Informaticiens, fiscalistes, spécialistes de la donnée, des profils divers s'y côtoient, y compris, bientôt, des universitaires. "Jusqu'ici, les vérificateurs se penchaient sur certains critères précis pour déceler une fraude, explique Philippe Schall. Notre approche est différente. Entraînés avec les éléments du passé, les algorithmes arrivent par eux-mêmes à identifier de nouveaux critères, qui sont appliqués aux dossiers d'aujourd'hui." 

Les analyses de données permettent actuellement de détecter des fraudes sur 10 000 dossiers professionnels et plusieurs dizaines de milliers de ménages chaque trimestre, détaille-t-il. Ces cas sensibles sont ensuite envoyés à la direction du contrôle, qui décide de donner suite ou non à nos propositions."  

les prestataires de services  de la DGFIP  Neo4j et Linkurious

Un exemple de l efficacite sur les panama papers 

  Êtes-vous fiché ??OFFSHORE LEAKS DATABASE

‘Offshore Magic Circle’ Law Firm

 Et cours d’ utilisation le Text mining

 

mise à jour avril 2018 

 


 

 L'article 434-15-2 du code pénal, 

QPC de la cour de cassation sur le droit de garder le silence  devant un robot ???? 

Arrêt n°3478 du 10 janvier 2018 (17-90.019) - Cour de cassation - Chambre criminelle - 

L’Article 434-15-2 du code pénal oblige une personne ayant connaissance de la convention secrète de déchiffrement d'un moyen de cryptologie susceptible d'avoir été utilisé pour préparer, faciliter ou commettre un crime ou un délit, à remettre ladite convention aux autorités judiciaires ou de la mettre en oeuvre, sur les réquisitions de ces autorités délivrées en application des titres II et III du livre Ier du code de procédure pénale. 

Le refus Est puni de trois ans d'emprisonnement et de 270 000 € d'amende   

Ce texte est il contraire aux principes de garder le silence ou de ne pas s‘incriminer
le conseil constitutionnel a répondu par la négative 

Par décision n° 2018-696 QPC du 21 mars 2018  le conseil constitutionnel a confirmé la Pénalisation du refus de remettre aux autorités judiciaires la convention secrète de déchiffrement d’un moyen de cryptologie) 

x x x 

L'arrêté du 14 novembre 2017  aurait pu passer inaperçu. Et pourtant, il confère à Bercy une bien précieuse autorisation. 

 Le traitement est mis en œuvre :
«-à titre pérenne, pour les fraudes relatives aux professionnels ; 
«-à titre expérimental, pour une durée de deux ans, pour les fraudes relatives aux particuliers.

L'évasion fiscale en chiffres (source MINEFI)       fEvasion fiscale.pdf

Le rapport du sénat (source EFI ) 

La Cour des comptes  avait   publié le 10 octobre 2013, un référé adressé au premier ministre, Jean-Marc Ayrault, sur l'organisation, les méthodes et les résultats du contrôle fiscal en France. 

Les recommandations de la Cour des comptes pour lutter contre la fraude fiscale 

"Elle concerne des contribuables de nature très différente, note-t-elle, des personnes physiques dont les activités sont, pour l'essentiel, légales, de grands groupes qui utilisent abusivement des mécanismes d'optimisation fiscale ou encore des réseaux criminels qui ont notamment investi le champ de la fraude à la TVA." 

Ce dispositif de ciblage automatisé de la fraude fiscale. déjà mis en place  pour traquer les fraudes des entreprises depuis 2014, à titre expérimental tout d'abord, puis pérennisé  en 2015  est ainsi élargi à l'ensemble des contribuables de l'Hexagone.

REPARTITION DE L IMPOT SUR LE REVENU (IR 15/16)
1.2% des foyers fiscaux paient 32% de l’IR
13.5% des foyers fiscaux paient 78.2%

 

Explications.par Hélène GULLY

Pour améliorer la lutte contre la fraude fiscale, l'exécutif autorise son ministère de l'Economie et des Finances à utiliser, temporairement pour les particuliers, un logiciel analysant des milliers de données des Français. un robot informatique capable de traquer plus efficacement les fraudeurs,

Une definition du data mining 

Cette procédure est déjà utilisée en Italie depuis 2014 Italie le contrôle fiscal par un robot...le redditometro   et en Belgique Le data mining fiscal en Belgique

 les sources de renseignements de la DGFIP

L’avis de la CNIL sur le traitement automatisé de lutte contre la fraude
dénommé « ciblage de la fraude et valorisation des requêtes » 
 

Explications.par Hélène GULLY

Ce dispositif, déjà mis en place  pour traquer les fraudes des entreprises depuis 2014, à titre expérimental tout d'abord, puis pérennisé l'année suivante, est ainsi élargi à l'ensemble des contribuables de l'Hexagone.

Pour Bercy, cette extension est nécessaire : les omissions fiscales réalisées par les particuliers étaient ,pour BERCY, en 2015 plus importantes que celles relatives à la TVA. D'où l'importance de renforcer l'arsenal du fisc. 

L'évasion fiscale en chiffres (source MINEFI)       fEvasion fiscale.pdf 

Le site de l’ONG iconoclaste CCFD Terre solidaire

mise a jour janvier 2016

Plaidoyer pour une refondation du contrôle fiscal
par JP LIEB ,
 cliquez

JP LIEB, dont  vous êtes nombreux a avoir connu et côtoyé avec des relations dont l’apaisement n’était pas la marque principale a été jusqu’ à récemment , le chef du service juridique de la fiscalité à la DGFIP.

il

X X X X

La CNIL a publié ce 29 septembre 2015 son  feu vert pour la mise en place d’une recherche de la fraude fiscale par profilage informatisé

Définition du data mining

OCDE Vers un profilage fiscal (EFI 2011)

 Délibération n° 2015-186 du 25 juin 2015 portant avis sur un projet d'arrêté modifiant l'arrêté du 21 février 2014 portant création par la direction générale des finances publiques d'un outil de lutte contre la fraude dénommé « ciblage de la fraude et valorisation des requêtes » (CFVR) (demande d'avis n° 1726052v3)

Arrêté du 21 février 2014 ; La direction générale des finances publiques est autorisée à mettre en œuvre, à titre expérimental, un traitement automatisé de lutte contre la fraude dénommé « ciblage de la fraude et valorisation des requêtes », au sein de la mission Requêtes et valorisation……..

Un tel système existe déjà aux douanes depuis de nombreuses années

 Pour faire face à l’enjeu prioritaire qu’est la lutte contre la fraude fiscale que la DGFiP a mis en place la Mission de Requêtes et de valorisation.

LE RAPPORT DGFIP  DE 2013 

Italie le contrôle fiscal par un robot...le redditometro 

Cette nouvelle structure dépend à la fois du service du contrôle fiscal et du service des systèmes d’information. Son but est d’instaurer un nouveau modèle de détection de la fraude par l’exploration de données, ou « datamining ».

L’objectif est ici d’analyser les données de masse disponibles dans de multiples applications de la DGFiP : données déclaratives, issues du contrôle fiscal ou bien encore du suivi des procédures contentieuses,…

Cette analyse doit permettre de modéliser des profils de fraude.

La mission a pour première orientation de ses recherches la fraude relative aux remboursements de crédits de TVA, un sujet d’autant plus sensible en France qu’il a un impact financier majeur.

A titre général, la commission rappelle que la finalité de lutte contre la fraude fiscale, qui constitue un objectif à valeur constitutionnelle, est légitime au sens de l'article 6-2° de la loi du 6 janvier 1978 modifiée.
Elle relève en outre que la production de listes de situations susceptibles de présenter un risque de fraude significative n'a pas pour effet de déclencher automatiquement des opérations de contrôle fiscal. En effet, ces listes de résultats seront transmises aux agents compétents des services de la DGFiP, qui évalueront le risque avant de prendre toute décision de contrôle. Ainsi, les éléments directement issus du traitement n'auront qu'une valeur de signalement parmi d'autres à la disposition des services fiscaux et ne conduiront en aucun cas à une programmation automatique des contrôles ni, a fortiori, à des décisions de redressement directement opposables aux contribuables.

 

Dans le cas où de tels contrôles seraient opérés, la commission rappelle qu'ils devront être mis en œuvre dans les conditions prévues par le livre des procédures fiscales (LPF) et notamment dans le respect du principe du contradictoire. Elle estime dès lors que le traitement est conforme aux dispositions de l'article 10 de la loi du 6 janvier 1978 modifiée. 
La commission prend par ailleurs acte que, à sa demande, le projet d'arrêté sera modifié de façon à mieux faire apparaître les finalités du dispositif CFVR, qui doivent être, conformément à l'article 6-2° de ladite loi, déterminées et explicites. Elle estime que la modification envisagée permet de déterminer plus précisément les conditions de mise en œuvre du traitement des données ainsi que les conditions d'exploitation de ces dernières.
Néanmoins, elle estime que la rédaction concernant la seconde finalité poursuivie par le traitement, relative à « l'optimisation des outils existants sur l'analyse risques », devrait être clarifiée.
En tout état de cause, au vu du caractère innovant du dispositif et des risques qu'il est susceptible de faire peser sur la protection des données, la commission estime que son champ d'application doit être, dans un premier temps, limité et précisément déterminé avant d'être, le cas échéant, mis en œuvre à grande échelle.
En particulier, la commission relève que le dispositif projeté induit un changement d'échelle significatif en ce qu'il serait mis en œuvre pour les contribuables particuliers. Dès lors, elle considère que le traitement CFVR devrait être, dans un premier temps, limité à certains contribuables particuliers.
A cet égard, la commission prend acte que, à sa demande, le projet d'arrêté sera complété pour viser non plus indistinctement l'ensemble des personnes physiques, mais les seules personnes disposant d'un lien factuel avec une entreprise (personnes y détenant ou y ayant détenu des parts sociales ou des actions, personnes y exerçant ou y ayant exercé des fonctions de dirigeant, liens interpersonnels entre les personnes précitées), révélé dans le cadre d'un montage frauduleux.

11:45 Publié dans Controle fiscal | Tags : data mining fiscal, robot anti fraude fiscale | Lien permanent | Commentaires (0) |  Imprimer | |  Facebook | | | | |

Les commentaires sont fermés.