04 juin 2020

Ciblage des contrôles fiscaux et datamining Par Frédérique PERROTIN

pluto3.png

Les lettres fiscales d'EFI Pour lire les tribunes antérieures cliquer
Pour recevoir la lettre EFI, inscrivez-vous en haut à droite
S’inscrire  surTwitter: Etudes fiscales Internationales

patrickmichaud@orange.fr

Une politique contre les fraudes fiscales et sociales repose sur de nombreux  piliers :d’abord la prévention, pilier peu développé  en France,  ensuite la recherche du  renseignement CLIQUEZ, puis leur exploitation et selection (la fraude de voisinage ou/et la fraude organIsée?– c’est le rôle du notamment du datamining, puis le contrôle ,la sanction et le recouvrement

 

rapport de la cour des comptes du 2 décembre 2019

Les trois piliers d’une politique de lutte contre la fraude aux prélèvements obligatoires : évaluer, prévenir, réprimer.

"Mieux évaluer, mieux prévenir et mieux réprimer la fraude aux prélèvements obligatoires
doit constituer le triptyque d’une stratégie nationale en la matière."

 

RAPPORT (source les jaunes du PLF 2020

Le dernier rapport (10.19)sur la lutte contre la lutte et l 'évasion fiscale   

statistiques controle fiscale 2010 à 2018.pdf

les résultats du contrôle fiscal international.pdf

la coopération fiscale internationale

la répartition 2018 du contrôle fiscal externe par montant de redressements en droits  cliquez

27% de contrôles externes rapportent moins de 7500€ en droits ,
53% moins de 30.000#

 

 

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 environ 27 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." 

Debut 2014, la DGFIP a organisé un meilleur ciblage des fraudes financières  Grace au datamining, une note explicative  a été établie par la DNLF  cliquez

La DGFIP a alors constitué au sein de son organigramme (lire page 3) un servicce specifique

La mission requêtes et valorisation (MRV) qui , a recu l’agreement CNIL en septembre 2016 et en septembre 2019

La mission requêtes et valorisation est chargée de la mise en œuvre des travaux de ciblage des opérations de contrôle fiscal reposant sur des techniques d'analyse de données et de l'accompagnement de leur exploitation.

Dans ce cadre :
1° elle identifie les axes de contrôle correspondant aux orientations prioritaires du contrôle fiscal ;
2° elle met en œuvre les projets informatiques liés au ciblage de la fraude et réalise, à cet effet, des analyses de risque qui reposent sur des critères de fraude proposés par les équipes de contrôle ou identifiés par des techniques statistiques et mathématiques ;

Baptisé CFVR (ciblage de la fraude et valorisation des requêtes), l'algorithme a d'abord analysé un fichier intégrant les données de quelques cinq millions d'entreprises en France. Ce fichier a ensuite été enrichi en 2017 avec les données de 37 millions de foyers fiscaux.

 

Ciblage des contrôles fiscaux et datamining.pdf 
par Frédérique Perrotin
en htlm

Publié le 22 mai dans Les Petites Affiches

Bercy table sur une programmation efficace, pour optimiser l’activité des équipes en charge du contrôle fiscal. Cette stratégie devrait lui permettre de mieux appréhender les nouvelles formes de fraude et les dossiers aux enjeux financiers les plus lourds. Pour ce faire, la Direction générale des finances publiques (DGFIP) s’intéresse aux avancées de l’intelligence artificielle, notamment aux nouvelles modalités d’exploitation des données, les outils de datamining.

Un nouvel outil 2

Des résultats prometteurs 2

Montée en puissance. 3

des listes relatives aux fraudes réalisées par les particuliers 3

Une expérimentation pour détecter les fraudes les plus graves 4

Des garanties suffisantes ?   4
Les réserves de la CNIL.. 5

 

16:39 | Lien permanent | Commentaires (0) |  Imprimer | |  Facebook | | | | |

Écrire un commentaire