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 

 

Lire la suite

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