evidoria

← Retour à la liste

Good practice

ESCORT — Système ML de notation du risque du Service des recettes de l'État letton pour la conformité fiscale

Lettonie · Riga · Voir le profil de Lettonie

Le SRS letton utilise ESCORT ML pour noter chaque entreprise enregistrée selon son risque de fraude fiscale et sociale. Délai de détection réduit de ~1 mois à quelques minutes ; rapports de 4 semaines à 1 jour ; système de notation public depuis février 2024.

~1 month
Délai de détection de la fraude, avant la mise à niveau
minutes
Délai de détection de la fraude, après la mise à niveau (since 2021)
4 weeks
Temps de production des rapports d'analyse, avant la mise à niveau
1 day
Temps de production des rapports d'analyse, après la mise à niveau (since 2021)
10 EUR billion
Paiements fiscaux annuels traités
ESCORT — Système ML de notation du risque du Service des recettes de l'État letton pour la conformité fiscale

Détails

Maturité
Established
Promoteur
Valsts ieņēmumu dienests (State Revenue Service)
Période
2019-present
Mots-clés
tax compliance, machine learning, risk scoring, VAT fraud, undeclared labour, SAP HANA, taxpayer rating

Contexte

ESCORT est un système de notation du risque de fraude fondé sur l'apprentissage automatique, exploité par le Service des recettes de l'État letton (SRS/VID), qui attribue une note de risque à chaque entité juridique enregistrée en combinant les données fiscales du SRS avec celles de l'Inspection nationale du travail et d'autres sources de données publiques. Opérationnel depuis 2019, il a fait l'objet d'une mise à niveau technique majeure en 2021 (consolidation des comptes de contribuables et migration vers SAP HANA).

Objectifs

Détecter plus rapidement la fraude à la TVA, la sous-déclaration de l'impôt sur le revenu, le travail non déclaré et le travail migrant irrégulier, orienter plus efficacement les ressources de contrôle, et, depuis février 2024, donner au public une visibilité sur les évaluations de conformité fiscale des entreprises via le Taxpayer Rating System.

Activités

Un entrepôt de données centralisé, intégrant des données fiscales, du travail et d'autres données publiques, alimente un modèle de notation du risque fondé sur l'apprentissage automatique couvrant l'ensemble de la base des contribuables enregistrés ; un Taxpayer Rating System public publie des évaluations au niveau des entreprises sur le site web du SRS.

Résultats

Après la mise à niveau de 2021, les délais de détection de la fraude sont passés d'environ un mois à quelques minutes, et la production des rapports d'analyse de risque est passée de quatre semaines à un jour, selon le partenaire de mise en œuvre Emergn. Le SRS traite environ 10 milliards d'euros de paiements fiscaux par an. Aucun audit algorithmique indépendant ni aucune statistique de recouvrement de recettes/rendement des audits n'ont été publiés.

Mise en œuvre

Les détails de mise en œuvre (coût, calendrier, personnel, conditions de réussite) ne sont pas encore disponibles pour cette pratique.

Sources de données

D'où proviennent les informations de cette pratique, et quand.

Pièces jointes

Pratiques similaires qui pourraient vous être utiles