Finobuzz – Fisc: Bercy mène l’enquête grâce au Datamining

Le Ministère des finances français vient de mettre les bouchées doubles pour évincer les fraudeurs de l’hexagone avec la création d’une « cellule spécialisée de data mining […] pour  détecter des déclarations suspectes. »

Don’t listen to what people say; watch what they do.” ― Steven D. Levitt, Think Like a Freak

Du Big Data pour contrer la fraude… Il s’agit d’une « première en France » , souligne le magazine Maddyness, qui rappelle que le pays a pris « un certain retard en la matière par rapport à ses voisins. »

En France, au jeu du chat et de la souris, les rongeurs ont toujours eu une longueur d’avance sur « Gros Minet » , concède Bercy.

« L’administration fiscale (…) reconnaît (…) qu’entre 60 et 80 milliards d’euros échappent chaque année au fisc, soit 15% et 25% des recettes fiscales brutes. »

Partant de ce constat peu reluisant, le gouvernement a commencé à appuyer sur l’accélérateur l’année dernière, en 2014, année au cours de laquelle Bercy a recouvré 10,4 milliards d’euros, soit « 900 millions de plus qu’en 2013. »

Le Big Data: la nouvelle arme du fisc

Dans la lutte à l’éradication des passagers clandestins [en sciences économiques et en sociologie, le problème des free-riders  (« problème du passager clandestin ») désigne le comportement d’une personne (…) qui obtient et profite d’un avantage (…) sans acquitter leur juste quote-part ou le droit d’usage prévu, selon Wikipédia], « le big data constitue une arme redoutable » , affirme Maddyness.

Ainsi, depuis 2014, une cellule data mining a été créée au sein de la Direction Générale des Finances Publiques. Elle se compose actuellement de dix geeks, des experts informatiques chargés d’établir des algorithmes, rapporte le magazine.

Lisez: Wall Street se tourne vers le Data Mining des réseaux sociaux

Techniquement, des tonnes de données très détaillées et « potentiellement » représentatives de types de fraude sont analysées pour trouver des corrélations [statistiquement significatives] entre les variables.

Un « profil » est ainsi modélisé, puis appliqué à une large population pour pouvoir attribuer un score de probabilité de fraude aux contribuables, selon Maddyness.

Cette approche est similaire à celle utilisée par les institutions financières pour déterminer un score de crédit pour les particuliers ou les entreprises.

[Les étudiants en gestion des risques financiers doivent être familiers avec la formule suivante:

Perte attendue (espérée) = Perte en cas de défaut x Probabilité de défaut

en anglais: EL = LGD x PD ,

Expected Loss = Loss Given Default x Probability of Default

Pour aller plus loin, consultez entre autre: Risque de crédit: Une approche avancée, Christian Gouriéroux et André Tiomo, Les Cahiers du CREF, Avril 2007]

L’utilisation des statistiques appliquées à des millions de données [Big Data] a été popularisée et démocratisée par Steven D. Levitt et Stephen J. Dubner dans leur livre Freakonomics.

Ne manquez pas: Les Quants lâchent Wall Street pour les start-up du Bitcoin !!!  

Après la publication de leur livre, les auteurs s’étaient mis à travailler avec des Quants pour traquer les terroristes, rapportait Business Insider à l’époque.

Une arme à améliorer

Le Big Data permet désormais de traiter des données provenant d’autres administrations, d’organismes sociaux, ou de bases privées:

• états financiers standardisés,
• information sur les sociétés implantées à l’étranger,
• indicateurs financiers,
• données d’identification des personnes en lien avec ces entreprises.
• etc.

Plus de 1800 informations sur une même société peuvent ainsi être analysées.

Les premières modélisations ont porté sur la fraude aux demandes de remboursements de crédits de TVA, selon Maddyness.

Consultez: Swissleaks: Hervé Falciani condamné à 5 ans de prison pour « espionnage économique »

Néanmoins, « aucune fraude n’est directement détectée via le datamining », souligne le responsable de la cellule cité par Maddyness.

« Mais il nous sert à orienter et préparer les contrôles fiscaux sur le terrain ». Les résultats se chiffrent déjà en « dizaines de millions d’euros. »

Le Big Data appliqué à la fraude fiscale est prometteur mais à manier avec des pincettes. Il serait « loin d’être à la hauteurs des enjeux, comme l’a montré l’iFrap dans une comparaison avec les pratiques de nos voisins », selon Maddyness.

« De nombreuses études ont testé les variables pertinentes, selon les économistes, qui contribueraient aux décisions des contribuables de se conformer aux lois fiscales. Les psychologues et les sociologues ont à raison alerté qu’un modèle économique est insuffisant comme outil explicatif » , écrivait la juriste Leeslie Book en 2007 dans son étude Freakonomics and The Tax Gap: An Applied Perspective.

 En France, la Commission nationale de l’informatique et des libertés (CNIL) a donné son accord à la généralisation de l’outil de datamining pour les entreprises…

Lisez: Gestion de patrimoine: les 10 tendances disruptives du secteur, selon Deloitte

Le fisc se met donc désormais dans la peau d’un Inspecteur Gadget, qu’importe si l’outil « marche ou marche pas » :

Concluons cet article par une citation à méditer du théoricien du management Bruno Lussato:

« L’amélioration des techniques de fraude est beaucoup moins coûteuse, en temps et en argent, que celle des moyens de prévention » – Le Défi informatique (1981).

Finobuzz vous recommande aussi:

États-Unis: les impôts ou ton passeport !!

Tracfin: nouvelle directive contre le financement du terrorisme

UE: un accord signé pour lutter contre l’évasion fiscale

Et bien plus encore sur Finobuzz.com, Le Site de la Nouvelle Génération d’Entrepreneurs et de Financiers !!

Suivez nous sur Facebook ou sur Twittter @Finobuzz

Parlez de Finobuzz autour de vous et contribuez à créer la nouvelle génération de financiers et d’entrepreneurs!!

Sur Amazon: