teliko foronews900

Από τις 380 επιχειρήσεις και τα 205 φυσικά πρόσωπα της επιχείρησης «Αχυράνθρωποι» μέχρι τα διεθνή συστήματα ελέγχου της Ιταλίας και της Ευρωπαϊκής Ένωσης.

Πώς ένας μαθηματικός δείκτης αποκαλύπτει κρυφές σχέσεις μεταξύ εταιρειών, χαρτογραφεί επιχειρηματικά δίκτυα και αλλάζει τον τρόπο με τον οποίο πραγματοποιούνται οι φορολογικοί έλεγχοι. Τι δείχνουν τα στοιχεία του ΟΟΣΑ.

Ένα μαθηματικό εργαλείο, το οποίο χρησιμοποιείται στην επιστήμη των δεδομένων και στη στατιστική ανάλυση, αποκτά ολοένα μεγαλύτερη σημασία και στον χώρο των φορολογικών ελέγχων. Πρόκειται για τον δείκτη ομοιότητας Jaccard, μια μέθοδο που επιτρέπει τη σύγκριση μεγάλου όγκου πληροφοριών και τον εντοπισμό κοινών χαρακτηριστικών μεταξύ διαφορετικών επιχειρήσεων και φυσικών προσώπων.

Η Ανεξάρτητη Αρχή Δημοσίων Εσόδων (ΑΑΔΕ) αξιοποίησε τη συγκεκριμένη μεθοδολογία στην επιχείρηση «Αχυράνθρωποι», για να χαρτογραφήσει τις σχέσεις μεταξύ εκατοντάδων εταιρειών και φυσικών προσώπων που εμφανίζονταν σε διαφορετικά εταιρικά σχήματα.

Η υπόθεση που ανακοινώθηκε στις 12 Φεβρουαρίου 2026 αφορά 380 επιχειρήσεις, 205 φυσικά πρόσωπα και οφειλές 43 εκατ. ευρώ προς την ΑΑΔΕ και τον ΕΦΚΑ. Από τις επιχειρήσεις αυτές, οι 317 είχαν δημιουργήσει τις συγκεκριμένες οφειλές.

Η συγκεκριμένη επιχείρηση ανέδειξε τις δυνατότητες της ανάλυσης δεδομένων στον εντοπισμό οργανωμένων σχημάτων οικονομικού εγκλήματος.

Η λογική είναι σχετικά απλή, αλλά η εφαρμογή της ιδιαίτερα ισχυρή: αντί οι ελεγκτές να εξετάζουν κάθε επιχείρηση απομονωμένα, το σύστημα αναζητά επαναλαμβανόμενες σχέσεις μεταξύ προσώπων και εταιρειών, εντοπίζει κοινά χαρακτηριστικά και δημιουργεί έναν χάρτη πιθανών επιχειρηματικών δικτύων.

■ Τι είναι ο δείκτης Jaccard

Ο δείκτης Jaccard (Jaccard Similarity ή Jaccard Index) είναι ένας μαθηματικός δείκτης που μετρά τον βαθμό ομοιότητας δύο συνόλων δεδομένων.

Με απλά λόγια, υπολογίζει πόσα κοινά στοιχεία έχουν δύο σύνολα σε σχέση με το σύνολο όλων των διαφορετικών στοιχείων τους.

Ο μαθηματικός τύπος είναι:

J(A,B) = |A ∩ / |A ∪ 

Όπου:

- Α ∩ Β είναι τα κοινά στοιχεία των δύο συνόλων.

- Α ∪ Β είναι όλα τα διαφορετικά στοιχεία των δύο συνόλων.

Το αποτέλεσμα κυμαίνεται από το μηδέν έως τη μονάδα. Όσο πλησιάζει στο 1, τόσο μεγαλύτερη είναι η ομοιότητα. Όσο πλησιάζει στο 0, τόσο μικρότερη είναι.

Ο δείκτης δεν αποδεικνύει από μόνος του ότι δύο πρόσωπα ή επιχειρήσεις συνδέονται παράνομα. Αναδεικνύει ομοιότητες και σχέσεις που αξίζει να διερευνηθούν.


■ Πώς αξιοποιεί η ΑΑΔΕ τον δείκτη

Στην επιχείρηση «Αχυράνθρωποι», η ΑΑΔΕ εφάρμοσε τον Jaccard για να μετρήσει την επικάλυψη των εταιρικών συμμετοχών διαφορετικών φυσικών προσώπων.

Η τεχνική διαδικασία περιλάμβανε τρία βασικά στάδια.

1. Καταγραφή των εταιρικών σχέσεων

Εξετάστηκαν 380 νομικά πρόσωπα, ανεξάρτητα από το εάν ήταν ενεργά ή όχι.

Για κάθε εταιρεία καταγράφηκαν οι δηλωμένοι διαχειριστές, νόμιμοι εκπρόσωποι, μέλη, εταίροι και μέτοχοι.

2. Εντοπισμός κοινών προσώπων

Από τη συγκεντρωτική επεξεργασία προέκυψαν 205 φυσικά πρόσωπα.

Δημιουργήθηκαν δυαδικές σχέσεις μεταξύ προσώπων που εμφανίζονταν στο ίδιο εταιρικό σχήμα, είτε ως διαχειριστές είτε ως μέλη, εταίροι ή μέτοχοι.

3. Υπολογισμός του δείκτη Jaccard

Στη συνέχεια υπολογίστηκε πόσο επικαλύπτονταν οι εταιρικές συμμετοχές δύο προσώπων.

Με αυτόν τον τρόπο αναδείχθηκαν περιπτώσεις επαναλαμβανόμενης συνύπαρξης στα ίδια εταιρικά σχήματα και δημιουργήθηκε μια συνολική δικτυακή απεικόνιση των σχέσεων.

Το αποτέλεσμα ήταν η ομαδοποίηση των προσώπων σε ευρύτερα δίκτυα και η δυνατότητα ιεράρχησης των ελεγκτικών ενεργειών.


■ Ένα απλό παράδειγμα: Πώς εντοπίζεται η σύνδεση δύο προσώπων

Ας υποθέσουμε ότι δύο φυσικά πρόσωπα εμφανίζονται σε διαφορετικές επιχειρήσεις.

Το πρώτο πρόσωπο συμμετέχει σε 15 εταιρείες και το δεύτερο σε άλλες 15.

Από τη σύγκριση προκύπτει ότι έχουν κοινή παρουσία σε 10 εταιρείες.

Ο υπολογισμός γίνεται ως εξής:

- Εταιρείες του πρώτου προσώπου: 15.

- Εταιρείες του δεύτερου προσώπου: 15.

- Κοινές εταιρείες: 10.

- Συνολικές διαφορετικές εταιρείες: 20.

Επομένως:

Jaccard = 10 / 20 = 0,50 ή 50%.

Αυτό σημαίνει ότι τα δύο πρόσωπα έχουν επικάλυψη 50% ως προς το εταιρικό τους αποτύπωμα.

Όσο μεγαλύτερη είναι η επικάλυψη, τόσο ισχυρότερη είναι η συγκεκριμένη σχέση με βάση το εξεταζόμενο χαρακτηριστικό.

Στην πραγματικότητα, το σύστημα επαναλαμβάνει τη διαδικασία για εκατοντάδες πρόσωπα και χιλιάδες πιθανούς συνδυασμούς, αναζητώντας σχέσεις που θα ήταν εξαιρετικά δύσκολο να ανακαλυφθούν με έναν συμβατικό έλεγχο.


■ Η επιχείρηση «Αχυράνθρωποι»: 380 εταιρείες, 205 πρόσωπα και χρέη 43 εκατ. ευρώ

Στις 12 Φεβρουαρίου 2026, η ΑΑΔΕ ανακοίνωσε την εξάρθρωση κυκλώματος αχυρανθρώπων που εμφανίζονταν ως υπεύθυνοι καταστημάτων και άλλων επιχειρήσεων εστίασης και εμπορίας ηλεκτρονικών υπολογιστών.

Σύμφωνα με το επίσημο δελτίο Τύπου, το κύκλωμα χρησιμοποιούσε 205 φυσικά πρόσωπα ως υπευθύνους 380 επιχειρήσεων, μεταξύ των οποίων και γνωστής αλυσίδας γρήγορου φαγητού.

Οι επικεφαλής ήταν 11 άτομα, δέκα Έλληνες και ένας αλλοδαπός, οι οποίοι συνελήφθησαν σε συντονισμένη επιχείρηση.

Το οικονομικό αποτύπωμα της υπόθεσης ήταν ιδιαίτερα μεγάλο:

- 380 επιχειρήσεις στο δίκτυο.

- 205 φυσικά πρόσωπα που χρησιμοποιούνταν ως υπεύθυνοι.

- 317 επιχειρήσεις είχαν δημιουργήσει οφειλές.

- 27 εκατ. ευρώ οφειλές προς την ΑΑΔΕ.

- 16 εκατ. ευρώ οφειλές προς τον ΕΦΚΑ.

- 43 εκατ. ευρώ συνολικές οφειλές.

Το χαρακτηριστικό της δράσης ήταν ότι επιχειρήσεις συσσώρευαν χρέη, στη συνέχεια εξαφανίζονταν όταν προέκυπτε έλεγχος και στη θέση τους εμφανιζόταν άλλη εταιρεία με διαφορετικό ΑΦΜ.

Στις έρευνες κατασχέθηκαν, μεταξύ άλλων, 100.000 ευρώ σε μετρητά, 110 τραπεζικές κάρτες αναλήψεων, 110 εταιρικές σφραγίδες, συσκευές POS, ηλεκτρονικοί υπολογιστές και έγγραφα σχετικά με τις εταιρείες και τα πρόσωπα.

Η ΑΑΔΕ ανέφερε ότι στον εντοπισμό του κυκλώματος συνέβαλαν τα αποτελέσματα του ειδικού αλγορίθμου που χρησιμοποιεί για τον έλεγχο των συναλλαγών και της συνολικής φορολογικής συμπεριφοράς των επιχειρήσεων.


■ Τα τρία κυκλώματα που χαρτογράφησε η ΑΑΔΕ

Στην τεχνική παρουσίαση της επιχείρησης «Αχυράνθρωποι», η ΑΑΔΕ αποτυπώνει τρεις διακριτές ομάδες επιχειρήσεων, με τις αντίστοιχες ενδεικτικές οφειλές προς το Δημόσιο και τον ΕΦΚΑ.

Κύκλωμα  Επιχειρήσεις  Φόροι        ΕΦΚΑ
Α 87 11.396.587€ 6.164.946 €
Β 61 1.790.875 € 1.810.472 €
Γ 45 2.416.466 € 1.030.120 €
Σύνολο 193 15.603.928€ 9.005.538 €

 

Οι τρεις ομάδες περιλαμβάνουν συνολικά 193 επιχειρήσεις και ενδεικτικές οφειλές 24,61 εκατ. ευρώ.

Το ποσό αυτό αφορά τις συγκεκριμένες ομάδες που αποτυπώνονται στην τεχνική παρουσίαση και δεν πρέπει να συγχέεται με τα 43 εκατ. ευρώ των συνολικών οφειλών που ανακοίνωσε η ΑΑΔΕ για τις 317 επιχειρήσεις.

Η χαρτογράφηση αυτή επιτρέπει στους ελεγκτές να εντοπίζουν τους κεντρικούς κόμβους των δικτύων, τις σχέσεις μεταξύ των προσώπων και τις κρίσιμες εταιρικές διαδρομές.


■ Δεν είναι μόνο ελληνική υπόθεση: Τι συμβαίνει στο εξωτερικό

Η αξιοποίηση μαθηματικών μοντέλων, Big Data και αλγορίθμων ανάλυσης δικτύων για την αντιμετώπιση της φοροδιαφυγής δεν αποτελεί ελληνική πρωτοτυπία.

Αντιθέτως, εντάσσεται σε μια διεθνή τάση ψηφιοποίησης των φορολογικών διοικήσεων.

Τα στοιχεία του Οργανισμού Οικονομικής Συνεργασίας και Ανάπτυξης (ΟΟΣΑ) είναι χαρακτηριστικά.

Σύμφωνα με τις εκθέσεις του Οργανισμού για την ψηφιοποίηση των φορολογικών διοικήσεων:

- Το 72,2% των φορολογικών διοικήσεων που εξετάστηκαν χρησιμοποιεί ανάλυση δικτύων (Network Analysis).

- Το 87% χρησιμοποιεί τεχνικές Big Data.

- Το 74,4% καταγράφεται στη χρήση τεχνητής νοημοσύνης για τον εντοπισμό φοροδιαφυγής και απάτης, σύμφωνα με τη σχετική μέτρηση της έκθεσης Tax Administration 2025.

Τα ποσοστά προέρχονται από διαφορετικούς πίνακες και ερευνητικές βάσεις του ΟΟΣΑ και αφορούν διαφορετικές τεχνολογικές εφαρμογές.

Το βασικό συμπέρασμα είναι ότι οι φορολογικές διοικήσεις στρέφονται όλο και περισσότερο στην ανάλυση μεγάλου όγκου πληροφοριών, στην αναζήτηση σχέσεων και στον εντοπισμό ύποπτων μοτίβων.

  • Ιταλία: Το TaxNet χαρτογραφεί τις ύποπτες επιχειρηματικές σχέσεις

Ένα χαρακτηριστικό παράδειγμα προέρχεται από την Ιταλία.

Η ιταλική φορολογική διοίκηση συνεργάστηκε στην ανάπτυξη του TaxNet, ενός συστήματος υποστήριξης των ελεγκτών για την ανακάλυψη φοροδιαφυγής.

Το εργαλείο χρησιμοποιεί τεχνικές ανάλυσης και οπτικοποίησης δικτύων. Παρουσιάζει τους φορολογουμένους ως κόμβους ενός δικτύου και τις μεταξύ τους σχέσεις ως συνδέσεις.

Με αυτόν τον τρόπο οι ελεγκτές μπορούν να εντοπίζουν ύποπτα μοτίβα, να συνδυάζουν αποτελέσματα και να αξιολογούν τον φορολογικό κίνδυνο διαφορετικών επιχειρήσεων.

Η επιστημονική δημοσίευση του 2018 στο περιοδικό Decision Support Systems αναφέρει ότι το TaxNet αναπτύχθηκε σε συνεργασία με την ιταλική φορολογική διοίκηση και χρησιμοποιήθηκε σε πιλοτικό πρόγραμμα στο επαρχιακό γραφείο του Arezzo στην Τοσκάνη.

Πρόκειται για ένα χαρακτηριστικό παράδειγμα του τρόπου με τον οποίο η ανάλυση επιχειρηματικών δικτύων μπορεί να περάσει από την επιστημονική έρευνα στην πρακτική υποστήριξη των φορολογικών ελέγχων.

  • Ευρωπαϊκή Ένωση: Το Eurofisc και τα κυκλώματα απάτης στον ΦΠΑ

Σε ευρωπαϊκό επίπεδο, ιδιαίτερη σημασία έχει το Eurofisc, το δίκτυο συνεργασίας των κρατών-μελών για την αντιμετώπιση της διασυνοριακής απάτης στον ΦΠΑ.

Από το 2019 χρησιμοποιείται στο πλαίσιο του Eurofisc το Transaction Network Analysis (TNA), ένα ηλεκτρονικό σύστημα που επιτρέπει την ταχύτερη ανταλλαγή και κοινή επεξεργασία φορολογικών δεδομένων.

Το TNA βοηθά τις εθνικές φορολογικές αρχές να εντοπίζουν ύποπτα δίκτυα επιχειρήσεων, να διασταυρώνουν πληροφορίες και να συντονίζουν διασυνοριακές έρευνες.

Είναι ιδιαίτερα χρήσιμο για την αντιμετώπιση της ενδοκοινοτικής απάτης τύπου Missing Trader Intra-Community (MTIC), κατά την οποία επιχειρήσεις συμμετέχουν σε αλυσίδες συναλλαγών και εξαφανίζονται χωρίς να αποδώσουν τον οφειλόμενο ΦΠΑ.

Τα στοιχεία της Ευρωπαϊκής Επιτροπής για το 2024 είναι ενδεικτικά:

- 6.147 πρόσωπα που συνδέθηκαν με περιπτώσεις απάτης εντοπίστηκαν.

- 13,8 δισ. ευρώ σε ύποπτες ή δόλιες συναλλαγές αποκαλύφθηκαν.

- 206 δίκτυα εμπορικών επιχειρήσεων αξιολογήθηκαν ως υψηλού κινδύνου.

- 812 επιχειρήσεις συνδέθηκαν με δόλιες δραστηριότητες.

Τα 13,8 δισ. ευρώ αφορούν την αξία των ύποπτων ή δόλιων συναλλαγών και όχι χρήματα που εισπράχθηκαν ή ανακτήθηκαν από τις φορολογικές αρχές.

Η ευρωπαϊκή εμπειρία δείχνει πόσο σημαντική είναι η διασύνδεση των πληροφοριών, καθώς ένα κύκλωμα μπορεί να δραστηριοποιείται σε περισσότερες από μία χώρες και να εκμεταλλεύεται τις διαφορές στα συστήματα ελέγχου.

  • Βουλγαρία: Επιστημονική έρευνα εντοπίζει περίπου το 50% της απάτης στον ΦΠΑ

Ενδιαφέρον παρουσιάζει και επιστημονική μελέτη που δημοσιεύθηκε στις 31 Δεκεμβρίου 2025 στο Journal of the Royal Statistical Society.

Οι ερευνητές ανέπτυξαν μαθηματικές μεθόδους ανάλυσης δικτύων για τον εντοπισμό ύποπτων συναλλαγών στον ΦΠΑ, αξιοποιώντας το σύνολο των διαθέσιμων διοικητικών δεδομένων ΦΠΑ της Βουλγαρίας για τα έτη 2016 και 2017.

Σύμφωνα με τα αποτελέσματα της μελέτης, οι προτεινόμενες μέθοδοι εντόπισαν περίπου το 50% της φορολογικής απάτης στο συγκεκριμένο ερευνητικό πλαίσιο και παρουσίασαν καλύτερη απόδοση από γνωστές τεχνικές που δεν αξιοποιούσαν τις πληροφορίες της δομής του συναλλακτικού δικτύου.

Η έρευνα δεν αφορά τη χρήση του δείκτη Jaccard, αλλά διαφορετικές μαθηματικές τεχνικές ανάλυσης δικτύων.

Το εύρημα, πάντως, είναι ιδιαίτερα σημαντικό, καθώς δείχνει ότι η εξέταση των σχέσεων μεταξύ επιχειρήσεων μπορεί να αποκαλύψει πληροφορίες που δεν προκύπτουν από τον μεμονωμένο έλεγχο κάθε φορολογουμένου.

Χρησιμοποιούν όλοι τον ίδιο αλγόριθμο;

Εδώ βρίσκεται μια σημαντική λεπτομέρεια.

Η διεθνής χρήση της ανάλυσης δικτύων, των Big Data και της τεχνητής νοημοσύνης είναι τεκμηριωμένη. Δεν υπάρχουν, όμως, στοιχεία που να αποδεικνύουν ότι όλες οι φορολογικές διοικήσεις χρησιμοποιούν ειδικά τον δείκτη Jaccard.

Ο Jaccard είναι μία από τις διαθέσιμες μεθόδους μέτρησης ομοιότητας. Άλλες διοικήσεις μπορεί να χρησιμοποιούν διαφορετικούς δείκτες, αλγορίθμους μηχανικής μάθησης, τεχνικές εντοπισμού ανωμαλιών ή συνδυασμούς μεθόδων.

Αυτό που έχει σημασία είναι η κοινή κατεύθυνση: η αναζήτηση σχέσεων που δεν είναι ορατές όταν κάθε επιχείρηση εξετάζεται απομονωμένα.


■ Τι σημαίνουν όλα αυτά για τις ελληνικές επιχειρήσεις

Η αξιοποίηση τέτοιων εργαλείων σηματοδοτεί μια σημαντική αλλαγή στον τρόπο με τον οποίο πραγματοποιούνται οι φορολογικοί έλεγχοι.

Δεν εξετάζονται πλέον μόνο οι δηλώσεις μιας επιχείρησης, τα έσοδα, οι δαπάνες ή οι οφειλές της. Εξετάζεται και το ευρύτερο περιβάλλον μέσα στο οποίο δραστηριοποιείται.

Η φορολογική διοίκηση μπορεί να αναζητήσει σχέσεις μεταξύ εταιρειών, κοινές συμμετοχές, επαναλαμβανόμενα πρόσωπα και διαδοχές επιχειρηματικών σχημάτων.

Αυτό, βεβαίως, δεν σημαίνει ότι η κοινή εταιρική συμμετοχή, ο ίδιος διαχειριστής ή η συνεργασία με άλλες επιχειρήσεις συνιστούν αυτομάτως παραβατικότητα.

Η ομοιότητα δημιουργεί μια ένδειξη κινδύνου. Η διαπίστωση φορολογικής παράβασης απαιτεί περαιτέρω ελεγκτική διερεύνηση, αξιολόγηση των πραγματικών συναλλαγών και τεκμηρίωση των ευρημάτων.

Η ψηφιακή εποχή των ελέγχων σημαίνει, πάντως, ότι οι φορολογικές αρχές έχουν πλέον τη δυνατότητα να αναζητούν όχι μόνο τι δηλώνει μια επιχείρηση, αλλά και πώς συνδέεται με άλλες εταιρείες και πρόσωπα.


■ Σχόλιο: Ο αλγόριθμος ενώνει τις κουκκίδες, αλλά την απόδειξη τη δίνει ο έλεγχος

Η αξιοποίηση του δείκτη Jaccard από την ΑΑΔΕ αναδεικνύει μια ουσιαστική αλλαγή στη φιλοσοφία αντιμετώπισης της φοροδιαφυγής.

Η φορολογική διοίκηση δεν χρειάζεται πλέον να περιμένει να εμφανιστεί μια επιχείρηση με τεράστιες οφειλές για να κινητοποιηθεί. Μπορεί να αναζητήσει εγκαίρως τις σχέσεις της με άλλες επιχειρήσεις, να εντοπίσει επαναλαμβανόμενα πρόσωπα και να ανασυνθέσει ένα ολόκληρο επιχειρηματικό δίκτυο.

Αυτή είναι η πραγματική δύναμη των νέων τεχνολογιών: δεν εντοπίζουν απλώς έναν πιθανό παραβάτη, αλλά μπορούν να οδηγήσουν τους ελεγκτές στον μηχανισμό που ενδεχομένως βρίσκεται πίσω από μια οργανωμένη μορφή φοροδιαφυγής.

Υπάρχει, ωστόσο, και μια κρίσιμη παράμετρος. Ένας υψηλός δείκτης ομοιότητας δεν αποτελεί απόδειξη ενοχής. Δύο πρόσωπα μπορεί να συμμετέχουν στις ίδιες επιχειρήσεις χωρίς να έχουν διαπράξει οποιαδήποτε παράβαση.

Γι' αυτό η τεχνολογία πρέπει να λειτουργεί ως εργαλείο εντοπισμού και ιεράρχησης υποθέσεων και όχι ως αυτόματος μηχανισμός απόδοσης ευθυνών.

Η πρόκληση για την ΑΑΔΕ είναι να αξιοποιήσει αυτές τις δυνατότητες με ακρίβεια, διαφάνεια, προστασία των προσωπικών δεδομένων και ουσιαστική ανθρώπινη εποπτεία.

Η διεθνής εμπειρία δείχνει ότι το μέλλον των φορολογικών ελέγχων βρίσκεται στη διασύνδεση των δεδομένων. Όσο περισσότερες πληροφορίες μπορούν να συνδυαστούν, τόσο δυσκολότερο γίνεται για ένα οργανωμένο δίκτυο να κρύβεται πίσω από διαφορετικά ΑΦΜ και διαδοχικές εταιρικές μορφές.

Το ζητούμενο, όμως, δεν είναι να δημιουργηθεί ένα σύστημα που θα θεωρεί ύποπτο όποιον έχει κοινά χαρακτηριστικά με κάποιον άλλον. Είναι να δημιουργηθεί ένα σύστημα που θα εντοπίζει με ακρίβεια τις πραγματικές παραβάσεις, χωρίς να αδικεί τις νόμιμες επιχειρήσεις.

Γιατί, τελικά, η τεχνολογία μπορεί να αποκαλύψει τις σχέσεις, αλλά η δικαιοσύνη απαιτεί αποδείξεις.

«Οι αριθμοί αποκαλύπτουν τις ομοιότητες, οι αλγόριθμοι φωτίζουν τις διασυνδέσεις, αλλά μόνο τα αποδεικτικά στοιχεία ξεχωρίζουν την υποψία από την ενοχή».


Παναγιώτης Ράγγος

Λογιστής Φοροτεχνικός  Α΄ Τάξης - 

Πιστοποιημένος Εσωτερικός Ελεγκτή

 

 

 


Συνεργάτες

Agrapidis