Non è cambiata soltanto la quantità di informazioni a disposizione dell’amministrazione finanziaria, ma soprattutto il modo in cui queste informazioni vengono lette, correlate e interpretate. In un contesto economico sempre più digitalizzato, l’evasione fiscale tende a diventare meno evidente sul piano formale e più sofisticata sul piano sostanziale.
L’uso dei big data sta consentendo di individuare evasori “invisibili”, soggetti che rispettano apparentemente gli obblighi dichiarativi ma che, osservati attraverso l’analisi dei dati, mostrano comportamenti economicamente incoerenti.
Il passaggio cruciale è quello dall’accertamento tradizionale, fondato su controlli a campione e verifiche ex post, a un modello basato sulla prevenzione e sulla misurazione del rischio fiscale. L’obiettivo non è più scoprire l’evasione quando si è già consolidata, ma intercettare segnali anticipatori, anomalie statistiche e pattern ricorrenti che suggeriscono una possibile sottrazione di base imponibile.
Nel linguaggio dell’analisi dei dati, il termine Big Data non indica semplicemente un grande volume di informazioni, ma un insieme di dati eterogenei, prodotti in modo continuo e provenienti da fonti diverse.
In ambito fiscale, il valore nasce dall’integrazione tra dichiarazioni dei redditi, fatturazione elettronica, flussi finanziari, dati catastali, informazioni previdenziali e tracce generate dall’economia digitale.
Presi singolarmente, questi dati raccontano storie parziali; analizzati congiuntamente, permettono di ricostruire profili economici molto più aderenti alla realtà.
Un primo caso pratico per comprendere il cambiamento
Un libero professionista dichiara per diversi anni un reddito stabile, formalmente coerente con gli studi di settore e successivamente con gli indici sintetici di affidabilità fiscale. Nulla, a una lettura tradizionale, giustificherebbe un controllo.
Tuttavia, l’analisi dei flussi finanziari mostra un incremento costante delle movimentazioni in entrata sui conti correnti, accompagnato da spese per beni di lusso e investimenti immobiliari non compatibili con il reddito dichiarato. Non si tratta di una singola anomalia, ma di una tendenza pluriennale. È proprio la correlazione tra dati fiscali e dati finanziari a far emergere un profilo di rischio che altrimenti sarebbe rimasto invisibile.
In un altro scenario, tipico delle piccole imprese, l’analisi dei Big Data consente di individuare comportamenti evasivi attraverso il confronto con soggetti economicamente omogenei.
Un esercizio commerciale registra per più anni un volume d’affari che si colloca sistematicamente appena al di sotto di una soglia fiscalmente rilevante.
Isolato, il dato non ha particolare significato. Inserito in un cluster di imprese simili per settore, area geografica e dimensione, diventa invece un indicatore di una possibile strategia elusiva.
La ripetitività del comportamento, osservata su larga scala, trasforma una coincidenza in un pattern.
L’apporto rilevante dei Big Data nella lotta alle frodi Iva
Schemi complessi, come le frodi carosello, si basano spesso su una frammentazione artificiosa delle operazioni, sull’uso di società a breve vita e su una rotazione anomala di fornitori e clienti.
L’analisi tradizionale fatica a ricostruire queste catene, mentre l’elaborazione massiva dei dati di fatturazione elettronica consente di individuare reti di soggetti con comportamenti ricorrenti, margini incoerenti e flussi di imposta sistematicamente sbilanciati.
In questi casi, il dato non è più statico, ma diventa dinamico e relazionale, permettendo di cogliere la struttura complessiva del fenomeno fraudolento.
Marco Stella - Il Sole 24 Ore