Ελλαδα

ΑΑΔΕ: Στο φως φοροδιαφυγή 3 εκατ. ευρώ σε γνωστό κέντρο διασκέδασης ενηλίκων

Επιβλήθηκε πρόστιμο 130.000 ευρώ

62224-137655.jpg
Newsroom
1’ ΔΙΑΒΑΣΜΑ
Στο φως φοροδιαφυγή 3 εκατ. ευρώ σε γνωστό κέντρο διασκέδασης ενηλίκων
Στο φως φοροδιαφυγή 3 εκατ. ευρώ σε γνωστό κέντρο διασκέδασης ενηλίκων © Eric Nopanen/ Unsplash

ΑΑΔΕ: Φοροδιαφυγή 3 εκ. ευρώ σε κέντρο διασκέδασης ενηλίκων - Επιβλήθηκε πρόστιμο 130.000 ευρώ

Αξιοποιώντας πληροφορίες που έφτασαν μέσω καταγγελίας, και παρακολουθώντας στοχευμένα τη φορολογική συμπεριφορά γνωστού κέντρου διασκέδασης ενηλίκων, η ΑΑΔΕ διαπίστωσε φοροδιαφυγή ύψους 3 εκατ. ευρώ.

Ταυτόχρονα, στο εν λόγω γνωστό κέντρο διασκέδασης ενηλίκων, οι ελεγκτές της ΑΑΔΕ προχώρησαν και σε επιτόπιο έλεγχο. Από την πλήρη επεξεργασία των στοιχείων, διαπίστωσαν ότι για το φορολογικό έτος 2022 η επιχείρηση δεν υπέβαλε δήλωση φορολογίας εισοδήματος, αποκρύπτοντας έσοδα 2,7 εκατ. ευρώ, ενώ απέφυγε και την καταβολή ΦΠΑ συνολικού ποσού 255.000 ευρώ.

Πρόστιμο 130.000 ευρώ επέβαλλε η ΑΑΔΕ

Στην επιχείρηση επιβλήθηκε ο προβλεπόμενος φόρος και προσαυξήσεις, καθώς πρόστιμο 130.000 ευρώ. Ο έλεγχος συνεχίζεται και σε προηγούμενες χρήσεις, για να διαπιστωθεί εάν η επιχείρηση ήταν το ίδιο… αμελής.

Aξίζει να σημειωθεί πως με τη χρήση της Τεχνητής Νοημοσύνης, η ΑΑΔΕ θα έχει τη δυνατότητα να αποκαλύπτει φορολογητέα ύλη:

  • Αναλύοντας μεγάλα σύνολα δεδομένων από διάφορες πηγές, όπως τραπεζικές συναλλαγές, ψηφιακές δημόσιες πλατφόρμες, και μέσα κοινωνικής δικτύωσης.
  • Ανιχνεύοντας συμπεριφορικά προφίλ, όπως ασυνήθιστες συναλλαγές ή μεταφορές χρημάτων και πληρωμές μέσω καρτών σε μη καταχωρημένους πωλητές, που συνδέονται συχνά με μη καταγεγραμμένη οικονομική δραστηριότητα μέσω πλατφορμών στη λεγόμενη οικονομία διαμοιρασμού.
  • Εντοπίζοντας ανωμαλίες και ασυνήθιστες αποκλίσεις στα εισοδήματα πολιτών και επιχειρήσεων, όπως η μη αναλογία μεταξύ των εισοδηματικών πηγών και των δαπανών.

Ο Διοικητής της ΑΑΔΕ τόνισε ότι όλα αυτά μπορούν να οδηγήσουν σε πιο στοχευμένους φορολογικούς ελέγχους:

  • Προβλέποντας φορολογικές παραβάσεις, με τη χρήση μοντέλων μηχανικής μάθησης για την εκτίμηση του κινδύνου φορολογικών παραβάσεων, βασιζόμενοι σε προηγούμενα μοτίβα συμπεριφοράς, που ενδέχεται να υποδεικνύουν φορολογική απάτη.’
  • Αναπτύσσοντας προφίλ κινδύνου για φορολογούμενους και επιχειρήσεις σχετικά με την πιθανότητα φοροδιαφυγής και φοροαποφυγής, επιτρέποντας στις φορολογικές αρχές να αποφασίζουν, να προτεραιοποιούν και να εστιάζουν τους ελέγχους σε συγκεκριμένες ομάδες.
  • Αξιολογώντας και αξιοποιώντας καταγγελίες των πολιτών για περιπτώσεις φοροδιαφυγής με αυτοματοποιημένο, γρήγορο και αποτελεσματικό τρόπο και με περισσότερες δυνατότητες συλλογής και ανάλυσης πληροφοριών.

ΠΡΟΣΦΑΤΑ

ΤΑ ΠΙΟ ΔΗΜΟΦΙΛΗ