Fiktív cégek a hálóban

Méret: px

Mutatás kezdődik a ... oldaltól:

Download "Fiktív cégek a hálóban"

Gizella Szilágyiné
5 évvel ezelőtt
Látták:

1 Fiktív cégek a hálóban datastream 2018 konferencia Kovács Gyula Andego Tanácsadó Kft.

2 Magunkról 2010-ben alapították magánszemélyek (az alapítók több mint egy évtizedes BI tapasztalatokkal rendelkeznek) Andego Tanácsadó Kft. fő profilja: Intelligens applikációk kifejlesztése (Next Csalás detektáló szoftver, Sixtep hálózati szoftver, Hitelelbíráló modul) Céginformációs rendszer és elemzése CRM és BI témájú adatbányászati projektek Partnerek IFUA Partners, Microsoft Magyarország, BI Consulting Kft. Referenciák OTP, Fókusz Takarék, Uniqa/Uniqa Asiguri, Signal Biztosító, PBA, Lombard Lízing, MKB Euroleasing, Vodafone, Sanofi-avensis, KÖBE

3 Tartalom Mikor fiktív egy cég? Néhány érdekesség a fiktív cégekről? Fiktív cégek modellezése adatbányászati és hálózati módszerekkel Módszertani kérdések Az adatokról Eredmény kiértékelés egy kicsit másképp

4 Fiktív cégek Fiktív (fantom) cégeknek nevezzük azokat a társaságokat, amelyeket alapítóik évekkel korábban hoztak létre, ma már azonban tényleges tevékenységet nem fejtenek ki, de még nem szüntették meg azokat. Fantomcégek továbbá a jogellenes tevékenység folytatását leplező vállalkozások, bejegyzett tevékenységüket ténylegesen nem gyakorolják, csupán a fiktív ügyletek során kiállított számlákat adják és veszik különféle láncolatok, "számlagyárak" tagjaként. A fiktív cégek alatt tehát hétköznapi értelemben olyan cégeket értünk, melyek nem végeznek valós gazdasági tevékenységet, és elsődlegesen pénzmosás céljából jönnek létre.

5 Pénzmosás volumene Összeg (milliárd USD)

6 NAV eszközei a fiktív cégek ellen Jogi eszközök Adószám alkalmazásának felfüggesztése és adószám törlése jogintézményét (2006) Alapelv: NAV-nak bizonyítani kell a gazdasági tevékenység hiányát (ha ez sikerül, akkor 200%-os bírság!) DE - fiktív gyanús esetekben (számlaláncolat) a számlabefogadó cég felelősségét nem vizsgálja a NAV, az adólevonási jogot mindenképp vitatja a számlabefogadó cégtől Informatikai eszközök

7 Fiktív cégek jellemző sajátosságai Céghalmozók Cégtemetők Körbeszámlázások

8 Ki az az E. József? Google Buamgartner díjas költő 56-os portál E. József pere és költői munkássága E. József Facobook profilja Holott Magyarország legnagyobb céghalmozója!

9 TOP10 céghalmozó 120,0% TOP10 Fiktív halmozók 100,0% 95,9% 80,0% 76,5% 60,0% ,7% 61,1% 40,0% 20,0% 0,0% 3,9% 3,9% E. József J. Mónika Zsuzsanna 1,6% 0,8% 1,6% 0,8% E. Márton Attila ,7% 90 17,9% 81 17,9% ,8% 73 7,4% 5,3% 1,1% 0,0% 0,0% 0,0% T. Szabolcs Sz. Gábor B. Andor M. Szabolcs Z. Hanlong A. Tamás B. Hajnalka Jelenleg hány cégben tulajdonos Ebből mennyi még az aktív cég

10 Cégtemetők Cégtemetők Cégek száma Akótív cégek száma Aktív arány 1157 BUDAPEST NYIRPALOTA % 2800 TATABANYA KOMAROMI % 1115 BUDAPEST BARTFAI % 4600 KISVARDA LITKI % 1078 BUDAPEST HERNAD % 1139 BUDAPEST UTEG % 1085 BUDAPEST JOZSEF % 1114 BUDAPEST BARTOK % 1135 BUDAPEST BEKE % 4600 KISVARDA GAGARIN % 4625 ZAHONY ADY % 1133 BUDAPEST PANNONIA %

11 Szeged Vedres utca cég

12 Kitűzött feladat Tisztán céginformációs adatok alapján készítsünk el egy adatbányászati modellt, ami alapján kiszűrhetők a fiktív cégek

13 Irányított tanítás tanító adatbázis Exogén Árbevétel Endogén Összes haza cégre ismerjük az exogén adatokat, ezért Profit Végrehajtás Létszám Fiktív / Nem fiktív Tanítás Modell a modell minden cégre eldönti hogy fiktív vagy nem fiktív Székhely.

14 Irányított tanítás tanító adatbázis Exogén Árbevétel Profit Végrehajtás Létszám Székhely. Endogén Fiktív / Nem fiktív Valóság! Nincs publikusan elérhető lista a magyarországi fiktív cégekről (ha lenne ilyen, nem kellene modellezni) Ez miért probléma? Nem tudunk olyan tanítóadatbázis felépíteni, ahol meg tudjuk címkézni a cégeket (fiktív/nem fiktív) 100%-os valószínűséggel!

15 Iteratív modell tanító adatbázis előállítása Ötlet: fiktív cégekre jellemző tulajdonság alapján olyan szegmensek leválogatása, ahol erősen sejthető, hogy a különböző szegmensekben eltérő a fiktív cégek aránya. Célváltozó: szegmens címke (4 értéket vehetett fel) A. Céghalmozók cégei, amelyek cégtemetőn vannak B. Céghalmozók cégei, amelyek nem cégtemetőn vannak C. Cégtemetőn lévő cégek, melyek nem céghalmozókhoz tartozik D. Nem céghalmozóhoz tartozó és nem cégtemetőn lévő cég

16 Irányított tanítás tanító adatbázis Exogén Endogén Árbevétel Profit Végrehajtás Létszám Székhely 1. Céghalmozók cégtemetőn lévő cégei 2. Céghalmozók nem cégtemetőn lévő cégei 3. Nem céghalmozók cégtemetőn lévő cégei 4. Véletlenszerűen leválogatott cégek Fiktív cégek előfordulásának valószínűsége csökken.

17 Miylen adatok alapján modellezünk? Exogén Árbevétel Profit Végrehajtás Létszám Milyen típusú adatok alapján lehet legjobban felismerni a fiktív cégeket? Székhely.

18 Milyen adatokat alkalmaztunk? Cégre vonatkozó saját adatok (mérleg, létszám, ) CÉG

19 Milyen adatokat alkalmaztunk? Közvetlen kapcsolatai a cégnek (hány céggel van kapcsolatban,..) CÉG

20 Milyen adatokat alkalmaztunk? Klaszter szintű adatok (klaszter mérete, sűrűsége) CÉG Klaszter

21 Érdekesség I. hatékony cég fiktív? Egy főre jutó árbevétel eléri a 40M Ft-ot? Céghalmozók cégtemetőn lévő cégei Céghalmozók nem cégtemetőn lévő cégei Nem céghalmozók cégtemetőn lévő cégei Véletlenszerűen leválogatott cégek 33% 21% 19% 12%

22 Érdekesség I. hatékony cég fiktív? Nagy méretű klaszterbe tartozik? (10 csúcs felett) Céghalmozók cégtemetőn lévő cégei Céghalmozók nem cégtemetőn lévő cégei Nem céghalmozók cégtemetőn lévő cégei Véletlenszerűen leválogatott cégek 95% 74% 38% 37%

23 Irányított tanítás tanító adatbázis Exogén Árbevétel Endogén Modell Profit Végrehajtás Létszám Fiktív / Nem fiktív Tanítás Székhely.

24 Modell kiértékelése Modell alapján extra magas pontszámot kapott? Céghalmozók cégtemetőn lévő cégei Céghalmozók nem cégtemetőn lévő cégei Nem céghalmozók cégtemetőn lévő cégei Véletlenszerűen leválogatott cégek 91% 47% 6% 1% 8% 39% 68% 27%

25 Irányított tanítás tanító adatbázis Exogén Árbevétel Endogén Összes haza cégre ismerjük az exogén adatokat, ezért Profit Végrehajtás Létszám Fiktív / Nem fiktív Tanítás Modell a modell minden cégre eldönti hogy fiktív vagy nem fiktív Székhely. Hogyan teszteljük a modell?

26 Kiértékelés I. kiszűrt cégek kézi ellenőrzése Unió Valtameri Kft.

27 Kiértékelés II. NAV adóslista ADÓSZÁM CÉG NEVE SCORE Megállapított adóhiány SPDC Hungary ( i lista első helyezettje) M Optic Objekt Kft M SMART ELECTRIC SYSTEM Kft M Oceaneering International Magyarország Kft M Ferro Business Hungary Kft M GLOBAL-N Hungary Kft M MERCANTILE Kereskedelmi és Szolgáltató Kft M Transport Company Kft M Rontex Trade Kft M Moonlight Shadow Kft M MSKATONER Kft M Mentreor Kft M Dracarys Kft M WOODMAX Kereskedelmi és Szolgáltató Kft M Sárospatak-HUNGÁRIA Édesipari Kft M Penta Unio Trade Kft M Pagatel Car Kft M ANTOLA Építőipari Szolgáltató Kft M ELFENDEL Kft M RÓZSADOMB GARDEN Kft M TOP20 adós 5,25 Összes aktív cég 3,70

28 Kiértékelés III. Nem mindig valódi fiktív eseményt detektálunk (Solar cégek alapítása 2016 decemberben) 140 Cégek száma

29 Kiértékelés IV. Fiktív cégek mennyire vannak közel a magyar gazdaság centrumához? 25,0% Fiktív cégek aránya 20,0% 15,0% 10,0% 5,0% 0,0%

30 Kiértékelés V. Melyik banknál van a legtöbb fiktív cég? Bank Extrém Fiktív ráta Fiktív ráta Bank1 8,75% 28,1% Bank2 6,66% 32,9% Bank3 4,53% 18,5% Bank4 4,33% 15,2% Bank5 4,10% 18,1% Bank6 4,04% 16,7% Bank7 3,93% 18,8% Bank8 3,63% 15,9% Bank9 3,40% 18,5% Bank10 3,25% 17,3%

31 Összefoglalás amiről szó volt A fiktív cégek modellezése egy speciális területe az adatbányászatnak (a célváltozó piszkos ) Egy módszertan került bemutatásra, hogy lehet ilyen esetekben tanító adatbázist felépíteni Kiértékelésnél is új módszerek kerültek bemutatásra (a hagyományos kiértékelés korlátai)

Hasonló dokumentumok

Fiktív cégek a hálóban

Fiktív cégek a hálóban datastream 2018 konferencia Kovács Gyula Andego Tanácsadó Kft. Magunkról 2010-ben alapították magánszemélyek (az alapítók több mint egy évtizedes BI tapasztalatokkal rendelkeznek)