Social Network Analysis: uno strumento per la lotta all’evasione fiscale?

Di Alessia Fidelangeli - 03 Aprile 2025

Abstract (*)

L’articolo analizza le possibili applicazioni della network analysis in ambito fiscale, in particolare nell’attività di contrasto all’evasione e alle frodi. Dopo una breve ricognizione di cosa si intenda per social network analysis, vengono individuate le ipotesi in cui le Amministrazioni finanziarie dei Paesi dell’Unione Europea fanno uso di questa metodologia nella fase dei controlli, nonché i rischi e le sfide che questo utilizzo può sollevare. 

Social Network Analysis: a tool to fight tax evasion – The article analyzes the possible applications of network analysis in the tax field, particularly in the fight against tax evasion and fraud. After a brief overview of what is meant by social network analysis, the article identifies the cases in which the tax administrations of European Union countries use this methodology in audit phases, as well as the risks and challenges that this use may entail.

Sommario: 1. Introduzione. – 2. L’impiego della network analysis nell’ambito fiscale: metodologie e finalità. – 3. L’uso della network analysis nel contrasto alla frode in Europa. – 4. L’uso della network analysis per il contrasto alle frodi in Italia. – 5. Rischi e questioni aperte. – 6. Conclusioni.

1. L’analisi delle reti (Network Analysis, NA) è un insieme di tecniche utilizzate per rappresentare le relazioni tra elementi connessi e studiare le strutture emergenti da tali connessioni (Chiesi A.M., [voce] Network Analysis, in International Encyclopedia of the Social & Behavioral Sciences, 2001; Brandes U. – Robins G. – McCranie A. – Wasserman S., What is network science?, nel primo numero della rivista Network Science (2013), definiscono la scienza delle reti come lo studio della raccolta, gestione, analisi, interpretazione e presentazione dei dati relazionali). L’elemento fondante della NA è la presenza di una rete, ovvero un insieme di elementi interconnessi. Grazie all’individuazione e alla rappresentazione grafica di connessioni difficilmente individuabili a occhio nudo, la NA riesce a fornire una visione d’insieme della rete e delle connessioni di ciascun nodo al suo interno.

L’origine di tale approccio teorico è tradizionalmente attribuita ai lavori di Eulero, il quale, nel XVIII secolo, sviluppò un metodo astratto per analizzare la connettività all’interno di una rete (l’origine della teoria dei grafi viene fatta risalire alla celebre pubblicazione di Eulero del 1736 sui Sette ponti di Königsberg nella quale l’Autore dimostrò che non esisteva un percorso nella città di Königsberg che consentisse di attraversarla interamente percorrendo ogni ponte una sola volta). Oggi, la NA applica la teoria matematica dei grafi allo studio di reti reali, cioè all’analisi sistematica di dati empirici ed è particolarmente utilizzata nell’analisi di sistemi complessi. Dal punto di vista formale, infatti, un network di elementi reali (individui, imprese, istituzioni, oggetti ecc.) può essere rappresentato come un insieme di nodi, i quali rappresentano le entità, e di archi, che descrivono le relazioni tra di esse.

Originariamente inquadrata nelle scienze sociali, l’analisi delle reti ha trovato applicazione in una vasta gamma di discipline, tra cui la sociologia e l’antropologia (per un’analisi storica dell’evoluzione di questa metodologia v. Wasserman S. – Scott J. – Carrington P.J., Introduction, in Id., Social network analysis, Cambridge University Press, 2005, 2 ss.). J. Clyde Mitchell (1918-1995), antropologo sociale britannico che fu tra i primi ad utilizzare questa metodologia, la definì come un metodo per studiare le relazioni sociali esaminando la struttura dei legami tra individui, gruppi o istituzioni. Il suo approccio sottolineava che le reti sociali sono composte da nodi (attori) e collegamenti (relazioni) e che analizzare queste connessioni aiuta a rivelare schemi di interazione, influenza e organizzazione sociale, altrimenti difficilmente individuabili (si veda Mitchell J.C., The concept and use of social networks, in Mitchell J.C., a cura di, Social networks in urban situations, Manchester 1969). Attraverso l’analisi delle reti si può prestare attenzione sia ad aspetti quantitativi, come la centralità e la densità delle connessioni di un soggetto in un certo contesto, sia ad elementi qualitativi, quali il significato e la funzione dei legami sociali tra determinati soggetti. Nel primo caso, un elemento importante è il grado di connessione, che indica quante relazioni ha un nodo, cioè quante connessioni arrivano o partono da esso (ad esempio, aziende controllate da un soggetto o aziende partecipate da un soggetto).

Nelle scienze sociali, i pattern individuati dall’analisi delle reti permettono di comprendere le dinamiche che sono alla base della struttura interna di un’organizzazione o di una società e dalle quali dipendono le modalità di interazione e le scelte delle persone che le costituiscono (Chiesi A.M., [voce] Reticoli, analisi dei, in Enciclopedia delle scienze sociali, 1997). Il presupposto è che la società stessa possa essere concepita come una rete e che l’azione sociale possa essere spiegata come il risultato delle costrizioni imposte e delle opportunità offerte dalle relazioni sociali (per una ricostruzione storica dagli studi teorici di Simmel alle prime applicazioni empiriche v. Scott J., Social Network Analysis. A Handbook, Sage, Londra, 1991).

Tra i primi fondamentali studi che hanno fatto uso della NA nelle scienze sociali si annoverano quelli di Émile Durkheim e Mark Granovetter. Il primo, nel suo lavoro Suicide: A Study in Sociology, ha dimostrato l’influenza della struttura sociale sui comportamenti individuali, concentrandosi sul tasso di suicidi in diverse società. Granovetter, invece, ha evidenziato che i legami meno stretti risultano spesso più efficaci nell’accesso a nuove opportunità lavorative rispetto ai legami forti (The Strength of Weak Ties, in American Journal of Sociology, 1973; si tratta di uno degli studi che hanno contribuito a consolidare il concetto di “forza dei legami deboli”).

Solo in un secondo momento l’analisi delle reti si è estesa agli ambiti giuridico ed economico. In ambito economico, ad esempio, la NA può essere utilizzata per analizzare la struttura degli assetti proprietari. I rapporti di partecipazione societaria possono essere resi come relazioni tra i nodi (società) che, superata una certa soglia, determinano il controllo di un’impresa. Nel caso in cui le soglie di controllo siano raggiunte attraverso partecipazioni indirette, cioè reti di controllo articolate, l’analisi delle reti può contribuire a misurare il grado di concentrazione del controllo del capitale all’interno del sistema e individuare dove è concentrato il potere decisionale (tra i molti v. Stokman F.N. – Ziegler R. – Scott J., a cura di, Networks of corporate power, Polity Press, Cambridge, 1985, 234 ss.). L’analisi delle relazioni indirette ricopre un ruolo cruciale anche nello studio del contagio, nella diffusione delle informazioni e più in generale in ogni contesto in cui si renda necessario analizzare la diffusione di diversi comportamenti all’interno di reti sociali.

Nel contesto giuridico, e in particolare nel diritto tributario, la NA può essere utilizzata per un’ampia gamma di attività, che spaziano dallo studio delle connessioni tra documenti alla mappatura delle interazioni tra i diversi attori del sistema fiscale (sulla citation network analysis si rinvia a Santin P., Citation Network Analysis: un approccio quantitativo allo studio della giurisprudenza [soprattutto europea], in questa Rivista, 2025, 1 e pubblicato online il 1°aprile 2025, www.rivistadirittotributario.it). Nel primo caso, essa si propone come una metodologia utile agli studiosi e agli interpreti – siano essi accademici, Amministrazioni finanziarie o giudici – per l’analisi e la comprensione delle connessioni e delle citazioni tra documenti normativi, dottrina e giurisprudenza. Nel secondo caso, la NA si rivela uno strumento operativo nelle attività applicative del diritto, in particolare nei processi di indagine, controllo e accertamento fiscale. Questo secondo ordine di attività può essere ricondotto al più ampio ambito di indagine della Social Network Analysis (SNA), termine con cui ci si riferisce all’applicazione della teoria delle reti nello studio dei fenomeni sociali (Brandes U. et al, What is network science?, cit.).

2. La letteratura relativa all’applicazione della NA in ambito fiscale si è principalmente focalizzata sul contrasto alle frodi, evidenziando come le Amministrazioni finanziarie abbiano progressivamente integrato questa metodologia nei propri strumenti di monitoraggio. In particolare, la NA viene utilizzata per analizzare i comportamenti, le relazioni e le transazioni dei contribuenti, permettendo di individuare anomalie e schemi evasivi. Gli studi scientifici in questo settore si concentrano soprattutto nella letteratura specialistica di ambito informatico o economico (come dimostrano i lavori di Baesen B. – Van Vlasselaer V. -Verbecke W., Fraud Analytics Using Predictive and Social Network Technique, Wiley, 2015; Lismont J. et al, Predicting Tax Avoidance by Means of Social Network Analytics, in Decision Support Systems, 2018, vol. 108, 13 ss.; Garcia Alvarado F. – Mandel A., The network structure of global tax evasion: evidence from the Panama Papers, in Journal of Economic Behavior and Organization, 2022, vol. 197, 660 ss.).

Una delle principali ragioni per cui la NA si rivela efficace in questo ambito è la sua capacità di rendere visibili relazioni e schemi di interazione che altrimenti potrebbero sfuggire all’osservazione diretta. La capacità della NA di organizzare, visualizzare e classificare i dati consente di individuare soggetti o gruppi sospetti, relazioni rilevanti, anomalie nel tempo o nello spazio geografico e strutture di rete irregolari o anomale. La sua flessibilità metodologica consente sia di effettuare verifiche di ipotesi già formulate, sia adottare approcci esplorativi, in cui l’analisi delle relazioni permette, a posteriori, di individuare relazioni significative.

Inoltre, un altro aspetto di crescente importanza è la possibilità di integrare la NA con modelli statistici e strumenti di intelligenza artificiale (IA), il che spiega come mai l’utilizzo di questa metodologia stia vivendo una rapida espansione. Per comprenderne le specifiche modalità di utilizzo, è necessario collocarla all’interno del più ampio contesto dell’uso dell’IA da parte delle Amministrazioni finanziarie. In questo ambito, secondo una classificazione proposta in dottrina che ci appare condivisibile, si possono individuare quattro macrocategorie funzionali (Hadwick D., Behind the One-Way Mirror: Reviewing the Legality of EU Tax Algorithmic Governance, in EC Tax Rev., 2022, 4, 186-187).

Una prima categoria di strumenti comprende quelli utilizzati per assistere volontariamente i contribuenti, offrendo supporto in materia fiscale. Tra questi strumenti troviamo tecnologie come i chatbot e gli assistenti virtuali, che permettono di fornire risposte immediate e personalizzate alle richieste degli utenti. Un secondo ambito di applicazione riguarda la raccolta automatizzata di dati, nota come web scraping. In questo caso si acquisiscono informazioni da fonti digitali diverse, come siti web, social media, piattaforme di condivisione ed e-commerce (ad esempio, Airbnb, Booking, Instagram, Vinted). I dati così raccolti vengono poi incrociati con quelli già presenti nelle banche dati fiscali, con l’obiettivo di arricchirne e potenziarne l’analisi. La terza categoria include gli strumenti per la rilevazione del rischio, progettati per individuare e analizzare anomalie nelle dichiarazioni fiscali o nelle transazioni economiche tra determinati soggetti. Infine, ci sono i sistemi di profilazione dei contribuenti, che consentono alle Amministrazioni fiscali di pianificare controlli mirati e di ottimizzare l’uso delle risorse. Per comprendere meglio la differenza tra questi ultimi strumenti, si può affermare che gli strumenti di rilevazione del rischio aiutano a selezionare i contribuenti da controllare tra un grande numero di dati, mentre i sistemi di profilazione, più diffusi tra le Amministrazioni nazionali, associano un profilo di rischio a ciascun singolo contribuente. A questa classificazione convenzionale si potrebbe aggiungere una quinta categoria, che riguarda i sistemi impiegati nell’attività di accertamento automatizzato vero e proprio.

L’impiego della NA si inserisce principalmente nell’ambito della rilevazione del rischio, attraverso tre principali metodologie. A seconda del focus, degli obiettivi e dei metodi di applicazione, si possono distinguere sistemi riconducibili alla Social Network Analysis in senso stretto, alla Transaction Network Analysis (TNA), oppure alla rilevazione delle anomalie (c.d. outlier detection) (Hadwick D., Behind the One-Way Mirror, cit., 194-195).

La Social Network Analysis, nel suo significato più rigoroso, applica la teoria dei grafi per individuare connessioni dirette e indirette tra contribuenti e altre entità giuridicamente rilevanti (ad esempio, banche, assicurazioni, luoghi ecc.). Tale approccio risulta particolarmente utile per le Amministrazioni fiscali, in quanto permette la costruzione di mappe relazionali dettagliate, attraverso le quali è possibile identificare schemi di interazione potenzialmente fraudolenti. Rispetto ai tradizionali sistemi di analisi basati sul machine learning, l’impiego di questi sistemi ha dimostrato un vantaggio significativo. Le tecniche di machine learning, infatti, tendono a incontrare difficoltà nell’individuazione di relazioni qualora il set di dati iniziale sia limitato. Ciò può comportare l’impossibilità di riconoscere legami che, sotto una diversa prospettiva, risulterebbero evidenti, come ad esempio la condivisione di una carta di credito tra due conti (Albone A., Optimization of Fraud Detection Model with Hybrid Machine Learning and Graph Database, in Engineering, MAthematics and Computer Science, 2024, vol. 6, no. 1, 13 ss.; Magomedov S. et al., Anomaly Detection with Machine Learning and Graph Databases in Fraud Management, in International Journal of Advanced Computer Science and Applications, 2018, vol. 9, no. 11, 33 ss.). Diversamente, la NA consente di cogliere questi aspetti.

L’analisi di rete si distingue, inoltre, dai tradizionali approcci basati su punteggi predefiniti (c.d. metodi di scoring) perché essi si basano su regole elaborate precedentemente dagli sviluppatori e si fondano su schemi riconducibili a un numero ristretto di variabili. Al contrario, la SNA consente alle Autorità fiscali di inferire un ampio spettro di informazioni sui contribuenti, incluse le loro relazioni professionali, familiari e personali, nonché i rapporti contrattuali con entità giuridiche, le abitudini di consumo e le transazioni economiche. Dunque, si potrebbe sostenere che la NA consenta una visione più ampia e sia meno soggetta al rischio di arbitrarietà (Dal Pozzolo A. et al, Credit Card Fraud Detection: A Realistic Modeling and a Novel Learning Strategy, in IEEE Transaction on Neural Network and Learning System, 2018, vol. 29, no. 8, 3784 ss.).

La NA può essere utilizzata anche come strumento per la rilevazione delle anomalie, ossia per confrontare i dati di contribuenti appartenenti a gruppi omogenei per settore economico, reddito o attività, consentendo di identificare comportamenti atipici. In questo caso la NA può essere utilizzata con finalità diverse. In primo luogo, è possibile individuare nodi anomali, ovvero soggetti con un numero di connessioni insolitamente alto o basso rispetto alla struttura generale della rete. In secondo luogo, le connessioni insolite possono riferirsi a legami tra soggetti che, in base alla configurazione della rete, risultano inattesi o poco plausibili. Infine, si possono rilevare gruppi anomali, ossia insiemi di nodi che formano comunità non previste o isolate rispetto al resto del sistema relazionale.

A differenza della Social Network Analysis, la Transaction Network Analysis si focalizza sull’analisi delle transazioni economiche e finanziarie tra soggetti, rappresentando i nodi come entità economiche (imprese, contribuenti persone fisiche, istituti bancari, Stati) e gli archi come flussi di valore, quali scambi monetari o trasferimenti di beni e servizi. Semplificando si potrebbe dire che, mentre la SNA si concentra sui nodi, la TNA si concentra sugli archi. Sebbene i due approcci abbiano finalità distinte, possono essere utilizzati congiuntamente nelle attività di controllo. L’analisi simultanea delle reti sociali e delle transazioni economiche permette di identificare non solo i flussi finanziari sospetti, ma anche le relazioni tra i soggetti coinvolti, facilitando così l’individuazione di schemi fraudolenti.

L’obiettivo comune è quello di accelerare l’identificazione di fenomeni di evasione fiscale su larga scala, migliorando l’efficacia delle strategie di contrasto. Inoltre, il riconoscimento di pattern ricorrenti favorisce lo sviluppo di strategie di prevenzione, contribuendo a ridurre la ripetizione di pratiche fraudolente nel medio-lungo periodo. Almeno in linea teorica, poi, la NA si configura come uno strumento analitico neutrale, poiché non presuppone un modello teorico predefinito della frode, né richiede la selezione di parametri specifici come avviene nei meccanismi di scoring. Infine, l’analisi di rete può essere ulteriormente potenziata integrandola con altre tecniche di analisi dei dati, provenienti da ambiti disciplinari differenti ma complementari, come il data mining, utile per il rinvenimento dei dati, o il machine learning (Gonzalez Garcia I. – Mateos A., Use of Social Network Analysis for Tax Control in Spain, in Review of Public Economics, 2021, vol. 239, no. 4, 176).

3. Sebbene l’adozione di sistemi di NA da parte delle Amministrazioni finanziarie europee rappresenti un’evoluzione significativa nelle strategie di contrasto alle frodi fiscali e di ottimizzazione della riscossione, le informazioni disponibili sull’impiego effettivo di questi strumenti nei diversi Paesi risultano ancora limitate e frammentarie. Ad esempio, il report dell’OCSE Tax Administration 2023: Comparative Information on OECD and other Advanced and Emerging Economies (OECD Publishing, Paris, 84) segnala che il Canada utilizza tecniche di SNA nell’analisi del rischio di frodi. Un’indagine precedente (Advanced Analytics for Better Tax Administration: Putting Data to Work, OECD, 2016) aveva inoltre identificato applicazioni della NA in Paesi come Irlanda, Malesia, Paesi Bassi, Singapore e Nuova Zelanda. Uno dei riferimenti più utili per analizzare questi impieghi all’interno dell’ Unione Europea è lo studio condotto dall’Università di Anversa, che ha portato alla creazione di una banca dati dedicata al monitoraggio delle tecnologie di intelligenza artificiale impiegate in ambito fiscale, tra cui la network analysis (https://taxadmin.ai/). L’integrazione di queste informazioni con altre fonti, tra cui report istituzionali e analisi indipendenti, permette di delineare un quadro parziale ma indicativo delle tendenze in atto.

Ne emerge che il Belgio è stato uno dei primi Paesi a implementare sistemi di NA nelle attività di contrasto alla frode. In particolare, qui è stato sviluppato un sistema avanzato di TNA per il monitoraggio in tempo reale delle transazioni sospette ai fini IVA, reso poi disponibile all’Unione Europea, come si vedrà a seguire. Anche la Bulgaria ha implementato un sistema TNA, con risultati significativi nella rilevazione delle frodi carosello. Strumenti di NA sono in uso in Belgio, Croazia, Danimarca, Francia, Irlanda, Paesi Bassi (v. 11 Letter of the State Secretary of Finance of 10 Nov. 2017, BZDOC- 1015490419-119, Fiche 5: Mededeling, richtlijn en verordening betreffende een definitief BTW-systeem, 2, 5 and 7), Polonia, Spagna e Svezia.

La Spagna è il Paese in relazione al quale è disponibile il maggior numero di informazioni (il contributo González García I. – Mateos A., Use of Social Network Analysis for Tax Control in Spain, cit., è piuttosto esaustivo per quanto riguarda il sistema spagnolo, nonché ricco di riferimenti bibliografici). Qui è stato adottato un modello avanzato di SNA (il sistema “Teseo”), basato sull’analisi di innumerevoli tipologie di relazioni tra contribuenti, tra cui legami familiari, commerciali e giuridici. L’obiettivo è identificare schemi di frode che sfuggono ai metodi di rilevazione tradizionali, come le frodi carosello nell’IVA. L’analisi delle relazioni commerciali e dei modelli di transazione consente di individuare anomalie strutturali, ad esempio la ripetizione ciclica delle operazioni o variazioni improvvise nell’assetto proprietario, elementi spesso riconducibili a tentativi di evasione fiscale. La NA si rivela particolarmente efficace anche per segnalare situazioni sospette legate all’uso di partite IVA fittizie, soprattutto quando un lavoratore risulta operare con un solo committente o mantiene legami esclusivi con un ristretto gruppo di imprese. In Spagna, poi, la SNA è stata integrata con tecniche di machine learning per la valutazione della ricchezza netta dei contribuenti (González García I. – Mateos A., Use of Social Network Analysis, cit., 185). I sistemi utilizzano varie fonti informative, tra cui i dati dichiarati dai contribuenti o da terzi, oltre a informazioni calcolate localmente, come la discrepanza tra il volume delle vendite dichiarate e quello riportato dai clienti. A livello più ampio, vengono inoltre considerate stime della ricchezza attribuibile ai contribuenti sulla base delle loro partecipazioni societarie (ibid.).

Nonostante la disponibilità di informazioni per la maggior parte dei Paesi sia ancora limitata, è possibile individuare alcune tendenze. In primo luogo, si riscontra una crescita nell’adozione di strumenti di NA nell’ambito dei controlli IVA. L’attenzione a questa imposta potrebbe derivare dall’entità del tributo evaso, dalla sua forte cartolarizzazione e dall’efficacia della NA nel rilevare comunità sospette, ossia gruppi di società altamente interconnesse tra loro ma con pochi legami verso l’esterno.

In secondo luogo, l’implementazione di sistemi di TNA a livello nazionale, negli ultimi anni, è stata fortemente influenzata dalle iniziative dell’Unione Europea, che ne ha promosso l’adozione (v. Purpura A., Potenziali benefici, rischi e limiti del “Transaction Network Analysis” quale strumento di prevenzione e contrasto alle frodi IVA infra-UE, in Riv. tel. dir. trib., 2019, 2, 596 ss.). Sviluppato nell’ambito delle iniziative di cooperazione fiscale dell’Unione Europea, l’obiettivo principale di questo sistema di TNA è rafforzare la cooperazione tra gli Stati membri nell’ambito di Eurofisc, la rete europea di scambio di informazioni per la lotta alle frodi fiscali in ambito IVA. Secondo la Commissione Europea, il sistema consente di effettuare controlli incrociati con le banche dati di Europol e OLAF, in aggiunta alle informazioni già disponibili tramite il sistema VIES (VAT Information Exchange System), nonché di coordinare le indagini transfrontaliere attraverso un’analisi condivisa dei dati (Comunicato stampa del 15 maggio 2019, IP/19/2468).

Il sistema integra algoritmi di network analysis e tecniche di data analytics per affinare i processi di individuazione delle frodi. L’applicazione di queste metodologie migliora la capacità di rilevare con rapidità schemi illeciti (Commissione europea, The concept of Tax Gaps, Report III: MTIC Fraud Gap estimation methodologies, 38 ss.). Ad esempio, nel caso delle frodi carosello, la TNA potrebbe rilevare che determinate operazioni di acquisto e vendita sono effettuate nell’arco di pochi giorni tra i medesimi soggetti, permettendo alle autorità fiscali di intervenire con indagini mirate.

I dati diffusi da Eurofisc sembrano dimostrare l’efficacia del TNA. Tra il 2020 e il 2023, il valore delle transazioni fraudolente o sospette identificate è cresciuto da 3,3 miliardi di euro nel 2021 a 12,7 miliardi di euro nel 2023, per le sole frodi carosello e quelle legate alle procedure doganali che consentono l’importazione di beni in UE senza IVA, a condizione che vengano poi rivenduti in un altro Stato membro (i dati sono disponibili al sito https://taxation-customs.ec.europa.eu/taxation/vat/vat-and-administrative-cooperation/eurofiscen). Tuttavia, in letteratura si è evidenziato che, per un’Amministrazione fiscale inizialmente priva di informazioni sulle reti di contribuenti, anche un accesso limitato a dati di rete può generare miglioramenti significativi nella capacità di recupero delle entrate fiscali (González Garcia I. – Mateos A., Social Network Analysis tools in the Fight Against Fiscal Fraud and Money Laundering, in Proceedings of the 15TH International Conference on Modelling Decisions for Artificial Intelligence, MDAI 2018). Di conseguenza, si può ipotizzare che l’implementazione del TNA produca risultati particolarmente incisivi nei primi anni di utilizzo, quando le Amministrazioni fiscali acquisiscono per la prima volta informazioni strutturate sulle reti di evasione.

4. Per quanto riguarda l’Italia, lo strumento implementato dall’Agenzia nel contrasto alle frodi del quale si hanno maggiori informazioni è sicuramente Ve.R.A. (Verifica dei Rapporti Finanziari).

Ve.R.A. è un sistema avanzato di data analysis basato sull’intelligenza artificiale, sviluppato dall’Agenzia delle Entrate. La sua progettazione è finalizzata alla combinazione dei dati contenuti nell’Archivio dei Rapporti Finanziari con quelli presenti nell’Anagrafe Tributaria, come previsto dalla Legge di Bilancio 2020 (art. 1, commi 681-686, L. n. 160/2019, attuato dal decreto del MEF 28 giugno 2022, di «Attuazione dell’articolo 1, comma 683, della legge 27 dicembre 2019, n. 160 relativo al trattamento dei dati contenuti nell’archivio dei rapporti finanziari»). I dati a disposizione di Ve.R.A. afferiscono a entità di varia natura, quali persone fisiche, imprese, conti correnti e beni patrimoniali. Sebbene Ve.R.A. non costituisca uno strumento autonomo di accertamento – in quanto i criteri di accertamento sono definiti per legge – esso fornisce un supporto essenziale alle attività di controllo, segnalando anomalie e potenziali situazioni di rischio fiscale.

Alla domanda se Ve.R.A. utilizzi o meno metodologie di NA non si può dare una risposta certa. Dalla lettura del Documento di Valutazione di Impatto sulla Protezione dei Dati (o Data Protection Impact Assessment, DPIA) e dell’informativa sulle metodologie utilizzate nell’ambito delle attività di analisi del rischio («Informativa sulla logica sottostante i modelli di analisi del rischio basati sui dati dell’archivio dei rapporti finanziari») dell’Agenzia delle Entrate emerge che le metodologie impiegate per l’analisi del rischio fiscale si basano su tecniche sia deterministiche, per verificare l’avveramento di un rischio fiscale chiaramente definibile prima dell’avvio dell’analisi, sia stocastiche (tra cui il machine learning), per individuare i soggetti che presentano anomalie e graduare il livello di rischiosità dei contribuenti. La NA può essere sia deterministica che stocastica, a seconda dei modelli e delle tecniche utilizzate. È deterministica quando si applicano metodi basati su misure di centralità, analisi delle connessioni o algoritmi di community detection con regole fisse e riproducibili e l’analisi produce sempre lo stesso risultato a partire dagli stessi dati. È stocastica quando vengono impiegati modelli probabilistici o tecniche di machine learning per l’analisi delle reti e il processo include elementi di casualità o apprendimento da dati incerti, portando a risultati che possono variare tra diverse esecuzioni. Dunque, la specificazione contenuta nei documenti summenzionati non è particolarmente informativa.

L’eventuale applicazione della NA all’interno di Ve.R.A. potrebbe avere diverse utilità. Una prima possibilità riguarda l’analisi dei flussi finanziari e delle transazioni. La ricostruzione delle reti finanziarie potrebbe favorire l’individuazione di anomalie nelle transazioni, come la vendita sistematica di beni a prezzi inferiori al valore di mercato, oppure la ripetizione di operazioni circolari tra i medesimi soggetti a poca distanza di tempo. Un ulteriore campo di applicazione della NA potrebbe riguardare l’individuazione di società di comodo e/o prestanome. L’analisi delle connessioni tra società e/o conti offshore potrebbe permettere di individuare imprese prive di dipendenti o con volumi di transazioni sproporzionati rispetto alla loro struttura economica. Allo stesso modo, il confronto tra il numero di lavoratori e i costi per i beni strumentali potrebbe rivelare discrepanze indicative di evasione. L’analisi delle reti sociali e dei legami societari potrebbe inoltre risultare funzionale alla scoperta di legami nascosti tra soggetti apparentemente scollegati, ad esempio attraverso la condivisione di amministratori, soci o conti bancari.

Ad ogni modo, a oggi non vi sono conferme ufficiali circa l’integrazione diretta della NA in Ve.R.A., sebbene diversi elementi indichino che l’Agenzia delle Entrate stia valutando l’uso di tale tecnologia in altri contesti. In un comunicato stampa del 4 marzo 2021 si è annunciato il progetto «A data driven approach to tax evasion risk analysis in Italy», finanziato dall’Unione Europea, il quale mira a rafforzare le capacità di contrasto all’evasione fiscale mediante strumenti innovativi come la NA, il machine learning e la data visualization. Inoltre, la circolare n. 21/E del 20 giugno 2022 ha sottolineato l’importanza dell’uso della NA nella ricostruzione della catena delle operazioni fraudolente, con l’obiettivo di risalire al reale responsabile delle condotte illecite. In aggiunta a queste evidenze, la disponibilità di una mole ingente di dati (nel Comunicato stampa si fa riferimento a tre miliardi di informazioni fiscali, comprendenti 42 milioni di dichiarazioni, 750 milioni di comunicazioni da soggetti terzi ecc.) rende plausibile l’adozione di strumenti avanzati di analisi delle reti economiche. Infine, l’art. 17, comma 1, lett. f), L. n. 111/2023 stabilisce la necessità di implementare strumenti di IA per garantire una maggiore interoperabilità tra le banche dati, migliorare l’efficienza dei controlli fiscali e incentivare l’adempimento spontaneo dei contribuenti. In tale contesto, l’integrazione della NA nei sistemi antifrode fiscali appare una possibilità concreta per il prossimo futuro.

5. La metodologia della NA, di per sé, non solleva particolari rischi, se non eventuali sfide metodologiche. Tuttavia, tale considerazione deve essere ridimensionata alla luce dell’effettivo utilizzo della NA, trattandosi di uno strumento estremamente versatile e applicabile a contesti differenti. Ad esempio, l’impiego della citation network analysis per la rappresentazione delle reti di citazioni presenta criticità minime rispetto al suo utilizzo nel contrasto alle frodi fiscali (Santin P., Citation Network Analysis, cit.).

Anche nell’ambito della lotta alle frodi e all’evasione, l’uso della NA appare meno problematico rispetto ad altre metodologie. A differenza di strumenti basati su modelli predittivi opachi – sistemi il cui comportamento in uscita è osservabile, ma il cui funzionamento interno rimane poco trasparente – la NA si fonda su relazioni oggettive, facilitando la comprensione e la giustificazione dei risultati. Inoltre, viene utilizzata prevalentemente per attività di analisi del rischio, permettendo di concentrare le indagini su schemi sospetti e riducendo il rischio di controlli indiscriminati sui contribuenti in regola. Rispetto alle attività di accertamento, l’analisi del rischio risulta comunque meno problematica. Tuttavia, l’eventuale integrazione con strumenti di IA potrebbe generare criticità.

Le problematiche principali legate all’uso della NA in ambito fiscale possono essere ricondotte a due macrocategorie: da un lato, le sfide metodologiche intrinseche a questa tecnica di analisi; dall’altro, le questioni giuridiche derivanti dal suo impiego nell’attività di controllo.

Dal punto di vista metodologico, una delle principali difficoltà risiede nell’assenza di linee guida univoche per la selezione degli algoritmi da impiegare nei diversi contesti applicativi. Algoritmi differenti generano risultati variabili in quanto basati su presupposti e metodologie di calcolo eterogenei, sollevando interrogativi sui criteri che ne giustificano l’adozione (van Kuppevelt D. – van Dijck G. – Schaper M., Purposes and challenges of legal citation NA on case law, in Computational legal studies, 275 ss., propone un esempio della difficoltà di selezionare l’algoritmo migliore nelle attività di community detection in relazione alla citation network analysis, ma ci sembra che le difficoltà evidenziate possano essere generalizzate).

Inoltre, la composizione della rete influisce in modo significativo sulle correlazioni tra le misure, poiché fattori quali densità e dimensioni possono determinare variazioni nei risultati ottenuti. Ad esempio, nel caso dell’analisi dei contribuenti, la rete potrebbe risultare eccessivamente ampia, con il conseguente incremento della complessità computazionale. Le tecniche di analisi devono essere in grado di individuare schemi ricorrenti all’interno di grafi di grandi dimensioni, caratterizzati da milioni di nodi e di archi direzionati, in cui ogni nodo e arco può essere associato a molteplici attributi.

In tale contesto, può risultare utile circoscrivere l’analisi a sottogruppi, un approccio che alcuni studi hanno dimostrato essere maggiormente efficace. Tuttavia, scegliere solo una parte della rete può modificarne alcune caratteristiche fondamentali, come la distribuzione delle connessioni tra i nodi e la densità delle relazioni tra i membri del gruppo rispetto all’intera rete. Per questo motivo, nella fase di sviluppo è essenziale coinvolgere non solo esperti di informatica, ma anche specialisti del settore e figure istituzionali responsabili della selezione dei contribuenti da sottoporre a controllo.

Inoltre, i sistemi attualmente in uso tendono a integrare dati provenienti da fonti eterogenee, talvolta senza un’adeguata selezione. Un esempio significativo è rappresentato dall’esperienza spagnola, dove la NA è stata impiegata per analizzare una vasta gamma di connessioni tra imprese – di natura giuridica, commerciale, societaria o legata alla governance – non sempre pertinenti rispetto agli specifici obiettivi dell’analisi (González García I. – Mateos A., Use of Social Network Analysis, cit., 166).

Un ulteriore aspetto problematico riguarda il concetto di centralità, il cui significato appare intuitivo ma che, nella scienza delle reti, risulta altamente controverso. Ciò solleva il problema della capacità di rappresentare in modo accurato la rilevanza giuridica di un nodo all’interno della rete, ponendo interrogativi sull’effettivo valore interpretativo di tale misura in ambito fiscale (van Kuppevelt D. et al, Purposes and challenges of legal citation network analysis on case law, cit., 286).

Più in generale, la letteratura dedicata alla NA evidenzia come essa sia un insieme di strumenti metodologici caratterizzati da un approccio comune, ma privi di un corpus consolidato di assunzioni teoriche e modelli esplicativi condivisi (Brandes U. et al., What is Network Science, cit., 3 ss.). Questa assenza di un fondamento teorico solido e universalmente accettato dipende probabilmente da due fattori principali. Da un lato, la versatilità della NA, che ne consente l’applicazione in contesti molto diversi, rende difficile individuare problematiche trasversali. Dall’altro, la rapida evoluzione delle tecniche di analisi ostacola la definizione di principi comuni e di buone pratiche, limitando la capacità di identificare i rischi e le possibili soluzioni. Sebbene sia possibile delineare un quadro metodologico più strutturato, almeno per il momento, l’approccio alla NA rischia di rimanere frammentario.

A queste criticità si aggiungono diverse questioni giuridiche, che emergono soprattutto quando la NA viene combinata con altri sistemi, come quelli basati sull’IA. In questi casi, i rischi – sebbene non specificamente legati alla NA – sono già stati oggetto di approfondita analisi in dottrina (si veda, tra tutti, il numero monografico di questa Rivista, Loading Prodigit, Dal diritto naturale al diritto digitale: l’intelligenza artificiale nella giustizia tributaria, a cura di Marcheselli A. – Marello E., 2022). Tra le questioni più dibattute vi è l’applicazione di metodi automatizzati al diritto tributario, con particolare attenzione alle problematiche legate alla tutela della privacy. La letteratura sul tema è ormai ampia e articolata, con numerosi contributi che hanno esaminato le implicazioni della raccolta e del trattamento dei dati personali da parte delle Autorità fiscali (cfr., tra gli altri, Contrino A., Banche dati tributarie, scambio di informazioni tra autorità fiscali e “protezione dei dati personali”: quali diritti e tutele per i contribuenti?, in Riv. tel. dir. trib., 2019, 1, 7 ss.; Carinci A., Fisco e privacy: storia infinita di un apparente ossimoro, in il fisco, 2019, 46, 4407 ss.; Contrino A. – Ronco S.M., Prime riflessioni e spunti in tema di protezione dei dati personali in materia tributaria, alla luce della giurisprudenza della Corte di Giustizia e della Corte EDU, in Dir. prat. int., 2019, 3, 599 ss.; Palumbo G., Contrasto all’evasione fiscale e impatto sulla privacy dei contribuenti, in Palumbo G., a cura di, Fisco e privacy. Il difficile equilibrio tra lotta all’evasione e tutela dei dati personali, Pisa, 2021, 13 ss.; Marcheselli A. – Ronco S.M., Dati personali, Regolamento GDPR e indagini dell’Amministrazione finanziaria: un modello moderno di tutela dei diritti fondamentali?, in Riv. dir. trib., 2022, 2, 112 ss.).

Come si è detto, l’impiego di metodologie avanzate di NA consente l’elaborazione di un volume di dati molto ampio, spesso con modalità meno mirate rispetto agli strumenti tradizionali, con il rischio che si arrivi a trattare anche dati riferibili a minori e a soggetti che non possono essere qualificati come contribuenti in senso stretto. Ciò solleva dubbi circa la conformità del sistema al quadro normativo europeo in materia di protezione dei dati personali.

Ai fini che maggiormente ci interessano, il Regolamento Generale sulla Protezione dei Dati (GDPR), all’articolo 22, garantisce ai contribuenti il diritto a non essere soggetti a decisioni fondate esclusivamente su processi automatizzati, inclusa la profilazione, salvo eccezioni espressamente previste dalla normativa europea o nazionale. Il Considerando 71 e l’articolo 23 del Regolamento riconoscono la possibilità di deroghe per finalità di prevenzione e contrasto dell’evasione fiscale, a condizione che siano rispettati i principi di proporzionalità e necessità. Questa previsione, piuttosto ampia, ha suscitato un dibattito dottrinale sulla capacità effettiva del GDPR di disciplinare in modo efficace l’impiego dell’intelligenza artificiale nei processi di controllo da parte dell’Amministrazione finanziaria (cfr. in particolare Francioso C., Intelligenza artificiale nell’istruttoria tributaria e nuove esigenze di tutela, in Rass. trib., 2023, 1, 47 ss. e Consolo G., Sul trattamento dei dati personali, nell’ambito delle nuove procedure automatizzate per il contrasto dell’evasione fiscale, in Contrino A. – Marello E., a cura di, La digitalizzazione dell’amministrazione finanziaria tra contrasto all’evasione e tutela dei diritti del contribuente, vol. II, 2020, 186).

L’intervento del Garante per la protezione dei dati personali italiano sull’applicativo Ve.R.A. ha individuato misure per tutelare i diritti dei contribuenti nelle fasi investigative (v. Consolo G., Sul trattamento dei dati personali, cit., 179 ss.). Le misure sono state “suggerite” dal Garante in scambi con l’Agenzia delle Entrate, responsabile del trattamento dei dati di Ve.R.A., sia prima (GDPD, Provv. 22 dicembre 2021, n. 453) che dopo la pubblicazione della valutazione di impatto da parte dell’Agenzia (GDPD, Provv. 30 luglio 2022, n. 276). Le misure suggerite dal Garante includono la pubblicazione di un estratto della valutazione d’impatto per garantire trasparenza, la pseudonimizzazione dei dati nelle fasi preliminari per proteggere l’identità del contribuente, e il principio di minimizzazione, che limita l’uso dei dati a quanto strettamente necessario. Sono previsti anche rapporti periodici per monitorare i modelli di analisi e le misure di sicurezza, nonché una formazione adeguata dei funzionari per evitare un’applicazione automatica delle decisioni, in linea con il principio di proporzionalità del GDPR. (cfr. Consolo G., op. cit., 188-197).

Nel caso in cui la NA venga adottata in Italia, due aspetti sono particolarmente rilevanti: la pseudonimizzazione dei dati e la formazione del personale dell’Agenzia delle Entrate. Per quanto riguarda la pseudonimizzazione, è importante capire se questa metodologia sia efficace quando i dati vengono utilizzati per individuare le reti di relazioni commerciali e familiari del contribuente. Il D.M. 28 giugno 2022 prevede espressamente che «l’Agenzia, anche per rafforzare le garanzie connesse al trattamento dei dati personali, effettua le elaborazioni finalizzate a far emergere le posizioni da sottoporre a controllo su dati preventivamente pseudonimizzati (enfasi aggiunta)». Tuttavia, l’iter di pseudonimizzazione, in particolare se avviene prima o dopo l’applicazione dell’IA, non è del tutto chiaro e merita un approfondimento. Per quanto riguarda la formazione, è fondamentale che i funzionari dell’Agenzia siano consapevoli delle implicazioni metodologiche, poiché la scelta di quali dati analizzare può influire sugli esiti dell’analisi.

L’applicazione della NA in ambito fiscale, oltre a sollevare problemi di metodologia e protezione dei dati, presenta ulteriori criticità, specialmente, come si è in parte anticipato, quando combinata con altri sistemi. Sebbene la NA si basi su modelli matematici e algoritmi interpretabili, la sua trasparenza dipende dalla complessità degli algoritmi, dalla disponibilità dei dati e dall’uso combinato con altri strumenti. Se la NA si limita all’impiego di modelli relativamente semplici (ad esempio, misure di centralità o analisi delle connessioni), i suoi meccanismi possono essere agevolmente compresi e sottoposti a verifica. Viceversa, l’integrazione con metodologie più avanzate, come il machine learning, può compromettere la trasparenza del processo decisionale e renderlo più difficile da interpretare.

Ad esempio, nel caso del rilevamento delle anomalie, al di là della questione preliminare relativa a cosa si intenda per “comportamento atipico” o alla correlazione tra comportamento atipico e condotta fraudolenta, l’impiego della NA congiuntamente ad altri strumenti, per individuare gruppi di contribuenti simili, al fine di rilevare soggetti o comportamenti anomali, potrebbe amplificare il rischio di discriminazioni indirette e bias sistematici. Questo fenomeno potrebbe penalizzare in modo sproporzionato determinate categorie economiche e sociali, come le imprese che operano con frequenti interazioni reciproche o che gestiscono elevate quantità di contante – ad esempio ristoranti e negozi al dettaglio. Tali attività, spesso gestite da soggetti appartenenti a fasce socioeconomiche più vulnerabili o da residenti stranieri (Hadwick D., Behind the One-Way Mirror, cit., 195), rischiano di essere sottoposte a controlli più frequenti senza che ciò sia giustificato da criteri di rischio oggettivi e proporzionati. Ciò è stato evidente, con conseguenze drammatiche, nel caso del c.d. Toeslagenaffaire (v. Hadwick D. – Lan S., Lessons to be learned from the Dutch childcare allowance scandal: comparative review of algorithmic governance by tax administrations in the Netherlands, France and Germany, in World Tax Journal, 2021, vol. 13, no. 4, 609 ss.).

Un’ulteriore questione centrale riguarda la carenza di informazioni relative ai sistemi di intelligenza artificiale impiegati nell’ambito fiscale e al loro funzionamento. Sebbene, come evidenziato dalla dottrina, la selezione dei contribuenti da sottoporre a controllo rientri nella discrezionalità della Pubblica Amministrazione, è opportuno distinguere tra un’attività di selezione condotta direttamente dai funzionari, che comporta l’assunzione di una responsabilità piena ed esclusiva, e un’attività orientata da strumenti di IA. Nel secondo caso, data la rilevanza e il potenziale di tali strumenti, sarebbe auspicabile una maggiore trasparenza in merito ai criteri e alle logiche di funzionamento adottate.  

Questa carenza di informazioni è ancor più rilevante se si considera, come già evidenziato dalla dottrina, l’assenza di una regolamentazione specifica sull’uso della NA e degli strumenti di intelligenza artificiale nel diritto tributario. Molti dei sistemi attualmente impiegati dalle Amministrazioni fiscali vengono implementati senza una chiara base normativa che ne disciplini l’utilizzo, definisca i poteri dei funzionari incaricati e stabilisca le garanzie per i contribuenti sottoposti a controllo (v. l’analisi condotta in questo senso da Hadwick D., Behind the One-Way Mirror, cit., 198-200). Nell’Unione Europea, solo pochi Stati membri hanno introdotto disposizioni specifiche in materia, determinando un vuoto normativo che si traduce in una ridotta trasparenza e in un potenziale incremento del rischio di decisioni arbitrarie.

Anche al di là delle questioni prettamente giuridiche, vi sono ulteriori aspetti che meritano attenzione. Tra questi, la problematica dello sviluppo e della gestione del software impiegato. Ad esempio, nel caso di Teseo, il sistema spagnolo, lo sviluppo degli algoritmi e la loro esecuzione avvengono su un cluster di server della State Tax Agency. Tuttavia, l’esperienza maturata nell’uso dell’IA in ambito tributario – seppure in contesti differenti – dimostra che spesso gli algoritmi con le migliori prestazioni sono quelli proprietari. Ciò solleva interrogativi in merito all’adeguatezza delle garanzie offerte da sistemi sviluppati da soggetti terzi e implementati sulla base di metodologie non interamente controllate dall’Amministrazione fiscale. Analogamente, nel caso in cui alcuni aspetti del sistema rimangano sotto il controllo dello sviluppatore privato, occorre interrogarsi su questioni quali la localizzazione e la gestione dei dati, nonché sulle modalità di pseudonimizzazione adottate.

Infine, uno dei rischi più concreti e specificamente connessi all’utilizzo della NA nel diritto tributario riguarda la possibilità di impieghi distorti dello strumento. La NA non si limita all’elaborazione di dati individuali, ma consente l’identificazione di relazioni tra contribuenti che altrimenti resterebbero invisibili o difficilmente identificabili. L’analisi di un elevato volume di dati eterogenei – incluse informazioni di natura transazionale, finanziaria, contrattuale e persino interpersonale – amplifica il rischio di abusi e di usi impropri dei risultati ottenuti. Questa capacità di individuare collegamenti tra soggetti potrebbe essere sfruttata per costruire profili di rischio dettagliati in assenza di adeguate garanzie normative, con il rischio di violazioni dei diritti dei contribuenti, oppure per finalità ulteriori rispetto alle attività di controllo, come per orientare scelte normative o implementare strategie di nudging.

6. Alla luce delle riflessioni sviluppate, emerge la necessità di un approfondimento interdisciplinare sull’applicazione della NA al diritto tributario che non si limiti a un’analisi generale, bensì consideri le peculiarità delle diverse tecniche impiegate e le specifiche problematiche che esse sollevano. In particolare, la comprensione dei meccanismi sottostanti ai sistemi di NA appare essenziale per valutare con consapevolezza le implicazioni di tali strumenti.

Per quanto riguarda l’uso degli strumenti da parte delle Amministrazioni finanziarie, si auspica una maggiore trasparenza nella loro applicazione, attraverso la diffusione di informazioni sulle tecnologie adottate e sulle metodologie di analisi impiegate. Parallelamente, è necessario che l’impiego di tali strumenti sia disciplinato da un quadro normativo chiaro, che preveda garanzie adeguate a tutela del contribuente. Se è vero che la selezione dei soggetti da sottoporre a controllo rientra nelle attività discrezionali dell’Amministrazione, è altrettanto vero che l’introduzione di sistemi automatizzati e la possibile limitata comprensione degli stessi da parte degli operatori impongono una revisione delle regole nel loro complesso.

Infine, si auspica lo sviluppo di ulteriori ambiti di ricerca che favoriscano un uso più efficace della NA non solo nelle attività di contrasto alle frodi ma anche per la mappatura delle relazioni normative o giurisprudenziali, oppure come strumento di supporto all’attività legislativa. La NA si configura, infatti, come un metodo utile non soltanto per individuare soggetti a rischio di evasione fiscale, ma anche per fornire indicazioni strategiche nella definizione di politiche pubbliche a livello nazionale e internazionale. Studi recenti hanno dimostrato l’efficacia di tali strumenti nel rilevare configurazioni strutturali della rete finanziaria globale, suggerendo un approccio mirato nella lotta all’evasione fiscale. Ad esempio, uno studio recente svolto con le informazioni rese disponibili in relazione ai c.d. Panama Papers, ha utilizzato la NA per evidenziare la necessità di riforme mirate sui trattati bilaterali tra Stati, concentrandosi su quelli che coinvolgono giurisdizioni offshore (Garcia Alvarado F. – Mandel A., The network structure of global tax evasion, cit.). Ulteriori ricerche condotte in relazione alla rete delle convenzioni contro la doppia imposizione, sottolineano come alcune giurisdizioni (tra cui Regno Unito, Paesi Bassi e Singapore), occupino posizioni strategiche nella rete fiscale globale, fungendo da snodo strategico per l’uso strumentale dei trattati e che interventi regolatori mirati su un numero limitato di giurisdizioni chiave potrebbero ridurre significativamente i fenomeni di erosione della base imponibile (v. Van’t Riet M. – Lejour A., Ranking the Stars: network analysis of Bilateral Tax Treaties, CPB Discussion Paper n. 290, 2014).

(*) Il testo riprende, con alcune modifiche e l’aggiunta della bibliografia essenziale, la relazione svolta dall’Autrice al convegno “Il Fisco Digitale – Articolazione della conoscenza e del potere”, organizzato dall’Università degli Studi di Torino e svoltosi a Torino il 7 febbraio 2025, nell’ambito del progetto di ricerca “PRIN 2020 – La digitalizzazione dell’Amministrazione finanziaria tra contrasto all’evasione e tutela dei diritti del contribuente”.

BIBLIOGRAFIA ESSENZIALE

Albone A., Optimization of fraud detection model with hybrid machine learning and graph database, in Engineering, Mathematics and Computer Science, 2024, vol. 6, no. 1, 13 ss.

Baesen B. – Van Vlasselaer V. -Verbecke W., Fraud Analytics Using Predictive and Social Network Technique, Wiley, 2015

Brandes U. – Robins G. – McCranie A. – Wasserman S., What is network science?, in Network Science, 2013, 1, 1 ss.

Carinci A., Fisco e privacy: storia infinita di un apparente ossimoro, in Il fisco, 2019, 46, 4407 ss.

Chiesi A.M., (voce) Network analysis, in International Encyclopedia of the Social & Behavioral Sciences, 2001

Chiesi A.M., (voce) Reticoli, analisi dei, in Enciclopedia delle scienze sociali, 1997

Consolo G., Sul trattamento dei dati personali nell’ambito delle nuove procedure automatizzate per il contrasto dell’evasione fiscale, in Contrino A. – Marello E. (a cura di), La digitalizzazione dell’amministrazione finanziaria tra contrasto all’evasione e tutela dei diritti del contribuente, vol. II, 2020

Contrino A., Banche dati tributarie, scambio di informazioni tra autorità fiscali e “protezione dei dati personali”: quali diritti e tutele per i contribuenti?, in Riv. tel. dir. trib., 2019, 1, 7 ss.

Contrino A. – Ronco S.M., Prime riflessioni e spunti in tema di protezione dei dati personali in materia tributaria, alla luce della giurisprudenza della Corte di Giustizia e della Corte EDU, in Dir. prat. trib. int., 2019, 3, 599 ss.

Dal Pozzolo A. et al, Credit Card Fraud Detection: A Realistic Modeling and a Novel Learning Strategy, in IEEE Transaction on Neural Network and Learning System, 2018, vol. 29, no. 8, 3784 ss.

Durkheim E., Suicide: A Study in Sociology, prima pubblicazione 1897, Paris

Francioso C., Intelligenza artificiale nell’istruttoria tributaria e nuove esigenze di tutela, in Rass. trib., 2023, 1, 47 ss.

Garcia Alvarado F. – Mandel A., The network structure of global tax evasion: evidence from the Panama Papers, in Journal of Economic Behavior and Organization, 2022, vol. 197, 660 ss.

Gonzalez Garcia I. – Mateos A., Use of Social Network Analysis for Tax Control in Spain, in Review of Public Economics, 2021, vol. 239, no. 4, 159-197

Gonzalez Garcia I. – Mateos A., Social network analysis tools in the fight against fiscal fraud and money laundering, in Proceedings of the 15th International Conference on Modelling Decisions for Artificial Intelligence, MDAI 2018, 226 ss.

Granovetter M., The Strength of Weak Ties, in American Journal of Sociology, 1973, vol. 78, no. 6, 1360-1380

Hadwick D., Behind the One-Way Mirror: Reviewing the Legality of EU Tax Algorithmic Governance, in EC Tax Review, 2022, 4, 184 ss.

Hadwick D. – Lan S., Lessons to be learned from the Dutch childcare allowance scandal: comparative review of algorithmic governance by tax administrations in the Netherlands, France and Germany, in World Tax Journal, 2021, vol. 13, no. 4, 609 ss

Lismont J. et al., Predicting tax avoidance by means of social network analytics, in Decision Support Systems, 2018, vol. 108, 13 ss.

Magomedov S. et al., Anomaly detection with machine learning and graph databases in fraud management, in International Journal of Advanced Computer Science and Applications, 2018, vol. 9, no. 11, 33 ss.

Marcheselli A. – Marello E. (a cura di), Loading Prodigit, Dal diritto naturale al diritto digitale: l’intelligenza artificiale nella giustizia tributaria, in Riv. tel. dir. trib., 2022, fascicolo monografico

Marcheselli A. – Ronco S.M., Dati personali, Regolamento GDPR e indagini dell’Amministrazione finanziaria: un modello moderno di tutela dei diritti fondamentali?, in Riv. dir. trib., 2022, 2, 112 ss.

Mitchell J.C., The concept and use of social networks, in Mitchell J.C. (a cura di), Social Networks in Urban Situations, Manchester, 1969

Palumbo G., Contrasto all’evasione fiscale e impatto sulla privacy dei contribuenti, in Palumbo G. (a cura di), Fisco e privacy. Il difficile equilibrio tra lotta all’evasione e tutela dei dati personali, Pisa, 2021, 13 ss.

Purpura A., Potenziali benefici, rischi e limiti del “Transaction Network Analysis” quale strumento di prevenzione e contrasto alle frodi IVA infra-UE, in Riv. tel. dir. trib., 2019, 2, 596 ss.

Santin P., Citation Network Analysis: un approccio quantitativo allo studio della giurisprudenza (soprattutto europea), in Riv. tel. dir. trib., 2025, 1 e pubblicato online il 1°aprile 2025, www.rivistadirittotributario.it

Scott J., Social Network Analysis. A Handbook, Sage, Londra, 1991

Stokman F.N. – Ziegler R. – Scott J. (a cura di), Networks of corporate power, Polity Press, Cambridge, 1985, 234 ss.

Van Kuppevelt D. – Van Dijck G. – Schaper M., Purposes and challenges of legal citation NA on case law, in Whalen R. (ed.), Computational Legal Studies: The promise and challenge of data-driven legal research, 265-292, Edward Elgar Publishing

Van’t Riet M. – Lejour A., Ranking the Stars: network analysis of Bilateral Tax Treaties, CPB Discussion Paper n. 290, 2014

Wasserman S. – Scott J. – Carrington P.J., Introduction, in Wasserman S. et al., Social Network Analysis, Cambridge University Press, 2005

Scarica il commento in formato pdf