Velfærdsstaten mister indtægter, der er ”too good to let go”

Det er blevet billigere at opbevare data, og det er blevet nemmere for velfærdsstaten at sammenholde og afkode eventuel samfundsskadelig adfærd med manglende betaling og/eller snyd med offentlige midler.

Hos Too Good To Go drømmer de om en verden, hvor mad bliver spist og ikke går til spilde. Deres populære app kommer både forretninger, kunder og miljøet til gode. Forretningerne tjener ekstra på, hvad der før var spild, forbrugerne får et godt måltid til en stærkt reduceret pris, og miljøet belastes væsentligt mindre grundet reduceret CO2-udledning. Med en simpel app har Too Good To Go gjort det muligt at reducere madspild ved at bringe kunder og forretningsdrivende sammen på en fælles platform, hvor overproduktion omsættes til alles bedste.
 
Ser vi på vores velfærdsstat, bliver den mere og mere presset af budgetudfordringer, ikke mindst i takt med øgede krav om service til borgerne og nye opgaver som følge af en mere globaliseret verden, herunder øget pres på at skaffe arbejdskraft, så væksten kan øges i vores samfund. Det bliver sværere og sværere at finde ud af, hvordan vi kan øge indtægterne til at dække de stigende investeringsbehov og voksende krav til offentlig service. McKinsey[1] har i deres seneste undersøgelse påpeget, at vores velfærdsstat i gennemsnit mister 20% af sine indtægter, et betragteligt beløb som følge af manglende skattebetalinger, uretmæssige udbetalinger og snyd med offentlige midler. Et spild af fælles ressourcer, som må siges at være Too Good to Let Go. Måske det er på tide, at vi mere massivt fokuserer på at reducere dette spild af ressourcer og på den måde får flere ressourcer til rådighed, som kan forbedre vores muligheder for vækst og øget service.
 
Den gode nyhed
 
Vi har som aldrig før fået bedre adgang til og mulighed for at analysere store datamængder på en hurtig og effektiv måde. Det er blevet billigere at opbevare data, og det er blevet nemmere for velfærdsstaten at sammenholde og afkode eventuel samfundsskadelig adfærd med manglende betaling og/eller snyd med offentlige midler, fordi vi med vores høje grad af digital kommunikation med velfærdsstaten, herunder digitaliseret adgang til serviceydelser som borgere og virksomhed, afsætter mange flere digitale fodspor end før.
 
Det er SAS Institutes erfaring, at anvendelsen af Big Data, Artificial Intelligence og Machine Learning på disse data har vist at kunne forbedre velfærdsstatens mulighed for at reducere dette spild af vores fælles ressourcer betragteligt ved at finde og forebygge uretmæssige udbetalinger, snyd med skattebetalinger og anden non-compliant adfærd, som forudsiger tab af indtægter.
 
Vores velfærdsstat er godt i gang med et nyt lovindgreb i Danmark. I begyndelsen af 2018 bliver det muligt for Erhversstyrelsen af kunne samkøre egne data fra CVR-registeret med data fra SKAT og eksterne data fra internettet. Kontorchef Carsten Ingerslev fra Erhvervsstyrelsen giver i Politiken den 14. december 2017 et konkret eksempel på, hvordan datadeling mellem myndigheder og kunstig intelligens kan bruges til at forebygge snyd med moms og skat. Økonomisk kriminelle indsætter ofte udsatte borgere som stråmænd i deres virksomheder og benytter dem til at oprette adskillige fiktive virksomheder med betydelig egenkapital, hvor formålet er senere at kunne bedrage vores samfund for moms og skat. Dette kan forebygges ved gennem kunstig intelligens og algoritmer at finde denne adfærd og stoppe den, inden der sker et tab af indtægter.
 
I SAS Institute har vi stor erfaring med og har hjulpet mange regeringer med at stoppe spild af ressourcer gennem systematisk anvendelse af Artificial Intelligence og Machine Learning på de mange offentlige data, som kan være med til at afsløre og forebygge snyd med offentlige ressourcer. Vi har gennem mange år oparbejdet stor viden om, hvor de kriminelle typisk sætter ind, men også hvordan systematisk kontrol af udbetalinger kan være med til at reducere mængden af fejludbetalinger betragteligt.
 
I SAS Institute synes vi, at dette ressourcespild er ’Too Good to Let Go’. Vi kan bidrage på samme måde, som Too Good to Go hjælper med at reducere madspild, med at reducere yderligere tab af indtægter. Som gode eksempler på områder, hvor en indsats kan være nødvendig, og hvor der er store samfundsgevinster at realisere, kan nævnes:
 
  • Fejludbetalinger af og snyd med uddannelsesstøtte (SU)
  • Skatte- og momsunddragelse
  • Fejludbetalinger af sociale ydelser
  • Fejludbetalinger af dagpenge
  • Snyd med offentligt indkøb
 
Vi har i SAS Institute gennem mange år indarbejdet en enorm viden i de teknologiske løsninger, som vi tilbyder. En sammenhængende teknologisk platform, der dækker både behov for at kunne datamine de mange data, og som med den mest udviklede samling af algoritmer derfor effektivt vil kunne afsløre kriminelle netværk, potentielt snyd og samfundsskadelig adfærd.
 
 
 
Emneord: Lasse Skydstofte, SAS Institute, Big data, Machine Learning, Artificial Intelligence, Skattesnyd, Too Good to Go, Madspild
SAS Institute Danmark på DenOffentlige.dk SAS Institute er verdens største privatejede leverandør af analysesoftware og relaterede services. Vores analytiske redskaber hjælper beslutningstagere hos flere end 300 offentlige kunder i Danmark...
Aktivitet: Artikler: 21 | Events: 2 | Kompetenceområder: 1

Er du også aktiv i og omkring den offentlige sektor, så læs om mulighederne for at blive udgiver på DenOffentlige.dk her.
Læs mere her

Få mere af det væsentlige

DenOffentliges nyhedsbrev udkommer alle hverdage med:

  • Overblik
  • Videndeling
  • Nyheder
  • Inspiration
  • Debat
BLIV EN DEL AF DENOFFENLIGE

Bring en kommentar

KODEKS FOR KOMMENTARER
På DenOffentlige.dk opfordres læserne til at deltage i debatten og kommentere indholdet. Redaktionen har tillid til at debattører udviser god opførsel og ordentlig tale. 
 
I ønsket om en konstruktiv debat forbeholder redaktøren sig ret til at slette en kommentar uden varsel, hvis den:

* Alene kritiserer

* Er skrevet i grimt eller nedladende sprog

* Kommer med åbenlyst absurde angreb eller påstande

* Indeholder injurierende indhold

5 seneste job

TILMELD NYHEDSBREV

Få også tema-nyhedsbrevene:

Mest læste

Seneste kommentarer

Læs også