Arbeidslivskriminalitet kjennetegn, omfang, utvikling Analyse av kontrolldata

Transkript

1 1 Arbeidslivskriminalitet kjennetegn, omfang, utvikling Analyse av kontrolldata Rapport 2016 Analyseteamet i Skatteetaten Skatteetaten,

2

3 Oppdragsgiver: Terje Nordli, SKD/RA/L4 Styring og Analyse Prosjektleder: Kari Djupdal Øvrige deltakere: Marit Klemetsen Thomas Myhrvold-Hanssen Joakim Døving Dalen 1

4

5 Sammendrag Arbeidslivskriminalitet (akrim) er handlinger som bryter med norske lover om lønns- og arbeidsforhold, trygder, skatter og avgifter, gjerne utført organisert, som minimerer produksjonskostnadene, utnytter arbeidstakere eller virker konkurransevridende og undergraver samfunnsstrukturen. Dette prosjektet benytter informasjon fra Skatteetatens kontroller for å få økt kunnskap om hva som kan kjennetegne virksomheter som utfører akrim, gi estimater over omfanget av kriminaliteten på bransje- og regionsnivå og for å undersøke utviklingen av akrim. Informasjonen som kommer ut av prosjektet skal dermed kunne bidra til å vurdere om akrim reduseres og hvilke områder som bør prioriteres med hensyn til innsats for å bekjempe akrim. Tre datagrunnlag undersøkes. Et samlet datagrunnlag for tiltaksårene , og to delte grunnlag for tiltaksårene og Utviklingen av kjennetegn på og omfang av akrim, er målt ved å sammenligne tidsperioden med tidsperioden I prosjektet er virksomheter definert som deltagere i akrim dersom de har fått fastsatt tilleggsavgift på over 40 prosent, fastsatt tilleggsskatt på over 30 prosent eller blitt anmeldt som følge av en avdekkingskontroll på lønns-, innkjøps- eller salgsområdet, ekskludert kontroller med detaljerte kontrollarter som ikke er relatert til akrim. Et testutvalg viste at omtrent 90 prosent av virksomhetene med disse kriteriene var involvert i akrim som fiktiv fakturering eller svart arbeid. For å ta hensyn til at kontrollerte virksomheter ikke er et representativt utvalg av populasjonen, benyttes twostage Heckman metode - en estimeringsteknikk utviklet for å korrigere for seleksjonsskjevheter i datagrunnlaget. Two-stage Heckman metode indikerer at virksomheter innenfor akrim skiller seg fra øvrige grupper som kontrolleres/ ikke etterlever i henhold til regelverket på skatte- og avgiftsområdet. Predikert sannsynlighet for akrim øker dersom virksomheten ikke har MVA-betalingskrav, er mindre, er et ENK, er innenfor omsetning og drift av fast eiendom fremfor øvrig bygg og anlegg, er sentralt lokalisert, eller har eldre daglig ledere/innehavere. I tillegg viser resultatene at rettidig innbetaling av MVA, eldre virksomheter, andre enhetstyper enn AS, virksomheter som kun har regnskapsfører eller verken har regnskapsfører eller revisor og norske innehavere/daglig ledere er kjennetegn som predikerer akrim i økende grad over tidsperioden. Videre får bransjetilhørighet økt betydning i siste tidsperiode. Detaljhandel, unntatt motorvogner, drosjebiltransport, informasjon og kommunikasjon og undervisning, faglig vitenskapelig og teknisk tjeneste yting får økt predikert sannsynlighet for akrim enn øvrig bygg og anlegg, mens ferdiggjøring av bygninger får lavere predikert sannsynlighet enn øvrig bygg og anlegg. Overnatting og servering hadde tidligere lavere predikert sannsynlighet for akrim enn øvrig bygg og anlegg, men i perioden har bransjen tilsvarende sannsynlighet som øvrig bygg og anlegg. Dette indikerer at kjennetegn på akrim aktører endres over tid, og at det vil være nødvendig å kontinuerlig innhente kunnskap om kjennetegn dersom vi effektivt skal håndtere akrim. Basert på predikert sannsynlighet for akrim for hver virksomhet, ble gjennomsnitt beregnet for hver bransje og region. Dette kan forstås som omfanget av akrim på bransje- og regionsnivå. Resultatene indikerer at bransjer og regioner er ulikt sammensatt når det gjelder antall virksomheter som innehar kjennetegn relatert til akrim, og at det er dette som gir utslag i bransje- og regionsforskjeller med tanke på akrim. Ferdiggjøring av bygninger har høyest gjennomsnittlig predikert sannsynlighet for akrim i begge tidsperiodene, men med en nedgang på 8 prosentpoeng fra Innenfor drosjebiltransport har derimot gjennomsnittlig predikert sannsynlighet for akrim økt med nesten 6 prosentpoeng siden På regionsnivå er gjennomsnittlig predikert sannsynlighet for akrim høyest i region Øst i begge tidsperiodene. For alle regionene er det imidlertid en reduksjon i gjennomsnittlig predikert sannsynlighet for akrim over perioden, med unntak av for region Nord som har hatt en økning på 0,20 prosentpoeng. På bakgrunn av disse funnene anbefales det at vi bør øke vår kunnskap om hva som kan kjennetegne virksomheter innenfor akrim spesifikt. Vi bør i større grad undersøke flere kjennetegn enn bransje og region, og vi bør utrede mulige årsaker til hva endringene i kjennetegn på, og omfang av, akrim kan skyldes. Slik kan vi i større grad avgjøre hvilke tiltak og hvilke områder som bør prioriteres for å bekjempe akrim. Begrensinger med studien er diskutert. 1

6

7 Innholdsfortegnelse 1. Introduksjon Metode Datagrunnlag Datagrunnlag kontrollerte virksomheter Datagrunnlag over virksomheter som ikke har blitt kontrollert Dataanalyse Operasjonalisering av avhengig variabel steg 1, kontroll Operasjonalisering av uavhengige variabler som kan påvirke kontrollutvelgelse Operasjonalisering av uavhengige variabler som kan påvirke akrim Datakilder Resultat Resultater two-stage Heckman metode Steg 1, kjennetegn predikert sannsynlighet for kontroll Steg 2, kjennetegn predikert sannsynlighet for akrim Utvikling av omfanget av akrim, bransje Utvikling av omfanget av akrim, region Robusthets-analyse: Ett-stegs logistisk regresjon, sannsynlighet for akrim Diskusjon og konklusjon Kjennetegn, predikert sannsynlighet for kontroll Kjennetegn, predikert sannsynlighet for akrim Utvikling av omfanget av akrim, bransje Utvikling av omfanget av akrim, region Begrensninger og anbefalinger for videre studier Referanser APPENDIX

8 Arbeidslivskriminalitet- analyse av kontrolldata 1. Introduksjon Dagens samfunn preges av raskt endrende markeder, teknologisk utvikling, befolkningsvekst, økt globalisering og arbeidsinnvandring (ssb.no). Spesielt har svak økonomisk utvikling i andre europeiske land og i andre deler av verden, med påfølgende høy arbeidsledighet, resultert i økt arbeidsinnvandring til Norge de siste årene. Fri flyt av arbeidskraft er i utgangspunktet en ønsket utvikling innenfor EU og EØS, men økt arbeidsinnvandring fører også til økt kriminalitet på grunn av den store tilgangen av ofte rimelig, utenlandsk arbeidskraft (Arbeidsmarkedskriminalitet i Norge, 2014). Dette gir større spillerom for kriminelle aktører på en måte som truer med å undergrave sentrale lønns- og arbeidsbetingelser i deler av norsk arbeidsliv, og som fører til omfattende svart arbeid og annen økonomisk kriminalitet. I tillegg er skatte- og merverdiavgiftssystemet i Norge delvis basert på tillit mellom myndighetene og næringslivet, da næringsdrivende selv deklarerer de opplysningene som ligger til grunn for beregning av skatter og avgifter som skal fastsettes, betales eller utbetales. Dette innebærer at Skatteetaten står overfor en voksende skattytermasse hvor kunnskapsbehov, holdninger, motivasjon og atferd til skattyter er i stadig endring, og et system som innebærer en betydelig risiko for unndragelse av skatter og avgifter. Dette er noen av årsakene til at arbeidslivskriminalitet har vokst frem som en utfordring Skatteetaten behøver å forebygge og bekjempe (Arbeidsmarkedskriminalitet i Norge, 2014), og hvor også Skatteetatens arbeid vil være avgjørende for at man skal klare å redusere kriminaliteten. Arbeidslivskriminalitet (akrim) er definert som handlinger som bryter med norske over om lønns- og arbeidsforhold, trygder, skatter og avgifter, gjerne utført organisert, som minimaliserer produksjonskostnadene, utnytter arbeidstakere eller virker konkurransevridende og undergraver samfunnsstrukturen. Tidligere studier har vist at årsakene til manglende etterlevelse av regelverket på skatte-, avgifts- og folkeregisterområdet kan være mange, og endre seg over tid. Blant annet kan regelverk, rutiner eller systemer påvirke hvor enkelt det er å etterleve, mens skattyters holdning, kompetanse og evne kan påvirke grad av etterlevelse. For eksempel kan skattyters tillit til myndigheter, sammen med normer i samfunnet og opplevd oppdagelsesrisiko, påvirke i hvilken grad skattyter ønsker å etterleve (Kountouris og Kyriaki 2013, Richardson 2006, Torgler og Neven 2010). Det er imidlertid knyttet stor usikkerhet til omfanget av akrim, og foreløpig er det ikke utarbeidet noen metode for å komme frem til en representativ statistikk (Arbeidsmarkedskriminalitet i Norge, 2014). Bedre kunnskap om og forståelse av omfanget av akrim er nødvendig for å kunne gi gode innspill til hvilke områder som bør prioriteres med hensyn til bekjempelse av akrim. For å bekjempe unndragelser og redusere akrim kan Skatteetaten iverksette ulike tiltak, deriblant kontroller med tilhørende sanksjoner. Virksomhetene som kontrolleres, velges hovedsakelig ut på bakgrunn av mistanke om manglende etterlevelse av regelverket hos den aktuelle virksomheten. Basert på informasjon fra Skatteetatens kontrollvirksomhet skal dette prosjektet forsøke å operasjonalisere akrim, og på bakgrunn av denne operasjonaliseringen øke kunnskapen om hva som kan kjennetegne virksomheter som utfører akrim, gi estimater over omfanget av akrim på bransje- og regionsnivå og undersøke utviklingen i kjennetegn på akrim aktører og utviklingen av omfanget av akrim på bransjeog regionsnivå.. Hovedmålet med prosjektet er å bidra med kunnskap som skal være en del av beslutningsgrunnlaget for å vurdere om akrim reduseres og hvilke områder som bør prioriteres for å bekjempe akrim. 2

9 2. Metode 2.1 Datagrunnlag Datagrunnlaget består av informasjon fra Skatteetatens datavarehus for to separate grupper av virksomheter. Det ene gruppen består av virksomheter som har fått kontroll, mens den andre gruppen består av virksomheter som ikke har fått kontroll. I tillegg består datagrunnlaget av informasjon fra tre tidsperioder. Et samlet datagrunnlag for tiltaksårene , og to delte grunnlag for tiltaksårene og Utviklingen av kjennetegn på, og omfang av akrim, er målt ved å sammenligne tidsperioden for tiltaksårene med tidsperioden for tiltaksårene Datagrunnlag kontrollerte virksomheter Prosjektet skal, basert på informasjon fra Skatteetatens kontroller, forsøke å øke kunnskapen om hva som kan kjennetegne virksomheter som utfører akrim, og gi estimater over omfang av akrim på bransje- og regionsnivå. Datagrunnlag over kontrollerte virksomheter avgrenses derfor til å gjelde virksomheter som har fått en kontroll som kan være akrim-relatert. I Skatteetatens datavarehus finnes det foreløpig ingen registreringer som angir om en virksomhet har blitt kontrollert grunnet akrim. Derfor er det nødvendig å bruke alternative indikatorer for å definere en kontroll som akrim-relatert. Denne delen gir en oversikt over hvilke valg og avgrensninger som er gjort for å definere en kontroll som akrim-relatert Skatteetatens kontroller Skatteetatens kontroller kan deles inn i to hovedkategorier oppgavekontroll og etterkontroll (Liljegren, 2011a). Oppgavekontroll er kontroll av skattyteres pliktige skjema, inkludert opplysninger vedrørende selvangivelse og MVA-oppgaver. Etterkontroll er kontroller etter utlegg hvor skatte- og avgiftsforhold vurderes opp mot dokumentasjon knyttet til regnskap eller næringsvirksomhet utover pliktige oppgaver, og er således mer omfattende enn oppgavekontroller. I Styringsledermøte i september 2010 ble det vedtatt nye kontrollbegreper som ble gjeldende fra 1. januar Dette medførte ny rutine for registrering som skulle sikre en mer enhetlig registrering av kontroller på landsbasis (Liljegren, 2011b). Med bakgrunn i Skagerak-rapporten, begrenser dette prosjektet seg til å fokusere på etterkontroller som er fullført etter Det vil si at kun kontroller som er registrert med tiltaksårene 2011, 2012, 2013, 2014 eller 2015 vurderes som aktuelle i dette prosjektet Kontrollarter Etterkontroller kan deles inn i følgende kontrollarter: Grunnlagsdatakontroll kontroll av om den oppgavepliktige har overholdt sin opplysningsplikt til offentlige myndigheter og at innrapporterte opplysninger er korrekte. Formalkontroll kontroll for å verifisere at formelle plikter og regler blir overholdt. Avdekkingskontroll kontroller som avdekker feil i virksomhetens regnskap, skatte- og avgiftsraportering Oppfølgingskontroll kontroll av om virksomheten har etterlevd pålegg i tidligere kontroller. Undersøkelseskontroll kontroll som har til hensikt å undersøke et tema. 3

10 Arbeidslivskriminalitet- analyse av kontrolldata Hvilke funn en gjør, vil avhenge av hvilken kontrollart som benyttes. Analysene må derfor skille på hvilken kontrollart som har blitt benyttet. Tabell1 gir en oversikt over antall fullførte etterkontroller i hver kontrollart, for årene Tabell 1. Antall kontroller i hver kontrollart for tiltaksårene Kontrollart Antall kontroller Grunnlagsdatakontroll 62 Formalkontroller Avdekkingskontroller Oppfølgingskontroll 3415 Undersøkelseskontroll 7265 Avdekkingskontroller omfatter feil i virksomhetens regnskap, skatte- og avgiftsraportering og er, til tross for en økning av formalkontroller på grunn av personallistekontrollene fra 2014, den kontrollarten det er flest av i tiltaksårene Ettersom avdekkingskontroller er mest omfattende, og dermed mest egnet til å avdekke akrim, og flest i antall, fokuserer dette prosjektet på fullførte avdekkingskontroller for årene Tabell 2 viser antall fullførte avdekkingskontroller for hvert tiltaksår. Tabell 2. Fullførte avdekkingskontroller per år År Totalt Antall fullførte avdekkingskontroller Detaljert kontrollart Detaljert kontrollart forteller noe om formålet med kontrollen som utføres, og kan derfor benyttes som kilde for å finne ut om virksomheten ble kontrollert grunnet mistanke om manglende etterlevelse som kan grense mot akrim. Det er 213 ulike detaljerte kontrollarter. Skatteetatens fagmiljø i hver av de fem regionene avgjorde hvilke detaljerte kontrollarter som 1. var akrim-relatert, ved at de inneholdt minst 50 % akrim-relaterte kontroller 2. ikke var akrim-relatert Appendi A gir en oversikt over tilbakemeldingene fra regionene. På bakgrunn av tilbakemeldingene ble kontroller som hadde detaljerte kontrollarter hvor alle regionene var enige i ikke var akrim-relatert ekskludert fra datagrunnlaget Kontrollområde Kontrollområde angir hvilket område av virksomheten kontrollen skal fokusere på. Tilbakemeldinger fra fagmiljø i Skatteetaten antyder at kontroller som undersøker innkjøpsområdet kan omhandle mistanke om fiktiv fakturering, kontroller som undersøker lønnsområdet kan omhandle mistanke om 4

11 svart arbeid, og kontroller mot salgsområdet kan omhandle svart omsetning basert på arbeidsinnsats. Kontroller som fokuserer på driftsmiddelområdet og andre kontrollområder ble derimot uttalt å ikke omhandle mistanke om akrim. På bakgrunn av tilbakemeldingene fra fagmiljø, inkluderes kontroller som fokuserer på kontrollområdene innkjøp, lønn og salg i datagrunnlaget over kontrollerte virksomheter Endelig datagrunnlag over virksomheter som har fått en akrim-relatert kontroll En virksomhet kan ha fått flere kontroller i løpet av årene For at datasettet skal bestå av unike virksomheter, er kun siste kontroll gjeldende. Totalt er unike virksomheter i løpet av tiltaksårene registrert med en fullført avdekkingskontroll på innkjøps-, lønns-, eller salgsområdet, men hvor kontroller registrert med detaljerte kontrollarter definert til å ikke være akrimrelatert er ekskludert. Totalt unike virksomheter fått en slik kontroll i perioden , mens unike virksomheter har fått en slik kontroll i perioden Figur 1 gir en oversikt over antall virksomheter med en akrim-relatert kontroll per år. Antallet kontroller går ned i 2015, men nærmere undersøkelser viser at treffprosenten øker Figur 1. Antall virksomheter per år hvor det er registrert en fullført avdekkingskontroll på innkjøps-, lønns- eller salgsområdet, ekskludert kontroller hvor detaljerte kontrollarter er definert til å ikke være akrim-relatert Hvilke akrim-relaterte kontroller kan sies å avdekke akrim? Det er ikke alltid en avdekkingskontroll avslører brudd på skatte- eller avgiftsreglene, og det er ikke alle typer regelbrudd som er akrim. Dermed vil ikke alle virksomhetene i den kontrollerte gruppen kunne defineres til å være involvert i akrim. I denne delen beskrives hvilke typer reaksjoner som anses som aktuelle for at kontrollen skal kunne defineres til å ha avdekket akrim. Dersom det avdekkes brudd på reglene kan kontrollen, avhengig av type brudd på regelverket, resultere i fastsetting, tilleggsskatt, tilleggsavgift eller anmeldelser. Skjerpet tilleggsskatt, tilleggsavgift over 40 % og anmeldelser er sanksjoner som benyttes ved forsettlige eller grovt uaktsomme overtredelser på regelverk (Merverdiavgifthåndboken, 2015). Til tross for at også mindre alvorlige regelbrudd kan defineres til å være akrim-relatert, utelates slike hendelser fra dette prosjektet. Årsaken er at gruppen som gjør mindre forseelser er større og mer fragmentert, og flere av de mindre forseelsene er ikke nødvendigvis akrim-relatert. Kontrollerte virksomheter i det utarbeidede 5

12 Arbeidslivskriminalitet- analyse av kontrolldata datagrunnlaget defineres derfor til å være deltager i akrim dersom de har fått fastsatt tilleggsavgift på over 40 %, fastsatt tilleggsskatt på over 30 % eller blitt anmeldt. Dette gir følgende akrim-indikator: Akrim: Virksomheter er definert som deltagere i akrim dersom de har fått fastsatt tilleggsavgift på over 40 %, fastsatt tilleggsskatt på over 30 % eller blitt anmeldt som følge av en avdekkingskontroll på lønns-, innkjøps- eller salgsområdet, ekskludert kontroller registrert med en detaljert kontrollart som er definert til å ikke være akrim-relatert. I løpet av årene , , og finnes det henholdsvis 1025, 412 og 641 unike virksomheter med disse kriteriene. Figur 2 viser antall virksomheter som innehar akrim-kriteriene for hvert tiltaksår Figur 2. Antall virksomheter som innehar akrim-kriteriene for hvert tiltaksår. For å vurdere kvaliteten på akrim-indikatoren, fikk fagmiljø i oppgave å vurdere 50 tilfeldige virksomheter registrert med akrim-kriteriene slik de ble definert over. Hensikten med vurderingen var å avgjøre hvor stor andel av virksomhetene som faktisk har utført akrim. Vurderingen gikk ut på å gå gjennom kontrollrapportene. I tilfellene hvor virksomhetene har fått flere etterkontroller ble den nærmeste rapporten i tid vurdert. I noen tilfeller ble både rapporter fra skatteoppkreverne og Skatteetaten vurdert. Akrim ble vurdert som fiktiv fakturering og svart arbeid, der svart arbeid antas å kunne fremstå på tre måter 1) At en virksomhet gjør et arbeid og ikke innrapporterer næringsinntekt for arbeidet 2) At en arbeidstaker gjør en jobb uten at arbeidsgiver er klar over det inntekt går direkte til arbeidstaker som ikke innrapporterer inntekten 3) At arbeidstaker utfører en jobb og får betalt av arbeidsgiver, men lønn innrapporteres ikke til skattemyndighetene Fiktiv fakturering er en måte å kamuflere punkt 3 på. Den fiktive fakturaen fremstår som kjøp av underentreprenørtjenester, men pengene brukes til å avlønne svart mv. Fagmiljøet vurderte at 88 % av virksomhetene i utvalget kan defineres som virksomheter som har utført akrim. Akrim-indikatoren vil likevel kun måle akrim som er i henhold til definisjonen på akrim- 6

13 indikatoren, og kun tilfeller som anses som forsettlige eller grovt uaktsomme overtredelser på regelverket vil måles i denne akrim-indikatoren. Andre områder av akrim vil ikke kunne måles og estimeres i dette prosjektet. Fagmiljøets vurderinger er presentert i Appendi B 2.2 Datagrunnlag over virksomheter som ikke har blitt kontrollert I tillegg til at datagrunnlaget består av et utvalg av kontrollerte virksomheter som beskrevet over, inneholder datagrunnlaget en gruppe av virksomheter som ikke har fått en avdekkingskontroll på innkjøps-, lønns- eller salgsområdet, ekskludert kontroller registrert med en detaljerte kontrollart som ikke er akrim-relatert. Datagrunnlaget er hentet fra manntallstabellen for Risikobilde for årene , dvs. året før tiltaksåret for kontroll. Årsaken til dette er at vurderingen for kontrollutvelgelse baserer seg på data fra før kontrollen gjennomføres. For å unngå duplikater er siste tilgjengelige år i hver tidsperiode gjeldende. Dette innebærer at for tidsperioden for tiltaksårene er informasjonen hovedsakelig hentet fra året 2014, for tidsperioden er informasjonen hovedsakelig hentet fra året 2011, mens for tidsperioden for tiltaksårene er informasjonen hovedsakelig hentet fra året Dataanalyse Kontrollører bruker observerbar informasjon om virksomheten, i kombinasjon med tilgjengelige ressurser i etaten og direksjoner fra skattemyndighetene, for å velge ut virksomheter som skal kontrolleres. Skatteetaten baserer seg altså i stor grad på en risikobasert utvelgelse av virksomheter til kontroller, med den hensikt at treffprosent og avdekking innenfor prioriterte områder skal maksimeres. Estimering av kjennetegn og omfang av akrim basert på informasjon fra risikobaserte kontroller er imidlertid utfordrende. Utfordringene er i stor grad relatert til at de kontrollerte virksomhetene ikke er et representativt utvalg av norske virksomheter, men en gruppe virksomheter man mistenker har manglede etterlevelse av regelverket på skatte- og avgiftsområdet. Analyser basert på slike skjeve utvalg kan føre til feilaktig estimering, og dermed feilaktige konklusjoner på hva som er aktuelle innsatsområder. I dette prosjektet benyttes en anerkjent statistisk metode, two-stage Heckman metode (Heckman, 1979), som muliggjør korrigering av seleksjonsskjevheten som kan oppstå i forbindelse med kontrollutvelgelse. Det er to steg i metoden. I steg 1 estimeres en seleksjonsmodell ved hjelp av probit regresjon. Seleksjonsmodellen estimerer sannsynligheten for at en virksomhet blir valgt ut til en akrim-relatert kontroll eller ikke. Hele datagrunnlaget, både virksomheter som har fått en akrim-relatert kontroll og virksomheter som ikke har fått kontroll, inkluderes i denne estimeringen. Den avhengige variabelen (kontroll) i steg 1 er en dikotom variabel med verdien 1 dersom virksomheten er registrert med en fullført avdekkingskontroll på innkjøps-, lønns-, eller salgsområdet, ekskludert kontroller registrert med kontrollarter som er definert til å ikke være akrim-relatert, og med verdien 0 hvis ikke. De uavhengige variablene i modellen relaterer til observerbare trekk ved virksomhetene som kan påvirke sannsynligheten for å bli kontrollert. I tillegg forutsetter metoden at minst en variabel som er teoretisk relatert til sannsynligheten for å få kontroll, men som ikke er relatert til sannsynlighet for et akrimrelatert funn på inspeksjonen, inkluderes i seleksjonsmodellen. Hvis en slik seleksjonsvariabel ikke er til stede i steg 1, vil en kunne få problemer med multikollinearitet og upålitelig estimering i steg 2. Dette prosjektet baserer seg på tidligere litteratur og benytter egenskaper knyttet til skattemyndighetenes atferd, og virksomhetens avstand til nærmeste skattekontor, for å skille estimeringen i steg 1 fra steg 2. Forutsatt at skattyter ikke kjenner til etatens kontrollressurser, vil antall kontrollressurser i regionen kunne påvirke sannsynligheten for kontroll, uten at dette påvirker skattyters atferd (Murray, 1995). I tillegg kan nærhet til Skattekontor øke kontrollfokuset ved at kontrollørenes kunnskap om virksomheten kan øke dersom virksomheten er lokalisert i nærområdet. 7

14 Arbeidslivskriminalitet- analyse av kontrolldata Mengde kontrollressurser per virksomhet i hver region og avstand til nærmeste skattekontor inkluderes derfor i steg 1, men ikke i steg 2. Kapittel beskriver operasjonaliseringen av den avhengige variabelen (kontroll) i steg 1, mens kapittel gir en beskrivelse de uavhengige variablene i steg 1 som benyttes som forklaringsvariabler på kontrollutvelgelse. I steg 2 bruker man resultatene fra estimeringen i steg 1, til å estimere en modell som angir sannsynligheten for akrim korrigert for utvalgsskjevheten som kan oppstå ved at en benytter data fra risikobaserte kontroller. Her benyttes kun datagrunnlaget med de kontrollerte virksomhetene i estimeringen. Den avhengige variabelen (akrim) i steg 1 er en dikotom variabel med verdien 1 dersom virksomheten har fått fastsatt tilleggsavgift på over 40 %, fastsatt tilleggsskatt på over 30 % eller blitt anmeldt som følge av en avdekkingskontroll på lønns-, innkjøps- eller salgsområdet, ekskludert kontroller registrert med en detaljert kontrollart som er definert til å ikke være akrim-relatert, og med verdien 0 hvis ikke. De uavhengige variablene i modellen relaterer til trekk ved virksomhetene som kan indikere om en virksomhet deltar i akrim eller ikke. I tillegg inkluderes Inverse Mills ratio, som genereres ut fra estimeringen i steg 1, som en kontrollvariabel i steg 2. Ved å inkludere Inverse Mills ratio i steg 2, forsøker man å kontrollere for effekten av det er risikobasert utvelgelse av kontrollobjekter og dermed et skjevt utvalg av kontrollerte virksomheter. Kapittel gir en beskrivelse de uavhengige variablene i steg 2 som benyttes som forklaringsvariabler på akrim. Two-stage Heckman metode estimerer dermed, baserte på en rekke forhåndsbestemte kjennetegn, både sannsynligheten for at en virksomhet blir valgt ut til kontroll (steg 1), og korrigert for kontrollutvelgelse, sannsynligheten for at en virksomhet deltar i akrim (steg 2). Metoden vil kunne gi svar på hvilke av kjennetegnene som er relatert til kontroll og/eller akrim, og om kjennetegnene i så fall øker eller minker sannsynligheten for kontroll og/eller akrim. Sannsynligheten for at en virksomhet blir funnet å være deltaker i akrim, kan deretter brukes til å predikere omfanget av akrim på bransje og regionsnivå. Metoden kan altså bidra til å øke vår kunnskap om hva som kan kjennetegne virksomheter som driver med akrim, og da øke kunnskapen om hvilke tiltak som kan redusere problemet, men også til å beregne omfanget av problemet, og dermed øke kunnskapen om hvilke segmenter som bør prioriteres for å redusere akrim. I dette prosjektet estimeres kjennetegn og omfang i tre tidsperioder. Først samlet for hele tidsperioden , og deretter for tiltaksårene og for tiltaksårene slik at en kan vurdere utviklingen av kjennetegn og omfang over tid. For å styrke konklusjonene av analysene utføres det robusthets- analyser. Resultatene og omfangsberegningen for hele tidsperioden blir sammenlignet med en enklere ett-stegs modell som ikke kontrollerer for utvalgsskjevhet. Her benyttes logistisk regresjon som estimeringsmetode i ett-stegs modellen. Ett-stegs modellen vil altså estimere sannsynligheten for at en kontrollert virksomhet utfører akrim, men uten at det korrigeres for en eventuell seleksjonsskjevhet som kan oppstå ved at det er en risikobasert utvelgelse av virksomheter til kontroll. I teorien skal enklere ett-stegs modeller estimere en høyere sannsynlighet for akrim, og et større omfang av akrim da disse modellene ikke korrigerer for utvelgelsesprosessen til kontroll. Årsaken til dette er at forekomsten av akrim vil være høyere ved beregninger som baserer seg på data fra virksomheter som allerede er valgt ut til kontroll på bakgrunn av mistanke om manglende etterlevelse, enn dersom man korrigerer for denne utvelgelsesprosessen. I tillegg er en ett-stegs modell mer transparent slik at det er lettere å se hvilke antakelser som styrer resultatene. Resultatene fra en slik modell er dermed nyttige, særlig dersom den mer komplekse to-stegs modellen ikke evner å kontrollere for seleksjonen i 8

15 tilstrekkelig grad. En Heckman-modell avhenger i større grad enn en enkel regresjon av at antagelsene man gjør stemmer (StataCorp, 2003) Operasjonalisering av avhengig variabel steg 1, kontroll Den avhengige variabelen som måler om en virksomhet har fått en kontroll eller ikke i steg 1, er operasjonalisert som en dikotom variabel med verdien 1 dersom virksomheten er registrert med en fullført avdekkingskontroll på innkjøps-, lønns-, eller salgsområdet, ekskludert kontroller hvor detaljerte kontrollarter er definert til å ikke være akrim-relatert, og verdien 0 dersom virksomheten ikke har hatt en slik kontroll (kontroll) Operasjonalisering av uavhengige variabler som kan påvirke kontrollutvelgelse Om virksomheten er registrert med aktivitet i Skatteetatens datasystemer kan gi kontrollfokus. Virksomhetenes aktivitet er operasjonalisert som en dikotom variabel med verdien 1 dersom virksomheten har en bedrifts- underenhet (BEDR) knyttet til den juridiske enheten (aktiv). Virksomhetens etterlevelseshistorikk kan være et tegn på mistenkelig atferd (Gundersen m.fl., 2016), og føre til kontrollfokus på virksomheten (Murray, 1995). Etterlevelse er målt som rettidig innbetaling av merverdiavgift, og er operasjonalisert som kategorisk variabel. Virksomheter som har betalt merverdiavgiftskrav i henhold til frist har verdien 1, virksomheter som ikke har betalt rettidig har verdien 2, og virksomheter som ikke er i merverdiavgiftregisteret, og dermed ikke kan få betalingskrav, har verdien 3 (mva_betaling). Opplysninger er målt ett år før tiltaksåret for kontroll. Kategoriene er inkludert som dikotomiske variabler, hvor referansekategorien er virksomheter som har betalt rettidig. Større virksomheter vil trolig ha høyere sannsynlighet for å bli kontrollert da de kan være mer produktive mål for kontroll grunnet høyere skatter og avgifter (Alm m.fl, 2004). For å ta hensyn til eventuelle ikke-lineære sammenhenger mellom størrelse og kontroll, er virksomhetens størrelse operasjonalisert som en kategorisk variabel hvor virksomheter med 0 ansatte har verdien 0, virksomheter med 1-4 ansatte har verdien 1, virksomheter med 5-9 ansatte har verdien 2, virksomheter med ansatte har verdien 3 og virksomheter over 50 ansatte har verdien 4 (ant_ansatte). Opplysninger er målt ett år før tiltaksåret for kontroll. Kategoriene er inkludert som dikotomiske variabler, hvor referansekategorien er virksomheter med 0 ansatte. Kontrollutvelgelsen kan være påvirket av virksomhetens alder. Yngre virksomheter har ofte mindre erfaring (Westhead, 2011), og kan være mer tilbøyelig til å gjøre feil, samt at virksomheter kan opprettes i et forsøk på å skjule kriminalitet, noe som igjen kan føre til kontrollfokus. Virksomhetens alder er beregnet som året data er hentet fra minus virksomhetens registreringsår i enhetsregisteret. For å ta hensyn til eventuelle ikke-lineære sammenhenger mellom alder og kontroll er alder operasjonalisert som en kategorisk variabel. Virksomheter som er under 2 år har verdien 1, virksomheter som er 3-4 år har verdien 2, virksomheter som er 5-9 år har verdien 3, virksomheter som er år har verdien 4 og virksomheter som er eldre enn 15 år har verdien 5 (alder_virksomhet). Kategoriene er inkludert som dikotomiske variabler, hvor referansekategorien er virksomheter under 2 år. Om virksomheten har regnskapsfører og/eller revisor kan øke virksomhetens etterlevelse til regelverk, og gjøre virksomhetens handlinger mer transparente da flere er involvert i virksomhetens regnskap (Murray, 1995). Om virksomheten har regnskapsfører eller revisor er operasjonalisert som en kategorisk variabel med verdien 1 dersom virksomheten har både regnskapsfører og revisor, verdien 2 dersom virksomheten kun har regnskapsfører, verdien 3 dersom virksomheten kun har revisor og verdien 4 dersom virksomheten verken har regnskapsfører eller revioser (reg_rev). Kategoriene er 9

16 Arbeidslivskriminalitet- analyse av kontrolldata inkludert som dikotomiske variabler, hvor referansekategorien er virksomheter som både har regnskapsfører og revisor. Virksomhetens organisasjonsform kan kreve ulike kontrollrutiner, i tillegg til at det kan finnes bransjespesifikke utvalg og kontrollrutiner (Murray, 1995). Organisasjonsform er operasjonalisert som en kategorisk variabel der enkeltpersonforetak (ENK) har verdien 1, aksjeselskap har verdi 2 og andre enhetstyper har verdi 3 (enhetstype). Opplysninger er målt ett år før tiltaksåret for kontroll. Kategoriene er inkludert som dikotomiske variabler, hvor referansekategorien er ENK. Basert på interne ekspertvurderinger om antatte risikobransjer for akrim, er virksomhetens bransjetilhørighet operasjonalisert som en kategorisk variabel (bransje) med følgende verdier: 1 dersom virksomhetens er registrert innen øvrig bygge- og anleggsvirksomhet 2 dersom virksomhetens er registrert innen oppføring av bygninger 3 dersom virksomhetens er registrert innen ferdiggjøring av bygninger 4 dersom virksomheten er registrert innen industri, bergverksdrift og utvinning, elektrisitet-, gass-, damp- og varmtvannsforsyning eller vann forsyning-, avløps- og renovasjonsvirksomhet 5 dersom virksomheten er registrert innen jordbruk, skogbruk og fiske 6 dersom virksomheten er registrert innen øvrig varehandel, reparasjon av motorvogner 7 dersom virksomheten er registrert innen vedlikehold og rep. av motorvogn, unntatt motorvogner 8 dersom virksomheten er registrert innen detaljhandel, unntatt motorvogner 9 dersom virksomheten er registrert innen øvrig transport og lagring 10 dersom virksomheten er registrert innen drosjebiltransport 11 dersom virksomheten er registrert innen godstransport på vei, herunder flyttetransport 12 dersom virksomheten er registrert innen overnatting og serveringsvirksomhet 13 dersom virksomheten er registrert innen informasjon og kommunikasjon 14 dersom virksomheten er registrert innen finansering- og forsikringsvirksomhet 15 dersom virksomheten er registrert innen omsetning og drift av fast eiendom 16 dersom virksomheten er registrert innen øvrig forretningsmessig tjenesteyting 17 dersom virksomheten er registrert innen arbeidskrafttjenester 18 dersom virksomheten er registrert innen tjenester tilknyttet eiendomsdrift 19 dersom virksomheten er registrert innen undervisning eller faglig, vitenskapelig og teknisk tjenesteyting 20 dersom virksomheten er registrert innen øvrig helse- og sosialtjenester 21 dersom virksomheten er registrert innen lege og tannlegetjenester 22 dersom virksomheten er registrert innen kulturell virksomhet, underholdning og fritidsaktiviteter 23 dersom virksomheten er registrert innen annen tjenesteyting, lønnet arbeid i private husholdninger eller internasjonale organisasjoner og organer, eller dersom virksomheten er registrert innen offentlig administrasjon og forsvar, og trygdeordninger underlagt offentlig forvaltning Opplysninger er målt ett år før tiltaksåret for kontroll. Kategoriene er inkludert som dikotomiske variabler, hvor referansekategorien er øvrig bygge og anleggsvirksomhet. For det delte datagrunnlaget er det ikke nok observasjoner til at alle bransjekategoriene kan opprettholdes. I analysene som baserer seg på data fra perioden og for perioden er derfor virksomhetens bransjetilhørighet operasjonalisert som en kategorisk variabel (bransje) med følgende verdier: 1 dersom virksomhetens er registrert innen øvrig bygge- og anleggsvirksomhet 10

17 2 dersom virksomhetens er registrert innen oppføring av bygninger 3 dersom virksomhetens er registrert innen ferdiggjøring av bygninger 4 dersom virksomheten er registrert innen industri, bergverksdrift og utvinning, elektrisitet-, gass-, damp- og varmtvannsforsyning eller vann forsyning-, avløps- og renovasjonsvirksomhet 5 dersom virksomheten er registrert innen jordbruk, skogbruk og fiske 6 dersom virksomheten er registrert innen øvrig varehandel, reparasjon av motorvogner 7 dersom virksomheten er registrert innen detaljhandel, unntatt motorvogner 8 dersom virksomheten er registrert innen øvrig transport og lagring 9 dersom virksomheten er registrert innen drosjebiltransport 10 dersom virksomheten er registrert innen godstransport på vei, herunder flyttetransport 11 dersom virksomheten er registrert innen overnatting og serveringsvirksomhet 12 dersom virksomheten er registrert innen informasjon og kommunikasjon 13 dersom virksomheten er registrert innen omsetning og drift av fast eiendom 14 dersom virksomheten er registrert innen øvrig forretningsmessig tjenesteyting 15 dersom virksomheten er registrert innen tjenester tilknyttet eiendomsdrift 16 dersom virksomheten er registrert innen undervisning eller faglig, vitenskapelig og teknisk tjenesteyting 17 dersom virksomheten er registrert innen helse- og sosialtjenester 18 dersom virksomheten er registrert innen annen næring Opplysninger er målt ett år før tiltaksåret for kontroll. Kategoriene er inkludert som dikotomiske variabler, hvor referansekategorien er øvrig bygge og anleggsvirksomhet. Virksomhetens nærhet til markedet kan påvirke virksomhetenes tilgang til ressurser (Westhead, 2011), og dermed mulighetene for å delta i akrim. Virksomhetens beliggenhet kan dermed gi kontrollfokus. Beliggenhet tilsvarer SSB s sentralitetskode, og operasjonalisert som en kategorisk variabel med verdier fra 1-4 avhengig av om virksomheten er registrert med lav sentralitetskode for rurale områder (1), eller høy sentralitetskode (4) for urbane områder (sentralitet). Opplysninger er målt ett år før tiltaksåret for kontroll. Kategoriene er inkludert som dikotomiske variabler, hvor referansekategorien er virksomheter i rurale områder. I tillegg er det å delta i akrim ikke en avgjørelse som tas av virksomheten selv, men ofte av personen som enten eier eller driver virksomheten. Det er derfor naturlig å anta at kontrollører også vurderer egenskaper ved daglig leder/innehaver. Flere studier, både eksperimenter og felt-studier (Gërhani 2007), finner at kvinner unndrar mindre, i tillegg til at de har bedre holdninger til unndragelse sammenlignet med menn (Torgler og Neven 2010). Andre studier påpeker betydningen av alder og kulturell bakgrunn for skattemoralsk ståsted og syn på skattemyndigheter (Kountouris og Remoundou 2013; Richardson 2006, Gundersen m.fl. 2016). Daglig leder/innehavers kjønn er operasjonalisert som en dikotom variabel med verdien 1 dersom det er en kvinne, 0 hvis ikke (kvinne). Opplysninger er målt ett år før tiltaksåret for kontroll. Daglig leders/innehavers alder er operasjonalisert som en kontinuerlig variabel beregnet som året data er hentet fra minus fødselsår (alder_person). Daglig leder /innehavers bakgrunn (landbakgrunn) er operasjonalisert som daglig leder/innehavers fødeland, men dersom daglig leder/innehaver ikke er registrert med et fødeland benyttes statsborgerskap. Landbakgrunn er operasjonalisert som en kategorisk variabel med følgende verdier 1 ved norsk statsborgerskap/fødeland 2 ved svensk og finsk statsborgerskap/fødeland 3 ved dansk statsborgerskap/fødeland 11

18 Arbeidslivskriminalitet- analyse av kontrolldata 4 ved polsk statsborgerskap/fødeland 5 ved litauisk statsborgerskap/fødeland 6 ved tysk statsborgerskap/fødeland 7 ved britisk statsborgerskap/fødeland 8 ved statsborgerskap/fødeland fra Balkan 9 ved statsborgerskap/fødeland fra øvrige land i Europa 10 ved statsborgerskap/fødeland fra Asia-Oseania 11 ved statsborgerskap/fødeland fra Midtøsten/Nord Afrika 12 ved statsborgerskap/fødeland fra Nord Amerika 13 ved statsborgerskap/fødeland fra sør og sentral Amerika/Karibien 14 ved statsborgerskap/fødeland fra Afrika sør for Sahara Opplysninger er målt ett år før tiltaksåret for kontroll. Kategoriene er inkludert som dikotomiske variabler, hvor referansekategorien er virksomheter med norsk daglig leder /innehaver. For det delte datagrunnlaget er det heller ikke nok observasjoner til at alle landbakgrunnskategoriene kan opprettholdes. I analysene som baserer seg på data fra perioden og for perioden er derfor daglig leder/ innehavers bakgrunn operasjonalisert som en kategorisk variabel (landbakgrunn) med følgende verdier: 1 ved norsk statsborgerskap/fødeland 2 ved svensk og finsk statsborgerskap/fødeland 3 ved dansk statsborgerskap/fødeland 4 ved polsk statsborgerskap/fødeland 5 ved litauisk statsborgerskap/fødeland 6 ved statsborgerskap/fødeland fra Balkan 7 ved statsborgerskap/fødeland fra øvrige land i Europa 8 ved statsborgerskap/fødeland fra Asia-Oseania 9 ved statsborgerskap/fødeland fra Midtøsten/Afrika 10 ved statsborgerskap/fødeland fra Amerika/Karibien Opplysninger er målt ett år før tiltaksåret for kontroll. Kategoriene er inkludert som dikotomiske variabler, hvor referansekategorien er virksomheter med norsk daglig leder /innehaver. Det kan være forskjeller i kontrollutvelgelsen over år, blant annet på grunn av føringer fra skattemyndigheten (Alm m.fl.2004). Års-variabelen er operasjonalisert som en kategorisk variabel og har verdi 1 dersom virksomheten er registrert med informasjon fra 2010, med verdi 2 dersom virksomheten er registrert med informasjon fra 2011, med verdi 3 dersom virksomheten er registrert med informasjon fra 2012, med verdi 4 dersom virksomheten er registrert med informasjon fra 2013, med verdi 5 dersom virksomheten er registrert med informasjon fra 2014 (aar). Kategoriene er inkludert som dikotomiske variabler, hvor referansekategorien er I tillegg vil kontrollutvelgelsen kunne være påvirket av hvor mye ressurser som er avsatt til kontroller og avstand til skattekontor. Kontrollressurser i hver region er en kontinuerlig variabel operasjonalisert som anvendte årsverk per virksomhet innenfor kontroll- og rettsanvendelse i 2013 for (kr_ressurs_per_virk,). Avstand til skattekontor er en kontinuerlig variabel beregnet utfra virksomhetens postnummer, og operasjonalisert som gjennomsnittlig reisetid i minutter én vei med bil til nærmeste skattekontor (avstand). Figur 3 gir en oversikt over variablene som kan påvirke sannsynligheten for kontroll. 12

19 Figur 3. Variabler som kan påvirke sannsynligheten for kontroll Operasjonalisering av uavhengige variabler som kan påvirke akrim Faktorer som kan påvirke sannsynligheten for akrim, sammenfaller i stor grad med faktorer som påvirker kontrollutvelgelsen, da en ønsker å kontrollere virksomheter som ikke etterlever i henhold til regelverket på skatte- og avgiftsområdet. Aktører innenfor akrim kan være tilbøyelig til å opprette virksomheter for å skjule kriminalitet. Om virksomheten er aktiv eller ikke i Skatteetatens registre kan dermed være en indikator på fiktive virksomheter. Hvorvidt det er registrerte aktivitet eller inaktivitet som er kjennetegn på akrim er usikkert. Aktiv benyttes som indikator på virksomhetens aktivitet. Virksomheter som har vært under finansielt stress kan være mer tilbøyelig til å ikke etterleve skatteog avgiftsregler (Murray, 1995; Alm m.fl., 2004), for å oppnå konkurransefordeler og endre virksomhetens økonomiske situasjon. Mva_betaling benyttes som indikator på tidligere finansielt stress. Kategoriene er inkludert som dikotomiske variabler, hvor referansekategorien er rettidig betaling. Større virksomheter kan dra nytte av en større ressursbase, kunnskap og erfaring, mens små virksomheter ofte har begrenset arbeidskraft, kunnskap, kompetanse (Westhead, 2011). Større virksomheter kan dermed ha mer ressurser ledig til å gjennomføre økonomisk kriminalitet og oppnå større gevinster av kriminaliteten. Store virksomheter kan på den annen side ha en større risiko ved å delta i akrim, på grunn av at de er mer synlig i markedet. I tillegg kan små virksomheter ha større incentiver til å delta i akrim for å oppnå konkurransefordeler. Hvorvidt størrelse øker eller minker virksomhetens tilbøyelighet til å delta i akrim er dermed usikkert (Murray, 1995). Ant_ansatte benyttes som mål på virksomhetens størrelse. Kategoriene er inkludert som dikotomiske variabler, hvor referansekategorien er virksomheter med 0 ansatte. 13

20 Arbeidslivskriminalitet- analyse av kontrolldata Virksomhetens alder kan være en indikator på virksomhetens erfaring med Skatteetatens kontroller og etatens håndtering av kriminalitet, og kan dermed påvirke virksomhetens atferd. Om erfaring med Skatteetatens kontrollvirksomhet øker eller minker virksomhetens tilbøyelighet til å bryte skatte- og avgiftsregler er usikkert (Murray, 1995). Alder_virksomhet benyttes som mål på virksomhetens alder. Kategoriene er inkludert som dikotomiske variabler, hvor referansekategorien er virksomheter under 2 år. Om virksomheten har regnskapsfører og/eller revisor kan minke virksomhetens mulighet til å delta i akrim, da virksomhetens handlinger blir mindre transparente (Murray, 1995). Reg_rev benyttes som mål på om virksomhetens har regnskapsfører og/eller revisor. Kategoriene er inkludert som dikotomiske variabler, hvor referansekategorien er virksomheter som både har regnskapsfører og revisor. Hvilken organisasjonsform eller bransje virksomheten tilhører kan påvirke hvilken mulighet virksomheten har til å delta i akrim (Murray, 1995; Alm m.fl., 2004). Enhetstype og bransje benyttes som mål på henholdsvis organisasjonsform og bransjetilhørighet. Kategoriene er inkludert som dikotomiske variabler, hvor referansekategorien er ENK og virksomheter innen øvrig bygge- og anleggsvirksomhet. Virksomhetens beliggenhet kan påvirke tilgang til ressurser (Westhead, 2011), og dermed virksomhetens mulighet til å bedrive akrim. Sentralitet benyttes som mål på virksomhetens beliggenhet. Kategoriene er inkludert som dikotomiske variabler, hvor referansekategorien er virksomheter i rurale områder. Trekk ved daglig leder/innehaver vil kunne påvirke virksomhetens deltakelse i akrim Tidligere studier fremhever spesielt kjønn, alder, kulturelle normer, etnisk bakgrunn, holdning til myndighetene og som karaktertrekk som kan påvirke hvorvidt virksomheten deltar i uønsket atferd (OECD,2004). Kvinne, alder_person og landbakgrunn benyttes som mål på trekk ved daglig leder/innehaver. Kategoriene i landbakgrunn er inkludert som dikotomiske variabler, hvor referansekategorien er virksomheter med norsk daglig leder /innehaver. Utover å vurdere trekk ved virksomheten, kan kontrollfunn påvirkes av om kontrollen er utført av Skatteetaten eller skatteoppkreverne da disse har ulike kontrollrutiner. Kontrollør er operasjonalisert som en dikotom variabel med verdien 0 dersom kontrollen er utført av Skatteetaten, og verdien 1 dersom kontroller er utført av skatteoppkreverne (kontrollør). Til slutt er aar inkludert, for å ta hensyn til års-avhengige svingninger i markedet, som både kan gi økt og svekket incentiv til å delta i akrim. Kategoriene er inkludert som dikotomiske variabler, hvor referansekategorien er Figur 4 gir en oversikt over variabler som kan påvirke sannsynligheten for akrim. 14

21 Figur 4. Variabler som kan påvirke sannsynlighet for akrim Tabell 3a, b og c viser deskriptiv statistikk for utvalget. Tallene er fra året 2014 og gjelder for det totale utvalget, altså både for gruppen av virksomheter som har fått kontroll og for virksomheter som ikke har fått kontroll. Tabell 3a. Deskriptiv statistikk, virksomhetsdata Variabel Antall Prosent virksomheter Aktiv Ikke aktiv ,46 % Aktiv ,54 % Totalt MVA_betaling Rettidig ,04 % Ikke rettidig ,67 % Ingen krav ,29 % Totalt Ant_ansatte 0 ansatte ,51% 1-4 ansatte ,27% 5-9 ansatte ,45 % ansatte ,26 % over 50 ansatte ,50 % Totalt Alder_virk under 2 år ,23 % 3-4 år ,02 % 5-9 år ,46 % år ,03 % 15 + år ,26 % Totalt Enhetstype Enkeltpersonsforetak ,42 % Aksjeselskaper ,23 % Andre enhetstyper ,35 % Totalt Bransje Øvrig bygg og anlegg ,88 % Oppføring av bygninger ,54 % Ferdiggjøring av bygninger ,33 % Industri,Bergverksdrift og utvinning, Elektrisitets-, gass-, damp- og varmtvannsforsyning, ,17 % 15

22 Arbeidslivskriminalitet- analyse av kontrolldata Vannforsyning, avløps- og renovasjonsvirksomhet, Jordbruk, skogbruk, fiske ,11 % Øvrig varehandel, reparasjon av motorvogn ,49 % Vedlikehold og rep. av motorvogn, unntatt ,78 % motorvogner Detaljhandel, unntatt motorvogner ,17 % Øvrig transport og lagring ,33 % Drosjebiltransport ,85 % Godstransport på vei, herunder flyttetransport ,91 % Overnatting og serveringsvirksomhet ,14 % Informasjon og kommunikasjon ,77 % Finansierings- og forsikringsvirksomhet ,67 % Omsetning og drift av fast eiendom ,05 % Øvrig forretningsmessig tjenesteyting ,29 % Arbeidskrafttjenester ,50 % Tjenester tilknyttet eiendomsdrift ,37 % Undervisning, Faglig, vitenskapelig og teknisk ,47 % tjenesteyting Øvrig helse- og sosialtjenester ,16 % Lege- og tannlegetjenester ,01 % Kulturell virksomhet, underholdning og ,15 % fritidsaktiviteter Annen tjenesteyting, Lønnet arbeid i private ,91 % husholdninger, Internasjonale organisasjoner og organer, Offentlig administrasjon og forsvar, og trygdeordninger underlagt offentlig forvaltning Totalt Reg_rev Har begge ,09 % Har kun regnskapsfører ,13 % Har kun revisor ,86 % Har ingen ,91 % Totalt Sentral Usentralt ,81 % ,76 % ,01 % Sentralt ,42 % Totalt Aar ,43 % ,63 % ,63 % ,28 % ,03 % Totalt Kr_ressurs_per_virk 8, ,36 % 9, ,33 % 9, ,37 % 7, ,36 % 10, ,05 % Totalt Tabell 3b. Deskriptiv statistikk, persondata Variabel Antall Prosent virksomheter Kvinne Mann ,13 % Kvinne ,87 % Totalt Landbakgrunn Norge ,20 % Sverige og Finland ,28 % Polen ,06 % Litauen ,38 % Danmark ,70 % Tyskland ,55 % Storbritannia ,48 % Balkan ,48 % Asia-Oseania ,82 % Øvrig Europa ,74 % 16