Нейросетевая модель налогового контроля как инструмент пресечения коррупции
Ваш браузер устарел и не обеспечивает полноценную и безопасную работу с сайтом. Пожалуйста обновите браузер, чтобы улучшить взаимодействие с сайтом.
Страницы: 1
RSS
[ Закрыто ] Нейросетевая модель налогового контроля как инструмент пресечения коррупции
Автор: Полупанов Дмитрий Васильевич. Кандидат технических наук, доцент кафедры информационных технологий Башкирского государственного университета, Уфа, Россия.
E-mail: demetrious@mail.ru

Автор: Данилов Роман Александрович. Студент специальности «Математические методы в экономике» Башкирского государственного университета, Уфа, Россия.
E-mail: danilov_87@list.ru
Телефон: 8989-953-6232

Опубликовано:
Полупанов Д.В., Данилов Р.А. Нейросетевая модель налогового контроля как инструмент пресечения коррупции // Анализ, моделирование и прогнозирование экономических процессов: материалы I Международной научно-практической Интернет-конференции, 10 декабря 2009 г. – 10 февраля 2010 г. / под ред. Л.Ю. Богачковой, В.В. Давниса ; Волгоград. гос. ун-т, Воронеж. гос. ун-т. – Воронеж : Изд-во ЦНТИ, 2009. – С. 286-289.
polupanov_danilov_rus.doc (130 КБ)
Уважаемые авторы, Дмитрий Васильевич и Роман!

Хотелось бы поблагодарить Вас за очень интересное сообщение, тема которого чрезвычайно актуальна.

Предложенная модель и перспектива ее внедрения вызывает следующие вопросы.

1) Судя по всему, Вы предлагаете выявлять предприятия, уклоняющиеся от уплаты налогов в полном объеме, на основе анализа отклонений значений экономических показателей, декларируемых этими предприятиями, от среднего уровня показателей, декларируемых аналогичными предприятиями, работающими в сходных условиях. Вместе с тем, ссылаясь на Решение Коллегии МНС от 14 ноября 2001 г., Вы признаете, что «не может быть признана нормальной ситуация, при которой 43% проводимых налоговыми органами выездных налоговых проверок являются нерезультативными». Т.е. в 57% случаев нарушения выявляются, но все понимают, что этого мало, что нарушает налоговое законодательство бОльшая доля предприятий от их численности. Значит, и сама средняя величина декларируемого показателя, которую Вы рассчитаете по модели, окажется искаженной. Эффективно ли будет использовать ее в качестве эталона? Да и «однотипность» предприятий определить на практике будет очень сложно. «Сходные» условия: как их идентифицировать?

2)Предположим, что ваша система уже внедрена и на деле принесла результаты, описанные в табл. 1. Что мы видим?
а) Для предприятия с кодом 1 прогноз показателя в 2 раза выше декларированного, а выездная проверка показала, что его реальное значение не в 2, а в 5 раз больше.
б) Для предприятия с кодом 3 по прогнозу значение показателя должно быть выше почти в 2 раза, а выездная проверка, установила, что не в 2 раза, а на 66%.
в) Предприятие с кодом 6 иллюстрирует, что если даже оно задекларировало более высокое, а не более низкое, по сравнению со средним, значение показателя, его все равно могут проверить и заставят «доплатить».

Это значит, что на практике с использованием данной модели при выездных проверках может быть все, что угодно. А для того, чтобы не приехали с проверкой, просто нужно знать заранее среднее значение показателя и «подогнать» под него свой результат так, чтобы отклонение попало в доверительный интервал.

Таким образом, заплатить надо будет не только при проверке, но и для того, чтобы узнать необходимое «среднее». И получится, что хотели как лучше ….

С уважением и интересом к Вашему ответу,
Богачкова Людмила Юрьевна.
Уважаемая Людмила Юрьевна!
Большое спасибо за проявленный интерес к сообщению и заданные вопросы.
В первую очередь хочется отметить, что представленная в докладе модель - результат участия в многих НИР, проводимых по заказу налоговых органов РФ. Первоначальные результаты данных нир отмечены в книгах:
1) Букаев Г.И., Бублик Н.Д., Горбатков С.А., Саттаров Р.Ф. Модернизация системы налогового контроля на основе нейросетевых информационных тех-нологий. – М.: Наука, 2001.
2) Бублик Н.Д., Горбатков С.А., Полупанов Д.В. и др. Совершенствование регио-нальной системы налогового контроля и управления на основе нейросетевых информационных технологий. – Уфа: Изд. Центр «Башкирский территори-альный институт профессиональных бухгалтеров», 2000.
3) Бублик Н.Д., Голичев И.И., Горбатков С.А., Смирнов А.В. Теоретические ос-новы разработки технологии налогового контроля и управления. – Уфа: Изд-во Башгосуниверситета, 2004.
По результатам расчетов, приведенных в этих книгах, в первую очередь в [3 построена таблица 1. В ней действительно имеются различия между данными моелирования и выездной проверки. Но, во-первых, цель модели - указать объект для выездной проверке, во-вторых, при построении моделей в 2004 г. и ранее еще не были учтены все те приемы, описанные в сообщении. Более поздние результаты проверок пока нет возможности выдать - требование УФНС РБ.
Последующие результаты моделирования отмечены в моей диссертации
4)Полупанов Д.В. Математические модели ранжирования объектов налогового контроля. Дисс... к.т.н.:05.13.18. – Уфа, Уфим. гос. авиац. техн. ун-т, 2007.
и монографии
5) Горбатков С.А., Полупанов Д.В. Методы нейроматематики в налогвом контроле. - Уфа, РИЦ БашГУ, 2008.
которая является переработанной и обобщенной версией диссертации.
С Романом мы продолжаем работу в этой области, в частности применение баесовского подхода к разработке НСМ.
Что касается вашего вопроса об "эталонной величине", то здесьпри построении обобщенной производственной функции использовалось предположение, что все "врут по-разному", т.е. каждый налогоплательщик искажает свои определенные факторы и сговор между ними невозможен. Кроме того, при выполнении процедуры очистки кластера от аномальных наблюдений устраняются искаженные данные. Под "однотипностью" предприятий понимается их одинаковая сфера деятельности, конкретно в таблице расчеты по торговым предприятиям. А для повышения "однородности", чтобы не сводить вместе условно ларьки с мороженным и супермаркеты, использовалась процедура кластеризации.
Изменено: Дмитрий Полупанов - 14.12.2009 14:12:46
Уважаемый Дмитрий Васильевич! Большое спасибо за развернутый ответ.
Из-за ограниченности объема доклада, действительно, подробности ускользают.
Но все-таки неясно, почему Вы считаете более подходящим объектом для проверки предприятие, задекларировавшие показатель выше среднего (6 в табл. 1), чем предприятие - середнячка.
Ведь после проверки даже первое из них "дооблагается" налогами.  
С пожеланием успехов в Вашем интересном и весьма важном для практики исследовании,
Л.Ю.Богачкова.
Уважаемая Людмила Юрьевна!
В таблице приведены данные по тем предприятиям, по которым проводились реальные выездные проверки, независимо от результатов нейросетевого моделирования. Если честно, получить такие данные, для проверки по ним НСМ, было большой удачей. Так что считать эти предприятия подходящими для проверки по результатам моделирования не следует.
Большое спасибо за Ваши вопросы.
С уважением Дм. Полупанов
Страницы: 1
Читают тему (гостей: 1, пользователей: 0, из них скрытых: 0)