Темы диссертаций по экономике » Математические и инструментальные методы экономики

Экономико-математические модели контроля достоверности сведений отчетности налогоплательщиков тема диссертации по экономике, полный текст автореферата

Автореферат

Ученая степень	кандидат экономических наук
Автор	Костальгин, Дмитрий Сергеевич
Место защиты	Москва
Год	2005
Шифр ВАК РФ	08.00.13

Диссертация

Автореферат диссертации по теме "Экономико-математические модели контроля достоверности сведений отчетности налогоплательщиков"

На правах рукописи ББК: 65.261с51 К72

КОСТАЛЬГИН ДМИТРИЙ СЕРГЕЕВИЧ

ЭКОНОМИКО-МАТЕМАТИЧЕСКИЕ МОДЕЛИ

КОНТРОЛЯ ДОСТОВЕРНОСТИ СВЕДЕНИЙ ОТЧЕТНОСТИ НАЛОГОПЛАТЕЛЬЩИКОВ

08.00.13 - Математические и инструментальные методы экономики

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата экономических наук

МОСКВА 2005

Работа выпонена на кафедре Информационных технологий Финансовой академии при Правительстве Российской Федерации

Научный руководитель:

Официальные оппоненты:

Ведущая организация:

кандидат экономических наук, профессор

Левит Борис Юльевич

доктор экономических наук, профессор

Сомик Кирил Васильевич

кандидат экономических наук Кузнецов Юрий Владимирович

Закрытое акционерное общество Овионт-информ

Защита состоится л17 ноября 2005 года в 10.00 на заседании диссертационного совета Д 505.001.03 в Финансовой академии при Правительстве Российской Федерации по адресу: 125468, Москва, Ленинградский проспект, д. 55, аудитория 213.

С диссертацией можно ознакомиться в библиотеке Финансовой академии при правительстве Российской Федерации по адресу: 125468, Москва, Ленинградский проспект, д. 49, ком. 101

Автореферат разослан л_ октября 2005 г.

Ученый секретарь диссертационного совета, кандидат экономических наук, доцент

О.Ю. Городецкая

1. ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность исследования: В настоящее время в России взят курс на либерализацию налогообложения: снижение ставок подоходного налога, налога на прибыль организаций, ЕСН, НДС. Ожидалось, что снижение налогового бремени уменьшит масштаб и количество уклонений от уплаты налогов. И хотя такой курс уже дал свои положительные результаты, масштаб уклонения от налогов еще велик, появляются новые способы ухода от налогов, связанные с использованием несовершенства законодательных норм, сокрытием объектов налогообложения с помощью посреднических фирм, дочерних компаний, кредиторов, поставщиков и потребителей продукции. Поэтому задача повышения эффективности контрольной работы налоговых органов, совершенствования используемых ими приемов и методов налоговых проверок, остается актуальной.

Важнейшим инструментом налогового контроля является проведение налоговых проверок в соответствии со статьей 87 Налогового кодекса РФ. Такие проверки являются важнейшей мерой по обеспечению собираемости налогов и поддержанию уровня налоговой дисциплины - так называемой законопослушности налогоплательщика (taxpayer compliance).

Одной из основных функций налоговых органов является контроль достоверности сведений, предоставляемых налогоплательщиками, что реализуется путем проведения камеральных и выездных налоговых проверок. При этом фактором, определяющим эффективность таких проверок, является применение эффективных способов выбора налогоплательщиков для налоговых проверок - отбор кандидатов для налоговой проверки. В настоящее время недостоверность представленных сведений обнаруживается у 43-50 % проверяемых налогоплательщиков. Эта цифра признается налоговыми органами заниженной, что, в том в числе, объясняется несовершенством способов выбора объектов налоговой проверки (далее - не-

совершенство способов отбора). Этсуг МШсдавддоершдается тем, что в на-

БИБЛИОТЕКА ,

стоящее время отсутствует единая стандартизированная методика определения объектов налоговой проверки, и потому отдельные УФНС сами разрабатывают и используют подобные методики. Их применение уже сейчас дает плоды. Так, применение в Приморском крае методов и форм контрольной работы, основанных на использовании информационно-аналитических системах отбора налогоплательщиков для выездных проверок и выявления налоговых правонарушений, позволило увеличить в 2003 году эффективность проверок примерно в 1,8 раза.

Тем не менее, масштабы применения указанных технологий до настоящего времени явно недостаточны, что в значительной мере обусловлено отсутствием научно-обоснованных и стандартизированных методик отбора налогоплательщиков для налогового контроля. Поэтому разработка инструментов, позволяющих обоснованно выбрать объекты налоговых проверок путем анализа факторов экономической деятельности налогоплательщиков, является актуальной задачей, стоящей перед налоговыми органами. Актуальность этой проблемы оценена и на государственном уровне. Так, важность этой задачи отмечалась еще в Постановлении Правительства Российской Федерации от 21 декабря 2001 г. № 888 О федеральной целевой программе развитие налоговых органов (2002 - 2004 годы). Подтверждением важности проблемы служит и тот факт, что в летом 2005 года ФНС РФ объявило конкурс на разработку экономико-математических моделей для решения указанной задачи.

Степень разработанности проблемы: Решению указанной задачи посвящено значительное количество отечественных и зарубежных научных работ и, в том числе, труды А. Сандмо, Ч. Кофетера, Дж. Дубина, А. Витте, Д. Вудбэри, В. Пружанского, Л. Уайда, М. Марели, Т.Г.Скорика, А.А. Васина, Е.И. Пановой, Г.И. Букаева. Анализ этих работ, подробно рассмотренных в диссертации, показал следующее. В большинстве работ рассматриваются модели, связанные с предварительным отбором физических лиц. Определяющим параметром в таких моделях в основном являет-

ся вероятность проведения налоговой проверки, якобы известная налогоплательщикам. В основном рассмотренные модели используют лишь один метод математического инструментария, и не применяют несколько методик. Большинство из этих работ носит больше теоретический, чем конструктивный характер. Исключение составляет работа, проделанная группой сотрудников под руководством Г.И. Букаева, которая основана на использовании эталонной базы правонарушителей.

Анализ этих работ также показал следующие актуальные направления их развития:

Х Разработка методики отбора объектов налогового контроля применительно к налогоплательщикам юридическим лицам, что обусловлено как различием сведений, предоставляемых физическими и юридическими лицами в налоговые органы, так и способами их уклонения от уплаты налогов.

Х Разработка моделей, не использующих эталонную базу, содержащую сведения о налоговых правонарушителях. Разработка таких моделей представляется целесообразной, поскольку способы уклонения от налогов непрерывно эволюционируют.

Х Разработка гибридной модели, использующей различные математические и статистические методы;

Х Использование в моделях помимо данных деклараций иных сведений о налогоплательщиках, доступных налоговым органам.

Цель и задача исследования состоит в разработке экономико-математической модели отбора объектов (налогоплательщиков - юридических лиц) налогового контроля, методики ее применения, а также в выработке требований к организации информационного обеспечения, необходимого для практической реализации предлагаемой модели. В соответствии с указанной целью в работе поставлены и решены следующие задачи:

Х Проанализировать существующие методы и модели отбора налогоплательщиков для налогового контроля.

Х Определить экономико-математические и статистические методы, необходимые для построения модели.

Х Разработать модель отбора объектов налогового контроля, основанную на выбранных и обоснованных экономико-математических и статистических методах.

Х Обосновать использование факторных переменных, которые используются в гибридной модели

Х Разработать методику проведения эффективной кластеризации, элиминирующей эффект масштаба налогоплательщика.

Х Разработать методику использования гибридной модели.

Х Провести апробацию модели на реальных данных о финансовой деятельности налогоплательщиков.

Объектом исследования является деятельности структурных подразделений налоговых органов, осуществляющие налоговый контроль.

Предметом исследования методология и экономико-математический инструментарий отбора объектов налогового контроля.

Методологическую основу исследования составили приложения методологии научного познания и системного анализа в прикладных направлениях экономической теории, экономики предприятий, математической статистики и математического анализа.

В работе использовались научные публикации, материалы научно практических конференций по проблемам налогового контроля, а также публикации в профессиональных экономических изданиях, нормативные акты, информация, представленная в Интернете и обладающая высокой степенью надежности.

Теоретической основной исследования являются труды зарубежных и отечественных ученых А. Алигхэма, А. Сандмо, С.А. Айвазяна, Д.Г.Черника, Бережной Е.В., А. М. Длина, В. Плюта, Г.И. Букаева, В.Н. Тамашевича и других. Правовую базу составили нормативные акты Российской Федерации, ФПС РФ, Минфина РФ.

В качестве источника статистической информации использовались реальные бухгатерские балансы налогоплательщиков, содержащиеся в БД ФСФР РФ, представленной в Интернет. В работе использованы программные средства Microsoft Excel, Microsoft Access, Statistica 6.0, а также программные средства, разработанные автором для решения поставленных задач.

Содержание работы соответствует положениям пункта 2.2 паспорта специальности 08.00.13 - Математические и инструментальные методы в экономике.

Научная новизна состоит в том, что:

Х Разработана научно обоснованная гибридная модель отбора объектов налогового контроля, использующая последовательно методы роба-стного, кластерного и регрессионного анализа.

Х Разработана методика использования данных бухгатерской отчетности в разработанной гибридной модели.

Х Разработан способ нормирования показателей бухгатерской отчетности предприятий, позволяющий элиминировать эффект размера предприятия при проведении расчетов.

Х Разработана методика выбора значений управляющих параметров гибридной модели, в том числе с использованием критерия Титьена-Мура.

Практическая значимость диссертационной работы заключается в том, что ее основные положения, результаты, разработанные методики и рекомендации ориентированы на широкое практическое использование предприятиями с целью совершенствования выбора объектов налогового контроля. Самостоятельное практическое значение имеют:

Х гибридная модель отбора объектов налогового контроля;

Х рекомендации и методика по практическому использованию модели.

Апробация и внедрение результатов: Результаты исследования обсуждены на научно-практических семинарах и научно-практических кон-

ференция Финансовой академии. Результаты исследования прошли апробацию в Комитете по налогам и бюджету Российского союза промышленников и предпринимателей. Научные результаты исследования используются в учебном процессе кафедрами "Налогов и налогообложения" и "Информационных технологий" при чтении лекций и проведении семинарских занятий по дисциплинам информационные системы в экономике.

Публикации: Общий объем авторских публикаций по теме диссертации составляет 6,1 п. л. (авторский объем 5,4 пл.)

Структура и содержание работы обусловлены логикой, целью и задачами проведенного исследования. Работа включает введение, три главы, заключение, список литературы, состоящий из 107 наименований, и трех приложений.

2. ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертации, изложены цель, задачи исследования, объект, предмет исследования, раскрыта научная новизна, теоретическая и практическая значимость.

Анализ существующих методов выбора налогоплательщиков для налогового контроля.

Организация Европейского сотрудничества и экономического развития (ОЕСЭР) предлагает следующую классификацию методов отбора налогоплательщиков для налогового контроля: выбор налогоплательщиков случайным образом, выбор на основе анализа динамики показателей в налоговых декларациях, выбор путем анализа взаимосвязи финансовых показателей, рассчитанных на основе сведений, предоставляемых налогоплательщиками, иные методы.

Классификация же рассматриваемых моделей по используемому математическому аппарату, позволяет выделить модели следующих типов: аналитические модели, вероятностно-статистические модели (в том числе

регрессионные модели), теоретико-игровые модели, кластерные (стратификационные) модели, гибридные (смешанные) модели.

Анализ показал, что большинство моделей описывает поведение налогоплательщиков - физических лиц и соответственно стратегию налогового контроля в отношении этих лиц. Поэтому одной из целей настоящей работы, реализованной во второй главе, являлась развитие этих моделей применительно к юридическим лицам с учетом их особенностей.

В очень многих моделях в качестве важнейшего экзогенного показателя используется вероятность р проверки налогоплательщика, которая считается известной как налоговому органу, так и налогоплательщику. Вместе с тем допущение, что величина р известна налогоплательщику, представляется достаточно условным, и потому указанные модели носят больше теоретический, чем конструктивный характер.

Анализ моделей также показал, что наиболее конструктивной является нейросетевая модель, разработанная группой специалистов (Г.И. Букаев и другие). Предлагаемая в диссертации гибридная модель по своей идеологии весьма близка к указанной нейросетевой модели, однако в отличии от последней не использует эталонную базу правонарушителей, а также существенно отличается от нее рядом элементов экономико-математического моделирования и, в частности, использованием классических вероятносто-статистических методов вместо нейросетевых.

Анализ зарубежного, в частности американского опыта, показал, что источником информации для построения и верификации моделей рассматриваемого класса служат периодически публикуемые в СМИ, в том числе в электронной форме, данные программы ТСМР (программа измерения законопослушности налогоплательщиков). Отсутствие таких открытых данных в России делает практически неприемлемыми многие из зарубежных моделей. В тоже время использование данных только налоговых деклараций недостаточно для эффективного выявления подозрительных налогоплательщиков. Это побуждает строить модели, основывающиеся на прин-

ципиальной иной доступной информации, такой как публикуемая бухгатерская отчетность.

Исходя из вышеизложенного, в диссертационном исследовании разработана модель, названная гибридной, позволяющая выявлять подозрительных налогоплательщиков - юридических лиц без использования эталонной базы установленных правонарушителей.

Общая схема гибридной модели

Пусть N обозначает количество деклараций, которые с учетом финансовых и трудовых возможностей налогового органа могут быть подвергнуты камеральной проверке. Предполагается, что такие подозрительные налогоплательщики, выявленные с помощью модели, включаются в состав N кандидатов на камеральную проверку.

Модель основывается на использовании расширенных сведений о налогоплательщике, в том числе содержащихся в бухгатерской отчетности (Формы 1, 2). Эти данные получены из БД ФСФР, опубликованной в интернете на сайте Ссыка на домен более не работаетp>

Данные, представляемые в налоговые органы, в значительной степени пересекаются с данными, содержащимися в указанных формах бухгатерской отчетности. В своей финансово-хозяйственной деятельности предприятие использует трудовые, материальные и финансовые ресурсы для производства продукции, выпонения работ и оказании услуг. Таким образом, определенный набор указанных ресурсов является квалифицирующим признаком, характеризующим деятельность конкретного предприятия.

Поскольку представление данных в бухгатерском балансе основывается на принципе двойной записи, то они понее описывают специфику

предприятия в сравнении со сведениями, представляемыми в налоговых декларациях. Кроме того в налоговых декларациях дублируются данные актива баланса, но не раскрываются пассивы (источники формирования активов), поэтому данные бухгатерской отчетности несут допонительную полезную информацию. Очевидно, что два предприятия с одинаковым набором показателей актива, но с разными источниками формирования таких активов, с экономической точки зрения действуют как субъекты по-разному, и как следствие, могут иметь относительную различную налоговую нагрузку.

Полезность информации, содержащейся в бухгатерской отчетности, может быть проюлистрирована на следующем примере. В настоящее время в России наиболее распространенным способом уклонения является использование в хозяйственной деятельности фиктивных фирм, называемых фирмами-однодневками. Суть такой схемы уклонения состоит в том, что у фирмы-однодневки приобретаются товары (работы, услуги), которые реально не передаются налогоплательщику, но эти операции отражаются в учете у налогоплательщика. За товары (работы, услуги) перечисляются денежные средства и оформляются необходимые документы, и далее со счета фирмы-однодневки денежные средства лобналичиваются. При этом в бухгатерском учете налогоплательщика остается след от такой операции, которая искажает реальный набор показателей баланса. Во-первых, у предприятия завышается кредиторская задоженность, во-вторых, завышается соответствующая статья актива баланса, например затраты или запасы. Также при таких схемах часто используют векселя, что ведет к завышению показателя финансовых вложений и кредиторской задоженности. По данным налоговых деклараций такие ситуации выявить практически невозможно.

Общая схема применения разработанной в диссертации гибридной модели состоит из следующих последовательных действий.

1. Каждый баланс т-го предприятия представляется в виде точки Хт(хтЛ;...гхт^5-,Ут) 16-и мерного пространства, координатами которого являются значения факторных переменных, представленных в бухгатерском балансе, и выручки V. Совокупность всех балансов соответственно описывается матрицей Х{хД}, в которой т=\...М- номер баланса, М - количество балансов, а каждая строка матрицы представляет собой вектор Хт(хт,1;...дт>15;Гт), описывающий т-ът баланс (напомним, что в расчетах было М=714). В качестве факторных переменных х использовались следующие показатели:

х1- стоимость объектов нематериальных активов; х2 - стоимость объектов основных средств; хЗ - стоимость незавершенного строительства; х4 - стоимость догосрочных финансовых вложений; х5 - стоимость запасов;

хб - сумма НДС уплаченного поставщикам товаров, работ, услуг и

х7 - размер догосрочной дебиторской задоженности;

х8 - размер краткосрочной дебиторской задоженности;

х9 - размер прочих оборотных активов;

х10 - размер уставного капитала;

х11 Ч размер целевого финансирования;

х12 - сумма догосрочных заемных средств;

х13 - сумма краткосрочных заемных средств;

х14 - сумма кредиторской задоженности, кроме задоженности перед государственным бюджетом и внебюджетными фондами;

х15 - сумма кредиторской задоженности перед государственным бюджетом и внебюджетными фондами;

х16 - выручка. В ряде случаев для упрощения записи и повышения наглядности формул для выручки также будет использоваться обозначение V.

2. Выпоняется преобразование и=.Р(Х) матрицы Х{Хщ,} в матрицу и{т/}> содержащую Л/строк и 15 (а не 16!) стобцов, в числе которых отсутствует выручка V (далее преобразование и=Л(Х) будем называть и-преобразованием). Значения ищ предложено вычислять по формуле:

и _ УЩхтпу

Легко видеть, что при таком преобразовании для всех т справедливо равенство

Также легко видеть, что, если хт и Ут заменить на ахю и ат, то значение и^ останется неизменным. Вследствие этого описанное и- преобразование элиминирует влияние размеров предприятий на результаты кластеризации и дает основания полагать (что подтверждается дальнейшими экспериментами), что если кластеризация обеспечит разбиение налогоплательщиков на классы, в каждом из которых вектора ит(итй...\итц) близки по используемой далее мере близости, то уравнения регрессий в

каждом к-м классе будут достаточно хорошими.

Поясним действие и- преобразования на следующем примитивном примере. Допустим, что итоги финансовой деятельности налогоплательщика описываются только двумя параметрами - выручкой Ут и стоимостью основных фондов хт, которая выступает в качестве факторной переменной. Если кластеризацию производить в пространстве признаков (Крс), то разбиение на классы непредсказуемо, так же, как и непредсказуемо и качество уравнения регрессии в каждом к-м классе. Однако, если от пространства признаков (Куг) перейти к пространству признака (и), где ит-Ут1хт и представляет собой фондоотдачу, то очевидно, что результатом кластеризации будет получение классов с близкой фондоотдачей. Управляя процессом кластеризации с помощью параметра, устанавливающего степень близости объектов, относимых к одному классу, можно добиться, что в один класс попадут декларации с близкими значениями фондоотдачи, а потому и уравнение регрессии У=Ь)Х внутри каждого к- о класса будет хорошим. Этот примитивный пример служит илюстрацией предложения, состоящего в том, чтобы кластеризацию производить в пространстве производных признаков и., а уравнение регрессии в каждом к-м классе строить по исходным значениям выручки и факторных переменных, указанных в бухгатерском балансе. Предложенное 11-преобразование яв-

ляется обобщением примитивного способа кластеризации "по фондоотдаче" и позволяет комплексно учитывать удельные значений всех рассматриваемых факторов. Вектора Ит(иту,...,ит1и), компоненты которых представляют собой элементы т-й строки матрицы и, рассматривается далее в качестве модифицированного описания т-ого баланса.

3. Исходя из значений элементов матрицы и множество балансов методами кластерного анализа разбивается классы. Как указывалось, целью такой кластеризация является получение групп балансов, внутри которых возможно построение статистически значимых уравнений регрессий, связывающих выручку V с факторными переменными. Следует отметить, что на результаты кластеризации также влияет используемый метод кластеризации. В частности, расчеты показали неудобство применения метода К-средних, в котором параметром, управляющим процессом кластеризации, является априори задаваемое пользователем количество К строящихся классов, и при этом неясно из каких соображений следует выбирать значение К. Поэтому для кластеризации был применен метод шаров, при использовании которого количество получаемых классов автоматически определяется в процессе кластеризации. Ниже приводится геометрическая илюстрация метода шаров на примере решения задачи кластеризации в двумерном пространстве признаков (и1;и2). В соответствии с этим методом вокруг каждой точки (баланса) в пространстве С/ строится сфера радиуса р и балансы, попадающие в сферу с наибольшим количеством точек, относятся к одному классу. После этого точки, отнесенные к классу, исключаются из дальнейшего рассмотрения и процедура анализа точек сфер повторяется.

Рис. 1. Геометрическая интерпретация метода шаров

Как следует из этого описания, в методе шаров можно управлять процессом кластеризации, задавая значение р радиуса шара. Это значение р можно выбирать исходя из достаточно понятных, описанных в диссертации предпосылок, основанных на следующем. Находится центр тяжести О всех балансов (см. рис. 2). Затем ищутся радиусы Япр\ и пр2 сфер с центрами в точке О такие, что точки баланса, отстоящие от О на расстоянии большем, чем пр2 или меньшем чем прь в соответствии с критерием Титьена-Мура считаются выбросами. Для двумерного пространства признаков и(и1;и2) перечисленные действия илюстрируются на Рис. 2, на котором точками изображается положение объектов, а точкой О - их центр тяжести.

Рис. 2. Оценка положения объектов в пространстве признаков

По найденным значениям и Х^ радиус сфер р вычисляется по

формуле:

п| й"пр1 Ч ЯПцр2

где п -количество факторных переменных (и=15), а Т - количество балансов (Т=714).

4. Можно ожидать (и это подтверждается выпоненными расчетами), что в результате кластеризации образуется один или несколько "крупных" классов с достаточно большим количеством балансов, и несколько "меких" классов с небольшим (1-10) количеством балансов. Балансы, вошедшие в мекие классы, назовем "подозрительными балансами первого порядка" и они служат первыми кандидатами для камеральной проверки.

5. В каждом из крупных классов строится линейное уравнение множественной регрессии с нулевым свободным членом. Поскольку, как доказано математически, на одну объясняющую переменную дожно приходиться от 6 до 8 наблюдений, то под крупными классами понимаются классы с количеством балансов не меньше чем 8*15=120. Если для полученной регрессии значение коэффициента детерминации Я2 достаточно велико, а его статистическая значимость подтверждается критерием Фишера, то производится анализ регрессионных остатков. В результате этого анализа к "подозрительным декларациям второго порядка" относятся декларации, значения нормализованных и нормализованных удаленных остатков существенно различаются. В расчетах таковыми признавались балансы, у которых нормализованные и нормализованные удаленные остатки отличались более чем на 5%.

Выявление подозрительных балансов с помощью нормированных и удаленных остатков выпоняется в соответствии с принятыми в статистике рекомендациями. Если удаленный остаток значительно отличается от соответствующего стандартизированного значения остатка, то это наблюдение считается выбросом, а его исключение улучшает качество уравнения регрессии.

6. В каждом из классов с количеством балансов меньше 120, в которых уравнения регрессии не могут быть построены с достаточной степенью надежности, случайным образом отбираются балансы, количество которых определяется возможностью налогового органа. Также можно рекомендовать, чтобы эти классы подверглись допонительному экспертному анализу. Дальнейшие опьггы показали, что при подходящем преобразовании и=^(Х) количество таких небольших классов невелико.

7. Если в итоге описанных процедур количество отобранных "подозрительных балансов" первого и второго порядка меньше числа N (возможностей налогового органа), то из крупных классов исключаются подозрительные декларации второго порядка и повторяется процедура пункта 5, в результате чего получаются подозрительные балансы третьего порядка и Т.д.

8. Если в каком либо крупном классе не удается построить статистически значимое уравнение регрессии, то в таком классе проводится повторная кластеризация, с уточненным значением управляющего параметра р и затем выпоняются процедуры пунктов 4-6. То же самое делается, если после удаления из класса подозрительных балансов на шагах 5-6 уравнение регрессии становится "плохим".

Описанные процедуры выпоняются до тех пор, пока не будет набрано N кандидатов на камеральную проверку. Если количество полученных описанным способом подозрительных балансов превышает Л^, то из числа подозрительных в кандидаты на камеральную проверку включается порядка 0,9И балансов наиболее крупных предприятий и порядка О ,Щ выбранных из оставшихся подозрительных случайным образом.

Экспериментальные расчеты.

На первом этапе экспериментов анализировалось влияние значения р на результаты кластеризации. Эксперименты показали, что классы со средним количеством балансов образуются при очень малых значениях р. Дальнейшие эксперименты выпонялись с р=10 и р=5. При р=10 уже на

этапе кластеризации выявляется 17 подозрительных балансов. Хотя при р=5 подозрительными являются 20 балансов, однако в результате построения регрессионных моделей и анализа удаленных остатков количество подозрительных объектов в обоих случаях практически сравняется.

Выявление подозрительных балансов с помощью уравнений множественной регрессии.

Построение уравнения регрессии и оценка его надежности выпонялись как средствами пакета анализа Excel, так и программой Statistica. Напомним, что уравнение регрессии строилось без свободного члена для исходной матрицы X в виде V=a,*xД где V- выручка, ах, - соответствующий показатель баланса.

Параметры уравнения регрессии, построенного для класса, содержащего 696 балансов, и полученного при р=10 приведены в Табл. 1, Табл. 2. Анализ данных Табл. 2 показывает высокую надежность уравнения регрессии, несмотря на значительную величину остатков, обусловленную существенным разбросом значений в исходных данных.

Табл. 1.

Показатели значимости уравнения регрессия

Регрессионная статистика

Множественный R 0,995074

R-квадрат 0,990172

Нормированный R-кварат 0,988502

Стандартная ошибка 1106592

Наблюдения 696

Дисперсионный анализ

df SS MS F Значимость }Х

Регрессия 15 8.4Е+16 5.6Е+15 4574,266 0

Остаток 681 8,34ЕН4 1J2&-12

Итого 6% 8.49B-I6

Из Табл. 2 видно, что значимыми являются 9 из 15 коэффициентов, Р-значения которых меньше 0,05 и выделены жирным шрифтом.

Табл. 2.

Наименование переменной Коэффи цисты Стандарт нал ошибка t- статасш в Р- Зиачени е Нижние 95% Верхние 95%

У-пересечение 0 #н/д #н/д #н/д #Н/Д #н/д

xl НМА -5,40 18Д9 -030 0,76799 -4132 30,52

х2 Основные средства -0,02 0,02 -133 0,18368 -0,06 0,01

хЗ Незаверш строительство 0,27 0,24 1,15 0,24898 -0,19 0,74

х4 Догосрочн фин влож -1,05 0,09 -1135 0,00000 -1,23 -0,87

х5 Запасы 0,00 0,01 0,17 0,86250 -0,01 0,02

уЬ НДС по приобр ценностям 8,77 1,02 87 0,00000 6,76 10,78

х7 Догоср деб задоженности -0,72 0,19 -3,84 0,00013 -1,08 -035

х8 Краткосрочная дебитовка 239 0,18 12,97 одюооо 2,03 2,75

х9 роч об акгавы 10,92 0,82 133 0,00000 930 12^4

хЮ УК -034 0,19 -1,83 0,06747 -0,70 0,02

xl 1 целевое фин -5,27 1,70 -3,09 0,00206 -8,62 -1,93

х!2 дог заемные средства 1,29 0,24 5,26 0,00000 0,81 1,77

х13 краткоср заем иые средства -1,77 0,97 -1,83 0,06825 -3,67 0,13

х14 Кредит задож кроме Гос. 0,55 0,12 4,44 0,00001 031 0,79

х15 Кредит_задож перед Гос. -042 ап 489 0,00000 -0,73 -031

Инструментарий программы 51аизйса позволил вывести следующий график зависимости между наблюдаемыми и предсказанными значениями (Рис. 3).

ОЬмгий Vafaatw. PndeM ХpaidMiwtabto. vana (Anajyaii swifite)

Рис. 3 Предсказанные и наблюдаемые значения

Из графика видно, что в процессе кластеризации были отнесены к одному классу как балансы с малым значением выручки, так и большим, что может быть объяснено применением преобразования и перед кластеризацией.

Для описанного выше уравнения регрессии средствами программы Statistica были получены графики, связывающие нормированные и удаленные остатки, приведенные на Рис. 4.

UaRMUk МЫММЬ owndnnnurvartg

1,и -,-.----.-Ч---

4,5В -Ч................Ч-

е <В О 5 187 2Е7 2X1 ЗЕ7

ям яма*

Рис. 4 Нормированные остатки и удаленные остатки На Рис. 4 уже видны предприятия, которые будут отнесены к подозрительным предприятиям второго уровня - предприятия, у которых удаленные остатки отличаются от нормализованных более чем на 5 %. Таким предприятиям на рисунке соответствуют точки, далеко отстоящие от линии регрессии. Таким образом, к подозрительным было отнесено 24 баланса. Анализ таких балансов будет приведен ниже.

Далее были исключены из рассмотрения 24 баланса, признанные подозрительными, и для оставшихся 672 балансов было повторно построено уравнение регрессии, характеристики которого приведены в Табл. 3, Табл. 4.

Табл. 3.

Показатели значимости уравнения регрессии после удаления подозрительных ба-

Регрессионная статистика

Множественный К 0,97433

Я-кварат 0,94833

Нормированный К-квадрат 0,94672

Стандартная ошибка 61936

Наблюдения 672

Дисперсионный анализ

ле SS MS F Значимость F

Регрессия 15 5&-I3 ЗЕ+12 820,5622 0

Остаток 657 ЗЕ+12 4БН

Итого 672 5Ет13

Табл.4.

Коэффициенты уравнения регрессии и показатели их значимости после удаления

Наименование переменной Козффи циенты Стандартная ошибка t- еппи еппа P- Значенне Нижние 95% Верхвие 95%

У-пересечение 0 *т лад #н/д #н/д #Н/Д

XI НМА 1(168 4.99 2,14 0ДО2863 0,87 20,48

Х2 Основные средства 0,02 0,03 0,61 0,5435917 -0,04 0,08

а Незаверш строительство 0,Ш 0,10 OJO 0,7639998 4,16 0,22

Догосрочн фян ялож 1,26 0.11 11,03 44л Мб 1,03 1.48

Х5 Запасы -0,09 0,17 -0,55 0Д826143 -0,43 0Д4

з НДС по приобр ценности! 11,77 0,72 1635 1Д9Е40 1036 13,19

хТ Догоср деб залженкост Х1,16 0,28 27MS -1,71 0,62

х8 Краткосрочная дебита вха Х0,68 0,07 -10,46 8.82Е-24 -0,81 -0,55

л Проч об агавы 1.01 038 2,66 0,008187 0,26 1,76

х10 УК 0,22 0,06 3.81 0,000154 0,11 033

xll Целевое фмн Х236 ft47 -5r00 7Д2М7 за -1,43

х12 Дол- заемные средсаа о."з 006 7Д5 2Д6Е-13 032 035

х13 Краткоср заемные средства 0,32 <U5 2,15 0,031593 оде 0,62

х14 Кредат задож кроме Гос 0,95 0,07 13,02 U1C34 0,80 1,09

х15 Кредат_задож перед Гос 0,16 0,12 1,39 0,1637596 -0,07 039

Из Табл. 3 следует, что уравнение регрессии является статистически надежным, хотя показатель Л2 незначительно снизися до 0,94 в сравнении с аналогичным показателем в Табл. 1. Однако количество значимых переменных после удаления выбросов, как и следовало ожидать, возросло с 9 до 11 по сравнению с уравнением регрессии, коэффициенты которого приведены в Табл. 2. График зависимости фактических и предсказанных значений в этом случае показан на Рис. 5.

ObMivadVakNsvc РпЛам DapandaotwM Varie

(МуаЬ lampto)

ObftovadValuae

Рис. 5. Предсказанные н наблюдаемые значения

Из приведенного графика видно, что выбросами стали не те предприятия, у которых имеется большая выручка, а иные предприятия, структура балансов которых отличается от большинства остальных. С нашей точки зрения, это еще раз подтверждает важность U преобразования перед проведением кластеризации. Ниже приведена зависимость удаленных и нормированных остатков.

Пшя RmdMtov*. DeMod Residuals Dependant лягам* Vtrie (Analysts sample)

Рис. 6. Нормированные остатки и удаленные остатки

Из сопоставления Рис. 6 и Рис. 4 видно, что распределение объектов вдоль линии регрессии стало более плотным, масштаб по осям также уменьшися. При необходимости процедура исключения выбросов по уда-

ленным остаткам может быть повторена, как отмечалось в пункте 7 общей

схемы работы модели.

Вычисления, выпоненные со значением р=10, были повторены и для р=5. При этом были получены практически идентичные результаты, с той лишь разницей, что при р=10 после отсева подозрительных балансов первого и второго уровня было отобрано 42 подозрительных баланса, а при р=5-48. Балансы, признанные подозрительными на этапах кластеризации (подозрительные балансы первого уровня) и отсева по удаленным остаткам (подозрительные балансы второго уровня) приведены в Табл. 5 и Табл. 6.

Табл. 5.

Характеристики ( в тыс. руб.) подозрительных балансов, отобранных после кла-

стеризацнн при р=10

к! Л * j Ni 16 * а л I * *0 хП 3d2 >d3 х14 xlS V

ft НМЛ Основные среди* Незмер' ш_етрои Допкро ч*_фив_ Запасы 11Г гл вряобр_ц Дляговр_ Кряпмср ОЧЮ1 ,пррч_об_ Хктшяы УК целевое, фт я>г_е иные фвпеоср .заемные iqwwr иола кроме Крваит s ивдж ирм выручав

ЖСТВО влож жсияоеть абктома ереяпва средства Г ос Гос

2л 11 29411 368 1 6622 650 0 32561 0 22 0 0 0 21488 8564 7646261

F?, 1 161 0 9 42 6 664 0 I о 13 0 0 0 491 763 694665

Ш 1 2269 0 9 40 30 570 0 0 13 0 2167 0 711 616 4227256

W- 1 2194 0 9 87 204 0 344 0 13 0 2167 98 1593 171 3700388

RT-; 2 1786 0 5S4 452 5 0 178 292 1572 0 0 65 649 106 ЗИМ

к:: 4 1633 0 401 402 57 0 367 ! 258 1572 0 0 0 698 106 43167

ш 0 2 0 0 1 0 2 0 0 0 0 0 0 6 1 887

0 9 0 168 4 5 0 25 138 105 9 0 0i 37 1 174892

пг 0 566 _19; 0 37 53 0 220 0 _ 0: 0 11 г 1 126329

426 $6 9322 12472 436 2995 36 0 6784 38 457 42 0 7134 4508 348 31984378

430 66 14770 7334 436 2174 149 0 1283 494 457! 0 1100 600 1875 697 45886322

462 47 217 6 0 118 0 0 960 1477 436, 0 0 10В4 1267 105 43319.25

453 32 56 0 0 51 4 1 231 0 5 0 0 547 14 34 игвм

г: 0 9 0 0 0 0 0 1 0 6 0 0 0 1 6 2946

vF 0 0 67 76 186 103 0 697 0 0 9 0 39 837 53 16084

г? 0 104 ._65 2 109 31 Q 142 0 7 0 0 0 164 91 9913

fTF- 1 4677 9 32 196 18 0 127 35 164 0 0 12 4563 516 27962304

ЕЕ 1 5044 I_46 34 16407 88 0 341 0 164 4 0 94 10772 781 50806968

Анализ балансов, признанных подозрительными в экспериментах с

Г р=10, и отобранных на этапе кластеризации, показывает следующее. Об-

ращают на себя внимание балансы с номерами 356 и 453, в которых очень малым значениям показателей баланса соответствует относительно большой показатель выручки. Даже если допустить, что такое положение является следствием ошибочного задания исходных данных, тем не менее, эксперименты показали, что такого рода ошибки отлавливаются. На балансах 356, 453 наиболее наглядно видно несоответствие между показателями баланса и выручкой, однако такое же несоответствии в результате кластеризации и у остальных приведенных балансах. В частности, отметим, что для

указанных балансов приблизительное общее налоговое бремя, равное отношению налоговой задоженности к выручке, составляет 0,16 %. В то же время среднее значение этого показателя для остальных балансов равняется 32,7 %.

Табл. б.

Характеристики ( в тыс. руб.) подозрительных балансов, отобранных с помощью

удаленных остатков при р=10

х1 хЗ х4 х5 хб х7 х8 х9 хЮ Х11 х12 х1Э х14 Х16 Х16 Х17 V

N1 НМЛ Осннныв НИМФ ш_стро*т Догееро Запасы MflCj. приобр.ц Дотер jse6_sa долот Крвжоср пн* дебите предов ХЛИВЫ УК ципжт фи ДШТ_М еыныв cpwcn Х cp4tci Х Крвдиг адож кроме Кредит ЗДОГМ ШЬРГ*к*

ОСТЬ Гос. Гос

12 44102 97050546 683987! 21456258 865931 203546 2032 361990$ 3148663 106653 0 0 22000С 28(8201 615702 22811306

Я 4Ш 1<И*2ЙОЗ 44бШ1 7326317 13315739 1388909 С 3592162 1442742 3100000 697345 0 7756365 12783936 4163371 20664482

26 222 124387839 19065560 6082206 18866750 9134249 226269 56997716 1000С 88026 8109787 438 7070966 85756866 18512317 194 915462

2S 222 130963976 1906656С 66917! 21607651 10629663 228269 55468936 1000С 4347092 81Ш78/ 131л 7091965 86869646 19326963 207 956 ИЗ

42 ш 29209С Ш 1/0//I 150675 462 1992804 1177 92796 429072 5649С 1275605 44466 2 163020

43 6154 446431 351485 6607 262854 171005 697 1959649 8182 2560000 99627 535763 112105 1382910 71043 2 256165

46 44601л 47200С 1724 346605 133089 564 167487 7344 2826772 0 576035 117500 990460 148086 3049938

54 60474 С 3068697 64МЯ 340940е 269101 179073 4196266 164500 возе С 379561G 296412 962896 886967 25683065

7Я 1645 49446416 6348175 6345676t 57266990 4/sr/w С 16442852 877967 15832606 66 3061261 654071 54869107 28177602 37 437358

77 232767 646441708 66177346 6292 2215С 1921 943 79541 3260 44 45332 101494 5203 100682 31373 433882

юе 540t 967764 835134 8785л 600207 14642В 37942 2597460 371346 23262 0 1926034 533586 843866 210522 10 567 447

135 28244 С 2296795 48682 Э78824С 12805 9093689 1125844 0 27000 1688 4806450 153315 11619026 10197848 3075 779

1эе 868Е 27424120 3067971 48862 5434116 74993 1116372 275522 0 27000 1601 4365799 С 3607445 15062013 4 101 411

137 ЭОС 313521эе &1& 48662 3161802 14&Q С 1531187 0 7700С 0 33/35Ш 180825 11873036 7362406 3476306

162 13008 177815577 14012133 1996 26073 1621 0 13247 284 46246 0 0 8031 16111 3073 M81Q

2Ш С 2477062 С 102074л С 12382 113400 0 1608 444 0 0 117712 265436 4 204 856

250 23096 УЗНИКУ 147497 5 1042067 99499 104849 1125778 0 3931222 0 0 872851 849979 202662 6621 162

328 468! 4438971 130611л С 1139494 194020 0 1759941 0 72097В 0 0 0 10/СШ2 547950 5663 508

331 4128 5133406 513872 496 1094796 216091 1~ 0 2371606 0 0 0 0 1780614 47Э069 11264271

40G С 5160417 42233Е 0| 4J/V490 467514 с A/U/Ors 0 197548 0 0 0 5138948 5663314 10 899276

40S 1981 9969907 3308166 ш 342 346 с 8330 0 1 5 0 0 492 306 21972

631 38 53571 46449 79S3 140244703 3249 0 19641 1470 51949 11649 0 2732 36881 12136 103 307

641 1452 5701146 0 С 109066 5064 0 67805 10005 164943 1757 0 6000 3218021 188734 28 736275

715 1777 3080831 103470 ДОС тазом 33100 с /'/39 0 2828310 23 0 30000 448565 278378 14C3?л

Поскольку сравнение нормализованных и удаленных остатков достаточно сложная процедура, то однозначно объяснить определить причину выделения подозрительных балансов второго уровня в общем случае невозможно. Однако можно отметить, что, например, для балансов с номерами 77, 162, 499, выручка несоразмерно мала по сравнению с размеров основных производственных фондов.

Поскольку применение данная модель базируется на использовании больших массивах информации, хранящейся в электронном виде, в третьей главе диссертации анализируется опыт предоставления и хранения отчетности налогоплательщиков в налоговых органах и даются рекомендации по совершенствованию этого процесса. Основными направлениями этого является использование формата XML, предоставление данных изначально в электронном виде, а не ввод информации путем обработки бумажной информации и др.

Выводы по диссертации.

1. Сформулирована задача построения экономико-математической модели отбора "подозрительных" налогоплательщиков из большого количества налогоплательщиков - юридических лиц, представляющих сведения в налоговые органы. Модель предназначена для повышения эффективности предварительных стадий налогового контроля.

2. Проанализирован мировой и отечественный опыт использования экономико-математических моделей, предназначенных для повышения эффективности контрольной работы налоговых органов. Анализ показал, что большинство микромоделей описывает поведение налогоплательщиков - физических лиц и соответственно стратегию налогового контроля в отношении этих лиц. Большинство из этих работ носит больше теоретический, чем конструктивный характер. Исключение составляет конструктивная модель, разработанная группой специалистов - Г.И. Букаевым, Бубликом Н.Д., Горбатковым С.А., Сатаровым Р.Ф. (далее модель Букаева Г.И.). Особенностью этой модели является использование эталонной базы правонарушителей и нейросетевых методов.

3. Разработана модель, названная гибридной, по своей идеологии весьма близкая к модели Букаева Г.И. Однако в отличие от модели Букаева Г.И. гибридная модель не использует эталонную базу правонарушителей, а вместо нейросетевых методов в ней применяются классические вероятно-сто-статистические методы экономико-математического моделирования.

4. В качестве исходной информации для гибридной модели использована информация бухгатерской отчетности, полученной из БД ФСФР РФ.

5. В качестве инструментария гибридной модели взаимосвязано используется робастные методы, методы кластерного и регрессионного анализа.

6. Для обеспечения эффективной кластеризации предложен способ преобразования исходных данных балансов, позволяющий элиминировать эффект масштаба предприятия.

7. Предложена методика определения параметров (радиусов сфер), управляющих процессом кластеризации.

8. Подробно расписана методика применения модели. По этой методики проведены экспериментальные расчеты на данных отчетности о 714 реальных предприятиях. Качественный анализ полученных результатов подтверждает принципиальную работоспособность модели.

Предложенную модель можно считать работоспособной поскольку:

Х модель строится на классических методах статистического анализа;

Х имеются достаточно четкие экономические предпосыки, обосновывающие механизм кластеризации;

Х качество кластеризации проверяется качеством соответствующей регрессионной модели;

Х анализ подозрительных балансов первого и второго уровня, полученных в экспериментальных расчетах, действительно показывает существование аномалии в связях между исходными данными и выручкой.

9. Предложены рекомендации по практическому использованию модели в работе налоговых органов и организации сбора информации, необходимой для ее использования.

Основные положения опубликованы в следующих работах:

1. Костальгин Д.С. Практика сдачи отчетности в электронном виде в США. Перспективы России// Бухгатерия и банки, 2004. - №9 - 0,6 п.л.

2. Костальгин Д.С. Секреты оценки достоверности сведений налогоплательщиков// Бухгатерия и банки, 2003. - №11 - 0,8 п.л.

3. Костальгин Д.С. Модель отбора подозрительных налогоплательщиков //Бухгатерия и банки, 2005. - №10-0,3 п.л.

4. Костальгин Д.С. Упрощение расчетов или Расплата собственным имуществом// Налоговые споры, 2005. - №1. - 0,3 п.л.

5. Костальгин Д.С. Налогообложение вознаграждений членам совета директоров и ревизионной комиссии// Бухгатерия и банки, 2004. - №7 -0,5 п.л.

6. Костальгин Д.С. Налогообложение взносов на негосударственное пенсионное страхование// Бухгатерия и банки, 2004. - №4 - 0,5 п.л.

7. Костальгин Д.С. Налоговый Агент как самостоятельный субъект налоговых правоотношений// Ваш налоговый адвокат, 2004. - №1,2 - 1,5 п.л.

8. Костальгин Д.С. О налогообложении физических лиц с иностранной валютой// Бухгатерия и банки, 2003. - №8 - 0,8 п.л.

9. Костальгин Д., Авдеев Б. Фискальный атавизм // Эксперт, 2003. -№25 -0,4 п.л.

Ю.Костальгин Д., Авдеев Б. Колесная база налогоплателыци-ков//Деньги, 2003. - №29 -0,4 п. л.

û20 3 6 8

РНБ Русский фонд

2006-4 22462

Напечатано с готового оригинал-макета

Издательство ООО "МАКС Пресс" Лицензия ИД N 00510 от 01.12.99 г. Подписано к печати 14.10.2005 г. Формат 60x90 1/16. Усл.печл. 1,5. Тираж 100 экз. Заказ 655. Тел. 939-3890. Тел./факс 939-3891. 119992, ГСП-2, Москва, Ленинские горы, МГУ им. МЛ. Ломоносова, 2-й учебный корпус, 627 к.

Диссертация: содержание автор диссертационного исследования: кандидат экономических наук , Костальгин, Дмитрий Сергеевич

ВВЕДЕНИЕ.

1. ПРОБЛЕМЫ И МЕТОДЫ ОЦЕНКИ ДОСТОВЕРНОСТИ СВЕДЕНИЙ, ПРЕДОСТАВЛЯЕМЫХ НАЛОГОПЛАТЕЛЬЩИКАМИ В НАЛОГОВЫЕ ОРГАНЫ.

1.1. Постановка задачи оценки достоверности сведений и проблемы ее решения.

1.2. Анализ существующих методов выбора налогоплательщиков для налогового контроля.

1.2.1. Методы случайного отбора.

1.2.2. Аналитические модели.

1.2.3. Теоретико-игровые модели.

1.2.4. Регрессионные, кластерные и другие вероятностно-статистические модели.

1.3. Выводы по главе 1.

2. РАЗРАБОТКА ГИБРИДНОЙ МОДЕЛИ АНАЛИЗА ДПС.

2.1. Содержательная формулировка задачи, исходные данные, предпосыки и допущения.

2.2. Формальное описание гибридной модели.

2.2.1. Общая схема модели.

2.2.2. Преобразование исходных данных.

2.2.3. Выбор метода кластеризации.

2.2.4. Анализ положения объектов в пространстве признаков U робастными методами и оценка радиуса р в методе шаров.

2.3. Формирование базы данных и экспериментальные расчеты модели.

2.3.1. Формирование базы бухгатерских балансов.

2.3.2. Экспериментальные расчеты по модели.

2.3.2.1 Эксперименты с программой Statistica 6.0.

2.3.2.2 Этапы расчетов.

2.3.2.3 Эксперименты с кластеризацией.

2.3.2.4 Выявление подозрительных балансов с помощью уравнений множественной регрессии.

2.3.2.5 Анализ результатов расчетов по модели.

2.4. Выводы по главе 2.

3. ВОЗМОЖНОСТИ ИСПОЛЬЗОВАНИЯ ИНФОРМАЦИИ, ПРЕДОСТАВЛЯЕМОЙ В ЭЛЕКТРОННОМ ВИДЕ, ДЛЯ РАЗВИТИЯ МЕТОДОВ ОЦЕНКИ ДПС.

3.1. Технология сдачи бухгатерской и налоговой отчетности в электронном виде в России.

3.2. Зарубежная практика сдачи отчетности в электронном виде.

3.3. Выводы по главе 3.

ВЫВОДЫ ПО ДИССЕРТАЦИИ.

СПИСОК ИСПОЛЬЗУЕМОЙ ЛИТЕРАТУРЫ.

Диссертация: введение по экономике, на тему "Экономико-математические модели контроля достоверности сведений отчетности налогоплательщиков"

Актуальность исследования: В настоящее время в России взят курс на либерализацию налогообложения: снижение ставок подоходного налога, налога на прибыль организаций, ЕСН, НДС. Ожидалось, что снижение налогового бремени уменьшит масштаб и количество уклонений от уплаты налогов. И хотя такой курс уже дал свои положительные результаты, масштаб уклонения от налогов еще велик, т.к. появляются новые способы ухода от налогов, связанные с использованием несовершенства законодательных норм, сокрытия объектов налогообложения с помощью посреднических фирм, дочерних компаний, кредиторов, поставщиков и потребителей продукции. Поэтому задача повышения эффективности контрольной работы налоговых органов, совершенствования используемых ими приемов и методов налоговых проверок, остается актуальной.

Важнейшим инструментом налогового контроля является проведение налоговых проверок в соответствии со статьей 87 Налогового кодекса РФ. Такие проверки являются важнейшей мерой по обеспечению собираемости налогов и поддержанию уровня налоговой дисциплины - так называемой законопослушности налогоплательщика (taxpayer compliance).

Анализ текущей результативности выездных налоговых проверок /106/ показывает следующее. В 1-м полугодии 2004 года налоговыми органами проведено 303,1 тыс. выездных проверок налогоплательщиков - организаций и 198,2 тыс. проверок физических лиц. Сумма доначисленных платежей по результатам выездных проверок составила 37,5 мрд руб. При этом сумма налоговых поступлений в консолидированный бюджет составила 890.9 мрд. рублей. Т.е. сумма доначисленных налоговых платежей по результатам выездных налоговых проверок составила 4.2% от общего поступления налогов.

И хотя, по информации отдельных УФНС России, результативность налоговых проверок доходит до 61% (Мурманская область), в целом по России этот показатель составляет порядка 43% /31/. Таким образом, практически половина проводимых проверок сейчас заканчивается без доначислений, что приводит к неоправданному использованию ограниченных людских и материальных ресурсов ФНС.

Одна из главных причин такого состояния дел - несовершенство способов выбора объектов налоговой проверки. В том числе, это обусловлено тем, что в настоящий момент отсутствует единая стандартизированная методика для определения объекта проверки, некоторые УФНС сами разрабатывают и используют методики автоматизированного анализа сведений о налогоплательщиках для выездных налоговых проверок. Применение таких методик уже сейчас дает плоды: в 2003 году примерно в 1,8 раза увеличилась эффективность налоговых проверок в Приморском крае /50/, что стало возможным благодаря применению новых методов и форм контрольной работы, основанных на использовании информационно-аналитических систем отбора налогоплательщиков для выездных проверок и выявления налоговых правонарушений. Можно обратиться к опыту Украины, в которой в 2002 году в связи с применением направленного выбора налогоплательщиков при значительном снижении числа проверок, размер поступлений вырос в 2 раза, а результативность выездных проверок составила 98% /51/.

Тем не менее, наличие научно-разработанных стандартизированных методик отбора налогоплательщиков для налогового контроля могло бы повысить эффективность указанные результаты. Отсутствие к настоящему времени таких методик связано в первую очередь с молодостью современной российской налоговой системы и налогового контроля в условиях рыночных отношений. Иными словами, перед налоговыми органами сейчас стоит задача разработка инструментов правильного выбора объектов для проведения налоговых проверок на основе анализа факторов экономической деятельности налогоплательщиков, проверка которых могла бы принести наибольшие доначисления в бюджет при минимальных затратах рабочего времени и усилий специалистов налоговых органов на их проведение. Актуальность этой проблемы оценена и на государственном уровне. Так, еще в Постановлении Правительства Российской Федерации от 21 декабря 2001 г. № 888 О федеральной целевой программе развитие налоговых органов (2002 - 2004 годы) отмечалось, что одной из основных целей развития налоговых органов является разработка методик отбора налогоплательщика для выездных проверок. Тем не менее, и до настоящего времени проблема отбора налогоплательщиков является недостаточно развитой и проработанной.

Актуальность рассматриваемой проблемы подтверждается и тем, что ФНС РФ объявило конкурс на разработку экономико-математических моделей, позволяющих отбирать налогоплательщиков для налогового контроля/36, 55/.

Это и обусловило основную цель научной работы и круг рассматриваемых в ней вопросов.

Степень разработанности проблемы: Вопросы, связанные с разработкой моделей предварительного отбора налогоплательщиков для налогового контроля были отражены в научных трудах А. Сандмо, Ч. Кофетера, Дж. Дубина, А. Витте, Д. Вудбэри, В. Пружанского, J1. Уайда, М. Марели, Т.Г.Скорика, А.А. Васина, Е.И. Пановой, Г.И. Букаева. Анализ этих работ, подробно рассмотренных ниже, показал следующее:

Х В большинстве работ рассматриваются модели, связанные с предварительным отбором физических лиц.

Х Определяющим параметром в таких моделях в основном является вероятность проведения налоговой проверки, якобы известная налогоплательщикам.

Х Большинство из этих работ носит больше теоретический, чем конструктивный характер.

Х Исключение составляет работа, проделанная группой сотрудников под руководством Г.И. Букаева, которая основана на использовании эталонной базы правонарушителей.

Анализ этих работ также показал следующие возможные направления их развития: ф Х Разработка методики отбора объектов налогового контроля применительно к налогоплательщикам юридическим лицам, что обусловлено как различием сведений, предоставляемых физическими и юридическими лицами в налоговые органы, так и способами их уклонения от уплаты налогов.

Х Разработка моделей, не использующих эталонную базу, содержащую сведения о налоговых правонарушителях. Разработка таких моделей представляется целесообразной, поскольку способы уклонения от налогов непрерывно эволюционируют.

Х Разработка гибридной модели, использующей различные математические и статистические методы;

Использование в моделях помимо данных деклараций иных сведений о налогоплательщиках, доступных налоговым органам.

Цель и задача исследования состоит в разработке экономико-математической модели отбора объектов (налогоплательщиков - юридиче ских лиц) налогового контроля, методики ее применения, а также в выработке требований к организации информационного обеспечения, необходимого для практической реализации предлагаемой модели. В соответствии с указанной целью в работе поставлены и решены следующие задачи:

Х Проанализировать существующие методы и модели отбора налогоплательщиков для налогового контроля.

Х Определить экономико-математические и статистические методы, необходимые для построения модели.

Х Разработать модель отбора объектов налогового контроля, основанную на выбранных и обоснованных экономико-математических и статистических методах.

Х Обосновать использование факторных переменных, которые используются в гибридной модели

Х Разработать методику проведения эффективной кластеризации, элиминирующей эффект масштаба налогоплательщика.

Х Разработать методику использования гибридной модели.

Х Провести апробацию модели на реальных данных о финансовой деятельности налогоплательщиков.

Объектом исследования является деятельности структурных подразделений налоговых органов, осуществляющие налоговый контроль.

Предметом исследования методология и экономико-математический инструментарий отбора объектов налогового контроля.

Методологическую основу исследования составили приложения методологии научного познания и системного анализа в прикладных направлениях экономической теории, экономики предприятий, математической статистики и математического анализа.

В работе использовались научные публикации, материалы научно практических конференций по проблемам налогового контроля, а также публикации в профессиональных экономических изданиях, нормативные акты, информация, представленная в Интернет и обладающая высокой степенью надежности (данные ФСФР РФ и т.д.).

Теоретической основной исследования являются труды зарубежных и отечественных ученых А. Алигхэма, А. Сандмо, С. А. Айвазяна, Д.Г.Черника, Бережной Е.В., А. М. Длин, В. Плюта, Г.И. Букаева, В.Н. Та-машевича и других. Правовую базу составили нормативные акты Российской Федерации, ФНС РФ, Минфина РФ.

В качестве источника статистической информации использовалась самостоятельно разработанная база данных на основе данных БД ФСФР РФ.

В работе использованы программные средства Microsoft Excel, Microsoft Access, Statistica 6.0.

Содержание работы соответствует положениям пункта 2.2 паспорта специальности 08.00.13 - Математические и инструментальные методы в эконо-tз< мике.

Научная новизна состоит в том, что:

Х Разработана научно обоснованная гибридная модель отбора объектов налогового контроля, использующая последовательно методы робастного, кластерного и регрессионного анализа.

Х Разработана методика использования данных бухгатерской отчетности в разработанной гибридной модели.

Х Разработан способ нормирования показателей бухгатерской отчетности предприятий, позволяющий элиминировать эффект размера предприятия при проведении расчетов.

Х Разработана методика выбора значений управляющих параметров гибридной модели, в том числе с использованием критерия Титьена-Мура.

Практическая значимость диссертационной работы заключается в том, что ее основные положения, результаты, разработанные методики и рекомендации ориентированы на широкое практическое использование предприятиями с целью совершенствования выбора объектов налогового контроля. Самостоятельное практическое значение имеют:

Х гибридная модель отбора объектов налогового контроля;

Х рекомендации и методика по практическому использованию модели.

Апробация и внедрение результатов: Результаты исследования обсуждены на научно-практических семинарах и научно-практических конференция Финансовой академии. Результаты исследования прошли апробацию в Комитете по налогам и бюджету Российского союза промышленников и предпринимателей. Научные результаты исследования используются в учебном процессе кафедрами "Налогов и налогообложения" и "Информационных технологий" при чтении лекций и проведении семинарских занятий по дисциплинам Информационные системы в экономике, Организация и методика налоговых проверок.

Публикации: Общий объем авторских публикаций по теме диссертации составляет 6,1 п. л. (авторский объем 5,4 п.л.)

Структура и содержание работы обусловлены логикой, целью и задачами проведенного исследования Работа включает введение, три главы, заключение, список литературы, состоящий из 107 наименований, и трех Приложений. Ф

Диссертация: заключение по теме "Математические и инструментальные методы экономики", Костальгин, Дмитрий Сергеевич

Выводы по диссертации

1. Сформулирована задача построения экономико-математической модели проверки достоверности сведений отчетности для отбора "подозрительных" налогоплательщиков- юридических лиц, использующую несколько математических методов и не использующую эталонную базу правонарушителей.

2. Разработана экономико-математическая модель, названная гибридной, в качестве инструментария которой взаимосвязано используются роба-стные методы, методы кластерного и регрессионного анализа.

3. Предложен способ преобразования исходных данных балансов для повышения эффективности кластеризации, позволяющий нейтрализовать эффект масштаба предприятия.

4. Разработана методика определения параметров (радиусов сфер), управляющих процессом кластеризации.

5. Разработана методика применения модели. По этой методики проведены экспериментальные расчеты на данных отчетности о 714 реальных предприятиях. Качественный анализ полученных результатов подтверждает принципиальную работоспособность модели.

6. Поскольку необходимым условием эффективного применения экономико-математических моделей является наличие информационной базы в электронной форме, в диссертации рассмотрена российская и зарубежная практика предоставления отчетности в налоговые органы в электронном виде и предложены направления ее совершенствования.

Диссертация: библиография по экономике, кандидат экономических наук , Костальгин, Дмитрий Сергеевич, Москва

1. Налоговый Кодекс РФ.

2. Федеральный закон №198-ФЗ О внесении изменений во вторую часть налогового кодекса РФ

3. Федеральный закон № 167- ФЗ Об обязательном пенсионном страховании

4. Федеральный Закон от 20.02.95 Об информации, информатизации и защите информации,

5. Федеральный Закон О бухгатерском учете № 129-ФЗ

6. Приказ Минфина России от 13.01.2000 №4н О формах бухгатерской отчетности организаций

7. Приказ ФНС России от 26.12.2001 №БГ-3-03/572 О утверждении форм деклараций по налогу на добавленную стоимость и инструкции по их запонению

8. Приказ ФНС России от 7.12.2001 №БГ-3-02/542 О утверждении формы декларации по налогу на прибыль организаций и инструкции по их запонению

9. Инструкция ГНС РФ от 8.06.1995 №33 Налог на имущество предприятий

10. Приказ ФНС России от 18.01.02 № БГ-3-21/22 Об утверждении формы декларации по налогу на имущество предприятий

11. Инструкция ФНС РФ от 4.04.2000 №59 О порядке уплаты и исчисления налогов, поступающих в дорожные фонды

12. Приказ ФНС РФ от 02.04.02 №БГ-3-32/169 Порядок представления налоговой декларации в электронном виде по телекоммуникационным каналам связи

13. Приказ ФНС РФ от 19.07.99 №АП-3-12/224

14. Приказ ФНС РФ от 10 декабря 2002 г. N БГ-3-32/705@ Об организации и функционировании системы представления предоставления налоговых деклараций и бухгатерской отчетности в электронном виде по телекоммуникационным каналам связи

15. Приказ ФНС России от 08.02.2005 № САЭ-3-13/35@ О внесении изменений в формат представления налоговой и бухгатерской отчетности в электронном виде (версия 2.00)

16. Айвазян С.А., Мхитарян B.C. Прикладная статистика и основы эконометрики М: ЮНИТИ, 1998

17. Бережная Е.В., Бережной В.И. Математические методы моделирования экономических систем М.: Финансы и статистика, 2001 год

18. Букаев Г.И., Бублик Н.Д., Горбатков С.А., Сатаров Р.Ф. Модернизация системы налогового контроля на основе нейросетевых информационных технологий М.: Наука, 2001. - 344 е.

19. Боч Б., Хуань К. Дж. Многомерные статистические методы для экономики, М.: Статистика, 1979, 317 с.

20. Дюк В., Самойленко A. Data Mining (учебный курс) Санкт-Петербург: Питер, 2001

21. Длин A.M. Факторный анализ в производстве, Статистика Москва, 1975. с. 328

22. Иберла К. Факторный анализ, Статистика Москва, с. 397

23. Михлин С.Г. Уравнения в частных производных. М., 1977

24. Плюта В. Сравнительный многомерный анализ в экономических исследованиях, Статистика Москва, 1980, с. 151

25. Салин В.Н., Чурилова Э.Ю. Практикум по курсу "Стастистика" (в системе Statistica), М., Издательский Дом "Социальные отношения", Издательство "Перспектива". 2002. 188 с.

26. Тамашевич В.Н., Сошникова JI.A., Уебе У., Шефер М. Многомерный статистический анализ в экономике М: Юнити, 1999Х 28. Автоматизированные информационные технологии в налоговой и бюджетной сферах/ под ред. Титоренко Г.А. М., 2001 год

27. Введение в экономико-математические модели налогообложения под ред. Черника Д.Г. М. Финансы и Статистика, 2000

28. Ахметшин Р.И. Правоприменительная практика искажает смысл и цель налогового законодательства// журнал Налоговед № 2, 2004

29. Бородина Е. Проверяй, но выбирай // Налоги, учет и право №45 от0412.01

30. Васин А.А., Панова Е.И. Собираемость налогов и коррупция в налоговых органах, Москва, фонд Евразия, 1999

31. Викторов Д. Налоги в электронном виде // журнал Компьютерра от 14 августа 2002

32. Воков Ю.К. Новая технология предназначена для налогоплательщиков, которые предпочитают сдавать отчетность лично// Журнал Российский налоговый курьер № 24, 2004

33. Выхухолева Е. Пристальный Взгляд С Экрана// газета Известия2108.02

34. Иванова С. . Схемы на мушке/ // Газета Ведомости от 12 августа 2005

35. Леонов Ю. В новый год с новыми технологиями// журнал "Московский бухгатер", № 1, 2005

36. Левин М., Мовшович С. Моделирование уклонения от налогов в условиях штрафов и отказа от предоставления кредитов Российская программа экономических исследований, Москва 2001

37. Костальгин Д.С. Практика сдачи отчетности в электронном виде в Щ США. Перспективы России// журнал Бухгатерия и банки № 9, 2004 год

38. Костальгин Д.С. Секреты оценки достоверности сведений налогоплательщиков// журнал Бухгатерия и банки № 11, 2003 год

39. Костальгин Д.С. Модель отбора подозрительных налогоплательщиков// Бухгатерия и банки, 2005. №10

40. Матвеева Т.В. Налоговые органы Москвы принимают бухгатерскую и налоговую отчетность через сеть интернет // "Налоговый вестник", N 8, 2003

41. Нетесова А. Цифры вместо подписи// журнал Расчет № 2, 2002

42. Плешанова О. Закон об НДС изменится во 2-ом квартале 2002 года// Коммерсант №234/п от 24.12.01

43. Скорик Т.Г. Высокая эффективность выездной налоговой проверки -результат правильности выбора объекта // Налоговый вестник № 1, 2001

44. Сашичев В. Отбор налогоплательщиков для проведения выездных налоговых проверок// Финансовая газета №42, 1999

45. Черник Д.Г. Технология налогового контроля //Налоговый вестник № 5-6, 2000

46. Шумяцкий Р.И. Прогнозирование результатов налогового контроля с использованием экономико-математических методов и моделей// Экономический еженедельник Эпиграф №09 (309) от 09.03.01.

47. Федченко А. Выбор "Партнера" предопределен развитием информационных технологий// журнал "АйТиСтиль" №3 (03) сентябрь 2004

48. Золотой Рог Online №3, от 16.03.2001

49. Налоговое обозрение //Финансовая Газета. Региональный выпуск №38 от 21.03.2001

50. Выездные налоговые проверки: итоги 2001 года// Журнал Расчет №4, апрель 2002

51. Успешный 2000 год. Революционный 2001. (интервью с Министром по налогам и сборам Г.И. Букаевым)// Российский налоговый курьер №2, 2001

52. Выездные налоговые проверки: итоги 2001 года// Журнал Расчет №4, апрель 2002

53. Ф 55. Еженедельная газета Бизнес № 148 (167) от 11.08.05

54. Сдача отчетности по электронной почте. Интервью с заместителем министра Российской Федерации по налогам и сборам Михаилом Мишусти-ным // Журнал Финансовый директор №11, 200357.0чередей в налоговых инспекциях быть не дожно//'Тлавбух", № 18,2003

55. Compliance measurement practice note - 2001// подготовлен OECD Committee of Fiscal Affairs Forum on Strategic Management

56. Agnar Sandmo The theory of tax evasion: A retrospective view. Norwegian School of Economics and Business Administration, 2004

57. Arindam Das-Gupta, Ira N. Gang лDecomposing Revenue Effects of Tax Evasion and Tax Structure Changes February, 1998

58. Becker, Gary S., "Crime and Punishment: An Economic Approach", Journal of Political Economy № 76, 1968.

59. Crocker, K. J. and J. Slemrod (2003), "Corporate tax evasion with agency costs," unpublished paper, University of Michigan Business School.

60. Clotfelter, Charles "Tax evasion and Tax rates: An analysis of individual returns" // Review of economics and Statistic 65 (1983)

61. David E., A. Giles. Modelling the tax compliance profiles of New Zealand Firms: evidence from audit reports. Department of economics, University of Victoria.

62. Delia Laura Sour лAn analysis of tax compliance for the mexican case: Experimental evidence A dissertation The faculty of the irving b. Harris school of public policy In candidacy for the degree of Doctor of philosophy 2001

63. David Joulfaian, Mark Rider лTax evasion in the presence of negative inf come tax rates National Tax Journal, Vol. 49, no. 4, (December, 1996)

64. Eduardo M. R. A. Engel, James R. Hines Jr. лUnderstanding Tax Evasion Dynamics SERIE ECONOMIA No 47 Diciembre, 1998 Centro de Economa Aplicada Departamento de Ingeniera Industrial Facultad de Ciencias Fsicas у Matematicas Universidad de Chile

65. Eric J. Bartelsman, Roel M.W.J. Beetsma лWhy pay more? Corporate Tax Avoidance through Transfer. Pricing in OECD Countries 2000-054/2 Tinbergen Institute Discussion Paper

66. Filip Palda лWhy Fairness Matters: A New Look at the Laffer Curve and the Displacement Loss from Tax Evasion, August 2001

67. Gideon Yaniv лTax Compliance and Advance Tax Payments: A Prospect Theory Analysis National Tax Journal,Vol. 52 no. 4 (December 1999) pp. 753764

68. Gareth D. Myles and Robin A. Naylor А model of tax evasion with group conformity and social customs, University of Exeter&University of Warwick December 1994

69. Jeffrey A. Dubin, Louis L. Wilde " An empirical analysis of federal income tax auditing and compliance'V/National Tax Journal , vol. 41 no.l March 1988

70. Judith Panades i Marti лTax Evasion And Relative Contribution Unitat de Fonaments de l'Analisi Economica Universitat Autonoma de Barcelona

71. Jeffrey A. Dubin, Michael J. Graetz Lous L. Wilde "The effect of audit rates on the federal individual income tax "//National Tax Journal, vol. 43, no.4 December 1990

72. John E. Andersom, Lilia Carasciuc лTax Evasion in a Transition Economy: Theory and Empirical Evidence from the Former Soviet Union Republic of Moldova

73. Kangoh Lee лTax Evasion, Monopoly, And Nonneutral Profit Taxes National Tax Journal,Vol 51 no. 2 (June 1998) pp. 333-38

74. Klaus Beckmann лSolidarity, Democracy, and Tax Evasion: an Experimental Study November 2001

75. Klarita Gerxhani, Arthur Schram лTax evasion and Source of income Tinbergen Institute Discussion Paper

76. Leonard f. S. Wang, John L. Conant лCorporate tax evasion and output decisions of the Uncertain monopolist National Tax Journal, Vol. 41, no. 4, (December, 1988), pp. 579-81

77. Long, Susan В and Swingen, Judith A (1987) "An Approach to the measurement of tax law complexity"// Journal of American Taxation Association, Spring, p.22

78. Luigi Mittone лIndividual styles of tax evasion: an experimental study

79. Luigi Mittone лDynamic behaviours in tax evasion.An experimental approach

80. Luigi Mittone лMotivations and collusion among agents in the evasion of indirect taxes: an experimental approach, January 2002

81. Luigi Mittone лSubjective versus objective probability: results from seven experiments on fiscal evasion

82. Michael G. Allingham and Agnar Sandmo. Income tax evasion: A theoretical analysis. Journal of Public Economics 1 (1972) p.323-338.

83. Marrelli, M. (1984), "On indirect tax evasion," Journal of Public Economics 25, 181-196.

84. Raymond Fisman, Shang-Jin Wei лTax rates and tax evasion: Evidence from "missing imports" in China National Bureau Of Economic Research, October 2001

85. Vitaly Pruzhansky. Honesty in a Signaling Model of Tax Eva-sion.Tinbergen Institute, 2004

86. Witte, Ann D. and Diane F. Woodbury, "What we know about factors affecting compliance with the tax laws"? Income tax Compliance (Chicago: American Bar Association, 1983)

87. Witte, Ann D. and Diane F. Woodbury "A test of an Economic model of tax compliance", unpublished working paper, Wesley College (1984)

88. Доклад GAO №GGD-99-48 от 03/31/99 IRS Audits: Weaknesses in Selecting and Conducting Correspondence Audits/ Источник www.gao.gov (10.01.2005)

89. Доклад GAO № GGD-96-89 от 04/26/96 Tax Administration: Alternative Strategies to Obtain Compliance Data/ Источник www.gao.gov (10.01.2005)

90. Доклад GAO № GGD-96-21 от 10/06/95 Tax Administration: Information on IRS' Taxpayer Compliance Measurement Program/ Источник www.gao.gov (10.01.2005)

91. Доклад GAO № GGD-98-40 от 02/06/98 Tax Administration: IRS' Use of Random Selection in Choosing Tax Returns for Audit/ Источник www.gao.gov (10.01.2005)

92. GGD-96-109 06/05/96 Tax Research: IRS Has Made Progress but Major Challenges Remain/ Источник www.gao.gov (10.01.2005)

93. Доклад GAO № GGD-97-62 от 04/17/97 Tax Administration: Factors Affecting Results from Audits of Large Corporations/ Источник www.gao.gov (10.01.2005)

94. Доклад GAO № GGD-98-39 от 02/05/98 Tax Administration: IRS' Use of Information Gathering Projects/ Источник www.gao.gov (10.01.2005)

95. GGD-96-91 04/26/96 Tax Administration: Audit Trends and Results for Individual Taxpayers/ Источник www.gao.gov (10.01.2005)

96. GAO-01-535 06/18/2001 Tax Administration: Status of IRS' Efforts to Develop Measures of Voluntary Compliance / Источник www.gao.gov (10.01.2005)

97. Программа ETA лStrategy for growth 2001// www.irs.gov (12.11.2004)

98. Applicant's Guide for Electronic Filers of Return for individuals//www.ccra.gc.ca (05.01.2005)

99. Handbook for Authorized IRS e-file Provides of individual Income tax returns// www.irs.gov (05.01.2005)103. Сайт ФНС РФ www.nalog.ru

100. Материалы с сайтов УФНС РФ (Приморского края, Москвы)105. www.disclosure.fcsm.ru Сайт раскрытия информации ФКЦБ РФ

101. Российский налоговый курьер www.rnk.ru

102. Служба внутренних доходов США www.irs.gov

Похожие диссертации

• Формирование финансовой и учетной политики сельскохозяйственных предприятий государственного сектора экономики
• Совершенствование системы планирования налогового контроля организаций
• Концепция развития внутреннего и внешнего контроля расчетов с бюджетом и их информационного обеспечения
• Инструментальные средства поддержки процесса планирования выездных налоговых проверок
• Разработка экономико-математических моделей и методов для сложных социально-экономических систем