Интеллектуальные нейросетевые информационные технологии как инструмент пресечения коррупции в системе налогового контроля Текст научной статьи по специальности «Экономика и бизнес»

УДК 336:004+519.7

раздел ЭКОНОМИКА

ИНТЕЛЛЕКТУАЛЬНЫЕ НЕЙРОСЕТЕВЫЕ ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ КАК ИНСТРУМЕНТ ПРЕСЕЧЕНИЯ КОРРУПЦИИ В СИСТЕМЕ НАЛОГОВОГО КОНТРОЛЯ

© Д. В. Полупанов

Башкирский государственный университет Россия, Республика Башкортостан, 450074 г. Уфа, ул. Заки Валиди, 32.

Тел.: +7 (347) 273 6718.

E-mail: [email protected]

Предлагается совершенствование технологий налогового контроля на основе использования интеллектуальных информационных технологий. Разработана гибридная нейросетевая модель отбора налогоплательщиков для проведения выездных налоговых проверок. Предложенная методика направлена на реализацию положений Национального плана по противодействию коррупции и Плана противодействия коррупции в Республике Башкортостан и существенно повышает объективность работы налоговых органов.

Ключевые слова: борьба с коррупцией, налоговый контроль, налоговая проверка, интеллектуальная информационная технология, гибридная нейросетевая модель.

Президент Российской Федерации Д. А. Медведев в Послании к Федеральному Собранию отметил, что «для свободного, демократического и справедливого общества враг номер один - это коррупция» [1]. Являясь неизбежным следствием избыточного администрирования со стороны государства, коррупция серьезно затрудняет нормальное функционирование всех общественных механизмов, препятствует проведению социальных преобразований и повышению эффективности национальной экономики, вызывает в российском обществе серьезную тревогу и недоверие к государственным институтам, создает негативный имидж России на международной арене и правомерно рассматривается как одна из угроз безопасности Российской Федерации. Главная особенность Национального плана противодействия коррупции [2] - в комплексности, системности и адресной направленности, в первоочередном устранении тех причин коррупции, которые порождены несовершенством государственного и хозяйственного механизмов.

Серьезный антикоррупционный потенци -ал заложен в Концепции административной реформы в Российской Федерации в 2006-2010 гг. и плане мероприятий по ее проведению, одобренных распоряжением Правительства Российской Федерации от 25 октября 2005 г. № 1789-р, а также в законодательстве Россий -ской Федерации, регулирующем вопросы государственной службы.

Национальный план предусматривает в т.ч. следующие меры по борьбе с коррупцией [2]:

1. Создание системы контроля деятельности государственных и муниципальных служащих со стороны институтов гражданского общества.

2. Разработку методики оценки эффективности внутренних систем выявления и профилактики коррупционных рисков в федеральных государственных органах, государственных ор -ганах субъектов Российской Федерации и ор -

ганах местного самоуправления муниципальных образований.

3. Разработку мероприятий по созданию и использованию инновационных технологий государственного управления и администрирования, повышающих объективность и обеспечивающих прозрачность управленческих процессов.

4. Разработку мероприятий по формированию единой информационно-технологической и телекоммуникационной инфраструктуры, обеспечивающей межведомственное электронное взаимодействие органов государственной власти, а также взаимодействие указанных органов с гражданами и организациями в рамках оказания государственных услуг.

Активизация борьбы с коррупцией на федеральном уровне требует еще более активного вовлечения в этот процесс всех субъектов Российской Федерации. В Республике Башкортостан всегда уделялось и уделяется большое внимание противодействию коррупции. В республике еще в 1994 г. впервые в Российской Федерации был принят Закон Республики Башкортостан «О борьбе с коррупцией». Одной из первых в стране учреждена антикоррупционная комиссия Республики Башкортостан. План противодействия коррупции в Республике Башкортостан [3] предусматривает разработку и финансирование мероприятий по созданию и использованию инновационных технологий государственного управления и администрирования, повышающих объективность и обеспечивающих прозрачность управленческих процессов; по формированию единой информационнотехнологической и телекоммуникационной инфраструктуры, обеспечивающей межведомственное электронное взаимодействие органов государственной власти Республики Башкортостан, а также взаимодействие указанных органов с гражданами и организациями в рамках оказания государственных услуг.

Одной из мер по пресечению коррупции в государственных органах, направленных на реализацию Национального плана по противодействию коррупции и Плана противодействия коррупции в РБ, является совершенствование системы и мето-

дов налогового контроля, поскольку существующие технологии налоговых проверок носят субъективный характер. Используемая в программном комплексе электронной обработки данных (ЭОД), применяющимся в настоящее время в налоговых органах, математическая модель основана на детерминированных арифметических формулах, что позволяет только выявить арифметические ошибки и логические противоречия в налоговых декларациях. Программный комплекс не предусматривает статистической обработки данных, не выявляет отклонения в первичной документации по сравнению со средним уровнем декларируемых экономических показателей аналогичных предприятий-налогоплательщиков. Субъективный характер проверок приводит в некоторых случаях к ошибкам и созданию почвы для коррупции, т.е. подкупа представителей налоговых органов, осуществляющих выездные налоговые проверки, с целью скрыть нарушения налогового законодательства. Так, в Решении Коллегии МНС от 14 ноября 2001 г. отмечалось, что «не может быть признана нормальной ситуация, при которой 43% проводимых налоговыми органами выездных налоговых проверок являются нерезультативными» [4]. Как было отмечено руководителем Департамента организации налогового контроля В. В. Сашечевым [4], «министерство четко ставит перед налоговыми органами задачу: выходить на выездные проверки лишь тогда, когда по результатам анализа всего спектра полученной информации есть основания подозревать налогоплательщика в нарушении действующего законодательства. Нет смысла расходовать и без того ограниченные ресурсы налоговых органов на проведение проверок бесперспективных - то есть проверок тех фирм, где заведомо нет нарушений».

С точки зрения общей теории систем, существующая технология камеральных проверок опирается на информационную псевдосистему, которая состоит из двух основных элементов: налогового отчета и его экспертной оценки. Соласно общесистемному закону энтропийного равновесия открытой системы, энтропия такой системы максимальна, а объем извлекаемой неискаженной иформации минимален [5], т.к. взаимодействие указанных элементов антагонистическое, не порождающее интегративных свойств системы.

В связи с изложенным совершенствование технологии камеральных проверок и связанных с ней операций отбора налогоплательщиков для выездных проверок и предпроверочного анализа на основе новейших интеллектуальных информационных технологий и экономико-математического моделирования является актуальной проблемой.

Предметом исследования данной работы является ранжирование объектов налогового контроля с целью определения степени искажений налоговых деклараций и синтеза плана отбора налогоплательщиков для выездных проверок [6]. Для

решения этой задачи предлагается интеллектуальная инф ормационная технология, основанная на построении гибридной нейросетевой модели (ГНСМ) ранжирования объектов с сильнозашум-ленными данными. ГНСМ состоит из нейросетевой модели (НСМ), аппроксимирующей скрытую в базе данных (БД) усредненную производственную функцию, и вероятностной модели ранжирования (ВМР). Анализ условий моделирования [7] показывает, что для объектов налогового контроля характерно сознательное искажение деклараций, дефицит наблюдений, изменчивость внутренней структуры налогоплательщиков, стохастическое влияние внешней среды, существенная связь входных факторов.

Пусть имеется примерно однородная группа из G налогоплательщиков за промежуток времени T. Под однородной группой понимается совокуп-ность налогоплательщиков одинаковой специализации, примерно с одинаковым масштабом деятельности , основные показатели которых отличаются не более чем на порядок. На основе данных налоговых деклараций составлена БД Z = ^Х,7),i = 1,N, N = ОТ. Требуется экспертно выбрать наиболее существенные входные факторы - вектор X = (X1, к , X п), например такие, как

сумма основных средств, себестоимость, среднесписочная численность сотрудников, коммерческие расходы и др., а также выходную величину У, в качестве которой может выступать выручка, и построить НСМ:

А

у = ^ (х,Ж (х, у)). (1)

В формуле (1) и далее, согласно принятой в эконометрике нотации [8], прописными буквами обозначена конкретная численная реализация соответствующих случайных величин, обозначенных строчными буквами, знаком «Л» над прописной буквой - реализация с помощью НСМ соответствующей выходной величины: X = (Л^,...,Хп) -конкретная численная реализация вектора входных факторов X; у - декларируемая налогоплательщиком конкретная численная реализация вы-

А

ходной величины У; у - расчетное по модели (1) значение У; {Ш} - множество синаптических весов (настраиваемых параметров НСМ) [9].

Под достаточной информативностью НСМ понимается возможность ее надстройки некото-

А

рым функционалом ^ от у , позволяющим выявлять в сильно искаженной БД нарушителей налогового законодательства с требуемым уровнем доверительной вероятности. Концепция предлагаемого подхода к построению ГНСМ основана на следующих предложениях [6-7, 10]:

1. Нарушения в налоговой декларации эф -ф ективнее выявляются не путем автономного анализа отдельно взятого налогоплательщика, а сравнением производственных функций достаточно однородного кластера налогоплательщиков путем порождения эталонного значения оценки модели-

А

руемой производственной функции у(х) с помощью НСМ и вычисления для всех объектов налогового контроля отклонений

А

8, = ( У г - У г ) / У{ • (2)

2. Для учета предыстории и масштаба деятельности налогоплательщиков предложена ВМР на основе критерия

У Я — 5#.ТС • Р(А Я ^5) • МЯ ,

(3)

где бЯі — 8ЯІ +и - значение верхней границы доверительного интервала [6], для отклонения 5ЯІ ° 5І (в записи отклонения (2) фиксируется номер налогоплательщика Я и момент наблюдения Ґ); и - полуширина доверительного интервала для случайной величины 5І (2); волна сверху величины

5^ в (3) означает смещение вверх относительного

отклонения

5 ( на величину и; Р(АЯ ^5) -

вероятность того, что ожидаемое значение откло-

А

нения Д моделируемой случайной величины у

будет не меньше выборочного среднего 8 с учетом его смещения вверх на полуширину довери-

ТС

тельного интервала; в момент времени I , соот-

ветствующий последнему кварталу подачи декларации налогоплательщиком, осуществляется ранжирование; Мя - экспертно задаваемый коэффициент масштаба g-го налогоплательщика.

Ранжирование заключается в присвоении каждому налогоплательщику в соответствии с (3) ранга, показывающего степень нарушения им налогового законодательства. Требуется найти множество номеров налогоплательщиков, планируемых для проведения выездной проверки, определяемое как:

О *

0= {| : ¥ = П= у g у ® Ш|х }, (4)

где О* - число проверяющих бригад в инспекции Федеральной налоговой службы территориального уровня; V - порядковый номер налогоплательщика в синтезируемом на основе (4) плане отбора. Фактически (4) - это план выездных проверок в аспекте ожидаемых доначислений.

Наш опыт показывает, что построение адекватных НСМ с приемлемыми аппроксимативными свойствами затруднительно без использования специальных процедур предобработки данных, осуществляющих многоуровневое иерархическое структурирование модели и повышающих однородность БД [6, 11-12]. С учетом этих процедур, ГНСМ (1) можно записать в виде:

0 — Г4 О [Р3 О О Р ](х ^ , [Ръ О ^2 о р ]

), г (х, у ))

(5)

В формуле (5) хеА^ и х^“* - компоненты вектора входных факторов х; - вектор легкоискажае-

мых факторов; хМш - вектор трудноискажаемых факторов. Разделение вектора входных факторов на

ейІВІ ййІВІ гг

векторы х и х осуществляется экспертно. К первому вектору относятся те факторы, искажение которых не представляет для налогоплательщика затруднения, легко скрывается. К таким факторам можно отнести, например, фонд оплаты труда, себестоимость, коммерческие расходы. Ко второму вектору относятся факторы, искажение которых налогоплательщику затруднительно, невыгодно. Это такие факторы, как сумма основных средств, среднегодовая стоимость облагаемого налогом имущества предприятия и т. п. К этой же группе можно отнести так называемые «внешние факторы», характеризующие экономическую ситуацию в целом - биржевые индексы, уровень инфляции, курсы валют и т.п. В зависимости от состава вектора X и объема выборки N тот или иной фактор может быть отнесен как к легко-, так и к трудноиска-жаемым; 0 - множество проранжированных на основе ^-критерия (3) налогоплательщиков, определяемое, согласно (4); Р4 - оператор ВМР.

Композиция операторов Р3 о Р2 о р представляет оператор НСМ Р в формуле (1).

Я *

и г я (6)

ч = 1

- оператор оптимальной кластеризации [12], где

Zq = (х, у} , г = 1, - БД ч-го кластера; Q* -

оптимальное число кластеров, определяемое из условия:

Я *

п | тіп тах {Ф

Я я

(я)

(Я, *і к)}

(7)

при ограничениях на число наблюдений в кластере (N /п) >^и критическое значение ошибки

обобщения ЕШаХ > Е . В форм уле (7) 0* -оптимальное число кластеров. Обобщенный критерий Ф представляет собой произведение трех частных критери -ев: Ф = Е ■ 8 ■ Я . Критерий

Е(ч) =

л (Ч)

У - У

характеризует точ -

ность субмоделей, т.е. является ошибкой обобщения. Критерий 8 характеризует ус -тойчивость субмоделей, он вводится как константы Липшица

анал

£ =

ог

л л /

Уа-УР / Ха ХЬ Яп , где

векторы

Ха-

л

у а

Xь близки

по

л

норме

¥ (ха , № ), у ь = ¥ (хь , № ) - расчет

ные значения компонента выходной величины в точках наблюдений а, р. Критерий Я определен по аналогии с коэффициентом детерминации,

Я = 1 - (Г л ((Ч))

л ((ч) -

У, У

- коэффициент кор -

,где г л („)

У , У

реляции между декларированными и расчетными значениями выходной величины. Критерий й - евклидовы расстояния между элементами в кластере - учитывает общность элементов по масштабу и условиям их хозяйственной дея-тельности.

(8)

- оператор очистки кластера [12], который вводится с целью дальнейшего повышения однородности

данных в кластере, где

2*={ X, ¥

, і = 1, N..

- БД

очищенного кластера, к* - номер оптимальной итерации, определяемый из условия:

Vк к ) _

к : ((тіп ) I (8-

Л

(У( к \ Уі)/ Уіі

(9)

при ограничениях (Nk /п) > X, Е ^ Е**, которые вводятся аналогично оператору ¥1. Итогом процедуры является устранение аномальных наблюдений в каждом кластере с определением оп -тимальной итерации в условиях дефицита наблюдений .

(10)

- оператор рабочей НСМ, где ^ >4 1>0 - БД q-

Л

го кластера, у = / (х, (Ж(х, у)) - расчетное

Результаты верификации ГНСМ по поверочному эксперименту

значение выходной величины на основе рабочей НСМ, полученной на оптимальной итерации очи -стки q-го кластера.

Корректировка ^й компоненты вектора легкоискажаемых факторов осуществляется на основе метода вложенных математических моделей (ВММ) [6; 11] с помощью вспомога-тельной НСМ

хе^ = /. (хмш ,Ж), (11)

которая также строится по приведенной схеме многоуровневого иерархического структурирования (6), (8), (10). Термин ВММ означает использование в расчетах не одной, а нескольких моделей, «вложенных» друг в друга или в общую модель алгоритмически. На основе (11) можно осуществлять тематическую налоговую проверку [13], т.е. проверку по отдельным видам налогов и отдельным показателям отчетности налогоплательщика. Актуальным представляется не только составление плана выездных налоговых проверок (4), но и определение факторов, наиболее подверженных искажениям х6481. При этом можно сократить затраты на проверку одного налогоплательщика, а освобождаемые контролеобеспечивающие ресурсы направить на проведение проверок других налогоплательщиков.

Многочисленные вычислительные эксперименты [6-7; 10-13] проведенные для предприятий торговли и гостиничного бизнеса, подтверждают эффективность предложенной интеллектуальной информационной технологии.

В табл. [6] приведены результаты натурного поверочного эксперимента по сравнению расчетных значений с результатами выездных проверок. Использованы исходные данные, состав факторов и результаты моделирования НСМ выручки из параграфа 5.3 монографии [10], написанной автором настоящей статьи совместно с С. А. Г орбатковым и Н. Т. Габдрахмановой.

В табл. обозначены Уд - значение выходной величины, декларированное налогоплательщиком; Увп - значение выходной величины, уточненное в ходе

Л

выездной проверки с учетом доначислений; У - ос-редненное по 6 ГНСМ расчетное значение выходной величины. Значения в столбцах 2-5 приведены в тыс. руб.

Таблица

Код пред- ¥д л У ¥вп Сумма доначислений по решению 8вп -100% 8-100%

приятия ИФНС

Я

А

1 858.7 1940.6 4293.5 3434.8 400% 126%

2 113.5 107.8 113.5 0 0.00% 5%

3 328613 656613 527869 199256 60.64% 99.81%

4 7328 7865.3 7328 0 0.00% 7.3%

5 5591 5216.158 5591 0 0.00% -6.7%

6 907 825.9 909 2 0.22% -8.9%

В табл. обозначены Уд - значение выходной величины, декларированное налогоплательщиком; У - значение выходной величины, уточненное в ходе

выездной проверки с учетом доначислений; у - ос-редненное по 6 ГНСМ расчетное значение выходной величины. Значения в столбцах 2-5 приведены в тыс. руб. В последних столбцах табл. приведены относительные отклонения между декларированным и скорректированным в ходе выездной проверки 8 =(¥„ - ¥ )/ ¥д и между декларированным и расчетным, определяемым по формуле (2), значениями выходной величины. Предприятия с кодом 1 и 3 были классифицированы как «нарушитель». Летом 2002 года на этих предприятиях были организованы выездные проверки, подтвердившие данные моделирования. Таким образом, модель достоверно распознает как нарушителей, искажающих документацию, так и законопослушных налогоплательщиков.

Предложенный метод синтеза плана отбора налогоплательщиков для проведения выезд -ных налоговых проверок на основе использо -вания интеллектуальных информационных технологий, существенно повышая эффективность работы налоговых органов, устраняет возможность скрытия существенных искажений налоговой декларации и финансовой отчетности и тем самым искореняет причины коррупции.

ЛИТЕРАТУРА

1. Послание Президента Российской Федерации Д. А. Медведева Федеральному Собранию Российской Федерации // Российская газета. №4787. 2008. 6 ноября.

10.

11.

12.

13.

Национальный план по противодействию коррупции // Российская газета. №4721. 2008. 5 августа.

Указ Президента Республики Башкортостан о дополнительных мерах по противодействию коррупции в Республике Башкортостан № УП-482 // Ведомости Государственного Собрания - Курултая, Президента и Правительства Республики Башкортостан. №20 (290). 20 октября. 2008. С. 1150.

Баязитова А. К кому придет налоговый инспектор. Интервью В. В Сашечева журналу «Главбух» // Главбух. 2004. №10.

Романов А. Н. Пути повышения эффективности налогового контроля // Налоговая политика и практика. 2004. №2. С. 15-17.

Полупанов Д. В. Математические модели ранжирования объектов налогового контроля: автореф. дисс... к.т.н.: 05.13.18. / Уфа: изд-во Уфим. гос. авиац. техн. ун-та, 2007. С. 16.

Букаев Г. И. Модернизация системы налогового контроля на основе нейросетевых информационных технологий. М.: Наука, 2001. С. 94.

Кремер Н. Ш. Эконометрика. М.: ЮНИТИ ДАНА, 2002. С. 33.

Галушкин А. И. Теория нейронных сетей. Кн.1: Учеб. пособие для вузов. / Общая ред. А. И Галушкина. М.:ИПРЖР, 2000. 314 с.

Бублик Н. Д. Теоретические основы разработки технологии налогового контроля и управления. Уфа: РИЦ БашГУ, 2004. 119 с.

Горбатков С. А. Метод вложенных математических моделей для повышения адекватности нейросетевого налогового контроля // Нейрокомпьютеры: разработка, применение. 2006. №10. С. 80-90.

Горбатков С. А. Совершенствование нейросетевой математической модели налогового контроля на основе оптимизационной процедуры кластеризации исходных данных // Нейрокомпьютеры: разработка, применение. 2007. № 5. С. 75-86.

Горбатков С. А. Компьютерная технология тематических выездных налоговых проверок на основе нейросетевого моделирования // Сборник научных трудов по материалам научно-практической конференции «Современные направления теоретических и прикладных исследований». Т.5. Экономика. Одесса: Черноморье, 2006. С. 26-30.

2

3

л

4

5

6

7

8

9

Поступила в редакцию 24.03.2010 г.