Реферат: Информатизация налоговых систем
базы знаний, экспертные и интеллектуальные системы (в том числе часто – эвристические процедуры и системы);
интеллектуальные среды планирования и управления;
телекоммуникационные средства доступа и сжатия информации;
автоматизированные системы (контроля, управления и т.д.), АРМы;
компьютерные, виртуальные организационные системы;
интегрированные пакеты прикладных программ;
мультимедийные, гипертекстовые, гипермедийные и WWW-технологии;
технологии когнитивные и визуализации;
объектно-ориентированные технологии;
средо-ориентированные технологии;
CASE-технологии;
нечеткие и нейро-ориентированные технологии.
Рассмотрим примеры, демонстрирующие имеющийся у авторов опыт их использования, а также перспективы применения и направление вектора информационного реинжиниринга налоговых систем. Выберем для этой цели часто применяемые в таких системах технологии.
Экономико-математическое и компьютерное моделирование, вычислительный эксперимент. Для решения актуальных задач управления и планирования используются математическое, в частности, имитационное моделирование и вычислительный налоговый эксперимент. Перечень решаемых задач постоянно расширяется, а сами модели усложняются.
Актуальной задачей в налоговых системах является анализ и, хотя бы краткосрочное, прогнозирование темпов сбора налогов. Рассмотрим следующую модельную задачу: построить математическую и компьютерную модель и провести вычислительные эксперименты для анализа динамики задолженности и налогособираемости, а также выявления факторов, влияющих на эту динамику.
Смысл используемых ниже переменных: х1 - коэффициент абсолютной ликвидности; х2 - коэффициент текущей ликвидности; х3 - дебиторская задолженность; х4 - кредиторская задолженность; х5 - превышение кредиторской задолженности над дебиторской; х6 - коэффициент финансовой зависимости; х7 - коэффициент соотношения привлеченных и собственных средств; х8 - кредиторская задолженность перед бюджетом; х9 - кредиторская задолженность по социальному страхованию и внебюджетным платежам; х10 - коэффициент собираемости налоговых платежей; х11 - коэффициент собираемости налога на прибыль. Эти коэффициенты определяются в соответствии с известными финансовыми и нормативно-справочными материалами и по данным республиканской налоговой базы данных (БД УМНС РФ по КБР).
Были проведены различные (отсеивающие, классифицирующие, регрессионные и корреляционные) вычислительные эксперименты с использованием БД УМНС РФ по КБР. План экспериментов определялся экономическими соображениями, а также целями и рекомендациям отдела анализа УМНС РФ по КБР. Большинство экспериментов было направлено на выявление факторов, оказывающих наибольшее влияние на сбор налогов (на коэффициент сбора налогов) за различные месяцы, кварталы и годы, на оценку налогового потенциала предприятий, их финансовой самостоятельности и устойчивости. В частности, осуществлялись эксперименты по нахождению эмпирических зависимостей вида: x10 = f(x1 , x2 , x3 , x4 , x6 , x8 , x9 ), x10 = f(x3 , x4 , x6 , x7 , x8 ), x10 = f(x1 , x2 , x6 , x7 ), x10 = f(x3 , x4 , x8 ), x10 =f(x1 , x2 , x3 , x4 , x5 , x6 , x7 , x8 , x9 ), x10 = f(x1 , x2 , x6 ), x10 = f(x3 , x4 , x8 , x9 ), x10 = f(x3 , x4 , x8 ), x6 = f(x3 , x4 , x8 , x9 ), x10 = f(x1 , x2 , x6 ), x6 = f(x1 , x2 , x3 , x4 , x5 , x7 , x8 , x9 , x10 , x11 ), x10 = f(x1 , x2 , x3 , x4 , x5 , x6 , x7 , x8 , x9 , x10 ), x6 = f(x1 , x2 , x3 , x4 , x7 , x8 , x10 ), x10 = f(x1 , x2 , x3 , x4 , x6 , x7 , x8 ), x6 = f(x1 , x2 ), x6 = f(x1 , x2 , x10 , x11 ).
Важные эксперименты ставили целью нахождение эмпирической зависимости вида х6 = f(x1 , x2 , x3 , x4 , x7 , x8 , x10 ). Она позволяет статистически оценить финансовую зависимость предприятий района, их налоговый потенциал. Например, в результате обработки данных из БД УМНС РФ по КБР по Баксанскому району КБР была найдена линейная зависимость вида:
x6 = 0.85278 + 0.01021 x1 + 0.0001 х2 – 0.000005 х3 + 0.00002 х4 + 1.000025 х7 – 0.000012 х8 +0.000281 х10 .
Коэффициент множественной корреляции значим и составляет 0.98. Вычислены доверительные интервалы коэффициентов связи и значимость. Построена также общая корреляционная таблица 95%-ной значимости, которая позволяет оценить тесноту связей указанных выше факторов и определить основные управляющие и управляемые параметры налоговой системы, осуществить краткосрочное планирование и управление.
Аналогичные зависимости были получены и использованы для других районов и городов КБР. Не приводя их из-за однотипности, отметим основные результаты анализа проведенных экспериментов:
наиболее адекватные результаты получены для экспериментов типа x6 = f(x1 , x2 , x3 , x4 , x5 , x7 , x8 , x9 , x10 , x11 ) и x6 = f(x1 , x2 , x3 , x4 , x7 , x8 , x10 );
по каждому району и городу для экспериментов указанных двух типов найдена регрессионная зависимость с высокой степенью адекватности; коэффициент множественной корреляции равен 0.96 – 1.0, а относительная погрешность составляет в среднем 5 – 9%; эксперименты других типов дают худшие результаты и требуют использования нелинейного регрессионного анализа и более сложных методов, что, однако, не представляет принципиальных трудностей;
использованная авторская программа (возможно использование известных мощных пакетов анализа, например, MATHCAD, STATISTICA, но этот путь требует согласования входных и выходных спецификаций пакета и БД УМНС РФ по КБР) работает качественно, например, имевшиеся колебания параметров (от 7814.612 до 0) “ухвачены” и отражены в модели, а вычисленные доверительные интервалы коэффициентов зависимостей можно использовать для определения предельных прогнозных значений функции отклика;
по указанным зависимостям можно оценивать (прогнозировать на короткий срок, например месяц, квартал) сбор налогов и финансовую активность предприятий при тех или иных значениях остальных значимых факторов, т.е. можно проводить имитационные расчеты и планирование;
необходимо построить более сложные и адекватные модели (отследить динамику за длительный период) и провести налоговый информативный мониторинг.
В региональной системе налогообложения очень важно использовать методы анализа экономического и финансового состояния предприятий и фирм, позволяющие получать сравнительные оценки экономической или финансовой устойчивости предприятий и их налогоплатежеспособности. Такой анализ необходим и для выработки соответствующих рекомендаций по изменению порядка уплаты налогов, их структуры и др.
В настоящее время в стране и, в частности, в КБР растет удельный вес убыточных предприятий. Как показывают данные по республике за 1998 г., самые большие убытки в размере 70,1% наблюдаются в промышленности. Проводимые эксперименты, анализ их результатов позволяют оценить потенциал производителей.
Сложность и многообразие, слабая структурированность и плохая формализуемость экономических и политических механизмов, определяющих работу предприятий, не позволяют преобразовать процедуры принятия решений в налоговой системе в эффективные математические модели [7] и алгоритмы прогнозирования. Поэтому часто эффективно использование хотя и простых полуэмпирических (подобных описанным выше), но гибких, надежных и технологичных процедур принятия решения. Кроме того, в силу динамичности процессов, происходящих в налоговых системах, их плохой формализуемости и структурируемости, недостатка информации, дороговизны и сложности проведения налогового мониторинга, имитационное моделирование зачастую является основным источником получения информации о системе.