Software & Systems

Поиск эффективного решения задачи по автоматизированной оценке уровня налоговых рисков налогоплательщиков, направленной на последующий отбор потенциальных объектов для проведения мероприятий налогового контроля, актуален для налоговых органов.

Используемый в работе территориальных на- логовых органов программный комплекс – автома- тизированная информационная система (АИС) «Налог» включает в себя режим «Анализ финансово-хозяйственной деятельности» для обработки информации, поступающей в базу данных из внутренних и внешних источников.

При этом формируемые простые и сложные аналитические структуры не обеспечивают налогового инспектора непосредственной оценкой уровня налоговых рисков, а являются расчетами различных экономических показателей деятельности налогоплательщика, предназначенными для последующего анализа на предмет наличия (отсутствия) налоговых рисков и оценки их уровня.

Для эффективного решения задачи по автоматизированной оценке уровня налоговых рисков предлагается идея разработки нечеткой модели, в качестве которой используется система нечеткого вывода.

Практическое внедрение разрабатываемой модели в работе налоговых органов предполагает автоматизированную обработку информации – входных переменных, представляющих собой набор различных экономических показателей (их оценки в баллах) деятельности налогоплательщика (уровень рентабельности, налоговой нагрузки и др.), рассчитанных программным комплексом АИС «Налог» на основе данных, поступающих в налоговые органы из внешних и внутренних источников.

Окончательным результатом обработки данной информации (выходной переменной) является непосредственно оценка (числовое значение) уровня налоговых рисков каждого налогоплательщика, используемая в дальнейшем для ранжирования и формирования списка налогоплательщиков – потенциальных объектов для проведения налогового контроля.

Содержательная интерпретация нечеткой модели предполагает выбор и спецификацию входных и выходных переменных соответствующей системы нечеткого вывода. В разрабатываемой нечеткой модели предлагается использовать 6 входных переменных.

1.   Уровень налоговой нагрузки (УНН). Рассчитывается как соотношение суммы уплаченных налогов и оборота организаций.

2.   Факт отражения (отсутствия) в бухгалтерской и налоговой отчетности убытков (НУ).

3.   Заявленная сумма налоговых вычетов (СНВ) по НДС.

4.   Уровень среднемесячной заработной платы (УсЗП).

5.   Наличие (отсутствие) выявленных налоговыми органами фактов заключения договоров с контрагентами-перекупщиками (ДсКП) или посредниками без деловой цели.

6.   Уровень рентабельности (УР) относительно средней по отрасли.

В качестве выходной переменной используется уровень налогового риска («Риск»), который является одним из оснований для отнесения (не отнесения) налогоплательщика к списку потенциальных объектов для проведения мероприятий налогового контроля.

Практический опыт работы налоговых органов Тверской области по проведению анализа финансово-хозяйственной деятельности налогоплательщиков показывает, что для оценки уровня налоговых рисков объектов проверки (налогоплательщиков) налоговые органы применяют различные знания, которые, по мнению авторов, могут быть представлены в виде 43 продукционных правил со структурой «если» (условие), то «действие».

При этом предполагается, что при практическом использовании предложенного механизма оценки уровня налоговых рисков создание (корректировка) базы эвристических правил осуществляется группой экспертов-аналитиков регионального Управления Федеральной налоговой службы, в том числе с учетом их интуиции и опыта.

Содержательная задача позволяет приступить к построению нечеткой модели в форме соответствующей системы нечеткого вывода. Для этой цели предлагается использовать графические средства пакета Fuzzy Logic Toolbox системы MATLAB.

При построении нечеткой модели для оценки уровня налоговых рисков налогоплательщиков предполагается, что все рассматриваемые переменные измеряются в баллах в интервале действительных чисел от 0 (самая низкая оценка) до 10 (самая высокая). Далее выполняется фаззификация входных и выходных переменных. В качестве терм-множества первой входной переменной, УНН, предлагается использовать множество T1={«ниже среднеотраслевого», «среднеотраслевой», «выше среднеотраслевого»}, или T1={НС,С,ВС} с функциями принадлежности термов.

В качестве терм-множества второй – шестой входных переменных используются следующие множества и символические обозначения:

-     НУ – T2={«убытки два и более года», «убытки менее двух лет», «убытков нет»}, или T2={НС, С, ВС};

-     СНВ – T3 {«вычеты более 89 %», «вычеты от 50 % до 89 %», «вычеты менее 50 %»}, или ={НС, С, ВС};

-     УсЗП – T4={«ниже среднеотраслевого», «среднеотраслевой», «выше среднеотраслевого»}, или T4={НС, С, ВС};

-     ДсКП – T5={«многократные факты», «единичные факты», «факты не выявлялись»}, или T5={НС, С, ВС};

-     УР – T6={«ниже среднеотраслевого», «среднеотраслевой», «выше среднеотраслевого»}, или T6={НС,С, ВС}.

В качестве терм-множества выходной лингвистической переменной «Риск» используется множество T7={«очень низкий», «низкий», «средний», «высокий», «очень высокий»}, или T7={ОН,Н,С,В,ОВ}.

Следующим этапом построения модели является построение базы правил. Для этой цели авторами используются 43 правила нечетких продукций.

В качестве схемы нечеткого вывода используется метод Мамдани, поэтому методом активации выбран min, который рассчитывается по формуле:

,                                        (1)

где  – функция принадлежности терма, который является значением некоторой выходной переменной , заданной в универсуме Y (в нашем случае переменной «Риск»);  – значение степени истинности подзаключений для каждого из правил Ri, входящих в рассматриваемую базу правил P системы нечеткого вывода, ;  – функция принадлежности каждого из подзаключений для рассматриваемых выходных лингвистических переменных.

Поскольку во всех определенных правилах-продукциях в качестве логической связки для предусловий применяется только нечеткая конъюнкция, то как метод агрегирования используется операция min-конъюнкции. Для аккумуляции заключений правил используется метод max-дизъюнкции, который также применяется в случае схемы нечеткого вывода методом Мамдани. Наконец, в качестве метода дефаззификации используется метод центра тяжести (или центроид площади), рассчитываемый по формуле:

,                                                (2)

где y – результат дефаззификации; x – переменная, соответствующая выходной лингвистической переменной (в нашем случае переменной «Риск»);  – функция принадлежности нечеткого множества, соответствующего выходной переменной  после аккумуляции; min и max – левая и правая точки интервала носителя нечеткого множества рассматриваемой выходной переменной w.

Разработка нечеткой модели (с названием tax) выполнена с использованием графических средств системы MATLAB. С этой целью в редакторе FIS (Fuzzy Inference System – система нечеткого вывода в среде MATLAB) определяются 6 входных переменных с именами: УНН – b1, НУ – b2, СНВ – b3, УсЗП – b4, ДсКП – b5, УР – b6 и одна выходная переменная с именем «Риск» – b7.

Для решения поставленной задачи нечеткого моделирования используется система нечеткого вывода типа Мамдани. Параметры разрабатываемой нечеткой модели соответствуют предложенным системой MATLAB по умолчанию, а именно, логические операции (min – для нечеткого логического И, max – для нечеткого логического ИЛИ), метод импликации (min), метод агрегирования (max) и метод дефаззификации (centroid).

Для определения функции принадлежности термов для каждой из 6 входных и единственной выходной переменной рассматриваемой системы нечеткого вывода используется редактор функции принадлежности системы MATLAB. Предлага- ется использовать типы функций принадлежности и соответствующие численные значения их пара- метров.

Далее задаются правила-продукции. Для этого используется редактор правил системы MATLAB.

После этого проводится анализ построенной системы нечеткого вывода для рассматриваемой задачи оценки уровня налоговых рисков налогоплательщиков с целью формирования списка налогоплательщиков – потенциальных объектов для проведения мероприятий налогового контроля.

В качестве первого варианта оценим (в баллах) значение входных переменных: УНН – 8, НУ – 8, СНВ – 9, УсЗП – 9, ДсКП – 7, УР – 5.

Это достаточно высокие оценки входных переменных, которые даже на интуитивном уровне свидетельствуют в пользу соответствующего налогоплательщика (то есть нет необходимости в налоговой проверке).

Процедура нечеткого вывода, выполненная системой MATLAB для разработанной нечеткой модели, выдает в результате значение выходной переменной «Риск», равное 1,26 балла, что соответствует интервалу OН терм-множества T7. Это достаточно низкая оценка уровня налогового риска потенциального налогоплательщика, которая свидетельствует в пользу соответствующего налогоплательщика.

Далее анализируется построенная система нечеткого вывода с более низкими оценками значений входных переменных.

С этой целью изменим значения входных переменных (в баллах): УНН – 3, НУ – 4, СНВ – 2, УсЗП – 5, ДсКП – 3, УР – 2.

Процедура нечеткого вывода, выполненная системой MATLAB, выдает в результате значение выходной переменной «Риск», равное 8,57 балла, что соответствует интервалу ОВ терм-множества T7. Это достаточно высокая оценка уровня налогового риска налогоплательщика, которая может служить основанием для отнесения данного налогоплательщика к списку потенциальных объектов для проведения мероприятий налогового контроля.

Таким образом, несмотря на то, что данная модель носит упрощенный характер и требует внесения соответствующих изменений и дополнений в программный комплекс АИС «Налог», она, тем не менее, обладает достаточно высокой адекватностью, что позволяет сделать вывод о возможности ее практического использования.

В заключение следует отметить, что практическое внедрение предложенной модели позволит региональному Управлению налоговой службы обеспечить территориальные налоговые инспекции аналитическим инструментом, позволяющим эффективно решать задачу автоматизированной оценки уровня налоговых рисков и формирования списка налогоплательщиков – потенциальных объектов для проведения мероприятий налогового контроля.

При этом использование такой модели должно обеспечить повышение общей экономической эффективности деятельности налоговых органов за счет экономии материальных средств и снижения трудозатрат инспекций.