Управление в системах финансового контроля на основе нейросетевых моделей с байесовской регуляризацией

• Автор: Белолипцев, Илья Игоревич
• Шифр специальности: 05.13.10
• Научная степень: Кандидатская
• Год защиты: 2014
• Место защиты: Уфа
• Количество страниц: 192 с. : ил.

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ
ГЛАВА I. СИСТЕМНЫЙ ПОДХОД К РАЗРАБОТКЕ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ В СИСТЕМАХ ФИНАНСОВОГО КОНТРОЛЯ В УСЛОВИЯХ НЕОПРЕДЕЛЕНОСТИ

1.1. Элементы системы финансового контроля

1.2. Системный подход к разработке нейросетевой модели. Основные понятия и определения.
1.3. Условия моделирования и особенности развиваемого подхода к нейросетевому моделированию. Концепция квазистатистики
1.4. Общие преимущества и недостатки нейросетевых моделей при решении обратных задач восстановления зависимостей

1.5. Концептуальный базис нейросетевого моделирования

ГЛАВА II. МЕТОДЫ ПОСТРОЕНИЯ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ СЛОЖНЫХ ОБЪЕКТОВ И ИХ РЕГУЛЯРИЗАЦИЯ

2.1. Анализ устойчивости нейросетевых моделей

2.2. Классификация методов регуляризации нейросетевых моделей при решении обратных задач восстановления функциональных зависимостей, скрытых в данных
2.3. Оригинальный квазибайесовский метод регуляризации обучения нейросети при сильном зашумлении данных с неизвестной функцией закона распределения шума
2.4. Модифицированный метод вложенных математических моделей
2.5. Вычислительные эксперименты по апробации метода вложенных математических моделей
2.6. Метод многоступенчатой оценки адекватности нейросетевой модели
ГЛАВА III. НЕЙРОСЕТЕВЫЕ МОДЕЛИ ОЦЕНКИ КРЕДИТОСПОСОБНОСТИ КАК ИНСТРУМЕНТ УПРАВЛЕНИЯ КРЕДИТНЫМ ПРОЦЕССОМ И ЭКОНОМИЧЕСКОЙ БЕЗОПАСНОСТЬЮ ПРЕДПРИЯТИЙ
3.1. Предварительные замечания к постановке задачи
3.2. Анализ известных моделей диагностики банкротств в системе корпоративного управления в реальном и финансово-банковском секторе
3.3. Гибридный метод оценки риска банкротств на базе байесовского ансамбля нейросетей и logit-модели (GNBL)
3.4. Количественная апробация гибридного метода GNBL
3.5. Применение гибридного метода GNBL в динамических прогнозных моделях банкротств
3.6. Вычислительный эксперимент по построению динамической модели банкротств
ГЛАВА IV. МЕТОД СИНТЕЗА ПЛАНА НАЛОГОВЫХ ПРОВЕРОК И ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ПО НАЛОГОВОМУ РЕГУЛИРОВАНИЮ
4.1. Повышение эффективности систем налогового контроля и управления (СНКУ) на основе моделирования объектов налогообложения
4.2. Методы синтеза оптимального плана выездных налоговых проверок
4.3. Алгоритм синтеза оптимальных планов выездных налоговых проверок
4.4. Результаты вычислительных и натурных экспериментов
ЗАКЛЮЧЕНИЕ
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ
ПРИЛОЖЕНИЯ

ВВЕДЕНИЕ
Объектом исследования в работе являются процессы управления в системах финансового контроля, на примере задач налогового контроля и диагностики банкротств. Несмотря на различие в деталях указанные классы задач имеют общую методологическую и теоретическую основу. Методологической основой является концептуальный базис нейросетевого моделирования экономических систем, функционирующих в условиях неопределенности. Теоретической основой являются конкретные методы построения НСМ.
Предметом исследования в работе являются системы поддержки принятия решений на основе нейросетевых экспертных систем, функционирующие в условиях высокой неопределенности.
Актуальность темы исследования обусловлена следующими соображениями прикладного и теоретического характера.
Наполнение государственного бюджета налоговыми поступлениями является одной из приоритетных задач государственной системы финансового контроля. Административные способы повышения собираемости налогов (увеличение налогового бремени, усиление налогового контроля со стороны государства, увеличение количества инспекторов) практически себя исчерпали. Решение данной проблемы надо искать в рамках повышения эффективности процедур камеральных проверок. Поэтому совершенствование технологий налогового администрирования представляется актуальной задачей.
Вопросы совершенствования контрольной работы в налоговых органах и моделей налогового администрирования представлены в работах Г. Г. Брызгалина, И. Р. Пайзулаева, Ю. Ф. Кваши, А. 3. Дадашева, А. В. Лобанова, В. А. Красницкого, Л. Ф. Черкасовой, Д. А. Артеменко и др. Вопросам управления налогообложением в аспекте моделирования процессов сбора налогов и оценки добросовестности отдельных налогоплательщиков посвящены работы А. Б. Паскачева, Т. Н. Скорика, А. Б. Соколова, Д. Г. Черника, М. В. Ми-шустина и др. Проблемы интеллектуального управления и нейросетевого моделирования экономических объектов исследованы в трудах отечественных уче-

ГЛАВА П. МЕТОДЫ ПОСТРОЕНИЯ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ СЛОЖНЫХ ОБЪЕКТОВ И ИХ РЕГУЛЯРИЗАЦИЯ
2.1. Анализ устойчивости пейросетевых моделей Целями вычислительных экспериментов были:
• Обнаружение неустойчивости НСМ типа многослойного персептрона при росте шумовой составляющей в данных.
• Анализ условий возникновения неустойчивости НСМ.
Методика вычислительных экспериментов по устойчивости НСМ
Исследуем вопрос о влиянии возмущений на качество обучения НСМ. Вышеописанные характеристики искажения делают невозможным варьирование параметров возмущения по отдельности на реальных данных. Поэтому сконструируем модельный пример, задающий базу данных, т.е. обучающее и тестовое множество НСМ, следующим образом [26]. Введем величины Ае[Ро5Р»]» гДе Ро=1> Р*=7-8> Р,=Ро + КРм~Ро)/Н' и Я, е[<7о; где: q0=4.6, qN=l, qi=qй+i{qN -q0)lNр = ,Ы,Ы = 200. Сконструируем 10 факторов:
Х1=р+?,Х2=ря; Хг=Ур-1с[, Х4=р^;Х5=р^; Х6=Ур-^;Х7 =№+(?; (2.1)
Х8 =(р2 +Ч)/(р^) X» =(I* + Зададим моделируемую детерминированную зависимость:
Г = £>(Ху),« = 10. (2.3)

В эксперименте использовались модельные данные, т.к. необходимо знать неискаженные значения входных факторов (2.1) - (2.2) и выходной величины (2.3). Составим матрицу наблюдений А = {ау. Здесь
а у =х1у,/ = 1,1У,у = 1 ,п,а1п+1 =уг В получившейся матрице строки перемешаем
случайным образом. Первые 100 строк будут обучающим множеством, другие

Идея постановки модельного вычислительного эксперимента была предложена Д. В, Полупановым в [26, с.36-41].