Математические модели ранжирования объектов налогового контроля

• Автор: Полупанов, Дмитрий Васильевич
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2007
• Место защиты: Уфа
• Количество страниц: 187 с. : ил.

ВВЕДЕНИЕ.
ГЛАВА 1. ИССЛЕДОВАНИЕ ВОЗМОЖНОСТИ НЕЙРОСЕТЕВОЙ АППРОКСИМАЦИИ МНОГОМЕРНЫХ ФУНКЦИОНАЛЬНЫХ ЗАВИСИМОСТЕЙ В УСЛОВИЯХ ИСКАЖЕНИЯ ДАННЫХ И ДЕФИЦИТА НАБЛЮДЕНИЙ.
1.1. Анализ состояния вопроса по разработке математических моделей налогового контроля.
1.2. Обобщенная постановка и особенности задачи ранжирования экономических объектов с сильнозашумленными данными

1.3. Анализ условий моделирования.

1.4. Проблемы, связанные с аппроксимацией функции многих переменных с помощью нейронных сетей в специфических условиях моделирования

1.5. Проблемы, связанные с устойчивостью нейронных сетей по возмущению

входных данных

ВЫВОДЫ ПО ГЛАВЕ 1.

ГЛАВА 2. КОНЦЕПЦИЯ ПОСТРОЕНИЯ ГИБРИДНЫХ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ РАНЖИРОВАНИЯ ОБЪЕКТОВ НАЛОГОВОГО КОНТРОЛЯ
2.1. Управление качеством нейросетевой модели с помощью метода предпроцессорной обработки данных, реализующего многоуровневое иерархическое структурирование модели.
2.2. Повышение однородности НСМ на первом иерархическом уровне структурирования с похмощью оптимизационной итерационной процедуры кластеризации базы данных.
2.3. Повышение обобщающих свойств нейросетевой модели и однородности данных на втором иерархическом уровне структурирования на основе фоновой общесистемной закономерности
2.4. Алгоритм ранжирования налогоплательщиков на основе общесистемных закономерностей асимметрии и неполного подавления побочных дисфункций структурирования информационной системы.
2.5. Метод модифицированного обобщенного перекрестного подтверждения для
оценки адекватности гибридных нейросетевых моделей.
ВЫВОДЫ ПО ГЛАВЕ
ГЛАВА 3. РАБОЧИЙ АЛГОРИТМ РАНЖИРОВАНИЯ ЭКОНОМИЧЕСКИХ ОБЪЕКТОВ С СИЛЪНОЗАШУМЛЕННЫМИ ДАННЫМИ НА ОСНОВЕ ГИБРИДНОЙ НЕЙРОСЕТЕВОЙ МАТЕМАТИЧЕСКОЙ МОДЕЛИ
3.1. Общее описание рабочего алгоритма.
3.2. Процедура построения НСМ задаваемого типа.
3.3. Итерационная оптимизационная процедура кластеризации базы данных
3.4. Итерационная оптимизационная процедура очистки образованных кластеров от аномальных наблюдений но обобщенному векторному критерию точности, устойчивости и детерминированности
3.5. Процедура построения рабочей НСМ и расчета доверительного интервала для отклонений 8,.
3.6. Процедура расчета отклонений по рабочей НСМ на базе данных образованного кластера.
3.7. Процедура обобщенного перекрестного подтверждения.
3.8. Процедура вычисления вероятностного критерия ранжирования.
3.9. Процедура ранжирования налогоплательщиков на основе ыршерия.
3 Процедура модифицированного обобщенного перекрестного подтверждения.
3 Процедура окончательного ранжирования налогоплательщиков на основе цкритерия на исходной базе данных.
ВЫВОДЫ ПО ГЛАВЕ
ГЛАВА 4. РЕШЕНИЯ ПРИКЛАДНЫХ ЗАДАЧ РАНЖИРОВАНИЯ ОБЪЕКТОВ НАЛОГОВОГО КОНТРОЛЯ НА ОСНОВЕ РАЗРАБОТАННОЙ ГИБ
РИДНОЙ НЕЙРОСЕТЕВОЙ МАТЕМАТИЧЕСКОЙ МОДЕЛИ
4.1. Построение гибридных нейросетевых моделей ранжирования для выборки
4.2. Построение гибридных нейросетевых моделей ранжирования для выборки .
4.3. Верификация нейросетевых моделей на основе шурных экспериментов.
ВЫВОДЫ ПО ГЛАВЕ
ЗАКЛЮЧЕНИЕ.
СПИСОК ИСПОЛЬЗУЕМОЙ ЛИТЕРАТУРЫ


На основе НСМ, аппроксимирующей производственную функцию достаточно однородного кластера налогоплательщиков, вычисляются относительные отклонения между декларированными значениями выходного показателя и эталонными, полученными путем моделирования деятельности налогоплательщика в течение некоторого предшествующего периода, например за 2 года, включая последнее наблюдение в момент прогноза. Смысл термина эталонное значение отражает объективный характер получаемой оценки, поскольку она обусловлена статистической обработкой данных по достаточно большой и достаточно однородной выборке налогоплательщиков. Далее на основе вероятностного принципа построения дискриминационного правила строится вероятностная модель ранжирования налогоплательщиков ВМР. Во взаимодействии НСМ и ВМР получается гибридная нейросетевая модель ГНСМ ранжирования объектов налогового контроля. Целью диссертации является разработка научных основ технологии ранжирования объектов налогового контроля для синтеза плана отбора налогоплательщиков для проведения выездных проверок. Исследование возможности нейросетевой аппроксимации многомерных функциональных зависимостей в условиях сильного зашумления данных и даже частичного сознательного их искажения и дефицита наблюдений. ГНСМ. Разработка рабочего алгоритма ранжирования экономических объектов с сильнозашумленными данными на основе ГНСМ. Построение прикладных ГНСМ ранжирования объектов налогового контроля, экспериментальная апробация и верификация ГНСМ. На защиту выносятся следующие научные положения, полученные лично автором. Метод синтеза плана отбора налогоплательщиков для проведения выездных проверок на основе ГНСМ. Новизна данного положения заключается в использовании эталона производственной функции кластера налогоплательщиков, полученной с помощью ГНСМ. Это позволяет выявлять нарушения в налоговых декларациях и получать объективные оценки финансового состояния налогоплательщиков путем извлечения знаний об искаженных входных факторах и выходной величины через другие, неискаженные. Метод впервые изложен в приоритетных публикациях автора , , , , . Новизна данного положения заключается также в том, что ранее методов отбора налогоплательщиков для проведения выездных проверок на основе расчета эталона, полученного с помощью ГНСМ, не существовало. Известна модель непараметрического сглаживания , , разработанная И. И. Голичевым одновременно с исследованиями автора. Данная модель использовалась в главе 4 диссертационной работы для оценки адекватности ГНСМ. Взаимное подтверждение обоих моделей составило . Метод предпроцессорной обработки данных на основе системного подхода, который позволяет обеспечить приемлемый уровень достоверности получаемых оценок при сильном искажении базы данных БД до . БД. Оригинальную процедуру оптимальной кластеризации исходной БД. Установлено и численно обосновано, что существует оптимальное число однородных кластеров, на которые разбивается БД в условиях дефицита наблюдений. Оригинальную процедуру повышения однородности данных на втором иерархическом уровне структурирования очистки образованных кластеров по векторному критерию точности, устойчивости и детерминированности вспомогательных НСМ. Установлено и численно обосновано, что существует оптимальная итерация процесса очистки кластера от аномальных наблюдений в условиях дефицита наблюдений. Новизна указанного метода состоит в том, что он предложен впервые и изложен в приоритетных публикациях автора , . Достоверность положения 2 подтверждена практическим построением эффективных ГНСМ, их верификацией и экспериментальной апробацией на реальных данных с погрешностью порядка 8. Вероятностный критерий ранжирования объектов налогового контроля по числовой мере искажения ими отчетной документации с внесением в него эвристической априорной информации, полученной на основе использования доверительных интервалов для отклонений между расчетными полученными с помощью НСМ, и декларированными значениями моделируемого показателя, что позволяет повысить достоверность процедуры ранжирования. Эта идея базируется на общесистемном законе асимметрии, а также на общесистемной закономерности неполного подавления дисфункций структурируемой информационной системы.