Поддержка принятия решений в налоговом администрировании на основе нейросетевых моделей с байесовской регуляризацией

• Автор: Фархиева, Светлана Анатольевна
• Шифр специальности: 05.13.10
• Научная степень: Кандидатская
• Год защиты: 2012
• Место защиты: Уфа
• Количество страниц: 176 с. : ил.

Оглавление
СПИСОК СОКРАЩЕНИЙ
ВВЕДЕНИЕ
ГЛАВА 1. АНАЛИЗ ПРОЦЕССА ПРИНЯТИЯ РЕШЕНИЙ В ПОДСИСТЕМАХ НАЛОГОВОГО АДМИНИСТРИРОВАНИЯ РЕГИОНАЛЬНОГО И
МУНИЦИПАЛЬНОГО УРОВНЕЙ В РОССИЙСКОЙ ФЕДЕРАЦИИ
1Л. Описание системы налогового администрирования и ее подсистем
1.2. Методические основы принятия решений в подсистемах налогового администрирования
1.2Л Анализ методик подсистемы налогового контроля
1.2.2. Анализ методик подсистемы налогового планирования
1.2.3. Анализ методик подсистемы налогового регулирования
1.3. Анализ возможностей известных подходов для поддержки принятия решений в подсистемах налогового администрирования
1.4. Выводы по главе
ГЛАВА 2. РАЗРАБОТКА ПОДХОДА К ПОДДЕРЖКЕ ПРИНЯТИЯ РЕШЕНИЙ В СИСТЕМЕ НАЛОГОВОГО АДМИНИСТРИРОВАНИЯ
2.1. Место задачи принятия решения в общей задаче управления налогового
администрирования и разработка схемы обмена данными в подсистемах налогового администрирования
2.1.1. Определение структуры системы налогового администрирования
2.1.2. Требования к экспертной системе и выбор моделей представления знаний для поддержки принятия решений по налоговому администрированию
2.3. Комбинированный системно-синергетический информационный подход к исследованию сложных математико-информационных систем
2.3.1. Условия моделирования
2.3.2. Сущность системно-синергетического информационного подхода к исследованию подсистем налогового администрирования
2.4. Построение нейросетевых математических моделей подсистем налогового администрирования на основе общесистемных законов
2.5. Байесовская регуляризации обучения нейросетей на основе закона неполного подавления дисфункций структурируемой системы

2.5.1. Подавление дисфункций при структурировании информационной системы и необходимость их парирования
2.5.2. Концепция о необходимости взаимосвязанного управления информативностью данных и качеством аппроксимации в нейросетевых моделях
2.6. Выводы по главе
ГЛАВА 3. РАЗРАБОТКА МЕТОДОВ И МОДЕЛЕЙ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ В СИСТЕМЕ НАЛОГОВОГО АДМИНИСТРИРОВАНИЯ
3.1. Прикладной приближенный метод байесовской регуляризации обучения нейросети при сильном зашумлении данных с неизвестной функцией распределения шума
3.2. Метод вложенных математических моделей, основанный на взаимосвязанном управлении информативностью данных и качеством их аппроксимации в байесовском ансамбле нейросетей
3.3. Прикладные компьютерные методики поддержки принятия управленческих решений в системе налогового администрирования
3.3.1. Метод синтеза оптимального плана выездных налоговых проверок на байесовском ансамбле нейросетей по налоговому контролю и планированию
3.3.2. Двухступенчатый метод оценки адекватности гибридной нейросетевой модели на основе оптимального плана выездных налоговых проверок на байесовском ансамбле нейросетей
3.3.3. Гибридный метод оценки кредитоспособности для разработки модели поддержки принятия решений по налоговому регулированию
3.4. Выводы по главе
ГЛАВА 4. РЕАЛИЗАЦИЯ ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ НАЛОГОВОГО АДМИНИСТРИРОВАНИЯ
4.1. Оценка адекватности метода вложенных математических моделей на основе вычислительных и натурных экспериментов, а также сравнение с альтернативным методом аналогово-осредненных величин
4.1.1. Вычислительные эксперименты отдельно по процедурам метода вложенных математических моделей
4.1.2. Вычислительные эксперименты по методу вложенных математических моделей в целом
4.2. Программная реализация интеллектуальной поддержки принятия решений налогового администрирования

4..5. Структурно-функциональная схема информационно-аналитической системы
поддержки принятия решений по налоговому администрированию
4.4. Выводы по главе
ЗАКЛЮЧЕНИЕ
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ
ПРИЛОЖЕНИЕ

ПРИЛОЖЕНИЕ

Среди прикладных подсистем налоговой инспекции можно выделить две основные группы: подсистемы оперативной обработки и подсистемы поддержки принятия решений.
Подсистемы оперативной обработки ориентированы на вывод данных о налогоплательщиках, их оперативную обработку (поиск, относительно простые запросы, свод данных и т.д.) и хранение. Данные в этих подсистемах оперативной обработки актуальны в течении нескольких лет. Основные требования к таким подсистемам - высокая производительность обработки транзакций и гарантированная скоростная доставка информации при удаленном доступе к базам данных по телекоммуникационным каналам.
Подсистемы поддержки принятия решений. Обеспечивающие автоматизацию решения функциональных задач налоговой инспекции, определенных НК РФ, основаны на обработке больших объемов данных из различных источников за большой период времени, сосредоточенных в электронном хранилище данных. Они включают средства многомерного анализа данных, статистической обработки, моделирования правил, выполнения расчетов, установления причинно-следственных связей и анализа возникновения ситуаций и т.д.
Все подразделения любой налоговой инспекции работают в определенной логической последовательности (рисунок 1.3) [69].
Информационное взаимодействие инспекторов осуществляется регламентом информационных потоков на бумажных и электронных носителях и в режиме доступа к электронной базе данных, в которой «фиксируются» информационная история налогоплательщиков и параметры операционного текущего дня инспекции.
В наиболее известной в этой области работе Д. Г. Черника (в соавторстве) [93] предложена модель сравнения декларированных и расчетных значений выходной величины для выборки налогоплательщиков. Она строится на комбинации уравнения регрессии с логит-пробит анализом и реализована на модельном примере с искусственно введенными