WWW.REFERATCENTRAL.ORG.UA - Я ТУТ НАВЧАЮСЬ

... відкритий, безкоштовний архів рефератів, курсових, дипломних робіт

ГоловнаБухгалтерський облік, Податки → Аналіз ризику несплати податків із застосуванням методів нечіткої логіки - Реферат

Аналіз ризику несплати податків із застосуванням методів нечіткої логіки - Реферат

яких буде віднесений платник у разі появи даних комбінацій. У процесі роботи експертної системи можливе доповнення бази знань новими факторами та комбінаціями.
Для всіх інших комбінацій факторів модель здатна визначити таке рішення та віднести платника до того коридору, який відповідає йому найбільше, виходячи з вхідних даних і параметрів системи. У міру надходження інформації по різних підприємствах система донавчається, тобто проводиться підбір значень функцій належності різних термів усіх факторів і вагових коефіцієнтів правил відповідно до реальних даних.
Для коректної настройки даної нечіткої моделі необхідно також окреслити деякі можливі значення факторів та їхніх комбінацій, що визначать належність платника і до зеленого коридору уваги. Взагалі-то можна задати, що СГ попадає до даної категорії і за умови відсутності всіх ризиків.
Розглянемо за допомогою функцій належності математичну форму запису вирішального правила з табл. 1 для визначення кольору декларації як червоного Ч:
(5)
де - функція належності вектора вхідних змінних X значенню вихідної змінної X1;
- функція належності параметра Xij, , до нечіткого терму ai.
Подібно до цього формується повна система рівнянь визначення категорії уваги як для декларації за критеріями X11, ..., X1K, так і для платника на основі факторів Х21, …, Х2L. Далі необхідно сформувати базу знань визначення рівня ризику несплати податків платником на основі розрахованих значень груп факторів X1 та Х2. Так, у табл. 2 розглянемо як приклад фрагмент бази знань для аналізу ризику несплати податків відповідно до функції (3).
Таблиця 2
База знань щодо визначення рівня ризику несплати податків
Значення группоказників Вага Вихідна змінна
X1 X2 w Y
Ч П
Ч
П Ч
Ж Ч
… … … …
Ж З
З
З З
Математична форма запису вирішального правила для визначення дуже високого рівня ризику несплати податків та, відповідно, віднесення платника до червоного коридору Ч, матиме вигляд:
(6)
У загальному випадку, чим більше система містить логічних правил визначення рівня ризику несплати податків та віднесення компанії до певної категорії уваги, тим точніше буде проведений даний аналіз. Якщо в базі знань відсутнє правило, що відповідає поточному стану конкретного підприємства, система видасть рішення, що найбільше підходить даній ситуації, тобто таке рішення, для якого функція належності вихідної змінної Y буде найбільшою серед інших для конкретних значень вхідних змінних X11, ..., X1K, X22, ..., X2L.
Експертам при побудові математичної моделі необхідно задати ключові правила. Всі інші правила прийняття рішень будуть генеруватися під час навчання моделі на реальних даних стосовно інших СГ у минулому. За наявності набору встановлених правил система може видавати рішення для будь-яких контрольованих параметрів та їхніх значень і без навчання. Проте, якщо провести настройку моделі на існуючому статистичному матеріалі, то якість логічного висновку можна суттєво підвищити.
Етап 5 (Оцінка рівня показників). На основі даних із податкової звітності, із зовнішніх джерел, реєстраційних даних, результатів проведення контрольно-перевірочної роботи, здійснюється оцінка поточного рівня показників Xij, , , для даного СГ і проводиться оцінка ризику ухилення від сплати податків за співвідношеннями, розробленими на зразок до виразу (6) із урахуванням повної бази нечітких знань. Кінцевий результат буде відповідати тому терму, функція належності якого для заданих рівнів показників є найбільшою.
Функції належності всіх змінних та всі міжнейронні зв'язки настроюються при навчанні моделі на реальних даних із використанням механізмів навчання нейронних мереж. Настройку нейронечіткої мережі, побудованої на квазідзвоноподібних функціях належності, доцільно проводити із використанням алгоритму "Error Back-Propagatіon", сутність роботи якого детально висвітлена в [4-6].
Статтю присвячено такому важливому питанню, як розв'язання задачі оцінки ризику несплати податків суб'єктами господарювання. Спочатку висвітлено ряд недоліків, які, на думку автора, присутні в Методичних рекомендаціях щодо розподілу платників податків за категоріями уваги та розроблено новий алгоритм розподілу платників із урахуванням тих вимог, які до нього висуваються з боку ДПА України. Так, побудований алгоритм на нечіткій логіці дозволяє поєднувати авторозподіл платників і базу ризиків. Оскільки в розробленій моделі весь набір факторів ризику розподілений між узагальненими групами показників, то, крім визначення рівня ризику несплати податків, дана система одночасно здійснює визначення кольору декларації та кольору СГ. Розроблена модель має властивості адаптивності, гнучкості, надійності, доступності сприйняття, логічності, універсальності щодо розширення. Крім того, із застосуванням даної нечіткої моделі всі СГ будуть автоматично проранжовані за значеннями їхніх функцій належності до того чи іншого коридору уваги, а не на основі суб'єктивних значень індивідуальних індексів.
Література:
1. Наказ ДПА України від 23.02.05 № 78 "Про затвердження Методичних рекомендацій щодо розподілу платників податків за категоріями уваги та їх супроводження органами державної податкової служби".
2. Редич О.В. Нейромережі у моделюванні податкових надходжень // Науковий вісник: Збірник наукових праць Академії державної податкової служби України. - 2001.- № 3 (13).- С. 231-239.
3. Введение в экономико-математические модели налогообложения / Под ред. Д.Г. Черника. - М.: Финансы и статистика, 2000. - 256 с.
4. Ротштейн А.П. Интеллектуальные технологии идентификации: нечеткие множества, генетические алгоритмы, нейронные сети.- Винница: УНІВЕРСУМ-Вінниця, 1999. - 320 с.
5. Матвійчук А.В. Аналіз та прогнозування розвитку фінансово-економічних систем із використанням теорії нечіткої логіки: Монографія.- К.: Центр навчальної літератури, 2005.- 212 с.
6. Rummelhart D.E., Hinton G.E., Williams R.J. Learning Internal Representation by Back-Propagation Errors // Nature. - 1986. - № 23.- P. 533-536.
Loading...

 
 

Цікаве