"Бухгалтерия и банки", 2005, N 11

МОДЕЛЬ ОТБОРА ПОДОЗРИТЕЛЬНЫХ НАЛОГОПЛАТЕЛЬЩИКОВ

Использование экономико-математических моделей для повышения эффективности налогового контроля - довольно распространенная практика у западных налоговых служб. Российские налоговые органы тоже пытаются не отстать в этом направлении, но, хотя в Программе развития налоговых органов на 2002 - 2004 гг. был сделан акцент на разработку таких моделей, только в начале осени 2005 г. ФНС России объявила о конкурсе на разработку моделей. Об одной из таких моделей, названной гибридной, мы хотим рассказать в данном материале.

Модель предназначена для предварительного отбора подозрительных налогоплательщиков - юридических лиц.

Пусть N обозначает среднее количество деклараций, которые с учетом финансовых и трудовых возможностей налогового органа могут быть подвергнуты камеральной проверке. Предполагается, что такие подозрительные налогоплательщики, выявленные с помощью модели, включаются в состав N кандидатов на камеральную проверку.

Поскольку сведения, содержащиеся в налоговых декларациях, согласно НК РФ, являются налоговой тайной, то работа модели демонстрируется на данных бухгалтерской отчетности (формы 1, 2), полученных из базы данных ФСФР, опубликованной в Интернете на сайте http://disclosure.fcsm.ru. Эта база содержит указанную бухгалтерскую отчетность по очень большому количеству предприятий различной отраслевой принадлежности, однако в расчетах использовались только данные по взятым наугад, исходя из уникального номера эмитента в базе ФСФР, M = 714 предприятиям.

Данные, представляемые в налоговые органы, в значительной степени пересекаются с данными, содержащимися в указанных формах бухгалтерской отчетности. В результате своей финансово-хозяйственной деятельности предприятие использует трудовые, материальные и финансовые ресурсы для производства продукции, выполнения работ и оказания услуг. Таким образом, определенный набор указанных ресурсов является квалифицирующим признаком, характеризующим деятельность конкретного предприятия.

В силу того что данные в бухгалтерском балансе отражены на основе принципа двойной записи, в отличие от налоговых деклараций, такие данные наиболее полно описывают специфику предприятия по сравнению с данными налоговых деклараций. Между тем в налоговых декларациях дублируются данные актива баланса, но не раскрываются пассивы (источники формирования активов), поэтому данные бухгалтерской отчетности несут дополнительную полезную информацию. Очевидно, что два предприятия с одинаковым набором показателей актива, но с разными источниками формирования таких активов, с экономической точки зрения действуют как субъекты по-разному и, как следствие, могут иметь относительную различную налоговую нагрузку.

Полезность информации, содержащейся в бухгалтерской отчетности, может быть проиллюстрирована на следующем примере.

В настоящее время в России наиболее распространенным способом уклонения является использование в хозяйственной деятельности фиктивных фирм, называемых фирмами-однодневками. Суть такой схемы уклонения состоит в том, что у фирмы-однодневки приобретаются товары (работы, услуги), которые реально не передаются налогоплательщику, но эти операции отражаются в учете у налогоплательщика. За товары (работы, услуги) перечисляются денежные средства и оформляются необходимые документы, и далее со счета фирмы-однодневки денежные средства обналичиваются. При этом в бухгалтерском учете налогоплательщика остается след от такой операции, которая искажает реальный набор показателей баланса. Во-первых, у предприятия завышается кредиторская задолженность, во-вторых, завышается соответствующая статья актива баланса, например затраты или запасы. Также при таких схемах часто используют векселя, что ведет к завышению показателя финансовых вложений и кредиторской задолженности.

Общая схема работы модели состоит из следующих последовательных действий, обладающих перечисленными ниже особенностями.

1. Представление каждого m-го баланса как точки

X (x ,..., x ; V ) 6-мерного пространства, координатами

m m,1 m,15 m

которого являются значения факторных переменных, описанных в

предыдущем разделе, и выручка V. Совокупность всех балансов

соответственно описывается матрицей X(x ), в которой m = 1...M -

mj

номер баланса, M - количество балансов, а каждая строка матрицы

представляет собой вектор X (x ,..., x V ), описывающий m-й

m m,1 m,15; m

баланс (напомним, что в расчетах было M = 714).

Преобразование U = F(X) матрицы X(x ) в матрицу U(u ),

mj mj

содержащую M строк и 15 (а не 16!) столбцов, в числе которых

отсутствует выручка V. Обоснование необходимости преобразования

F(X) поясняется в следующем пункте. Векторы U (u ,..., u ),

m m,1 m,15

компоненты которых представляют собой элементы m-й строки

матрицы U, рассматриваются в качестве модифицированного описания

m-го баланса.

Исходя из значений элементов матрицы U множество балансов методами кластерного анализа разбивается на классы. Целью такой кластеризации является получение групп балансов, внутри которых возможно построение статистически значимых уравнений регрессии, связывающих выручку V с факторными переменными. Поскольку на кластеризацию балансов на основе матрицы X в значительной мере может влиять размер предприятий (выручки), а не характер связей между выручкой и факторными переменным, то при такой кластеризации нет оснований рассчитывать на получение хороших уравнений регрессии. Чтобы пояснить, на чем основываются надежды при таком методе кластеризации, приведем сильно упрощенный, но наглядный пример.

Пусть имеются два предприятия с выручкой 100 руб. и 10 000 руб. С основными фондами 10 и 1000 соответственно. Хотя выручка данных предприятий и различна, но показатель фондоемкости, который является качественным показателем экономической деятельности предприятия, одинаков у обоих предприятий. Таким образом, нивелируется фактор размера предприятия. Если кластеризовать по двум показателям, то эти предприятия явно попадут в разные классы <1>. Именно для повышения значимости уравнений регрессии в построенных классах и производится преобразование U = F(X), а кластеризация ведется на основе матрицы U. Естественно, преобразование U = F(X) должно быть таким, чтобы оно способствовало достижению этой цели.

     
   ————————————————————————————————
   

<1> Букаев Г.И., Бублик Н.Д., Горбатков С.А., Сатаров Р.Ф. Модернизация системы налогового контроля на основе нейросетевых информационных технологий.

Следует отметить, что на результаты кластеризации также влияет используемый метод кластеризации. В частности, расчеты показали неудобство применения метода К-средних, в котором параметром, управляющим процессом кластеризации, является априори задаваемое пользователем количество К строящихся классов, и при этом неясно, из каких соображений следует выбирать значение K. Поэтому для кластеризации был применен метод шаров <2>, при использовании которого количество получаемых классов автоматически определяется в процессе кластеризации. Кроме того, метод шаров позволяет управлять процессом кластеризации с помощью параметра, который обозначим D, и значение D можно выбирать исходя из достаточно понятных предпосылок.

     
   ————————————————————————————————
   

<2> Плюта В. Сравнительный многомерный анализ в экономических исследованиях. М.: Статистика, 1980. С. 151.

Можно ожидать (и это подтверждается выполненными расчетами), что в результате кластеризации образуется один или несколько "крупных" классов с довольно большим количеством балансов и несколько "мелких" классов с небольшим (1 - 10) количеством балансов. Балансы, вошедшие в мелкие классы, назовем "подозрительными декларациями первого порядка", они служат первыми кандидатами для камеральной проверки.

В каждом из крупных классов строится линейное уравнение множественной регрессии с нулевым свободным членом. Поскольку на одну объясняющую переменную должно приходиться от 6 до 8 наблюдений, то под крупными классами понимаются классы с количеством балансов не меньше чем 8 x 15 = 120. Если для полученной регрессии значение коэффициента детерминации R2 достаточно велико, а его статистическая значимость подтверждается критерием Фишера, то производится анализ регрессионных остатков. В результате этого анализа к "подозрительным налогоплательщикам второго порядка" относятся те налогоплательщики, значения нормализованных и нормализованных удаленных остатков которых существенно различаются. В расчетах таковыми признавались балансы, у которых нормализованные и нормализованные удаленные остатки отличались более чем на 5%.

Выявление подозрительных балансов с помощью нормированных и удаленных остатков выполняется в соответствии с принятыми в статистике рекомендациями. Так, если удаленный остаток значительно отличается от соответствующего стандартизированного значения остатка, то, возможно, это наблюдение является выбросом, так как его исключение изменяет уравнение регрессии.

В каждом из классов с количеством балансов меньше 120, в которых уравнения регрессии не могут быть построены с достаточной степенью надежности, балансы для камеральной проверки отбираются случайным образом. При этом их количество определяется возможностью налогового органа. Также можно рекомендовать, чтобы эти классы подверглись дополнительному экспертному анализу. Дальнейшие опыты показали, что при подходящем преобразовании U = F(X) количество таких небольших классов невелико.

Если в итоге описанных процедур число отобранных "подозрительных балансов" первого и второго порядка меньше N (возможностей налогового органа), то из крупных классов исключаются подозрительные декларации второго порядка и повторяется процедура п. 5, в результате чего получаются подозрительные балансы третьего порядка и т.д.

Если в каком-либо крупном классе не удается построить статистически значимое уравнение регрессии, то в таком классе проводится повторная кластеризация с уточненным значением управляющего параметра D и затем выполняются процедуры п. п. 4 - 6. То же самое делается, если после удаления из класса подозрительных балансов на шагах 5 - 6 уравнение регрессии становится "плохим".

Описанные процедуры выполняются до тех пор, пока не будет набрано N кандидатов на камеральную проверку. Если количество полученных описанным способом подозрительных балансов превышает N, то из числа подозрительных в кандидаты на камеральную проверку включается порядка 0,9N балансов наиболее крупных предприятий и порядка 0,1N выбранных из оставшихся подозрительных случайным образом.

(Окончание следует)

Д.Костальгин

Подписано в печать

20.10.2005

     
   ——————————————————————————————————————————————————————————————————
————————————————————
——