+7 (925) 966 4690
ИД «Финансы и кредит»

ЖУРНАЛЫ

  

АВТОРАМ

  

ПОДПИСКА

    
«Экономический анализ: теория и практика»
 

Включен в перечень ВАК по специальностям

ЭКОНОМИЧЕСКИЕ НАУКИ:
5.2.1. Экономическая теория
5.2.3. Региональная и отраслевая экономика

Реферирование и индексирование

РИНЦ
Referativny Zhurnal VINITI RAS
Worldcat
Google Scholar

Электронные версии в PDF

Eastview
eLIBRARY.RU
Biblioclub

Методы нейросетевого моделирования ранжирования налогоплательщиков для определения кредитного риска

т. 14, вып. 12, март 2015

PDF  PDF-версия статьи

Доступна онлайн: 22.03.2015

Рубрика: МАТЕМАТИЧЕСКИЕ МЕТОДЫ И МОДЕЛИ

Страницы: 58-66

Бирюков А.Н. доктор экономических наук, профессор кафедры экономической теории и анализа, Стерлитамакский филиал Башкирского государственного университета 
guzsa@ufamts.ru

Предмет исследования - построение моделей кластеризации предприятий-налогоплательщиков в задачах налогового администрирования. При этом модель кластеризации рассматривается как инструмент поддержки принятия решения по кредитному риску финансовым регулятором. Задача оперативного и гибкого налогового администрирования является частью государственного налогового менеджмента. От эффективности решения этой задачи зависит, с одной стороны, увеличение наполнения бюджетов всех уровней, с другой стороны, сохранение экономической стабильности предприятий-налогоплательщиков. Цель авторского исследования - выработка правильных управленческих решений в указанных задачах. Методы исследования требуют знания достаточно достоверного финансово-экономического состояния налогоплательщиков. Задача исследования состоит в том, как по множеству экономических показателей, доступных налоговым органам, на основе математических моделей можно провести раннюю диагностику неблагоприятных тенденций развития предприятия, т.е. назревающего банкротства. Результатом вычислительного эксперимента может служить массив налоговых деклараций за некоторый предшествующий временной период по интересующему аналитика множеству объектов налогообложения. На основе такой модели налогоплательщики могут быть разделены на определенное количество кластеров в условиях поставленной задачи. Управленческие решения по налоговому администрированию будут более эффективны при одновременном учете интересов бюджета и сохранения экономической стабильности предприятий-налогоплательщиков, если в результате эксперимента регулятор имеет достоверную информацию о принадлежности конкретного предприятия к одному из предлагаемых в задаче кластеров. Правильно принятые решения по налоговому администрированию являются инструментами антикризисного управления. Многие модели предсказания банкротств убедительно демонстрируют свои способности к прогнозированию в задачах классификации задним числом (ex post). В нынешней кризисной ситуации, когда резервы выживания и кредитные резервы взаимосвязаны, эти модели работают плохо. Поэтому актуальна задача разработки новых моделей оценки кредитного риска, которые могли бы служить объективной научной основой принятия решений при распределении антикризисных кредитов, при предоставлении налоговых льгот, налоговых каникул и др.

Ключевые слова: нейросетевые модели, кластеризация налогоплательщиков, лицо, принимающее решение, кластер, алгоритм ранжирования, кредитный риск

Список литературы:

  1. Бирюков А.Н. Теоретические основы разработки нейросетевых моделей в системе налогового администрирования. Уфа: Гилем, 2011. 380 с.
  2. Бирюков А.Н. Использование метода комбинированного подхода в моделировании системы налогового администрирования // Экономика и управление. 2011. № 4. С. 93–97.
  3. Бирюков А.Н. Обобщение метода вложенных математических моделей на основе байесовского подхода к регуляризации задач нейросетевого моделирования налогового и финансового контроля // Экономика и управление. 2010. № 1. С. 85–89.
  4. Бирюков А.Н. Нейросетевая модель ранжирования и контроля деклараций налогоплательщиков // Экономика и управление. 2010. № 11. С. 106–110.
  5. Бирюков А.Н. Экономико-математическая модель управления рисками, с применением имитационного моделирования. URL: Link.
  6. Бирюков А.Н. Байесовская регуляризация нейросетевых моделей ранжирования и кластеризации экономических объектов. Уфа: Гилем, 2011. 292 с.
  7. Бублик Н.Д., Голичев И.И., Горбатков С.А., Смирнов А.В. Теоретические основы разработки технологии налогового контроля и управления. Уфа: БашГУ, 2004. 335 с.
  8. Бэстен Д.-Э., Ван ден Берг В.-М., Вуд Д. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. М.: ТВП, 1998. 254 с.
  9. Горбатков С.А., Полупанов Д.В. Методы нейроматематики в налоговом контроле. Уфа: БашГУ, 2008. 134 с.
  10. Горбатков С.А., Полупанов Д.В., Бирюков А.Н., Макеева Е.Ю. Методологические основы разработки нейросетевых моделей экономических объектов в условиях неопределенности. М.: Экономическая газета, 2012. 494 с.
  11. Ежов А.А., Шумский С.А. Нейрокомпьютинг и его применение в экономике и бизнесе / под ред. В.В. Харитонова. М.: МИФИ, 1998. 224 с.
  12. Каллан Р. Основные концепции нейронных сетей. М.: Вильямс, 2001. 287 c.
  13. Кузнецов Ю.А., Перова В.И. Использование нейросетевого моделирования в анализе деятельности крупнейших компаний Российской Федерации // Экономический анализ: теория и практика. 2010. № 31. С. 32–42.
  14. Кузнецов Ю.А., Перова В.И., Воробьева Е.В. Нейросетевое моделирование финансово-экономической деятельности крупнейших компаний Поволжья // Экономический анализ: теория и практика. 2011. № 35. С. 25–36.
  15. Кузнецов Ю.А., Перова В.И., Эйвазова Э.Н. Нейросетевое моделирование динамики инновационного развития регионов Российской Федерации // Региональная экономика: теория и практика. 2014. № 4. С. 18–28.
  16. Мишустин М.В. Механизм государственного налогового администрирования в России. М.: Финансы и статистика, 2003. 230 с.
  17. Хайкин С. Нейронные сети: полный курс. М.: Вильямс, 2006. 1104 с.
  18. Ясницкий Л.Н. Введение в искусственный интеллект. М.: Академия, 2010. 176 с.
  19. Ясницкий Л.Н., Бондарь В.В., Бурдин С.Н. и др. Пермская научная школа искусственного интеллекта и ее инновационные проекты / под ред. Л.Н. Ясницкого. Москва – Ижевск: Регулярная и хаотическая динамика, 2008. 75 с.
  20. Argenti J. Corporate Collapse. The causes and Symptoms, Mc Graw-hill book Company(UK) limited, 1976.

Посмотреть другие статьи номера »

 

ISSN 2311-8725 (Online)
ISSN 2073-039X (Print)

Свежий номер журнала

т. 23, вып. 3, март 2024

Другие номера журнала