XIV Міжнародна наукова інтернет-конференція ADVANCED TECHNOLOGIES OF SCIENCE AND EDUCATION

Русский English




Научные конференции Наукові конференції

Ролик Т.Ю., к.т.н., доц. Ніколаєнко В.Л. ПЕРЕВАГИ КЛАСТЕРНОГО АНАЛІЗУ ЯК МЕТОДУ СТАТИСТИЧНОГО МОДЕЛЮВАННЯ ДЛЯ ВІДБОРУ ПЛАТНИКІВ ПОДАТКІВ

Ролик Т.Ю., к.т.н., доц. Ніколаєнко В.Л.

АДІ ДВНЗ «ДонНТУ»

ПЕРЕВАГИ КЛАСТЕРНОГО АНАЛІЗУ ЯК МЕТОДУ СТАТИСТИЧНОГО МОДЕЛЮВАННЯ ДЛЯ ВІДБОРУ ПЛАТНИКІВ ПОДАТКІВ

Проблема підвищення ефективності системі податкового контролю є актуальною як в Україні, так і за кордоном. В Україні ця проблема взагалі стоїть особливо гостро. З одного боку, масштабного характеру набули ухилення платників податків від виконання податкових зобов'язань. З другого, технології податкового контролю ї недостатньо досконалими, бо більш ніж однієї третьої виїзних податкових перевірок виявляються не результативними. Одним зі способів підвищення податкової контрольної роботи є ефективний відбір платників податків для виїзних перевірок.

Сучасні принципи відбору платників податків для виїзних податкових перевірок в Україні в основному ґрунтуються на експертно-евристичних методах. Проте можливості такого підходу вельми обмежені в сучасних умовах, що зумовлює роль суб'єктивного чинника. Зв'язку з цим витікає необхідність використання нових методів та підходів до відбору платників податків для виїзних перевірок, зокрема математичного моделювання.

Питаннями моделювання відбору платників податків присвячені роботи як зарубіжних, так і вітчизняних науковців: А. Сандмо, Ч. Колфелтера, А. Вітте, Д. Вудбері, В. Пружанського, Л. Уайлда, М. Мареллі, А. Лаффера, В. Мірабо, Т.Г. Ськоріка, А.А. Васіна, О.І. Панової, Г.І. Букаєва. Проте у більшості робіт цих авторів розкриваються лише теоретичні аспекти. Тому проблема відбору платників податків залишається недостатньо розвиненою.

Задачами ефективного математичного моделювання процесу відбору платників податків є наступні:

•-                     скорочення трудомісткості аналітичної роботи при відборі платників податків;

•-                     автоматизація податкових перевірок на базі математичної моделі;

•-                     використання більш повної інформації про платників податків при плануванні контролю та зменшення ймовірності похибки в розрахунках;

•-                     зниження ризику корумпованості робітників податкових органів та  вірогідності прийняття суб'єктивних рішень;

•-                     зниження кількості проведення вищими органами перевірок щодо адекватності відбору;

•-                     створення умов для подальшої автоматизації контрольної роботи податкових органів.

Для вирішення цих задач потрібно вибрати відповідний механізм математичного моделювання. Адже  метою математичного моделювання економічних систем є використання методів математики для найбільш ефективного рішення завдань, що виникають у сфері економіки.

Відбір платників податків являє собою збір статистичних даних про платників та розділення їхньої статистичної сукупності за найбільш значущими ознаками на деякі визначені класи, наприклад, за категоріями уваги на «Добросовісних платників», «Платників податків помірного ризику», «Платників податків високого ризику», «Платників податків високого ризику з ознаками шахрайства» (Наказ Державної податкової адміністрації України "Про затвердження Порядку розподілу платників податків за категоріями уваги до їх супроводу" (N 471 від 12.08.2004 р.)). Такий процес і є кластеризацію.

Головне призначення кластерного аналізу - розбиття безлічі досліджуваних об'єктів і ознак на однорідні у відповідному розумінні групи або кластери. Це означає, що задача класифікації даних і виявлення відповідної структури в ній має розв'язання [3].

Виділяють дві групи методів кластерного аналізу: ієрархічні танеієрархічні. Ієрархічні методи припускають послідовне об'єднання об'єктів в кластери за ступенем їх близькості один до одного або, навпаки, послідовне розбиття сукупності об'єктів на все більш дрібні кластери. В цьому випадку кластерне рішення є ієрархічною структурою вкладених один в одного кластерів. Неієрархічні методи дозволяють знаходити й ідентифікувати "згущування" об'єктів у просторі змінних.

Методи кластерного аналізу дозволяють вирішувати наступні задачі [2]:

•-               розбиття вихідної сукупності об'єктів на порівняно невелику кількість областей групування (кластерів) так, щоб елементи одного кластера були максимально подібними між собою;

•-               виявлення структури сукупності досліджуваних об'єктів;

•-               визначення природного розшарування вихідних об'єктів на чітко виражені кластери, які розташовані на деякій відстані один від одного, і які розпадаються на так само віддалені одна від одної частини.

Необхідність використання кластерного аналізу для відбору платників податків пояснюється, перш за все, тим, що він дозволяє розглядати достатньо великий об'єм інформації і різко скорочувати великі масиви соціально-економічної інформації, робити їх компактними та наочними. Також за допомогою кластерного аналізу будуються науково обґрунтовані класифікації, виявляються внутрішні зв'язки між одиницями спостережуваної сукупності. Слід зазначити, що кластер ний аналіз, на відміну від більшості математико-статистичних методів, не накладає обмежень на вигляд даних об'єктів

Тому, якщо виконавши всі етапи алгоритму одного із методів кластерного аналізу та побудувавши дендограму для наочних результатів можна буде сміливо виділити відповідні кластери платників податків, тобто здійснити відбір платників для виїзних податкових перевірок.

Література:

1. Айвазян С. А., Степанов В.С. Инструменты статистического анализа данных. Мир ПК, №08 - М.: Издательство «Открытые системы», 1997 г.

2. Григору П.М. Багатомірне економіко - статистичне моделювання: Навч. Посібник для студентів вищих навчальних закладів. - Львів: "Новий Світ - 2000", 2006.-146с.

3. Murtagh, F., Multidimensional clustering algorithms, Compstat Lectures, Heidelberg: Physica-Verlag, 1985.


Залиште коментар!

Дозволено використання тегів:
<a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <code> <em> <i> <strike> <strong>