Содержание к диссертации
Введение
1. Проблемы и методы оценки достоверности сведений, предоставляемых налогоплательщиками в налоговые органы . 11
1.1. Постановка задачи оценки достоверности сведений и проблемы ее решения 11
1.2. Анализ существующих методов выбора налогоплательщиков для налогового контроля 17
1.2.1. Методы случайного отбора 18
1.2.2. Аналитические модели 20
1.2.3. Теоретико-игровые модели 25
1.2.4. Регрессионные, кластерные и другие вероятностно-статистические модели 36
1.3. Выводы по главе 1 53
2. Разработка гибридной модели анализа ДПС... 55
2.1. Содержательная формулировка задачи, исходные данные, предпосылки и допущения 55
2.2. Формальное описание гибридной модели 59
2.2.1. Общая схема модели 59
2.2.2. Преобразование исходных данных 62
2.2.3. Выбор метода кластеризации 65
2.2.4. Анализ положения объектов в пространстве признаков U робастными методами и оценка радиуса р в методе шаров ... 71
2.3. Формирование базы данных и экспериментальные расчеты модели 80
2.3.1. Формирование базы бухгалтерских балансов 80
2.3.2. Экспериментальные расчеты по модели 84
2.3.2.1 Эксперименты с программой Statistica 6.0 84
2.3.2.2 Этапы расчетов 87
2.3.2.3 Эксперименты с кластеризацией 88
2.3.2.4 Выявление подозрительных балансов с помощью уравнений множественной регрессии 90
2.3.2.5 Анализ результатов расчетов по модели 96
2.4. Выводы по главе 2 98
3. Возможности использования информации, предоставляемой в электронном виде, для развития методов оценки ДПС 100
3.1. Технология сдачи бухгалтерской и налоговой отчетности в электронном виде в России 100
3.2. Зарубежная практика сдачи отчетности в электронном виде . 123
3.3. Выводы по главе 3 132
Выводы по диссертации 134
Список используемой литературы
- Анализ существующих методов выбора налогоплательщиков для налогового контроля
- Регрессионные, кластерные и другие вероятностно-статистические модели
- Анализ положения объектов в пространстве признаков U робастными методами и оценка радиуса р в методе шаров
- Зарубежная практика сдачи отчетности в электронном виде
Введение к работе
Актуальность исследования: В настоящее время в России взят курс на либерализацию налогообложения: снижение ставок подоходного налога, налога на прибыль организаций, ЕСН, НДС. Ожидалось, что снижение налогового бремени уменьшит масштаб и количество уклонений от уплаты налогов. И хотя такой курс уже дал свои положительные результаты, масштаб уклонения от налогов еще велик, т.к. появляются новые способы ухода от налогов, связанные с использованием несовершенства законодательных норм, сокрытия объектов налогообложения с помощью посреднических фирм, дочерних компаний, кредиторов, поставщиков и потребителей продукции. Поэтому задача повышения эффективности контрольной работы налоговых органов, совершенствования используемых ими приемов и методов налоговых проверок, остается актуальной.
Важнейшим инструментом налогового контроля является проведение налоговых проверок в соответствии со статьей 87 Налогового кодекса РФ. Такие проверки являются важнейшей мерой по обеспечению собираемости налогов и поддержанию уровня налоговой дисциплины - так называемой законопослушности налогоплательщика (taxpayer compliance).
Анализ текущей результативности выездных налоговых проверок /106/ показывает следующее. В 1-м полугодии 2004 года налоговыми органами проведено 303,1 тыс. выездных проверок налогоплательщиков - организаций и 198,2 тыс. проверок физических лиц. Сумма доначисленных платежей по результатам выездных проверок составила 37,5 млрд руб. При этом сумма налоговых поступлений в консолидированный бюджет составила 890.9 млрд. рублей. Т.е. сумма доначисленных налоговых платежей по результатам выездных налоговых проверок составила 4.2% от общего поступления налогов.
И хотя, по информации отдельных УФНС России, результативность налоговых проверок доходит до 61% (Мурманская область), в целом по России этот показатель составляет порядка 43% /31/. Таким образом, прак тически половина проводимых проверок сейчас заканчивается без доначислений, что приводит к неоправданному использованию ограниченных людских и материальных ресурсов ФНС.
Одна из главных причин такого состояния дел - несовершенство способов выбора объектов налоговой проверки. В том числе, это обусловлено тем, что в настоящий момент отсутствует единая стандартизированная методика для определения объекта проверки, некоторые УФНС сами разрабатывают и используют методики автоматизированного анализа сведений о налогоплательщиках для выездных налоговых проверок. Применение таких методик уже сейчас дает плоды: в 2003 году примерно в 1,8 раза увеличилась эффективность налоговых проверок в Приморском крае /50/, что стало возможным благодаря применению новых методов и форм контрольной работы, основанных на использовании информационно-аналитических систем отбора налогоплательщиков для выездных проверок и выявления налоговых правонарушений. Можно обратиться к опыту Украины, в которой в 2002 году в связи с применением направленного выбора налогоплательщиков при значительном снижении числа проверок, размер поступлений вырос в 2 раза, а результативность выездных проверок составила 98% /51/.Тем не менее, наличие научно-разработанных стандартизированных методик отбора налогоплательщиков для налогового контроля могло бы повысить эффективность указанные результаты. Отсутствие к настоящему времени таких методик связано в первую очередь с молодостью современной российской налоговой системы и налогового контроля в условиях рыночных отношений. Иными словами, перед налоговыми органами сейчас стоит задача разработка инструментов правильного выбора объектов для проведения налоговых проверок на основе анализа факторов экономической деятельности налогоплательщиков, проверка которых могла бы принести наибольшие доначисления в бюджет при минимальных затратах рабочего времени и усилий специалистов налоговых органов на их проведение. Актуальность этой проблемы оценена и на государственном уровне. Так, еще в Постановлении Правительства Российской Федерации от 21 декабря 2001 г. № 888 «О федеральной целевой программе «развитие налоговых органов (2002 - 2004 годы)» отмечалось, что одной из основных целей развития налоговых органов является разработка методик отбора налогоплательщика для выездных проверок. Тем не менее, и до настоящего времени проблема отбора налогоплательщиков является недостаточно развитой и проработанной.
Актуальность рассматриваемой проблемы подтверждается и тем, что ФНС РФ объявило конкурс на разработку экономико-математических моделей, позволяющих отбирать налогоплательщиков для налогового контроля/36, 55/.
Это и обусловило основную цель научной работы и круг рассматриваемых в ней вопросов.
Степень разработанности проблемы: Вопросы, связанные с разработкой моделей предварительного отбора налогоплательщиков для налогового контроля были отражены в научных трудах А. Сандмо, Ч. Колфелтера, Дж. Дубина, А. Витте, Д. Вудбэри, В. Пружанского, Л. Уайлда, М. Марелли, Т.Г.Скорика, А.А. Васина, Е.И. Пановой, Г.И. Букаева. Анализ этих работ, подробно рассмотренных ниже, показал следующее:
• В большинстве работ рассматриваются модели, связанные с предварительным отбором физических лиц.
• Определяющим параметром в таких моделях в основном является вероятность проведения налоговой проверки, якобы известная налогоплательщикам.
• Большинство из этих работ носит больше теоретический, чем конструктивный характер.
• Исключение составляет работа, проделанная группой сотрудников под руководством Г.И. Букаева, которая основана на использовании эталонной базы правонарушителей.
Анализ этих работ также показал следующие возможные направления их развития:
• Разработка методики отбора объектов налогового контроля применительно к налогоплательщикам юридическим лицам, что обусловлено как различием сведений, предоставляемых физическими и юридическими лицами в налоговые органы, так и способами их уклонения от уплаты налогов.
• Разработка моделей, не использующих эталонную базу, содержащую сведения о налоговых правонарушителях. Разработка таких моделей представляется целесообразной, поскольку способы уклонения от налогов непрерывно эволюционируют.
• Разработка гибридной модели, использующей различные математические и статистические методы;
Использование в моделях помимо данных деклараций иных сведений о налогоплательщиках, доступных налоговым органам.
Цель и задача исследования состоит в разработке экономико-математической модели отбора объектов (налогоплательщиков - юридических лиц) налогового контроля, методики ее применения, а также в выработке требований к организации информационного обеспечения, необходимого для практической реализации предлагаемой модели. В соответствии с указанной целью в работе поставлены и решены следующие задачи:
• Проанализировать существующие методы и модели отбора налогоплательщиков для налогового контроля.
• Определить экономико-математические и статистические методы, необходимые для построения модели.
• Разработать модель отбора объектов налогового контроля, основанную на выбранных и обоснованных экономико-математических и статистических методах.
• Обосновать использование факторных переменных, которые используются в гибридной модели
• Разработать методику проведения эффективной кластеризации, элиминирующей эффект масштаба налогоплательщика.
• Разработать методику использования гибридной модели.
• Провести апробацию модели на реальных данных о финансовой деятельности налогоплательщиков.
Объектом исследования является деятельности структурных подразделений налоговых органов, осуществляющие налоговый контроль.
Предметом исследования методология и экономико-математический инструментарий отбора объектов налогового контроля.
Методологическую основу исследования составили приложения методологии научного познания и системного анализа в прикладных направлениях экономической теории, экономики предприятий, математической статистики и математического анализа.
В работе использовались научные публикации, материалы научно практических конференций по проблемам налогового контроля, а также публикации в профессиональных экономических изданиях, нормативные акты, информация, представленная в Интернет и обладающая высокой степенью надежности (данные ФСФР РФ и т.д.).
Теоретической основной исследования являются труды зарубежных и отечественных ученых А. Аллигхэма, А. Сандмо, С.А. Айвазяна, Д.Г.Черника, Бережной Е.В., А. М. Длин, В. Плюта, Г.И. Букаева, В.Н. Та-машевича и других. Правовую базу составили нормативные акты Российской Федерации, ФНС РФ, Минфина РФ.
В качестве источника статистической информации использовалась самостоятельно разработанная база данных на основе данных БД ФСФР РФ.
В работе использованы программные средства Microsoft Excel, Microsoft Access, Statistica 6.0.
Содержание работы соответствует положениям пункта 2.2 паспорта специальности 08.00.13 - Математические и инструментальные методы в экономике.
Научная новизна состоит в том, что:
• Разработана научно обоснованная гибридная модель отбора объектов налогового контроля, использующая последовательно методы робастного, кластерного и регрессионного анализа.
• Разработана методика использования данных бухгалтерской отчетности в разработанной гибридной модели.
• Разработан способ нормирования показателей бухгалтерской отчетности предприятий, позволяющий элиминировать эффект размера предприятия при проведении расчетов.
• Разработана методика выбора значений управляющих параметров гибридной модели, в том числе с использованием критерия Титьена-Мура.
Практическая значимость диссертационной работы заключается в том, что ее основные положения, результаты, разработанные методики и рекомендации ориентированы на широкое практическое использование предприятиями с целью совершенствования выбора объектов налогового контроля. Самостоятельное практическое значение имеют:
• гибридная модель отбора объектов налогового контроля;
• рекомендации и методика по практическому использованию модели.
Апробация и внедрение результатов: Результаты исследования обсуждены на научно-практических семинарах и научно-практических конференция Финансовой академии. Результаты исследования прошли апробацию в Комитете по налогам и бюджету Российского союза промышленников и предпринимателей. Научные результаты исследования используются в учебном процессе кафедрами "Налогов и налогообложения" и "Информационных технологий" при чтении лекций и проведении семинарских занятий по дисципли нам «Информационные системы в экономике», «Организация и методика налоговых проверок».
Публикации; Общий объем авторских публикаций по теме диссертации составляет 6,1 п. л. (авторский объем 5,4 п.л.)
Структура и содержание работы обусловлены логикой, целью и задачами проведенного исследования Работа включает введение, три главы, заключение, список литературы, состоящий из 107 наименований, и трех Приложений.
Анализ существующих методов выбора налогоплательщиков для налогового контроля
В рекомендациях ОЕСЭР /58/ предлагается следующая классификация методов отбора налогоплательщиков для налогового контроля: 1. Выбор налогоплательщиков случайным образом. 2. Выбор на основе анализа динамики показателей в налоговых декларациях. 3. Выбор путем анализа взаимосвязи финансовых показателей, рассчитанных на основе сведений, предоставляемых налогоплательщиками. 4. Иные методы.
В качестве другой системы классификации может быть положена методология, принятая в экономико-математических моделях выбора объектов контроля. В этом случае могут быть выделены модели следующих типов:
1. Аналитические модели. К этим моделям, в частности относятся, методы 2 и 3 в приведенной выше классификации ОЕЭСР. К этому классу также могут быть отнесены так называемые скоринговые (дискриминантные) модели, рассмотренные далее. 2. Вероятностно-статистические модели, в том числе регрессионные модели. 3. Теоритико-игровые модели. 4. Кластерные (стратификационные) модели. 5. Гибридные (смешанные) модели.
Примером такого метода может служить упомянутая выше Программа измерения законопослушности налогоплательщиков - Taxpayer Compliance Measurement Program - TCMP, реализуемая СВД США /94/. При ее реализации случайный отбор производится в следующих группах однородных налогоплательщиков, сформированных СВД США по юридическому статусу: частные предприниматели; малые корпорации с активами менее 10 млн. дол.; малые предприятия; товарищества1.
Из этих групп налогоплательщики отбираются по одному из следующих признаков: по типу предоставляемой декларации; по размеру дохода; по размеру активов.
Конкретный признак выборки может меняться из года в год, например в 1994 году СВД использовала признак принадлежности налогоплательщика к определенному сегменту рынка. Под рыночным сегментом понималась совокупность налогоплательщиков со сходными характеристиками, например участие в производственной сфере. СВД определило 23 сегмента рынка для организаций, 4 сегмента для физических лиц и один для иностранных налогоплательщиков. В настоящее время считается, что именно разделение налогоплательщиков по рыночным сегментам дает наиболее точную информацию о неблагоприятных тенденциях.
Одним из самых распространенных критериев отбора является случайный отбор среди крупных налогоплательщиков. Так, согласно /29/ в 1995 году в США было проверено 52% из 7 000 крупнейших корпораций с активами более 250 млн. долл., в то время как общая доля проверенных налогоплательщиков составляла только 2 %. При этом, хотя доля проверок крупных корпораций составила 7% от общего числа проверок, размер доначислений по этим корпорациям составил 84% всех доначислений.
Следует отметить, что результаты налоговых проверок, выполняемых по программе ТСМР, широко публикуются в США и используются в качестве исходных данных в различных моделях направленного отбора, для их верификации и сопоставления. Подобная информации в России считается закрытой и потому недоступна для научного анализа.
В Канаде ежегодно проверяется 200 самых крупных корпораций и еще порядка 6 000 налогоплательщиков, взаимосвязанных с этими корпорациями. Кроме того, ежегодно проверяется 30-40% иных налогоплательщиков с годовым оборотом 15 млн. канадских долларов, что приносит налоговой службе 57 % всех доначислений.
Аналогичная система проверок используется в большинстве развивающихся стран. Следует, однако, отметить, что ориентация в основном на про-верку крупных корпораций снижает налоговую дисциплину среди более мелких налогоплательщиков. С учетом того, что в развитых странах доля малого бизнеса составляет 25-30% от ВВП, такая стратегия проверок со временем может привести к очень ощутимыми налоговым потерям.
Следствием случайного отбора налогоплательщиков является низкое абсолютное значение дополнительных доначислений по результатам проверок, что является основным недостатком таких методов. Так, согласно /29/ в США при случайном отборе налогоплательщиков доначисления в среднем составляют 289 долларов на одну налоговую проверку, в то время как при применении моделей направленного отбора - 5,5 тысяч долларов. Эти данные свидетельствуют, что при случайном отборе проверяется большое количество законопослушных налогоплательщиков. В соответствии с этим в Рекомендациях ОЕЭСР /58/ отмечается, что использование данного метода обуславливает возникновение дополнительного бремени на законопослушных налогоплательщиков за счет отвлечения части их ресурсов во время проведения налогового контроля. Например, в /30/ указывается, что дополнительные затраты налогоплательщика, связанные с проведением у него налоговой проверки составили около 1 млн. рублей.
При использовании случайного отбора налогоплательщиков обычно также повышается трудоемкость налогового контроля в целом и соответственно его стоимость. Это объясняется, в том числе, тем, что применяется двухэтапная процедура отбора объектов контроля. На первом этапе налогоплательщики отбираются с помощью компьютера чисто случайным образом с некоторым запасом. На втором этапе это множество сужается с помощью аудита данных, содержащихся в налоговых деклараций налогоплательщиков, отобранных на первом этапе. Данный аудит проводится специалистами высокого класса, что и обуславливает дополнительные затраты.
Регрессионные, кластерные и другие вероятностно-статистические модели
Стратификационные модели, которые подразделяются бинарные и регрессионные модели, основываются на анализе специфических признаков, отражающих возможные причины сокрытия от налогов, причем совокупность этих признаков может изменяться, например, в зависимости от законодательства или экономической ситуации в стране. Согласно этим моделям вероятность доначисления налогов по результатам проверки налогоплательщика определяется по формуле: вероятность доначислений =F( ( х&,); S(ot, 1 (1-26) в которой F — некоторая функция суммы, осі - вес /-го признака, a xt - специфический признак, формируемый по данным декларации, если по этому признаку декларация может быть принята как «подозрительная». В зависимости от вида признака он может принимать значения 0 или 1 (признак присутствует/отсутствует) или количественное значение, взятое из декларации (например сумма дохода) или рассчитанное на основе декларации (например эффективная ставка налога, т.е. отношение суммы налога к сумме дохода).
На практике могут использоваться следующие специфические признаки /29/: фиктивная переменная, равная 1, если отношение валовых поступлений от реализации к себестоимости реализованных товаров оказывается в пределах первого квартиля; фиктивная переменная, равная 1, если отношение доходов к расходам по внереализационным операциям ниже 65-го процентиля среди всех предприятий этой категории; фиктивная переменная, равная 1, если отношение вычетов из валовой прибыли к сумме валовой прибыли превышает 90-й процентиль по промышленной группе.
Наибольшее распространение на практике среди бинарных моделей получили модели типаprobit и logit. Признак , в них принимает значения 0 или 1, а а,— вероятность того, что признак имеет значение 1. Модели probit и logit различаются тем, что в модели logit в качестве F используется логистическая, а в probit — нормальная функция. Данные модели позволяют оценить вероятность того, что проверка данного налогоплательщика будет результативной, а именно принесет дополнительные доначисления в бюджет. В соответствии с вышесказанным, математическая формула модели logit имеет вид:
Вероятность доначислений=ехр (АтХ)/[ 1 +ехр(ЛтХ)] (1-27) где X= (xiyX2,...xn) - вектор специфических признаков (моделируемых переменных); А=(а\, а2,.... а„) - вектор фиксированных коэффициентов; Т- знак транспонирования.
Значения коэффициентов получаются в результате статистической оценки модели по данным о предприятиях, для которых помимо сведений из деклараций имеются данные результатов проверок. Данный подход использовался, например, в работе /78/, исходные данные для которой были получены в результате моделирования следующей игровой ситуации. Были сформированы три группы налогоплательщиков, соответственно состоящие из преподавателей, студентов и учеников, каждая из которых представляла некоторый класс налогоплательщиков. Каждый игрок также характеризовался набором таких переменных, как страна, занятость, возраст, пол. Из двух пачек X и Y конвертов с некоторыми значениями доходов всем игрокам предлагалось выбрать по конверту и задекларировать свой доход. При этом игроку было известно, что вероятность обнаружения уклонения от налога равна при выборе конверта из пачки Xи равнар \ при выборе из пачки Y. Игроки нацеливались на максимизацию своего чистого дохода.
По результатам эксперимента были оценены коэффициенты (векторы Ву, Be) логит моделей, в которых объясняющими переменными X служили страна, занятость, возраст, пол игроков, и вычислены следующие три вероятности: Рпх - выбора конверта из набора Х; Priye - выбора конверта из набора Y и уклонения от уплаты налога; Рпус - выбора конверта из набора Г и декларирования реального дохода. Каждая из этих вероятностей вычислялась по следующим уравнениям: Prix= ехр(ХтВу)}/{1+ехр(ХтВе) + ехр(ХтВу)} (1.28) Рпуе = ехр(ХтВе)}/{ 1 +ехр(ХтВе) + ехр(ХтВУ)} (1.29) Рпус = 1/{1+ехр(ХтВе) + ехр(ХтВу)} (1.30) На основе данной модели были сделаны следующие выводы: Вероятность выбора из набора Y не зависит от вероятности проверки Р\ При выборе из набора X подавляюще большинство не уклонялось от налога, хотя, как это ни странно, и в этом случае уклонения имелись; Законопослушность увеличивается с ростом вероятности проверки/?. Недостатком бинарных моделей является то, что они моделируют только вероятность положительного результата документальной проверки, не позволяя оценить размеры уклонения.
Анализ положения объектов в пространстве признаков U робастными методами и оценка радиуса р в методе шаров
Обозначим Q{1) исходное множество объектов, подлежащих разбиению на классы. На рисунке начальное множество Q(\) представлено точками Т1-Т5, соответственно с координатами (иі,і;мі,2)-(м5 ь"5 2)- Алгоритм решения задачи является итерационным, при этом на первой итерации рассматривается все множество объектов Q(l). На каждой к-ой, к=\, 2... итерации некоторое ненулевое количество объектов относится к k-y классу, и эти объекты исключаются из дальнейшего рассмотрения. Т.о. на каждой итерации множест во Q(k) рассматриваемых объектов сокращается и при этом Q(k+l)GQ(k). Кластеризация заканчивается, когда множество Q(k+l) оказывается пустым.
Параметром, управляющим процессом кластеризации, служит задаваемый пользователем радиус шара р в и-мерном пространстве. Значением р определяется требуемая степень близости объектов, относимых к одному классу (способ выбора р описывается чуть ниже).
Каждая к-я итерация алгоритма состоит из следующих действий:
1. Для каждой точки TmeQ{k), строится шар (Т р) с центром в Тт и радиусом р. Для каждого такого шара с помощью принятой метрики dmj оп ределяется множество Qm(k) содержащихся в нем объектов (точек), т.е. мно жество объектов TjeQ(k), для которых выполняется условие dmj p. Множест во Qm(k) кратко описывается следующим образом: Qm(k)={TjeQ{k) : d p} (2.9)
2. Пусть Lm(k) обозначает количество объектов, содержащихся в каждом множестве Qm(k), т.е. в каждом шаре 5(Тт;р), a L{k) - наибольшее значение Lm(k), т.е. I,(A:)=maxOTLOT(A:). Значение т, при котором достигается максимум Lm(k), обозначим т и тогда Lm (ky=L(k), а соответствующий объект обозна чим Тт . Если максимальное значение ЦК) достигается при нескольких зна чениях т (для нескольких объектов Tw), то в качестве т принимается объект (точка), имеющий наибольшее значение L(k) и наименьшее расстояние R0 от начала координат. Если и таких объектов несколько, то в качестве Тт при нимается тот из них, который имеет наименьший номер т.
На рис. 2.1 аналогом шаров на плоскости служат круги, и из рисунка видно, что в круге с центром в Т4 содержится 3 точки, в кругах с центрами ТІ, Т5 - по две точки, а в остальных кругах по одной точке. Таким образом Д1)=3;т =4иТот =Т4.
3. Множество объектов, лежащих внутри шара с центром в Тт (вклю чая Тт ) обозначим Qm (k), и объекты, входящие в это множество составляют класс к. Таким образом, в соответствии с рис. 2Л к классу 1 будут отнесены объекты, обозначенные точками ТІ, Т4, Т5.
4. Объекты, вошедшие в Qm (k), из дальнейшего рассмотрения исключаются, т.е. строится множество Q(k+\)=Q(k)\Qm (k), после чего с множеством ?(+1) повторяются действия 1-4. Для рис. 2.1 множество Q(2) составят точки Т2, ТЗ, которые на второй итерации будут отнесены к классу 2 и на этом процесс кластеризации закончится.
Из описания метода шаров вытекает наличие следующих его свойств: 1. Разбиение на классы существенно зависит от задаваемого пользователем значения р и однозначно определяется этим значением. 2. Количество объектов в классе с большим номером не превосходит количества объектов в классе с меньшим номером.
Отметим, что кластеризация методом шаров не реализована ни в пакете Statistica ни в Excel (в которой вообще отсутствуют средства кластеризации). Поэтому для проведения расчетов программа, реализующая метод шаров, была создана в виде процедуры Excel, написанной на VBA (Приложение №
Существующие способы определения радиуса шаров р. Уже указывалось, что выбор значения р решающим образом влияет на результаты кластеризации. В /25/ рекомендуются следующие два способа выбора р, основанные на использовании матрицы D{dmn}r) т, «=1,...,М расстояний между всеми объектами.
1. Способ 1: p=max„(minOT dmn) (2.10) Представляется, что данный способ вычисления значения р может сильно занизить его значение, что в свою очередь приведет к необоснованно завышенному количеству классов. Действительно, если в каждой строке матрицы имеется хотя бы пара близко расположенных объектов, то все значения minm „ dmn будут малы, а значит будет мало и р. Этот вывод подтверждается и приведенными далее оценками р и расчетам, описанными в разд. 2.3.2..
2. Способ 2. В этом случае сначала для каждого объекта п определяется значение dn, равное минимальному из расстояний dmn от этого объекта до всех остальных, т.е.
Зарубежная практика сдачи отчетности в электронном виде
Далее в данной работе, мы рассмотрим зарубежный опыт по внедрению технологии сдачи отчетности в электронном виде. Здесь мы приведем опыт США, как наиболее яркий пример. Следует отметить, что схема по предоставлению отчетности в электронном виде, используемая в других развитых странах, например в Канаде, в основных моментах мало отличается от пра-китки США.
В США налоговым контролем занимается Служба внутренних доходов (Internal Revenue Service). Для СВД США обработка, прием и анализ налого вых деклараций представляет собой огромные затраты. Чтобы понять масштабы представляемой налоговой информации, приведем данные о количестве налогоплательщиков в США. Количество физических лиц, являющихся налогоплательщиками составляет 116 млн., частных предпринимателей и малых предприятий (под малым предприятием понимается организация, активы которой не превышают 5 млн. дол.) - 45 млн., средние и крупные предприятия 210 тысяч, освобожденные от налогов и государственные предприятия -2.4 млн4. Таким образом, получается около 163.7 млн. налогоплательщиков, которые представляют налоговые декларации. Для создания более эффективных взаимоотношений между налогоплательщиками и СВД было принято решение о создании программы по внедрению новых информационных технологий в сфере налоговых отношений. Так появился термин «электронное налоговое администрирование — ЭНА» (Electronic Tax Administration - ETA). Под ЭНА подразумевается комплекс мер, направленных на создание систем и инфраструктуры по обработке и приему налоговых деклараций в электронном виде, по оплате и приему налоговых платежей через телекоммуникационные каналы и т.п.
В данный момент СВД реализует два направления по представлению деклараций в электронном виде: для физических лиц (Individual IRS e-file program) и юридических лиц( Business IRS e-file program). Первый «пилотный» проект по предоставлению отчетности в электронном виде начался в 1986 году, тогда было представлено 25 000 деклараций физических лиц для возврата подоходного налога, но сами декларации в электронном виде предоставляли не физические лица, а фирмы, специализирующиеся на подготовке деклараций. К 1990 году возможность представлять декларацию в электронном виде получили все желающие на всей территории США. В 1988 году юридические лица могли предоставлять декларации по налогу на прибыль. В 1992 введена система TeleFile, которая позволяет заполнять декларацию для физических лиц через телефон в тоновом режиме, такая же возможность для малых предприятий появилась в 1997. В 1994 году введена система заполнения деклараций в он-лайн режиме.
Для более ускоренного развития электронного налогового администрирования в 1998 году была принята программа «Strategy for growth» (Стратегия роста), основной целью этой программы является достижение к 2007 году восьмедесятипроцентного порога по заполнению налоговых деклараций в электронном виде/100/.
Промежуточной целью является достижение такой ситуации, при которой все декларации, заполненные в электронной форме, должны собираться и приниматься СВД в электронном виде.
В программе по представлению деклараций в электронном виде участвуют следующие виды субъектов: СВД, налогоплательщики, провайдеры.
Провайдер (Authorized IRS e-file Provider ) это организация, получившая разрешение СВД участвовать в программе e-file. Провайдером может быть любо предприятие: товарищество, акционерное общество, корпорация. Провайдер подает заявление на участие в программе, после положительного ответа он получает Electronic Filing Identification Number (EFIN) - электронный идентификационный файловый номер и сертификат(верительная грамота) на право участвовать в Программе. # СВД вправе отказать в участии в Программе по следующим причинам (список не является закрытым): Лицо было признано виновным в нарушении налогового законодательства США. При несвоевременной подачи налоговых деклараций, даже если обязанность по уплате налога не возникала. Несвоевременная уплата налогов. Наличие штрафов. Лицо понесло наказание в виде временного отстранения от должности, либо лишения права занимать определенную должность. Дискредитирующее поведение или другие действия, которые могли бы неблагоприятно повлиять на Программу. Предоставление недостоверных данных при подаче заявления на уча Ф стие в Программе. Временное отстранение участия или отказа от участия в Программе в предыдущем году. Неэтичные методы в подготовке деклараций. Принятие деклараций до получения разрешения СВД. Использование с прямым или косвенным умыслом услуг от организа ций или физических лиц, которым запрещено участвовать в программе.
Провайдеры подразделяются на следующие категории: ERO (electronic tax originator), Transmitters (Рассыльный), Intermediate Service Providers (Посредник), Software Developers (Разработчики приложений). О каждом участнике мы расскажем более подробно ниже. Если кратко, то ERO - это те кто заполняет декларации. Сервис-провайдер помогает обрабатывать информа-цию из налоговых деклараций между ERO и Рыссыльным. Рассыльный отсылает данные электронных деклараций в СВД.
