Содержание к диссертации
Введение
1 Система поддержки принятия решений для управления качеством работы налоговых органов: методическое и алгоритмическое обеспечение 10
1.1 Организация деятельности налоговых органов Российской Федерации 10
1.2 Анализ существующих методик и показателей, используемых для оценки качества работы налоговых органов
1.3 Предлагаемая методика для оценки качества и эффективности работы налоговых органов 25
1.4 Критерии выбора алгоритма кластерного анализа (автоматической классификации) 30
2 Проектирование и разработка СППР для управления качеством работы налоговых органов 40
2.1 Проектирование СППР для управления качества работы налоговых органов 40
2.2 Сравнение технологий построения современных распределенных систем 49
2.3 Особенности программной реализации СППР для управления качеством работы налоговых органов 55
2.4 Обеспечение информационной безопасности в СППР для управления качеством работы налоговых органов 60
3 Исследование СППР для управления качеством работы налоговых органов 66
3.1 Критерии выбора СУБД для подсистемы хранения данных в СППР для управления качеством работы налоговых органов 66
3.2 Планирование и реализация экстремальных экспериментов для оценки времени выполнения основных функциональных операций СППР для управления качеством работы налоговых органов 75
3.3 Оценка СППР для управления качеством работы налоговых органов 86
3.4 Автоматизация проведения экспертных исследований 95
3.5 Последовательность шагов при использовании СППР для управления качеством работы налоговых органов 98
Заключение 109
Библиографический список использованных источников 112
Приложения 119
Приложение А. Пример расчета рейтинга налоговых органов 120
Приложение Б. Фрагменты кода информационной системы 131
- Анализ существующих методик и показателей, используемых для оценки качества работы налоговых органов
- Критерии выбора алгоритма кластерного анализа (автоматической классификации)
- Сравнение технологий построения современных распределенных систем
- Оценка СППР для управления качеством работы налоговых органов
Введение к работе
В современных условиях развития российской экономики особо актуальной задачей является максимальное наполнение государственного бюджета, основным источником формирования которого являются налоги. Состояние доходной части бюджета зависит от трех составляющих. Первая из них - состояние налоговой базы, т.е. общая ситуация в экономике. Вторая - налоговая система страны. Третья составляющая — это организация и эффективность функционирования налоговой службы государства.
Налоговыми органами (НО) выполняется значительный объем работ в соответствии с законами и нормативными актами Российской Федерации. Основным звеном Федеральной налоговой службы (ФНС), имеющим непосредственные контакты с налогоплательщиками, являются районные налоговые инспекции. Успешность функционирования всей налоговой системы во многом зависит от качества и эффективности работы налоговых органов этого уровня.
Таким образом, получение своевременной объективной информации о результатах функционирования районной налоговой инспекции - важная актуальная задача для Федеральной налоговой службы Российской Федерации.
Степень изученности исследуемой проблемы. В настоящее время предложено несколько различных подходов для оценки качества и эффективности работы налоговых органов. Используемые в настоящее время методики оценки качества и эффективности работы налоговой службы и оценочные показатели имеют существенные недостатки. Главные из них - это субъективизм, низкая достоверность исходной информации и, как следствие, низкое качество результатов оценки, закрытость, большие трудозатраты на реализацию и т.д.
За последние несколько лет появился ряд работ ученых и специалистов-практиков - С.Н. Алехина, Е.В. Бушмина, В.В. Глухова, Ю.Д. Джа-мурзаева, А.В. Захарова, Ю.С. Зерщикова, Г.Н. Карташовой, В.А. Кашина, В.П. Морозова, К.И. Оганян, В.Г. Панскова, А.Б. Паскачева, А.П. Починка, В.К. Реша, Л.Н. Хашиевой, Д.Г. Черника, С.Д. Шаталова, А.Т Щербинина, С.С. Штарева, в которых рассматриваются различные аспекты деятельности налоговых органов. Тем не менее, многие проблемы оценки деятельности налоговых органов изучены недостаточно и в современных условиях также требуют дальнейшего исследования, что и обусловило выбор темы диссертационного исследования, предопределили его цель, задачи и структуру.
Объектом исследования выступает единая система налоговых органов Федеральной налоговой службы Российской Федерации и ее подразделения, в том числе районные налоговые инспекции.
Предметом исследования являются информационные процессы в системе управления качеством работы налоговых органов.
Целью диссертационного исследования являются разработка и исследование системы поддержки принятия решений для управления качеством работы налоговых органов.
Для достижения поставленной цели необходимо решить следующие задачи:
- провести анализ существующих методик и систем показателей, используемых для оценки качества и эффективности функционирования налоговых органов. Выявить их достоинства и недостатки. Определить перечень требований к существующим и разрабатываемым методикам;
- с использованием унифицированного языка моделирования UML разработать объектно-ориентированную модель проектируемой информационной системы;
- провести сравнительный анализ и выбор технологии построения системы поддержки принятия решений для управления качеством работы налоговых органов;
- реализовать информационную систему на основании разработанной UML-модели и выбранной технологии;
- провести исследование и оценку характеристик качества созданной информационной системы с использованием методов экстремальных экспериментов и экспертных опросов.
Инструментарий исследования составили методы научного познания - наблюдения, сравнения, математической статистики, системного анализа, теория баз данных, теория графов, методы планирования экстремальных экспериментов, методы формализованного анализа информационных характеристик, унифицированный язык моделирования UML, а также современное программное обеспечение общего и специального назначения: Microsoft Windows 2000 Professional, Linux, Microsoft Excel, СУБД Oracle 81, СУБД MySQL 4.1, Java 2 Software Development Kit, Java 2 Enterprise Edition, JBoss 3.2, Apache Jakarta Tomcat 4.1, Apache JMeter 2.0.2.
Теоретическая база исследования послужили труды ведущих отечественных и зарубежных авторов, посвященные рассматриваемой проблеме, а также вопросам автоматизации управленческой деятельности, методам математической статистики, методам структурного и объектно-ориентированного анализа предметной области, законодательные и нормативные акты, инструктивные материалы, материалы научных конференций и публикации в периодической печати.
Эмпирической базой исследования явились данные, собранные в ходе активных и пассивных экспериментов, отчетно-аналитические материалы районных налоговых органов.
Работа выполнена в рамках паспорта специальности 08.00.13 — «Математические и инструментальные методы экономики» п.2.3 «Разработка систем поддержки принятия решений для рационализации организационных структур и оптимизации управления экономикой на всех уровнях» и п.2.6 «Развитие теоретических основ, методологии и инструментария проектирования, разработки и сопровождения информационных систем субъектов экономической деятельности: методы формализованного представления предметной области, программные средства, базы данных, корпоративные хранилища данных, базы знаний, коммуникационные технологии». Научная новизна результатов исследования и положения, выносимые на защиту. Элементы новизны содержат следующие результаты:
1. Построена модель информационных процессов системы управления качеством работы налоговых органов с использованием унифицированного языка моделирования UML: диаграмма прецедентов для описания функционального назначения системы, диаграмма классов для моделирования статического вида системы; диаграмма кооперации для моделирования динамики системы и диаграмма развертывания. Построенная модель позволяет: визуализировать систему в ее желательном состоянии, описать ее компоненты и связи между ними, обеспечить снижение трудозатрат на модификацию (сопровождение) системы с учетом изменяющихся условий.
2. Обоснован выбор инструментария и технологии создания системы поддержки принятия решений (СППР) для управления качеством работы налоговых органов. Выбранный инструментарий позволил за счет использования свободно распространяемых программных средств существенно снизить капитальные (единовременные) затраты на реализацию и внедрение системы с учетом одновременного сохранения требуемого уровня быстродействия и защищенности.
3. Реализована СППР для управления качеством работы налоговых органов, которая позволяет:
- осуществлять сбор значений исходных показателей с использованием сети Internet по защищенным каналам передачи данных;
- рассчитывать рейтинг по любому выбранному подмножеству показателей;
- модифицировать и расширять систему, в том числе изменять состав показателей;
- осуществлять автоматическую классификацию сравниваемых объектов на основе любых выбранных показателей;
- осуществлять автоматическую классификацию регионов Российской Федерации по выбранным показателям, характеризующим результативность или условия их деятельности, и визуализировать полученные результаты с использованием элементов геоинформационных систем;
- администрировать информационную систему с помощью разработанного web-интерфейса.
4. Построены с использованием методов планирования экстремальных экспериментов статистически значимые регрессионные модели, позволяющие оценивать затраты времени на выполнение основных функциональных операций в зависимости от состава аппаратного обеспечения.
Практическая ценность результатов исследования. Использование системы поддержки принятия решений для управлении качеством работы налоговых органов позволяет выявлять узкие места в работе районных налоговых органов, проводить сравнительный анализ качества их работы, повысить оперативность принятия решений при управлении районными налоговыми инспекциями. При использовании разработанного методического и информационного обеспечения у налоговых органов появляется возможность более рационально распределять имеющиеся ресурсы и более достоверно оценивать эффективность реализации отдельных альтернатив, добиваясь повышения своего рейтинга.
Результаты, полученные в ходе активных экспериментов, могут быть использованы при выборе СУБД в качестве хранилища данных в информационных системах с применением многоуровневой архитектуры.
В диссертации представлены документы, подтверждающие прикладную полезность результатов исследования.
Апробация работы. Основные положения диссертационного исследования докладывались и обсуждались на следующих конференциях и симпозиумах: VII Международная научно-практическая конференция «Экономико-организационные проблемы проектирования и применения информационных систем» (Ростов-на-Дону, 2003г.); VI Всероссийский симпозиум «Математическое моделирование и компьютерные технологии» (Кисловодск, 2004г.); IV Международная конференция «Новые технологии в управлении, бизнесе и праве» (Невинномысск, 2004г.); I Международная научно-практическая конференция «Научный потенциал мира 2004» (Днепропетровск, 2004г.).
Результаты исследования использованы в типовом прикладном программном обеспечении: «Система поддержки принятия решений для управления качеством работы налоговых органов» (№2004612476, РОСПАТЕНТ).
По результатам диссертационного исследования опубликовано 5 печатных работ объемом 1,0 п.л.
Структура диссертационного исследования определена целью и задачами данной работы и состоит из введения, трех глав, заключения, списка использованной литературы, 2 приложений, 16 таблиц, 21 рисунка.
Анализ существующих методик и показателей, используемых для оценки качества работы налоговых органов
Совершенствование налоговой системы требует углубленного экономического анализа, в частности с позиции концептуального осмысления критериев эффективного функционирования налоговой службы. Одной из главных задач, стоящих перед налоговыми органами, является повышение эффективности работы по основным направлениям деятельности и консолидация усилий на выполнение бюджетных назначений.
В настоящее время действует методика оценки эффективности работы территориальных налоговых органов, использующая в качестве критерия сумму баллов по ряду показателей. На практике в основном используются количественные и качественные показатели, характеризующие организацию контрольной работы (содержащиеся в отчете формы № 2-НК) [28]. Выбор показателей может быть достаточно широк и разнообразен. Как правило, используются: количество документально проверенных юридических лиц или проверенных на месте физических лиц; сумма доначисленных налогов и штрафных санкций; процент взысканных платежей к общей сумме доначислений; доля доначислений к общей сумме поступивших налогов и платежей и др. Сопоставление количественных и качественных показателей между инспекциями позволяет достаточно объективно оценить уровень организации контрольной работы за определенный период, акцентировать внимание на узких местах и нацелить коллективы налоговых органов на их решение. При этом одним из приоритетных показателей оценки деятельности работы налогового органа является количество документальных проверок, приходящихся на одного работника. Сравнивая показатели по количеству предприятий, проверенных одним работником, исходя из общей численности работников и численности, занимающихся проверками, конечно, можно сделать вывод об организационной структуре аппарата управления налогового органа, о том, сколько теряет инспекция в связи с чрезмерным увеличением численности вспомогательных подразделений [28]. Такой анализ позволяет дать и рекомендации по улучшению организационной структуры налоговых инспекций, предусматривающие увеличение числа работников, занимающихся проверками, но делать выводы об уровне организации контрольной работы только по значению этого показателя недостаточно и неправомерно. Для объективной оценки учитывают также количество предприятий, состоящих на учете, приходящихся на одного работника (средняя нагрузка на одного работника), и степень охвата предприятий документальными проверками. Средняя нагрузка на одного работника оказывает существенное влияние на количество документальных проверок, так как, чем больше предприятий приходится на одного инспектора, тем больше времени он затрачивает на проведение камеральных проверок, тем меньше времени остается у него на документальные проверки.
Рассматривается также показатель «дополнительно начислено налогов в ходе проверок на одного работника», зависящий от многих факторов, в частности, от квалификации работников налоговой инспекции, от уровня работы по разъяснению плательщикам налогового законодательства, от размера налогооблагаемой базы и т.д. Принимается во внимание также показатель отношения доначисленной суммы налогов к объему поступивших налогов в целом по инспекции, характеризующий уровень организации контрольной работы. Уровень данного показателя не должен превышать определенного значения, так как большой размер данного показателя говорит о недостатках в разъяснительной работе с налогоплательщиками.
Наиболее важными показателями контрольной работы налоговой инспекции являются процент взысканных сумм налогов и финансовых санкций, предъявленных к уплате в ходе проверок, а также уровень выполнения заданий по мобилизации средств в бюджет [28]. Данные показатели предопределяют эффективность мер, предъявляемых к налогоплательщикам с целью увеличения доходов в бюджет.
Отмечаются также показатели, характеризующие результативность комплекса мер, предъявляемых к нарушителям налоговой дисциплины, такие, как доля лиц, виновных в нарушении налогового законодательства, привлеченных к административной ответственности, и процент ликвидации недоимки.
Качественное проведение работы по постановке на учет плательщиков обуславливает дальнейшую эффективность их контроля взимания платежей в бюджет, так как является исходным моментом в организации работы налогового органа по сбору налогов. Эффективность принимаемых мер по выявлению налогоплательщиков, не состоящих на учете, позволяет привлечь данную часть налогоплательщиков к налогообложению. Следовательно, доля лиц, поставленных на учет и привлеченных к налогообложению из числа уклоняющихся от налогообложения, в немалой степени предопределяет дальнейшую эффективность работы налогового органа и их контроля взимания платежей в бюджет.
Нельзя не учитывать уровня организации работы налогового органа с физическими лицами. Эффективность комплекса мер, принимаемых к данной группе налогоплательщиков, характеризуют следующие показатели: доля лиц, привлеченных к декларированию доходов; доля деклараций, по которым были сделаны доначисления. Степень автоматизации также характеризует эффективность работы налогового органа, поскольку применение информационных технологий (ИТ) экономит до 20% рабочего времени, а общая стоимость обработки документов за счет применения электронных средств обработки и передачи информации уменьшается в 10-15 раз [28].
Критерии выбора алгоритма кластерного анализа (автоматической классификации)
Россия - крайне дифференцированная страна по уровню собираемости налогов между отдельными регионами. В силу различного и подчас несопоставимого экономического потенциала отдельных регионов, влияния экономического кризиса на региональные экономики и отдельные отрасли производства, различий в налоговой региональной политике разница между регионами страны по уровню сбора налогов на душу населения с учетом уровня прожиточного минимума достигает нескольких десятков раз. Это необходимо учитывать прежде, чем проводить анализ эффективности деятельности налоговых органов.
Статистическая однородность - базовое понятие для статистики. Общепринято, что какую-либо обработку статистических данных (усреднение, установление связей и т.д.) надо производить только в однородных группах наблюдений [24].
При анализе и прогнозировании социально-экономических явлений исследователи довольно часто сталкиваются с многомерностью их описания. Кластерный анализ позволяет проводить разбиение достаточно большого количества объектов по целому набору признаков на однородные группы, сжимая массивы исходной информации, делая ее компактной и наглядной. Кроме того, в отличие от большинства математико-статистических методов он позволяет оперировать с исходными данными практически произвольной природы и не накладывает никаких ограничений на вид рассматриваемых объектов.
Цель кластерного анализа - поместить отдельные события (объекты) в группы (или кластеры), причем так, что события, отнесенные к конкретному кластеру, имели наибольшее подобие между собой, а события из разных кластеров между собой имели мало общего.
Итак, кластерный анализ - это способ группировки многомерных объектов, основанный на представлении результатов отдельных наблюдений точками соответствующего пространства с последующим выделением полученных групп как «сгустков» этих точек [24].
В данный момент существует огромное количество различных алгоритмов кластерного анализа, многие из которых являются довольно простыми процедурами, не имеющими, как правило, строгого статистического обоснования. Можно выделить три основных типа алгоритмов кластерного анализа: иерархические или древовидные, последовательные и параллельные.
Алгоритмы, относящиеся к первому типу, удобны тем, что для них не требуется задавать никаких начальных условий, хотя их можно применять и в случае, когда нужно произвести разбиение исходной совокупности на заранее известное количество кластеров или количество кластеров подлежит оценке. Они применимы к сравнительно небольшому объему классифицируемой совокупности объектов [1]. Рассмотрим этот тип кластер-процедур более подробно.
На первом шаге каждый объект считается отдельным кластером. На последующих шагах определяются самые близкие объекты, которые объединяются в один кластер. Цикл завершается, когда все объекты образуют один кластер либо заданное количество кластеров.
Расстояние 1,55 1,91 2,05 2,89 3,53 3,78 4,11 4,29 4,84 8,64 27,11 Алгоритмы первого типа различаются лишь способом определения наиболее близких кластеров: - одиночная связь (метод ближайшего соседа) - расстояние между кластерами определяется расстоянием между двумя наиболее близкими объектами; - полная связь (метод наиболее удаленных соседей) — расстояние между кластерами определяются наибольшим расстоянием между любыми двумя объектами в различных кластерах; - попарное среднее — расстояние между двумя различными кластерами вычисляется как среднее расстояние между всеми парами объектов в них; - центроидный метод - расстояние между двумя кластерами определяется как расстояние между их центрами тяжести; - метод Варда (Ward, 1963) - объединяются те объекты, которые об разуют кластер с наименьшей суммой квадратов отклонений 221 " / )» где к - номер кластера, / - номер объекта, j - номер признака, р - количество признаков, пк - количество объектов в к-и кластере. Процедуры первого типа целесообразно применять на начальном этапе проведения исследования.
Второй тип кластерных процедур (последовательный) целесообразно применять на основе уже предварительно полученных результатов. Рассмотрим метод -средних. Для начала процедуры классификации должны быть заданы к случайно выбранных объектов, которые будут служить эталонами, т.е. центрами кластеров. Считается, что алгоритмы эталонного типа удобные и быстродействующие [39]. В этом случае важную роль играет выбор начальных условий, которые влияют на длительность процесса классификации и на его результаты. Если использовать случайно выбранные центры, то можно получить даже визуально заметную ошибку. Далее из оставшихся точек выбирается точка Х{ и проверяется, к какому из эталонов она находится ближе всего.
Такой алгоритм предназначен в основном для решения задач классификации достаточно больших массивов многомерных наблюдений. Один из наиболее распространенных алгоритмов из третьей группы - это метод поиска сгущений, известный также под названием «форель». Этот метод классификации не требует задания необходимого числа кластеров, и применим для достаточно большого объема классифицируемой совокупности [1].
Его суть заключается в применении гиперсферы заданного радиуса, которая перемещается в пространстве классифицируемых признаков с целью поиска локальных сгущений точек. Рассмотрим схему данного алгоритма в общем виде.
Сначала выбирается объект, который является первоначальным центром первого кластера. Выбранная точка принимается за центр гиперсферы заданного радиуса R. Определяется совокупность точек, попавших внутрь этой сферы, и для них вычисляются координаты центра (вектор средних значений признаков). Далее вновь рассматривается гиперсфера такого же радиуса, но с новым центром, и для совокупности попавших в нее точек опять рассчитывается вектор средних значений и принимается его за новый центр сферы и т.д. Когда очередной пересчет координат центра сферы приводит к такому же результату, как и на предыдущем шаге, перемещение сферы прекращается, а точки, попавшие в нее, образуют кластер и из дальнейшего процесса кластеризации исключаются. Для всех оставшихся точек процедуры повторяются.
Сравнение технологий построения современных распределенных систем
Существует множество различных определений распределенных систем, причем ни одно из них не является удовлетворительным и не согласуется с остальными. Мы под этим понятием будем подразумевать набор независимых компьютеров, представляющихся их пользователям единой объединенной системой. Здесь важны два следующих момента. Первый относится к аппаратному обеспечению: все машины автономны. Второй касается программного обеспечения: пользователи думают, что имеют дело с единой системой. Таким образом, от пользователей скрыты различия между компьютерами и способы связи между ними. Как следствие, распределенные системы должны относительно легко поддаваться расширению или масштабированию [40].
В качестве простого примера распределенной системы можно привести World Wide Web, которая предоставляет целостную и единообразную модель распределенных документов. Пользователю нет необходимости знать, с какого сервера доставляется документ, достаточно лишь информации о том, где он расположен. Основная задача распределенных систем - облегчить пользователям доступ к удаленным ресурсам и обеспечить их совместное использование, регулируя этот процесс. Ресурсы могут быть виртуальными, однако традиционно они включают в себя принтеры, компьютеры, устройства хранения данных, файлы и данные. Web-страницы также входят в этот список. Одна из очевидных причин для совместного использования ресурсов - это экономичность. Например, гораздо дешевле совместно использовать дорогие ресурсы, такие как высокопроизводительные хранилища данных, чем покупать и обслуживать их отдельно для каждого пользователя [40].
В настоящее время существует и используется в основном три технологии построения распределенных систем.
Первая — это так называемая обобщенная архитектура брокера объектных запросов (Common Object Request Broker Architecture, CORBA) -промышленный стандарт распределенных систем. Подобные спецификации разработаны группой управления объектами (Object Management Group, OMG), некоммерческой организацией, в которую входят более 800 членов, в основном промышленных компаний. Основной целью OMG при разработке CORBA было создание спецификации распределенной системы, способной преодолеть большинство проблем межоперационной совместимости при интеграции сетевых приложений. При этом были сформулированы два важнейших концептуальных момента: - результаты деятельности OMG должны представлять собой набор спецификаций, а не готовый продукт; — в качестве идеологии построения такой технологии решили ис пользовать объектно-ориентированный подход. Первые спецификации CORBA появились в начала 90-х годов. В настоящее время используется реализация CORBA версии 3, вышедшая в июле 2002 года. Технология J2EE (Java 2 Enterprise Edition), формально объявлена компанией Sun Microsystems в декабре 1999 года, представляет собой первый стандарт для создания корпоративных распределенных многозвенных приложений. Избежав обычно печальной участи «первого блина», J2EE получилась на редкость гармоничной, удобной и полезной [52]. Впитав в себя другие стандарты, среди которых важнейшими являются CORBA и XML, J2EE позволяет существенно упростить труд системных архитекторов, проектировщиков и разработчиков, предлагая ясную и гибкую архитектуру и набор взаимосвязанных стандартов для использования важнейших системных сервисов. J2EE объединяет такие стандарты, как компонентная модель Enterprise Java Beans, стандарты Web-приложений для формирования динамических откликов на действия пользователей - Java Servlets и Java Server Pages, стандарт для доступа к базам данных JDBC. Эта технология далее будет рассмотрена более подробно.
Последняя из рассматриваемых технологий - технология .NET. История ее создания восходит к компонентной идеи, разработка которой началась в Microsoft еще в начале 90-х годов. Как и другим компаниям, ей стало очевидно, что скорость создания программных систем существенно отстает от предъявляемых бизнесом требований. Во многом повторяя идеи, заложенные в CORBA, Microsoft создала технологию СОМ, первая версия которой появилась в 1993 году. Попытки устранить существенные недостатки с помощью DCOM (Distributed СОМ), не привело к желаемым результатам, и тогда на базе СОМ и сервера транзакций Microsoft Transaction Server была разработана специальная технология .NET. Процесс разработки .NET продолжается.
Основная идея .NET заключается в понятии управляемого кода, который выполняется не просто в операционной системе Windows, а под управлением ее дополнительного элемента - среды CLR (Common Language Runtime) - общей среды выполнения для программных приложений, написанных на различных языках. CLR очень похожа на Java Runtime Environment (JRE). При этом программы компилируются в код на специальном языке Microsoft Intermediate Language (MSIL или IL). Среда CLR, в частности, освобождает программистов от сборки мусора не хуже, чем Java, проводя автоматическую чистку неиспользуемой памяти (garbage collection). На нее также возложено управление доступом к программному коду.
Для динамического Web .NET предлагает модернизированную среду ASP .NET. В ней реализована идея отделения динамического кода от статического текста HTML-страниц, причем первый можно создавать и отлаживать в Microsoft Visual Studio с помощью специальной модели Web Forms. Конфигурационная информация Web-приложения хранится в специальном файле в формате XML, так же как и в J2EE.
С появлением и развитием сети Internet сравнивать конкурентов в какой бы то ни было области стало сложно. Новаторские решения одного сразу становятся достоянием другого. Поэтому очень трудно выделить те элементы, которые присутствуют в одной технологии, но не нашли отклика в другой.
Все три технологии представляют собой решения из области Enterprise Integration Application (EAJ), т.е. являются технологиями, ориентированными на решение проблем интеграции различных систем, приложений и данных. Утвердившийся подход к интеграции приложений заключается в описании внешних интерфейсов, форматов сообщений и спецификаций, используемых для передачи этих сообщений. В процесс интеграции также включено все, что касается сервисов безопасности, надежности и транзак-ционной целостности. Кроме того, так как интеграция программных приложений реализует потребности бизнеса, создатели всех трех технологий привлекли в интеграционную модель элементы описания бизнес-процессов.
Оценка СППР для управления качеством работы налоговых органов
Для выяснения, насколько разработанная СППР для управления качеством работы налоговых органов соответствует представлениям экспертов о качественно разработанном приложении для Internet, был проведен экспертный опрос.
Решение о применении метода балльной оценки было вызвано тем, что требовалось получить количественную оценку качества программного продукта, а метод балльной оценки наиболее соответствует этому требованию. Нашей целью было определить, насколько созданная программная система соответствует требованиям, предъявляемым экспертами к потенциальной СППР для управления качеством работы налоговых органов. В качестве экспертов были приглашены сотрудники налоговых служб, программисты и другие специалисты в области информационных технологий. Оценки реальной разработанной системы, полученные после третьего тура опроса, приведены в таблице 8.
Для оценки степени соответствия разработанной СППР эталонной системе мы воспользовались методикой, описанной в [48]. Процедура сравнения предусматривает два случая: 1. di = x. — у., где і є п, п - число экспертов, ахиу- оценки эталонной и реальной системы соответственно по каждому критерию. Если распределение dt подчиняется нормальному закону, то проверку значимости различия между двумя программными продуктами можно осуществить с использованием t -критерия с п — \ степенями свободы.
2. Если нет уверенности в том, что распределение dt является нормальным, для проверки значимости различия между программными продуктами можно использовать знаковый ранговый критерия Вилкоксона (Wilcoxon) для связанных выборок. Критерий Вилкоксона - это непараметрический аналог парного критерия Стьюдента.
Поскольку в нашем случае нет уверенности, что распределение dt подчиняется нормальному закону, то для проверки значимости различия между реальной и эталонной программными системами мы использовали критерий Вилкоксона. С его помощью проверяется статистическая значимость нулевой гипотезы о том, что математическое ожидание разности di равно нулю или сравниваемые системы равноценны.
Процедура сравнения проводилась следующим образом: 1. Отбрасываем пары с одинаковыми значениями xt и уп и объем выборки сокращаем на число отброшенных пар. Из оставшихся пар образуем разности dt = X; — yt; 2. Находим ранги R\d\ абсолютных значений разностей dr, 3. Отмечаем ранги, относящиеся к положительным и отрицательным значениям разностей. Находим по отдельности суммы рангов отрицательных и положительных разностей R\—) и R\+) , 4. Меньшую сумму принимаем в качестве значения критерия W; 5. Находим табличное критическое значение критерия Вилкоксона Wa для выбранного уровня значимости а; 6. Если W Wa, то нулевая гипотеза отбрасывается и наблюдаемое различи связанных выборок является статистически значимым на уровне значимости а. В противном случае различия статистически незначимы.
Таким образом, можно сделать вывод, что разработанная система поддержки принятия решений для управления качеством работы налоговых органов соответствует, а по некоторым характеристикам даже превосходит требования, предъявляемые экспертами к эталонной системе.
