авторефераты диссертаций БЕСПЛАТНАЯ  БИБЛИОТЕКА

АВТОРЕФЕРАТЫ КАНДИДАТСКИХ, ДОКТОРСКИХ ДИССЕРТАЦИЙ

<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ

Астрологический Прогноз на год: карьера, финансы, личная жизнь


Pages:   || 2 |

Разработка экономико-математических моделей и методов для сложных социально-экономических систем (в приложении к проблеме взаимодействия системы налоговых органов и апк)

-- [ Страница 1 ] --

на правах рукописи

Тамбиева Джаннет Алиевна РАЗРАБОТКА ЭКОНОМИКО-МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ И МЕТОДОВ ДЛЯ СЛОЖНЫХ СОЦИАЛЬНО-ЭКОНОМИЧЕСКИХ СИСТЕМ (В ПРИЛОЖЕНИИ К ПРОБЛЕМЕ ВЗАИМОДЕЙСТВИЯ СИСТЕМЫ НАЛОГОВЫХ ОРГАНОВ и АПК) 08.00.13 – «Математические и инструментальные методы экономики» (инструментальные средства)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени доктора экономических наук

Москва–2010

Работа выполнена на кафедре экономической кибернетики Российского государственного аграрного университета – МСХА имени К.А. Тимирязева.

Научный консультант: Член-корреспондент РАСХН, заслуженный деятель науки РФ, доктор экономических наук, профессор, Гатаулин Ахияр Мугинович

Официальные оппоненты: доктор экономических наук, профессор Землянский Адольф Александрович доктор экономических наук, профессор Царегородцев Евгений Иванович доктор экономических наук, Тинякова Виктория Ивановна

Ведущая организация: Всероссийский институт аграрных проблем и информатики им. А.А.Никонова

Защита состоится «»_20г. в «_ » час. на заседании диссертационного совета Д 220.043.06 при ФГОУ ВПО «Российский го сударственный аграрный университет – МСХА имени К.А.Тимирязева» по адресу: 127550, Москва, ул. Тимирязевская, 49, тел./факс 8-499-976-24-92.

С диссертацией можно ознакомиться в Центральной научной библиотеке РГАУ – МСХА имени К.А.Тимирязева.

Автореферат разослан «_»_20 года и размещен на сайте ВАК www.vak.ed.gov.ru

Ученый секретарь диссертационного совета, доктор экономических наук, профессор Н. Я. Коваленко

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы исследования.

В настоящее время тенденция укрупнения и усложнения социально– экономических систем является объективной реальностью. Результат этой тен денции – повышение уровня сложности задач, стоящих перед соответствую щими управляющими системами. При этом сами задачи требуют оперативного принятия эффективных решений, с учетом структуры управления сложной со циально–экономической системы (ССЭС), в которой, как правило, в той или иной мере присутствует иерархия.

Сегодня, когда российская экономика начинает функционировать в усло виях рынка, социально–экономические системы нуждаются в адекватных моде лях и алгоритмах поддержки принятия решений, которые могут быть положены в основу их автоматизации. Разрабатываемые модели должны учитывать нели нейность рыночных процессов, что определяет необходимость дальнейшего развития ряда концепций математической теории больших экономических сис тем с иерархической структурой управления.

Иерархический подход, в силу своей простоты и универсальности, явля ется самым распространенным в структурах социально–экономических систем.

Однако, при всех имеющихся плюсах, иерархия приводят к существенным за держкам в реакции соответствующей системы на изменения, происходящие во внешней среде. В качестве определяющих факторов таких изменений могут вы ступать: резко возрастающий поток информации, форс–мажор, изменения в конъюнктуре рынка и др.

С целью преодоления указанных выше проблем в работе ССЭС повсеме стно внедряются современные информационные технологии (ИТ). Однако ин вестиции в ИТ не всегда приводят к ощутимым результатам. Зачастую внедре ние ИТ – это всего лишь попытка механизировать (автоматизировать) докумен тооборот, старые способы ведения дел.

В настоящем исследовании проведен анализ проблемы управления ССЭС, в качестве спецификации которой рассматривается система налоговых органов (НО). Сегодня перед налоговыми органами поставлена одна из слож нейших народно–хозяйственных задач – рациональное исполнение фискальной и экономической функций в условиях рынка. Качество исполнения этой функ ции во многом определяет дееспособность государства, его основных институ тов.

Темп роста объемов информации, проходящей через налоговые органы, значительно опережает возможности ее обработки имеющимися людскими ре сурсами и существующей автоматизированной информационной системой (АИС). Это приводит к заметным перегрузкам и неэффективности работы, а также объясняет острую необходимость в разработке целостного теоретиче ского, методологического и инструментального обеспечения для математиче ского моделирования, анализа и прогнозирования состояний информационных потоков и кадровой политики.

Для налогового органа пока отсутствуют модели и алгоритмы, позво ляющие автоматизировать процессы планирования и осуществления предпро верочного анализа. Это обусловлено недостаточной разработанностью вопро сов границ применимости вероятностно–статистических методов выборочных проверок;

практическим отсутствием обоснованных рекомендаций по примене нию содержательных методов выборочных проверок.

Настоящее исследование призвано восполнить этот пробел, что свиде тельствует об его актуальности.

Представленные в настоящей работе экономико–математические методы и инструментальные средства могут использоваться в решении проблем управ ления сложными социально–экономическими системами любой отраслевой на правленности. Однако для более полного представления прикладных аспектов предлагаемых методов в решении проблемы взаимодействия ССЭС с отдель ными сегментами ее внешней среды, в приложении к системе налоговых орга нов, нами рассматривается конкретная отрасль – агропромышленный комплекс (АПК). Агропромышленный комплекс можно квалифицировать как наиболее сложный сегмент этой среды, в котором сфокусированы все основные пробле мы налогового администрирования Российской Федерации на его современном этапе. В первую очередь это определяется спецификой воспроизводства в дан ном комплексе как сложной социально–экономической и биотехнологической системе, а также следующими причинами:



1)многообразием организационно–правовых форм предприятий АПК;

2)наличием всех режимов налогообложения, включая общий режим и все виды специальных режимов (УСН, ЕНВД, ЕСХН);

3)одновременное влияние на процессы воспроизводства в АПК, как факторов рыночной экономики, так и природно–климатических условий;

4)несовершенством налогового законодательства, приводящим к систематическим изменениям в нем: по набору налогов уплачиваемых предприятиями–налогоплательщиками, их виду, структуре, способам взимания, базе, ставке, льготам и др.;

5)недостаточностью статистической информации, обусловленной существенными изменениями, произошедшими в институциональной структуре АПК;

и др.

Степень разработанности.

Проблемы сложных систем в равной мере исследуются экономистами, математиками, биологами, политиками, философами, психологами и др. При чина этому – аналогии в мире биологических и социально–экономических сис тем управления, поиск оптимальной конфигурации структуры управления сложной социально–экономической системой. Результат междисциплинарных исследований сложных систем – это ассоциации, возникающие в процессе изу чения живой природы, реализованные в виде моделей и методов, ныне состав ными частями входящих в нелинейную динамику, теорию искусственного ин теллекта, общую теорию систем и др.

Теория систем получила свое начало в середине двадцатого века в работе австрийского биолога Л. фон Берталанфи «Общая теория систем – обзор про блем и результатов», в которой было заложено начало нового направления в науке. Позже, во второй половине двадцатого века была опубликована работа американского математика, профессора М.Месаровича, в соавторстве с Д.Мако и И.Такахара «Теория иерархических многоуровневых систем», в которой была сделана попытка систематического изложения и математической формализации теории управления в больших системах, построенных по иерархическому принципу. Вопросам общей теории систем, иерархической структуре и функ циональной целостности посвящены работы Р. Акоффа, К.Боулдинга, Дж. Ван Гига, Г.Б.Клейнера, Р.Е. Макола, С. Оптнера, а также отечественных исследо вателей: В.Н.Волковой, А.А.Денисова, И.Н.Дрогобыцкого, А.А.Емельянова, А.И.Кухтенко, В.М.Лачинова, Ю.Г.Маркова, Ф.И.Перегудова, А.О.Полякова, Д.А.Поспелова, И.В.Прангишвили, В.Н.Садовского, Ю.И.Черняка и др.

Большой вклад в развитие теоретических основ прогнозирования эконо мических процессов и систем, теории вероятностей и математической стати стики внесли зарубежные и российские ученые: А.Г.Аганбегян, И.Бернар, Н.Винер, А.М.Гатаулин, Д.Ж.Джонстон, В.А.Кардаш, О.М.Дж.Кендалл, Ю.Колек, Ж.–К. Колли, В.В.Леонтьев, К.П.Личко, В.С. Немчинов, В.В.Новожилов, К.Паррамоу, М.Песарана, Л.Слейтер, Н.П. Федоренко, Г.Н.

Хубаев, С.С.Шаталин, А.Н.Ширяева и др.

Методам нелинейной динамики, экономической синергетике посвящены работы А.Е.Андерсона, Дж.Грендмонт, В.–Б.Занга, Б.Мандельброта, Э.Петерса, И.Р.Пригожина, Э.Сигела, Р.Чена, С.П.Курдюмова, Г.Г.Малинецкого, Л.Н.Сергеевой и др.

Значительный вклад в теорию экономико–математического моделирова ния и информационно–консультационному обеспечению отраслей и предпри ятий АПК внесли В.М. Баутин, А.А.Землянский, С.А.Кравченко, Э.Н.Крылатых, Б.В.Лукьянов, В.В.Милосердов, С.Б.Огнивцев, Н.М. Светлов, С.О.Сиптиц и др.

Методы клеточно–автоматного прогнозирования, представленные в на стоящей работе опираются на исследования профессора В.А. Перепелицы и яв ляются их продолжением.

Так как в настоящей работе экономико–математические модели и методы представлены в приложении к системе налоговых органов, отметим, что наибо лее полно и точно проблемы данной системы и методов ее модернизации были сформулированы в работах Д.Г.Черника, А.И.Пономарева, Т.В.Игнатовой, а также в работах Н.Д.Бублика, Г.И.Букаева, С.А.Горбаткова, А.Б.Паскачева, Д.В.Полупанова, Р.Ф.Саттарова, и др.

Анализ известных публикаций позволяет утверждать, что пока еще нет стройной математической теории больших или сложных экономических систем с иерархической структурой управления. Сегодня в России существует острая необходимость в разработке адекватных моделей и алгоритмов поддержки при нятия решений в сложных системах, которые могли бы быть положены в осно ву их автоматизации.

Потребность в расширении теоретико–методологической базы моделиро вания и анализа ССЭС, раскрывающих внутренние механизмы эволюции сложных процессов и систем, определили цели и задачи настоящего исследо вания.

Объект исследования – сложные социально–экономические системы с иерархической структурой управления.

Предмет исследования – процессы функционирования системообра зующих структур сложной социально–экономической системы в динамике.

Цель и задачи исследования.

Цель настоящего исследования – разработка экономико–математических моделей и методов как инструментальных средств повышения качества управ ления внутренними и внешними взаимодействиями сложной социально– экономической системы.

Достижение поставленной цели потребовало решения следующих задач:

1. В связи со сложностью исследуемой проблемы, провести структуризацию самой проблемы, как системы, отражающей уровни и аспекты исследования.

2. Разработать концептуальную модель аналитической подсистемы системы поддержки принятия решений налоговых органов, дифференцированной по уровням иерархии, с разработкой соответствующих элементов.

3. Формализовать проблему распределения ресурсов в контексте иерархической полиструктуры системы налоговых органов РФ.

4. Разработать универсальный метод решения задачи распределения ресурсов налогового органа (трудовых, с учетом целевой направленности рабочих групп;

финансовых за счет минимизации затрат;

информационных за счет перегруппировки аппаратных средств и информационных потоков).

5. Обосновать наиболее перспективные формы стратегического планирования (прогнозирования) объемов мобилизуемых средств в бюджет от предприятий АПК и оценить их адекватность.

6. Определить приоритетные направления развития математического аппарата стратегического планирования поступления налогов и сборов в бюджеты всех уровней от предприятий агропромышленного комплекса.

7. Разработать методы оценки способности предприятий– налогоплательщиков АПК своевременно исполнять свои налоговые обязательства.

8. Разработать методы повышения эффективности налогового администрирования в АПК за счет адресности налоговых проверок.

Теоретической и методологической основой исследования послужили концептуальные основы современной экономической теории, труды ведущих отечественных и зарубежных ученых экономистов и математиков по теории управления, математической статистике, экономической синергетике, теории хаоса, теории графов, фрактальному анализу, методам нелинейной динамики, искусственного интеллекта, информационным технологиям.

Информационно–эмпирическую базу настоящего исследования состави ли временные ряды налоговых отчислений в региональные отделения Феде ральной налоговой службы РФ по Южному Федеральному округу, официаль ные данные Министерства финансов РФ, Министерства по налогам и сборам РФ, Министерства сельского хозяйства РФ, а также данные, опубликованные в сборнике «Статистические материалы и результаты исследований развития аг ропромышленного производства России». – М.: Россельхозакадемия, 2009 г. и др.

Диссертационная работа выполнена в рамках паспорта специальности 08.00.13 – «Математические и инструментальные методы экономики»: п. 1.8.

«Математическое моделирование экономической конъюнктуры, деловой ак тивности, определение трендов, циклов и тенденций развития», п. 2.3. «Разра ботка систем поддержки принятия решений для рационализации организацион ных структур и оптимизации управления экономикой на всех уровнях» и 2.5.

«Разработка концептуальных положений использования новых информацион ных и коммуникационных технологий с целью повышения эффективности управления в экономических системах».

Научная новизна диссертационной работы заключается в теоретическом обосновании и разработке математических моделей и методов, существенно повышающих качество информационной поддержки принятия решений в сис теме налоговых органов.

К наиболее значимым можно отнести следующие научные результаты, полученные лично автором и являющиеся предметом защиты:

1. Осуществлена структуризация проблемы управления ССЭС;

выделены основные направления совершенствования структуры ССЭС и механизмов взаимодействия с наиболее сложными сегментами ее внешней среды (в приложении к системе налоговых органов и АПК).

2. Разработана концептуальная модель аналитической подсистемы системы поддержки принятия решений налогового органа, дифференцированная по уровням иерархии.

3. Осуществлена математическая формализация проблемы распределения ресурсов для решения прикладных задач (построение рациональной финансовой, штатной структур и эффективной корпоративной вычислительной сети). Математическая формализация проблемы распределения ресурсов позволяет свести три её аспекта в единую целостную задачу кластеризации.

4. Разработан полиномиальный алгоритм выделения возможных комбинаций совокупностей непересекающихся кластеров, образующих допустимое решение задачи распределения ресурсов.

5. С целью повышения прогностической способности экономико– математических методов, за счет углубления анализа социально– экономических процессов, предложен модифицированный подход в анализе квазициклов на базе методов нелинейной динамики (R/S–анализа, фазового анализа и метода визуализации), учитывающий специфику ряда в ретроспективе.

6. Оценена адекватность двухуровневой клеточно–автоматной прогнозной модели для временных рядов с выраженным «эффектом памяти».

7. Обоснован праксиологический принцип подобия на основе предпрогнозного анализа налоговых временных рядов.

8. Разработана методика анализа «очень коротких» временных рядов на базе графов и матриц подобия.

Практическая значимость полученных результатов.

Практическая значимость исследования определяется тем, что основные положения, выводы, рекомендации, модели и алгоритмы ориентированы на широкое использование в АИС любой ведомственной принадлежности с целью эффективного управления соответствующей сложной социально– экономической системой. Разработанные автором экономико–математические модели и методы рекомендованы Министерствами сельского хозяйства и эко номического развития Карачаево–Черкесской Республики к внедрению в фис кальных органах и на крупных предприятиях республики, а также внедрены и используются в Управлении федеральной налоговой службы по Карачаево– Черкесской республике.

Апробация и внедрение результатов исследования.

Основные результаты диссертационной работы докладывались и обсуж дались на международных и всероссийских симпозиумах и конференциях, в том числе: Международном научном симпозиуме «Экономика и право – стра тегии 3000» (Кисловодск, 2000 – 2007);

Международной научной школе– семинаре им. акад. С. Шаталина, (Дивноморск, 2000 и Воронеж, 2002);

Всерос сийской конференции «Дискретный анализ и исследование операций» (Ново сибирск, 2002);

Девятой международной конференции «Математика. Компью тер. Образование» (Дубна, 2002);

Международной конференции «Нелокальные краевые задачи и родственные проблемы математической биологии, информа тики и физики», (Нальчик, 2001 и 2007);

Одесском семинаре по дискретной ма тематике (Одесса, 2004 г.);

Второй Всероссийской научно–практической кон ференции «Перспективные системы и задачи управления» (Таганрог – Домбай, 2007);

Всероссийской научно–практической Интернет–конференции «Пробле мы информационной безопасности» (Ростов–на–Дону, 2006);

Международной междисциплинарной научной конференции. Третьи Курдюмовские чтения: Си нергетика в естественных науках (Тверь, 2007), Международной научно– практической конференции НАЭКОР (Москва, 2008).

Основные положения, полученные в результате проведенного исследова ния, используются в учебных дисциплинах «Теория графов», «Алгоритмиче ские языки и программирование», «Дискретная математика» и «Дискретные модели с интервальными данными» для студентов специальности 230401 – «Прикладная математика» Карачаево–Черкесской государственной технологи ческой академии.

Публикации. Основные результаты диссертации изложены в 43 научных и учебно–методических публикациях, авторский объем которых составляет 36, п.л. В число опубликованных работ входят три монографии и 10 статей в пе риодических изданиях, рекомендованных ВАК Министерства образования и науки РФ.

Структура и объем работы. Диссертационная работа состоит из введе ния, 6 глав, заключения, библиографического списка и приложений. Работа со держит 72 таблицы, 125 рисунка и графика. Библиографический список содер жит 190 литературных источников.

Содержание работы Во введении обоснована актуальность темы, сформулированы цель и за дачи исследования, описана структура и дан краткий обзор работы, изложены основные научные результаты, выносимые на защиту.

В первой главе осуществлен анализ проблемы управления сложными со циально–экономическими системами в приложении к проблеме взаимодействия системы налоговых органов и АПК. Обоснована потребность налогового органа в математических и инструментальных средствах поддержки принятия реше ний. Представлена концептуальная модель системы поддержки принятия реше ний налогового органа.

Во второй главе рассматривается одна из ключевых проблем сложных социально–экономических систем – проблема распределения ресурсов (трудо вых, финансовых и информационных). В настоящей главе представлена теоре тико–гиперграфовая модель данной задачи и метод ее решения – алгоритм кла стеризации.





В третьей главе проведен анализ существующих экономико– математических и инструментальных методов поддержки принятия решений в ССЭС (на примере налоговой службы);

изложена методология прогнозирова ния налоговых платежей предприятий аграрной сферы на базе двухуровневой клеточно–автоматной модели, где первый уровень – предпрогнозный анализ, цель которого выявить циклическую компоненту исследуемого ВР, а второй уровень – построение прогноза на базе алгоритма клеточного автомата, с уче том выявленной на первом уровне циклической компоненты.

В четвертой главе приводится сопоставительный анализ динамических характеристик различных конфигураций пар временных рядов вида (ВР финан сово–экономического показателя хозяйствующего субъекта – производный от него ВР), в частности, рассматриваются пары (ВР налоговых отчислений – ВР налоговой базы), (ВР налоговых отчислений – производный от него ВР прира щений / агрегированный ВР). Предложена методика оценки степени «подобия» динамических характеристик исследуемых пар ВР. Рассматривается проблема наличия «вложенных» квазициклов на различных уровнях иерархии по време ни.

В пятой главе исследуется поведение двухуровневой клеточно– автоматной модели на временных рядах с заданными характеристиками – эта лонных ВР. Выявлены специфические особенности предпрогнозного анализа, а также необходимые условия возможности построения адекватной прогнозной модели с горизонтом прогноза, отличным от нуля.

В шестой главе на базе метода визуализации разработана методика анали за «очень коротких» временных рядов.

В заключении сформулированы выводы и предложения на основе проде ланной работы.

ОСНОВНЫЕ ПОЛОЖЕНИЯ ВЫНОСИМЫЕ НА ЗАЩИТУ Положение 1. Осуществлена структуризация проблемы управления ССЭС;

выделены основные направления совершенствования структуры ССЭС и механизмов взаимодействия с наиболее сложными сегментами ее внешней среды (в приложении к системе налоговых органов и АПК).

ЦЕЛИ Налогового Органа ОБЩЕСИСТЕМНЫЕ ЛОКАЛЬНЫЕ Минимизация фронта работы Максимизация налогового налогового органа (структурного сбора и создание подразделения, работника) благоприятных условий для общественного Максимизация финансирования воспроизводства структурного подразделения и/или работников на всех уровнях иерархии.

Минимизация расходов на содержание налогового органа Отражают двойственную природу экономической категории – эффективность для системы НО Рис. 1. Схема общесистемных и локальных целей системы налоговых органов В силу сложности и многогранности исследуемой проблемы, иерархиче ского многоуровневого характера, в работе была проведена структуризации са мой проблемы как системы, отражающей уровни и аспекты исследования.

В результате проведенной структуризации проблемы были выделены об щесистемные и локальные цели НО (рис.1), модифицирована структура систе мы управления НО (рис.2).

Современная технически сложная экономика требует совершенствования систем управления на всех уровнях агрегирования. Поэтому бизнес–среда уже активно использует интеллектуальные информационные системы, которые ста новятся неотъемлемой частью соответствующих систем управления. Этим оп ределяется необходимость создания адекватных интеллектуальных систем, сис тем поддержки принятия решений (СППР) и др. информационных систем, при званных повысить эффективность функционирования налогового органа. Здесь под эффективностью понимаем скорость и качество реакции системы налого вых органов на импульсы, исходящие от внешней среды, а в идеале, формиро вание и принятие решений на опережение возможных изменений в этой среде.

Место СППР в системе управления налоговым органом определяется с учетом задач управления (см. рис. 2).

Система управления Информация о состоянии цели управления Общесистемные системы Управляющая подсистема Информация для объекта управления состоянии объекта Уточнение Информация о СППР задач команда Прямая Управляющая Уточнение информация задач Объект управления Информация о состоянии среды Внешняя среда Рис. 2. Структура системы управления с использованием СППР В процессе структуризации, в контексте системного анализа, были выде лены основные подзадачи возникающие на разных уровнях иерархии налогово го органа. В силу невозможности решения всех проблем системы налоговых органов в рамках одной работы нами рассматривается ограниченный круг за дач, образующих следующие два класса:

- задачи рационального распределения ресурсов;

- задачи прогнозирования.

Многие исследователи в качестве основного направления совершенство вания организационной структуры системы налоговых органов, рассматривают разработку и внедрение типовых моделей организационно–структурного по строения территориальных налоговых органов, основанные на функциональном принципе специализации и принципе единства информационно–логической системы налоговых органов. Иначе говоря, выделении структурных подразде лений, специализирующихся на отдельных видах налогоплательщиков.

В качестве основных аргументов необходимости пересмотра организаци онных структур налогового органа выделяют • многообразие организационно–правовых форм хозяйствования;

• объективно существующие факторы географии налогообложения в Российской Федерации: для России характерны огромные различия между регионами в уровне налогового потенциала;

• отраслевые особенности процесса воспроизводства.

Выделение межрегиональных инспекций по крупнейшим налогопла тельщикам является первым шагом в этом направлении.

Специализация налоговых органов предполагает построения специфиче ских моделей деловых процессов в предполагаемых структурных подразделе ниях, учитывающих организационно–правовую форму и отраслевую принад лежность предприятия–налогоплательщика.

Налоговая система в рыночной экономике служат инструментом государ ственного регулирования, способным как стимулировать, так и угнетать хозяй ственную деятельность в отдельных сегментах рынка.

На наш взгляд, одним из наиболее сложных и уязвимых сегментов НО в современных условиях является АПК.

В АПК сосредоточено более четверти всех производственных фондов страны и занято около 35% всех работающих в сфере материального производ ства. В ВВП страны доля сельскохозяйственной продукции составляет почти 20%. С аграрной сферой производства экономически связаны более 30% отрас лей народного хозяйства.

При этом в отраслевой структуре налогов и сборов поступления от сель ского хозяйства оказываются самыми низкими среди всех базовых отраслей экономики (~1%). Это связано, в первую очередь, с низкими процентными ставками по налогам для предприятий АПК. Вместе с тем агропромышленный комплекс является одной из наиболее сложных отраслей с точки зрения налого вого контроля. Проблема взаимодействия налоговых органов с предприятиями– налогоплательщиками АПК определяется несколькими причинами:

1. Неустойчивостью процесса воспроизводства, обусловленной кризисными явлениями и самой структурой АПК как совокупности сложной социально–экономической и биотехнологической систем;

2. Многообразием организационно–правовых форм предприятий– налогоплательщиков в данном секторе экономики;

3. Несовершенством налогового законодательства, его нестабильностью;

4. В АПК используются все режимы налогообложения, в т.ч. общий налоговый режим и все виды специальных режимов (Упрощенная система налогообложения, Единый сельскохозяйственный налог, Единый налог на вмененный доход) 5. Соотношение затрат государства на проводимые в АПК контрольные налоговые мероприятия к объему мобилизуемых средств в бюджет в 6 – раз превосходит аналогичные показатели по другими базовыми отраслями народного хозяйства Российской Федерации. Это обусловлено низкими процентными ставками по налогам в АПК, наличием большого количества средних и мелких предприятий и др.

6. Необходимостью проведения контрольных налоговых мероприятий, в связи с недостаточным уровнем финансовой дисциплины в данном секторе экономики;

7. Характер процесса воспроизводства в аграрном секторе экономики предоставляет наибольшие возможности для легального и нелегального ухода от уплаты налогов;

8. Нетривиальностью в динамике процесса воспроизводства на предприятиях АПК, обусловленной влиянием на него как макроэкономических рисков, так и природно–климатических, что усложняет процесс стратегического планирования (прогнозирования) налоговых поступлений в бюджеты всех уровней, как от отдельных предприятий АПК, так и от отрасли в целом;

Перечисленные проблемы налогового администрирования в АПК позво ляют сделать вывод, о неэффективности контрольных налоговых мероприятий, с фискальной точки зрения, в этой отрасли и в то же время в их острой необхо димости, с точки зрения экономической. В этой связи, разумный выход из сло жившейся ситуации – специализация 1 и расширении области применения со временных информационных технологий, в частности в процессе распределе ния ресурсов, стратегического планирования (прогнозирования) налоговых по ступлений в бюджеты всех уровней, предпроверочного анализа налоговой от четности, а также непосредственно в процессе осуществления камеральных и выездных проверок.

Положение 2. Разработана концептуальная модель аналитической подсистемы системы поддержки принятия решений налогового органа, дифференцированная по уровням иерархии (табл. 1, рис. 3).

В настоящей работе в качестве инструмента подготовки данных для сис темы управления налоговым органом предлагается аналитическая подсистема (АП) системы поддержки принятия решений НО. Структура НО имеет трехсту пенчатую иерархию управления (см. рис.3), в которой объект управления пер вого уровня иерархии является субъектом управления – второго уровня, а объ ект управления второго уровня – субъектом третьего уровня. Поскольку на ка ждом уровне иерархии НО используются относительно самостоятельные моде ли, связанные между собой общесистемной целью, эта связь (логическая и ал горитмическая) лежит в основе построения концептуальной модели предлагае мой аналитической подсистемы СППР НО.

В табл. 1 представлен перечень задач, входящих в вышеназванные в По ложении 1 классы и дифференцированные по компонентам системы управле ния (объект – субъект).

Для каждого уровня иерархии НО в предлагаемой СППР предусмотрены модели диагностики проблемных ситуаций, с учетом целевой направленности соответствующего структурного подразделения.

Построение типовых конфигураций структурных подразделений системы налоговых органов, специализирующихся на отдельных видах налогоплательщиков Управление Федеральной Налоговой Службы РФ СУБЪЕК (УФНС РФ) I уровень Межрегиональные инспекции ФНС России по федеральным округам СУБЪЕКТ ОБЪЕКТ II уровень Управления ФНС России по республикам, краям СУБЪЕК областям;

Межрегиональные инспекции ФНС ОБЪЕКТ России по крупнейшим налогоплательщикам III уровень ОБЪЕКТ Инспекции УФНС РФ по районам, по районам городов, по городам без районных делений Рис. 3. Уровни иерархии системы налоговых органов РФ Таблица 1. Классификация моделей, рассматриваемых в настоящей работе, для СППР налогового органа Задачи управления Классы Формальный Управляющая Объект Метод решения моделей аппарат система управления (см. рис. 2) (см. рис. 2) Формирование Построение штатной целевых групп структуры исполнителей Построение 1. Модели Распределение распределения автоматизированной Теория графов Алгоритм аппаратных информационной ресурсов средств системы Построение Распределение финансовой денежных средств структуры Фрактальный Предпроверочный анализ, Прогнозирование Методы анализ временных фазовый анализ, 2. Прогнозные налоговых сборов в нелинейной рядов налоговых алгоритм модели бюджет динамики поступлений клеточного автомата Как было отмечено выше, для иерархического подхода в управлении ха рактерны задержки в реакции из–за жестких вертикальных связей. С целью ус корения процесса выработки оптимальных решений на каждом уровне иерар хии, в представленной на рис. 2 структуре системы управления предполагается, что ряд задач могут быть делегированы управляющей системой объекту управ ления. К числу таковых могут быть отнесены, например, проблема формирова ния целевых групп исполнителей для выездных проверок;

предпроверочный анализ, с целью формирования списка предприятий–налогоплательщиков для выездных проверок;

проблема распределения аппаратных средств автоматизи рованной информационной подсистемы структурного подразделения и др. Ре шение этих задач может осуществляться с помощью предлагаемой СППР нало гового органа. А управляющая система будет осуществлять контроль за каче ством принимаемых решений. Задачи формирования финансовой, штатной и информационной структур/подструктур, интегрированный прогноз налоговых сборов в бюджет решаются на уровне управляющей системы.

Концептуальная модель данной СППР (см. табл. 1 и рис. 3) предполагает наряду с дифференциацией моделей по уровням иерархии, открытость, что по зволит интегрировать ее с внешними приложениями для получения данных и для выгрузки результатов поиска рационального решения по всем уровням ие рархии НО. Цель построения настоящей модели СППР не противопоставление ее уже существующим, разрабатываемым, а возможность занять свою нишу, в решении задач мониторинга и управления многомерной иерархической струк туры НО.

Положение 3. Математическая формализация проблемы распреде ления ресурсов для решения прикладных задач (построение рациональной финансовой, штатной структур и эффективной корпоративной вычисли тельной сети).

Система налоговых органов РФ, как и любая другая ССЭС, постоянно на ходится в процессе поиска оптимальной (рациональной) организационной структуры. Проблема построения эффективной автоматизированной информа ционной системы, рациональной финансовой или штатной структуры с учетом динамики развития внешней среды сложной системы требует от лица прини мающего решения ежедневного анализа и систематических действий, направ ленных на повышение качества реакции соответствующей системы и опти мальное распределение используемых ею ресурсов.

Структура АИС, равно как и финансовая и штатная структуры, является неотъемлемой частью организационной структуры ССЭС, взаимосвязь и взаимозависимость между ними отражены в настоящей математической модели распределения ресурсов (финансовых, трудовых и информационных). Для построения математической модели данной задачи с учетом трех ее выше обозначенных аспектов используется аппарат теории графов. Первоначально рассмотрим обобщенную экономико–математическую модель данной задачи, для которой считаем целесообразным ввести термин «функциональная единица». Под функциональной единицей будем понимать минимальную значимую единицу соответствующей структуры ССЭС. В качестве такой единицы могут выступать – структурное подразделение или работник, рабочая станция корпоративной сети или компьютер–сервер.

• Уровни иерархии • • Первый уровень • • • •• • • • • • • • Второй уровень• • • • … • • i–й уровень • • • • • • • • • • • • • • • • … • • t–й уровень Рис. 4. Графическое представление организационной структуры абстрактной сложной систе мы с иерархической структурой управления В структуре абстрактной сложной системы с иерархической структурой управления имеется m –функциональных единиц, распределенных по t – уровням иерархии (см. рис.4).

В теоретико–графовой модели рассматриваемой задачи строим граф G = (V, E ), в котором V = {v1, v 2,..., v m } множество вершин, каждая вершина vi, i = 1, 2,..., m взаимнооднозначно соответствует i ой функциональной единице, а E = {eij }, (i, j = 1, 2,..., m ) множество ребер, где наличие ребра eij = (vi, v j ) E соответствует вертикальным и/или горизонтальным связям в ССЭС между i –ой и j ой функциональными единицами. Каждому ребру приписан eij соответственно вес wr (eij ), r {1, 2,..., N }. Здесь в качестве весов ребер wr (eij ), могут выступать различные показатели, соответствующие r = 1, 2,..., N специфике анализируемой структуры.

Специфика различных видов структур ССЭС (структуры АИС, финансо вой или штатной структур) в настоящей модели отражается в способах взвеши вания вершин и ребер исходного графа G. Так, например, для функциональной единицы корпоративной сети, в качестве веса соответствующей вершины вы ступает показатель объема информации, который способна обработать данная функциональная единица АИС, а вес ребер – это пропускная способность кана ла связи, соединяющего соответствующие функциональные единицы АИС.

Для финансовой структуры в качестве весов вершин рассматривается экономический эффект 2 от функционирования соответствующего структурного подразделения. Веса ребер могут рассчитывать как интегрированный показа тель, т.е. путем суммирования весов соответствующих вершин:

w(eij ) = w(vi ) + w(v j ).

Веса ребер (вершин) могут быть интервальными показателями. Это объясняет ся тем, что заранее сложно определить уровень затрат или уровень ожидаемого социально–экономического эффекта от функционирования того или иного структурного подразделения. Интервальную постановку задачи построения ра циональной финансовой структуры ССЭС можно представить следующим об разом:

В заданном n –вершинном графе G = (V, E ) каждое ребро e E взвешено интервалом w(e ), т.е. отрезком w(e ) = [w1 (e ), w2 (e )], где w1 (e ) w2 (e ). Допустимое решение рассматриваемой задачи представляем в виде подграфа x = (V x, E x ), V x V, E x E. Обозначим через X = {x} множество допустимых решений рассматриваемой задачи, на котором определена интервальная целевая функция (ИЦФ) w( x ) = w(e ) max ( 1) eE или x w( x ) = min w(e ) max ( 2) eE Значение этих ИЦФ также есть интервал w(x ) = [w1 (x ), w2 (x )], где wi (x ) = wi (e ), x eE i = 1, 2. Под решением интервальной задачи понимается такой элемент x 0 X, x на котором значение ИЦФ (1) или (2) достигает требуемого экстремума.

В случае интервальных весов нахождение оптимума наталкивается на проблему выбора наиболее целесообразного решения из множества несравнимых альтернатив. В связи с этим введены отношения предпочтения, эквивалентности и несравнимости.

Рассмотрим вышеописанный математический аппарат в приложении к следующим задачам:

1) построения штатной структуры ССЭС;

2) кластеризации вычислительной сети.

Проблема построения штатной структуры ССЭС может быть сведена к проблеме формирования целевых групп исполнителей (ЦГИ) ССЭС, для решения которой предлагается использовать наряду с математическим аппаратом теории графов, определенные подходы из области соционики.

Экономический эффект измеряется различными показателями, в зависимости от ситуации. Это может быть предполагаемый объем финансирования в планируемый период времени (месяц, квартал, год) и/или размер планируемой экономической выгоды от функционирования соответствующей функциональной единицы.

Теоретико–графовая модель формирования ЦГИ строится с учетом отношения подчиненности. Пример соответствующего типового графа (ТГ), для случая формирования групп по 4 человека – H = (U, ) представлен на рис.5.

В этом ТГ вершины u U взаимнооднозначно представляют членов формируемой целевой группы (ЦГ), за каждым из которых закреплены определенные функциональные обязанности. Этими обязанностями определяются информационные связи и отношения подчиненности внутри ЦГ.

ТГ H пара u, u U является смежной, т.е. связана В соответствующем ребром = (u, u ) тогда и только тогда, когда для членов группы u, u в процессе достижения основной цели группы являются существенными производственная информационная связь или отношения подчиненности.

u 4 6 2 u Рис.5. Типовой граф (ТГ) H = (U, ) 5 u u В качестве основной меры этих взаимоотношений в настоящей работе предлагается использовать соционические методы типирования, позволяющие определить психотипы работающих в данном коллективе специалистов. Здесь веса вершин wr (vi ), r = 1, 2,..., N представляют числовые оценки характеристик конкретного индивидуума, включая его психотип, образование, деловые качества и т.д., а веса ребер wr (eij ), r = 1, 2,..., N представляют оценки в баллах качества связи между i –ым и j ым работниками.

На множестве всех допустимых решений (МДР) X = {x} определена век торная целевая функция (ВЦФ) F (x ) = (F1 (x ), F2 (x ),..., FN (x )), где Fr (x ) extr, r = 1, N.

Для целей, достигаемых в результате регулярного делового сотрудничества, напряженного качественного труда будем использовать следующую схему оценивания эффективности связей каждого индивидуума с другими представителями коллектива:

wr (vi ) = wr (v j ), если r ые характеристики i –ого и j ого работников тождественны;

wr (vi ) = 1 wr (v j ), если r ые характеристики i –ого и j ого работников взаимодополняющие;

wr (v i ) = wr (v j ), если r ые характеристики i –ого и j ого работников конфликтны;

wr (vi ) wr (v j ) – во всех остальных случаях.

1, если wr (vi ) = 1 wr (v j ) Причем wr (eij ) = 0, если wr (vi ) wr (v j ) 1, если w (v ) = w (v ) r i r j Требуется перегруппировать всех работников по 4 человека таким образом, чтобы совокупное взаимодействие между членами каждой команды было бы максимально эффективным.

Соответствующий индексу r {1, 2,...., N } критерий может иметь вид (1) или (2). Составленная из этих критериев ВЦФ определяет в МДР X паретов ~ ~ ское множество (ПМ) X. Рассматривая разбиения ПМ X на подмножества элементов, эквивалентных по значению ВЦФ, и выбирая из каждого подмноже ства по одному представителю, получаем так называемое полное множество альтернатив (ПМА) X 0. Искомым решением всякой индивидуальной задачи формирования ЦГИ и является указанное ПМА.

Проблема кластеризации вычислительной сети.

В настоящее время активно развивается технология построения больших и суперкомпьютеров на базе кластерных решений. По мнению многих специа листов, на смену отдельным независимым суперкомпьютерам должны прийти группы высокопроизводительных серверов, объединяемых в кластер.

Под «кластерным решением», в контексте настоящей работы, будем по нимать выделение равнозначных субсетей АИС ССЭС – кластеров, на основе которых строятся суперкомпьютеры требуемой мощности.

- узел коммуникации сети У С - рабочие станции сети У У - межсетевой интерфейс МИ С - сервер сети С У У - магистральный канал связи МИ У - абонентский канал связи К другой сети Рис. 6. Обобщенная структура вычислительной сети На рис. 6 представлена обобщенная структура вычислительной сети, ком понентами которой являются вершины четырех типов и ребра (каналы связи) – двух типов. Различаем вершины: а) узлы коммутации сети;

б)рабочие станции сети;

в)межотраслевой интерфейс;

г) серверы сети. Нижний уровень вычисли тельной сети – это рабочие станции, которые посредством узлов коммутации подключаются к сети. В терминах теории графов и гиперграфов множество уз лов коммутации сети образуют центры кластеров, а множество рабочих стан ций – висячие вершины.

В теоретико–гиперграфовой интерпретации задача кластерного анализа состоит в том, чтобы в данном гиперграфе выделить множество непересекаю щихся звезд, которые образуют в определенном смысле «наилучшее» покрытие его звездами. В настоящее время этот класс задач в кластерном анализе являет ся еще слабо структурированным.

В то же время, множество узлов коммутации сети (подсети) образуют собой полный граф(клику).

Очевиден изоморфизм представленных выше математических моделей, что позволяет объединить их в единую целостную задачу кластеризации.

Положение 4. Разработан полиномиальный алгоритм выделения возможных комбинаций совокупностей непересекающихся кластеров, об разующих допустимое решение задачи распределения ресурсов.

Представленная выше задача кластеризации после математической фор мализации в терминах теории графов может быть сведена к задаче о покрытии графа k–вершинными подграфами.

Если между всеми объектами (рабочими станциями АИС, финансовыми подразделениями или работниками ССЭС) существуют равнозначные связи, то рассматривается задача о покрытии графа k–вершинными кликами (k–кликами).

Для решения данной задачи разработан алгоритм кластеризации, базирую щийся на моделях и методах теории графов (гиперграфов). Введем необходи мые обозначения.

Для всякого n –вершинного графа, изоморфного множеству объектов за дачи распределения ресурсов и связей между ними (объектами), будем исполь зовать обозначение G = (V,E ) (пример графа G представлен на рис.7).

Рис. 7. Граф G = (V, E ) Подготовительный этап – алгоритма – 1 состоит из L = L(G ) шагов s = 1, 2,..., L, результатом реализации которых является специальный L дольный ориентированный граф (орграф) H = H (G ) = (W, D ) (см. рис. 8), у ко торого множество вершин W = {w} получается следующим образом. Сначала на данном n – вершинном графе G = (V,E ) выделяется множество всех типовых подграфов заданной конфигурации (клики, звезды и др.), в зависимости от ус ловия рассматриваемой задачи. Каждому такому типовому подграфу ставится в соответствие одна гипервершина w p W. Причем, каждая гипервершина w p бу дет включена в определенную долю орграфа H, в зависимости от значения ми нимального индекса соответствующих ей вершин графа G.

Рассмотрим простейший случай покрытия графа G, представленного на рис. 7, 3–сочетаниями (3–кликами). Для графа G, изображенного на рис. выделим все 3–сочетания (3–клики), тогда множество гипервершин будет иметь вид W = {w1, w2,..., w13 }, где w1 = (1, 9,10 ), w2 = (2, 8,13), w3 = (3, 5,12), w4 = (4,11,14 ), w5 = (4,11,15), w6 = (4,14,15), w7 = (6, 7,14), w8 = (6, 7,15), w9 = (6,14,15), w10 = (7,14,15), w11 = (8,12,13), w12 = ( 9,10,13), w13 = (11,14,15).

В результате реализации указанного выше процесса множество W будет разбито на L=9 долей:

W1 = {w1 }, W2 = {w2 }, W3 = {w3 }, W4 = {w4, w5, w6 }, W5 = {w7, w8, w9 }, W6 = {w10 }, W7 = {w11 }, W8 = {w2 }, W9 = {w13 }. (3) • • w w • w •w • •w 1 w1 w • • • w w •w • w3 w • • w Рис. 8. Пример долей кликового гиперграфа H, соответствующих графу G=(V, E) Если для гипервершин wi и w j пересечение множеств соответствующих им вершин графа G пусто, то гипервершины wi и w j соединяются ребром, иначе ребро отсутствует (см. рис.9).

• • w w • w • •w5 • w1 w2 w • • • w w • w3 •w6 w • • w Рис. 9. Гиперграф H Алгоритм является итеративным. Вычислительная схема алгоритма реализуется на базе бинарных матриц, с помощью которых по степени гипер вершин определяются «перспективные» и «неперспективные» гипервершины.

«Неперспективными» считаются те гипервершины, степень связности которых строго меньше величины (n k 1), где k – количество вершин, составляющих типовой подграф покрытия. Для случая покрытия графа 3– сочетаниями это значение равно (n 3 1). Гипервершина, степень которой стро го меньше указанной выше оценки, не может входить ни в одно допустимое решение и потому считается «неперспективной». «Неперспективные» гипер вершины вычеркиваются, что в результате может привести к понижению сте пени оставшихся гипервершин. Процесс повторяется над оставшимися гипер вершинами до тех пор, пока не будет достигнута неподвижная точка – бинар ная матрица, значения которой не меняются в ходе применения алгоритма.

На базе этой неподвижной точки выделяются все допустимые решения задачи кластеризации. Для этого, в качестве первого элемента допустимого решения выбирается любая из оставшихся гипершин w p, что сопровождается вычерки ванием w p и всех несмежных с ней гипервершин. На множестве оставшихся гипервершинах вновь применяется алгоритм, но при этом значение оценки степени гипервершин понижаем на единицу (n k 2). Процесс повторяется до тех пор пока не будет выделено все множество допустимых решений.

На базе специального 9–дольного орграфа H (рис. 9) для представленно го на рис.7 графа G алгоритм выделил 2 допустимых решения 1 = (w1, w2, w3, w4, w8 ), 2 = (w1, w2, w3, w5, w7 ), что соответствует решениям: МДР X = {X 1, X 2 }, где X 1 = ((v1, v9, v10 ), (v 2, v8, v13 ), (v3, v5, v12 ), (v 4, v11, v14 ), (v6, v7, v15 )) ;

X 2 = ((v1, v9, v10 ), (v 2, v8, v13 ), (v3, v5, v12 ), (v 4, v11, v15 ), (v6, v7, v14 )).

• • w w • w • •w5 • w1 w2 w • • • w w • w3 •w6 w1 • • w Рис. 10. Кликовый гиперграф H с выделенным допустимым решением 1 = (w1, w2, w3, w4, w8 ) эквивалентным решению X 1 в обозначениях графа G = (V, E ) В работе представлены математически обоснованные доказательства эф фективности алгоритма кластеризации (трудоемкость алгоритма состав ляет ( ) = O(n 6 ) ).

Таким образом, представленный алгоритм позволяет выделить МДР сформулированной нами задачи кластеризации, на базе которого формируется ПМА.

Положение 5. Предложен новый подход к анализу квазициклов на ба зе методов нелинейной динамики (R/S–анализа, фазового анализа и метода визуализации), учитывающий специфику ряда в ретроспективе.

Информационной базой для разработки специальных методов анализа финансово–хозяйственного состояния организаций и усредненных показателей выполнения налоговых обязательств по видам экономической деятельности служат временные ряды (ВР) налоговых платежей и ВР финансово– экономических показателей, отражающих налоговую базу.

В последнее время налоговые службы США, Канады, Германии и др.

начали экспериментировать с использованием методов интеллектуального ана лиза данных для выявления налогоплательщиков не в полной мере выполняю щих обязательств перед бюджетом. Основное назначение этих методов – авто матизированный поиск ранее неизвестных закономерностей в базах данных, хранящих информацию о деятельности организаций, и использование добытых знаний при принятии решений. К этим методам относятся экспертные системы, нейронные сети, отбор налогоплательщиков по результатам статистического анализа.

В настоящей работе предлагается использовать инструментарий, относя щийся к методам нелинейной динамики, использование которого наряду с эта пом «собственно прогнозирования» предполагает реализацию «предпрогнозно го анализа» рассматриваемых ВР. В–первую очередь, к предпрогнозному инст рументарию относятся фрактальный анализ ВР, фазовый анализ ВР, нечеткие системы. Собственно прогнозирование базируется на клеточных автоматах, а также предполагает использование операции агрегирования.

На базе инструментария нелинейной динамики теоретически возможно построение такой модели, которая позволит спрогнозировать размер налогово го платежа на конец отчетного периода. В случае значительного несоответствия между спрогнозированной величиной и фактическим размером выплаты нало гов предприятием (в сторону уменьшения второго), предприятие должно быть подвергнуто дополнительной проверке на предмет достоверности представляе мой в налоговые органы информации. Отметим, что такой подход возможен только при условии адекватности построенной прогнозной модели и достовер ности ранее представленных в налоговые органы сведений.

В нашем случае предпрогнозный анализ подразумевает исследование ди намики соответствующего ВР. Современные подходы к исследованию этой ди намики сводятся обычно к поиску ответа на вопрос: присутствуют ли в иссле дуемом ВР тренд и циклическая компонента, имеет ли место в нем детермини рованный хаос или скрытая дробная квазипериодичность и т.д.

Термин «квазицикл» используем в случае, когда отсутствует строгое совпадение длин частей циклов, а так же отсутствует равенство числовых зна чений уровней. Данным определением термина «квазицикл» оперируем при ви зуальном исследовании структуры ВР, представленной в виде столбчатой диа граммы.

Для последовательного R/S–анализа (кратко, R/S–анализа) понятие «ква зицикла» тесно связано с понятием глубины памяти. Глубина памяти опреде ляется с помощью алгоритма R/S–анализа, на выходе которого для данного ВР U = {u i }, i = 1, n получаем его R/S–траекторию и H–траекторию. Эти траектории используются нами для определения величины глубины памяти в виде нечет кого множества.

При этом указанная выше точка смены тренда чаще всего пред ставляет собой окончание квазицикла.

На основе проведенных исследований предлагается следующая класси фикация ВР: 1) ВР с четко выраженными квазициклами;

2) ВР с нечетко вы раженными квазициклами.

Для ВР, отнесенных к первому классу характерно четко выраженные ква зициклы, длины которых в точности совпадают по всем трем методам: методу визуализации графического представления уровней ВР (визуальному анализу ВР), последовательному R/S–анализу и фазовому анализу. Доля таких ВР (в множестве исследованных автором настоящей работы) составляет не менее 70%.

Среди ВР первого класса выделим два подкласса, у первого (второго) из которых длина первого квазицикла равна 3 (больше 3).

Среди ВР второго класса, с нечетко выраженными квазициклами, можно выделим два подкласса, которые условно назовем а) «короткие» нечеткие квазициклы б) «длинные» нечеткие квазициклы На рис. 11а – 11г представлены результаты применения визуального ме тода, фрактального и фазового анализа ВР. R/S–анализ (рис. 11б) демонстриру ет наличие «длинного» нечеткого квазицикла. Характерная особенность ВР та кого вида состоит в следующем:

Во–первых, точки H–траектории устойчиво находятся в области черного шума, причем значения ординат этих точек близки к 0,9 (см. рис. 11б).

Во–вторых, R/S–траектория демонстрирует завершение первого квази цикла лишь незначительным отклонением точки смены тренда от линии тренда (см. точку 4 на рис. 11а – 11б). При этом последующие точки R/S–траектории по существу демонстрируют возвращение к линии первоначального тренда (см.

точки 9, 16 на рис. 11а и 11б). Отчетливая смена тренда R/S–траектории проис ходит по завершении второго квазицикла (см. точку 16 на рис. 11а и 11б). Фа зовая траектория (рис. 11в, 11г) отчетливо демонстрирует наличие вложенного квазицикла («петли») (рис.11г), влияние которого пренебрежимо мало и прак тически не влияет на общую тенденцию фазовой траектории ВР U 1. Поэтому концом квазицикла считаем точку под номером 9.

Ui 1 100 0, H-траектория 4 log(R/S);

H(t) 0,6 8 60 7 R/S-траектория 0, 40 4 0, 20 0 0,5 1 1, 1 2 3 4 5 6 7 8 9 1011 121314 151617i log( номер наблюдения t) а) Отрезок столбчатой диаграммы ВР U 1 б) R/S – и H–траектории ВР U u i+ u i+1 3 6 80 2 9 60 40 20 0 ui ui 0 50 100 0 20 40 60 80 в) График фазовой траектории ВР U 1 г) График фрагмента фазовой траектории ВР U Рис. 11. Иллюстрация «длинного квазицикла», полученного в результате применения визуального, R/S–анализа и фазового анализа для ВР U В результате многочисленных экспериментов выявлено, что неопреде ленность в выборе точки конца «памяти», полученная на базе R/S–анализа мо жет быть уточнена с помощью фазового анализа и/или визуального представ ления исследуемого ВР. Одновременное использование всех трех методов (ви зуального метода, R/S–анализа и фазового анализа) значительно повышает точ ность выявляемой численной характеристики циклической компоненты и, как следствие, повышает степень адекватности прогноза.

Положение 6. Оценена адекватность двухуровневой клеточно– автоматной прогнозной модели для временных рядов с выраженным «эффектом памяти».

С целью выявления особенностей динамики «длинных» квазициклов с неоп ределенностью, а также с целью уточнения содержания понятий “срыв с трен да”, “потеря памяти в начале ВР”, “глубина памяти” в настоящем исследовании на базе компьютерных экспериментальных расчетов исследовались эталонные временные ряды (ЭВР), т.е. временные ряды с заданными характеристиками.

Рассматривались два вида ЭВР. Первый вид ЭВР – это временные ряды с явно присутствующей в них циклической компонентой (пример такого ЭВР пред ставлен на рис. 12). Второй вид ЭВР – временные ряды с явно отсутствующей циклической компонентой. В качестве ЭВР второго вида рассматриваются по следовательности цифр, образующие собой числа и e (ряд и ряд e). Рассмат ривалось поведение R/S– и H–траекторий, а также алгоритм клеточного автома та на ЭВР этих двух видов:

Семейство ЭВР первого вида, рассматриваемое в ходе настоящего иссле дования имеет вид X = { x j }, j = 1, 2,..., N, (4) где X состоит из подрядов X k :

X k = {xik }, i = 1, 2,..., 2T t, (5) где T = max{x j } (T = max{xi }), t = min{x j } (t = min{xi }), а k = k (T, t ) является целочис k k ленным и равно величине [N /(2T t )] :

k = k (T, t ) = [N /(2T t )];

(2T t )– длина одного периода ряда X (общее число элементов подрядов X k ).

Объединение подрядов X k совпадает с рядом X : X = U X k, пересечение X k – k пусто: =, а мощность X k = 2T t.

IX k k i 8 E 1 18 Смена тренда 7 0, 0, 6 0, 0, 6 R/S-траектория H-траектория 0, 0, 0, 0, 1 0,1 0 i 1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 Рис. 12. Гистограмма ЭВР 1 Рис. 13. R / S –траектория и H –траектория ЭВР Величина приращения между (i 1) –ым и i ым элементами определяется по формуле 1, если 2(k 1)T i (2k 1)T xi 1 xi = 1, если (2k 1)T i 2k T Геометрическое представление ЭВР 1, изображенное на рис. 12 удовле творяет определению понятия «цикл». R / S – и H –траектории этого ЭВР пред ставлены на рис. 13.

Из визуализации этих траекторий вытекают следующие утверждения:

1. Начиная с точки l = 2T + 4 = 18 в полученной H –траектории появляются отрицательные приращения, демонстрируя тенденцию её ухода из области черного шума (H 0,8), в область белого шума (H 0,6). В этой же точке l = 18 R / S – траектория демонстрирует смену тренда. Таким образом точка l = 18 определяет собой исчерпание первого цикла длины 2T = 14 в точке = 14 и начало нового цикла в точке r = 15. Следует особо отметить тот факт, что R / S –траектория и H –траектория сигнализирует об исчерпании цикла с запаздыванием, точнее говоря, на четыре шага позже, а о начале нового цикла на три шага позже.

2. Точки 4, 6, 8 в H –траектории получили отрицательное приращение, абсолютная величина которых измеряется тысячными долями единицы. При этом в этих точках практически не меняется тренд R / S –траектории. Отсюда с учетом рис.13 можно утверждать, что пренебрежимо малые (не отмечаемые визуально) отрицательные приращения H –траектории можно не принимать во внимание в процессе фрактального анализа ВР.

3. После исчерпания первого цикла ЭВР 1 демонстрирует лишь частичную по терю памяти, которая выражается, прежде всего, в том, что его H – траектория уходит из области черного шума в область белого шума, вместе с тем локальные максимумы этих траекторий с погрешностью в несколько единиц представляют собой нулевые границы циклов и пики циклов.

4. Для ЭВР X k (T,0 ), где T {3,..., 13} были получены результаты, на основании ко торых точку смены тренда M можно вычислить по формуле M = 2T + P, где T –полупериод, а P принимает значение целой части (T + 1) / 2 :

(P = [(T + 1) / 2]).

5. ЭВР и e демонстрируют полное отсутствие «эффекта памяти». Следова тельно, дальнейшее применение алгоритма клеточного автомата на ЭВР и e нецелесообразно.

Было установлено, что не изменяют конфигурацию R/S–траектории рас сматриваемого ВР следующие алгебраические операции для его уровней:

умножение на константу;

сложение с одной и той же константой;

суперпозиция вышеуказанных двух операций В процессе применения алгоритма клеточного автомата к ЭВР первого вида на начальном этапе исходный ЭВР преобразуются в лингвистический ЭВР путем замены числовых элементов ВР (ЛЭВР) u i, i = 1, 2,..., n X лингвистическими переменными из подходящего терм–множества U = {u}.

Например, для ВР налоговых платежей терм–множество U может состоять из 3–х элементов: Н – «низкие», С – «средние», В – «высокие» показатели, т.е.

U = {Н, С, В}(см. рис. 14).

Отрезок ЛЭВР, на базе которого клеточный автомат строит прогноз бу дем называть «базой» для построения прогноза (БПП) или «порождающим» циклом (квазициклом). Под «горизонтом» прогноза понимаем количество уровней ВР, которые можно спрогнозировать на базе линейного алгоритма кле точного автомата.

В результате проведенного исследования были получены следующие ре зультаты:

1. Если БПП состоит из n 2T уровней наблюдений (см. рис.14), то горизонт прогноза Г(U n 2T ) = 0. Это относится как для ВР, с «порождающим» идеальным циклом, так и с порождающим квазициклом.

2. Если БПП для ЭВР вида (4), (5) состоит из n 4T уровней наблюдений, то горизонт прогноза Г(U n l ) =, для случая, когда «порождающим» является идеальный цикл.

В Н Н С 0 С Н СН 1 2 3 4 5 6 7 8 9 В База для Ожидаемый построения прогноз прогноза Точка построения прогноза Рис. 14. Пример лингвистического эталонного ВР Положение 7. Обоснован праксиологический принцип подобия на основе предпрогнозного анализа налоговых временных рядов.

Настоящее положение является результатом экспериментального иссле дования, проведенного на базе последовательного R/S–анализа и фазового ана лиза. Суть данного исследования – сравнительный предпрогнозный анализ ди намики двух эволюционных процессов: базового ВР объемов отгруженной про дукции и ВР налоговых платежей. Этот анализ иллюстрируется на примере конкретных статистических данных одного из агропромышленных предпри ятий РФ.

Структура производных взаимосвязей рассматриваемых ВР, учитывая источники и налоговую базу, представлена в виде ориентированного графа, изображенного на рис.15.

Каждый из представленных выше налогов исчисляется по фиксирован ным процентным ставкам в налоговые органы РФ, что в идеале, учитывая вы шеуказанную взаимосвязь между рассматриваемыми рядами Z 1, Z 2, …, Z 9, предполагает наличие общих тенденций и подобия в динамике всех этих ВР.

Однако, на практике готовая продукция – это не всегда реализованная (отгру женная) продукция. Часть ее так и остается на складе нереализованной. А от груженная продукция – это не всегда выручка, ибо иногда партнеры по бизне су оказываются не в состоянии выплатить долг в срок. К тому же случаются ситуации, при которых сумма к уплате за отгруженную продукцию (так назы ваемая дебиторская задолженность) «зависает» на счетах предприятия на дли тельный срок, а иногда и не погашается вовсе.

В результате проведенного статистического анализа исследуемых ВР:

графиков эмпирических функций распределения случайной величины уровней рассматриваемых ВР, числовых значений математического ожидания, диспер сии, среднеквадратичное отклонение, коэффициентов вариации, асимметрии и эксцесса сделаны выводы о неподчинении рассматриваемых ВР нормальному закону распределения, что является причиной низкой информативности полу ченных статистических оценок, а также низкой «прогнозируемости» рассмат риваемых ВР классическими методами.

1 2 3 5 6 Рис.15. Структура системы производных взаимосвязей вида «налог и его база налогообложения», где для вершин орграфа установлено следующее соответствие:

1 – готовая продукция (ГП);

2 – отгруженная продукция (ОП);

3 – выручка;

4 – НДС;

5 – прибыль;

6 – фонд заработной платы;

7 – налог на прибыль (НП);

8 –единый социальный налог (ЕСН);

9 – налог на доход физических лиц (НДФЛ) С целью восполнения этого недостатка (т.е. выбора более адекватного метода прогнозирования) осуществлен предпрогнозный анализ одной пары временных рядов отгруженной продукции (ОП) Z 2 и НДС Z 4.

Отметим также, что НДС считается налогом с наиболее стабильной налоговой базой, причем, налогом, наиболее пропорциональным этой базе, а ВР ОП является ключевым в налоговой базе для исчисления НДС.

hp qp 45% 70% 40% 60% 35% 50% 30% ВРН С Д 25% 40% ВР НДС ВРОП 20% 30% ВР ОП 15% 20% 10% 10% 5% p-длина p-длина 0% 0% квазицикла квазицикла 1 2 3 4 5 6 7 8 9 10 11 1 2 3 4 5 6 7 8 9 а) Последовательный R/S – анализ б) Фазовый анализ Рис. 16. Графические изображения процентного соотношения длин квазициклов для ВР НДС и ВР ОП, полученные с помощью R/S – анализа и фазового анализа Введены следующие обозначения:

p – длина квазицикла;

h p – частота появления квазициклов длины p в ряде Z r, r = 1, 9 (в r процентном выражении) для проведенного R/S–анализа;

q r – частота появления квазициклов длины p в ряде Z r, r = 1, 9 (в p процентном выражении) для проведенного фазового анализа.

Для ВР ОП и ВР НДС рассматриваем статистику пар ( p, h p ) и ( p, h 3 ), p ( p, q 2p ) и ( p, q 3p ), полученных по результатам R/S–анализа, а также пар полученных по результатам фазового анализа. Сводное представление этих пар изображено на рис. 16.

Для более строго определения термина «подобие», в контексте настоящей работы, были выбраны и представлены критерии степени «подобия». В каче стве таких критериев предлагаются следующие динамические характеристики временных рядов: цикличность (устойчивое совпадение длин квазициклов), пе риодичность, а также локальные максимумы и локальные минимумы рассмат риваемых графиков процентных соотношений длин квазициклов. Под степенью «подобия» двух ВР Z r, Z r будем понимать вектор 1 (Z r, Z r ) = ( h (Z r, Z r ), q (Z r, Z r )), (6) 1 2 1 2 1 где ( ) ( ) min br1, br2 min br1, br h h q r1 q r r1 r p p p p h (Z r, Z r ) = ( ) p =1 p = q Z r1, Z r2 =,, (7) 1 100% 100% ( ( )) ( ( )) br1 = max p Z r1, br2 = max p Z r2 ;

в графическом изображении на рисунке 16 представленные в (7) разности h p h p и q r q r отражают собой расстояния между точками p на соответст r r 1 2 1 p p вующих графиках а) и б).

Определение 1. Два ВР Z r, Z r будем считать «подобными», если вычис 1 ленная согласно (6), (7) степень «подобия» этих рядов d (Z r, Z r ), d {h, q} не 1 превосходит 13 : d (Z r, Z r ) 13, d {h, q}.

1 Для рассматриваемых конкретных ВР НДС и ВР ОП на основании (6) и (5) вычисляем степень их подобия (Z 3, Z 2 ) = ( h (Z 3, Z 2 ), q (Z 3, Z 2 )) = (0,31;

0,29).

~ ~ ~ (8) Из (8) следует, что согласно введенному нами в определении 1 праксио логическому принципу «подобия», для ВР НДС и ВР ОП имеет место «подо бие» динамических характеристик. Из чего можно сделать вывод о корректном отчислении НДС на данном предприятии за анализируемый период времени.

Положение 8. Разработана методика анализа «очень коротких» вре менных рядов на базе графов и матриц подобия (метод визуализации).

Одной из ключевых проблем современной прогностики, наряду с про блемой «нелинейности» социально–экономических процессов, является про блема коротких временных рядов. Зачастую, информации, которой располагает исследователь в процессе построения прогнозной модели, оказывается просто недостаточно. Так, например, в условиях современной России, в которой пла новая экономика относительно недавно сменилась рыночными отношениями, в налоговых инспекциях по многим предприятиям не всегда накоплен необходи мый объем статистических данных.

Прибыль (Убыток) от в ыбытия Налоги (за искл. налога на прибыль) и снижения стоимости актив ов x x 3 млн. руб.

2,5 млн. руб.

2 1,5 1 0, 1 2 3 4 1 2 3 4 1 1 2 3 4 1 2 3 4 1 кв. кв. кв. кв. кв. кв. кв. кв. кв. кв.

кв. кв. кв. кв. кв. кв. кв. кв. кв. кв.

2008 г. 2009 г. 2010 г.

2008 г. 2009 г. 2010 г.

Рис. 17 – Графическое представление двух временных рядов основных показателей для предприятия p Рассматривались налоговые временный ряды по 27 предприятиям РФ, длина которых не превышала 12 значений, начиная с 3–го квартала 2008 г. и заканчивая 4–кварталом 2009 г. или 1–м, 2–м кварталом 2010 г. (рис.17, табл.2).

Таким образом, исходные данные для предпрогнозного анализа представ ляют собой короткие, точнее, “очень короткие” временные ряды длины n12.

Для первичного прогнозного анализа списка рассматриваемых показате лей была выделена группа основных налоговых x9, x20, x22, x54, x55, x и прочие показателей x1, x2, x12, x13, x23, x25, x71, x72, x73.

Таблица 2 – Перечень «основных» экономических, финансовых и налоговых показа телей предприятия–налогоплательщика Основные показатели финансово–экономической деятельности x1 Выручка от реализации (млн.руб) x2 Продажи (включая акцизные сборы и экспортные тарифы) (млн. руб.) Затраты и прочие расходы x9 Налоги (за искл. налога на прибыль) (млн. руб.) x12 Прибыль (Убыток) от выбытия и снижения стоимости активов (млн. руб.) x13 Прибыль от основной деятельности x20 Итого текущий налог на прибыль (млн. руб.) x22 Итого налог на прибыль (млн. руб.) x23 Чистая прибыль (млн. руб.) x25 прибыль до налогообложения (млн. руб.) Налоги x54 Соц. налоги и отчисления (млн. руб.) x55 в т.ч. в России (млн. руб.) x56 в т.ч. за рубежом (млн. руб.) x71 Экспорт и продажи на международных рынках кроме стран СНГ (млн. руб.) x72 Экспорт и продажи в странах СНГ (млн. руб.) x73 Продажи на внутреннем рынке (млн. руб.) Рассматривались шесть предприятий–налогоплательщиков, занумерован ных следующим образом: p01 (предприятие группы p);

s01, s02, s03, s04 (пред приятия группы s);

vik.

В целях визуализации временных рядов основных показателей были по строены столбчатые диаграммы (см. пример на рис. 17).

Предлагается использовать метод установления признака наличия или от сутствия подобия динамики рассматриваемых пар вида «ВР налогового показа теля (НП)» – «ВР прочих показателей (ПП)», который для краткости назовем метод подобия динамик НП – ПП или метод ПДНП. Наличие подобия в такой паре показателей отражаем в виде отрезка, соединяющего обозначения этих по казателей, представленных специальными графами в виде нижеследующего ри сунка 18. Эти графы по существу являются двудольными, где левая доля пред ставляет основные «прочие показатели», а правая – «налоговые показатели».

Пунктирный отрезок означает наличие слабого подобия, отсутствие от резка означает однозначное отсутствие подобия. Строго говоря, каждый такой граф можно назвать термином «граф наличия подобия временных рядов для пар показателей».

Аналогично строятся графы ПДНП для остальных предприятий.

p прочие ВР налог. ВР x1 x x2 x x12 x x13 x x23 x x25 x x71 x x x Рис. 18. Граф наличия подобия временных рядов пар основных показателей для предприятия p В контексте понятия «степень подобия» естественно говорить о 100%– подобии в случае, когда рассматриваемый граф является полным. Отсюда, для предприятия { p01, s01, s 02, s 03, s 04} представляется естественным степень подобия выражать численно в виде отношения мощностей двух множеств = E E, где E – множество ребер в рассматриваемом двудольном графе G = (Vп, Vн, E ), Vн – множество вершин, представляющих налоговые показа тели, Vп – множество вершин, представляющих прочие показатели;

E – множе ство ребер этого же графа в случае, если бы он был полным, т.е. мощность E = Vп Vн. Например, для графа на рис. 17 эти мощности равны: E p 01 = 5 ;

E p 01 = 70 ;

Отсюда получаем следующее значение степени подобия динамики основ ных «налоговых показателей» и «прочих показателей» для предприятия p01 :

p 01 = 5 70 = 0, Если эту степень подобия представлять в процентах, то показатели подо бия принимают значения p 01 = 5, 7%.

Аналогично оценивается степень наличия подобия в случае, если рас сматриваются не основные показатели.

На базе предложенного метода ПДНП, эксперт или рабочая группа нало гового органа могут создать эталонные графы ПДНП, на базе которых рассчи тываются допустимые значения показателей ПДНП. Значительное отклоне ние величины от эталона может служить основанием налоговому инспекто ру для включения соответствующего предприятия–налогоплательщика в список потенциальных претендентов на выездную проверку.

Для предприятия vik в процессе анализа было выявлено два принципи ально важных отличия его показателей от показателей групп s, p. Во–первых, предприятие vik имеет 119 показателей. Во–вторых, динамика показателей группы vik отличается существованием высокой степени подобия динамики его показателей. Множество всех 119 показателей vik можно разбить на групп таких, что все показатели, относящиеся к одной группе, имеют наличие либо «сильного подобия», либо «слабого подобия». Иными словами, граф групп подобия, построенный на множестве, соответствующих показателей од ной группы является полным. Этот граф удобно представлять в виде матрицы подобия. Множество строк и множество столбцов этой матрицы имеют взаим нооднозначное соответствие множеству показателей 1–й группы. Пересечение строки и столбца образуют клетку, которая окрашивается в черный цвет, если динамика показателя строки «подобна» динамике показателя столбца. В про тивном случае (наличие «слабого подобия») – эта клетка окрашивается в серый цвет. Клетки главной диагонали окрашиваем в белый цвет, считая неинформа тивным «подобие» показателя самому себе.

Представляя матрицу «подобия» (см. рис. 19) мы тем самым обозначе ниями строк или столбцов представляем состав групп, «подобных показателей» предприятия vik.

В подавляющем большинстве групп показателей предприятия vik имеет место «сильное подобие» и «слабое подобие» соответственно ~50% на ~50%.

x42 x108 x109 x110 x111 x сильное подобие x (56%) x x слабое подобие x (28%) x x Рис. 19. Хроматическая таблица степени подобия показателей 12–ой группы показателей предприятия vik Представленные методы визуализации динамики «очень коротких» ВР «налоговых показателей» и «прочих показателей» призваны облегчить задачу налоговому инспектору на начальном этапе выбора предприятий– налогоплательщиков для выездных проверок. Данные методы позволяют быст ро оценить пропорциональность уплачиваемых налогов в легко воспринимае мой человеком форме, по сравнению с числовым эквивалентом этих ВР. Про граммная реализация этих методов в АИС налогового органа может носить ре комендательный характер и способна значительно сократить время на обработ ку исходной информации.

ОСНОВНЫЕ ВЫВОДЫ И ПРЕДЛОЖЕНИЯ В работе получены научно–обоснованные экономико–математические и методологические решения, направленные на создание информационных сис тем поддержки принятия решений в сложных социально–экономических сис темах (в приложении к проблеме взаимодействия системы налоговых органов и АПК), позволяющие сделать следующие выводы и предложения:

Осуществлена структуризация проблемы взаимодействия сложной социаль но–экономической системы с отдельными сегментами ее внешней среды в приложении к системе налоговых органов и АПК. Показано соответствие системы налоговых органов всем классификационным признакам сложной социально–экономической системы.

Обоснована необходимость внедрения типовых конфигураций структурных подразделений налоговых органов, специализирующихся на отдельных категориях налогоплательщиков, а также применения современных экономико–математических методов, основанных на теории клеточных автоматов, нелинейной динамики и детерминированного хаоса в анализе налоговой отчетности предприятий АПК, в связи с низкой прогностической способностью используемого в настоящее время инструментария теории вероятностей и математической статистики.

В отличие от предыдущих исследований, проблема выделения типовых конфигураций структурных подразделений системы налоговых органов, спе циализирующихся на отдельных видах налогоплательщиков, в том числе и на предприятиях аграрной сферы, в представленном исследовании рассматривает ся в рамках задачи распределения ресурсов.

Разработана концептуальная модель аналитической подсистемы системы поддержки принятия решений (АП СППР) налоговых органов. В основе предлагаемой аналитической подсистемы лежит система логически и алгоритмически связанных между собой моделей, возникающих на каждом уровне иерархии и объединенных общесистемной целью. Концептуальная модель данной АП СППР предполагает наряду с дифференциацией моделей по уровням иерархии, открытость, что позволит интегрировать ее с внешними приложениями для получения данных и для выгрузки результатов поиска рационального решения по всем уровням иерархии системы налоговых органов. Предлагаемая модель АП СППР может иметь определенную отраслевую направленность, в том числе и на АПК.

Рассматриваются три приложения экономико–математической модели рас пределения ресурсов: построение эффективной корпоративной сети, рацио нальных финансовой и штатной структур сложной системы с иерархиче ской структурой управления. Математическая формализация проблемы рас пределения ресурсов позволила свести три её аспекта в единую целостную задачу кластеризации;

в части построения целевых групп исполнителей, представлена авторская модель целевой функции, базирующаяся на методах соционического типирования.

Для решения задачи распределения ресурсов разработан авторский полино миальный алгоритм кластеризации, базирующийся на методологии теории графов, в частности, малоизученного подхода гиперграфов. В основе вы числительной схемы алгоритма кластеризации лежат алгебраические опе рации над целочисленными и бинарными матрицами.

Для целей стратегического планирования (прогнозирования) экономиче ских показателей предприятий–налогоплательщиков АПК предлагается использовать двухуровневую клеточно–автоматную прогнозную модель.

Первый уровень которой – предпрогнозный анализ, проводится с помощью алгоритма R/S–анализа и метода нормированного размаха Херста. Второй уровень – непосредственно прогнозирование на базе алгоритма клеточного автомата.

В предыдущих исследованиях динамических характеристик временных рядов методом R/S–анализа и нормированного размаха Херста не рассмат ривалась проблема нечетко выраженных квазициклов. В настоящей работе выделены классы временных рядов с нечетко выраженными квазициклами, а также предложена процедура повышения точности выявления величины нечеткого множества глубины памяти временного ряда на первом уровне клеточно–автоматной прогнозной модели. Данный подход нацелен на формирование методической базы знаний, позволяющей компьютеризиро вать обработку информации в той части двухуровневой клеточно– автоматной модели, в которой до сих пор была предусмотрена процедура экспертной оценки величины циклической компоненты.

Проведено исследование эталонных временных рядов (ЭВР), позволившее выявить особенности динамики квазициклов с неопределенностью, а также уточнить понятия “срыв с тренда”, “потеря памяти в начале ВР”, “глубина памяти”. Установлено, что для ЭВР точка смены тренда R/S–траектории наблюдается при наличии существенного лага. Впервые получены числен ные характеристики на базе выявленной функциональной зависимости длины лага от величины циклической компоненты ЭВР. Проведенный ана лиз эталонных временных рядов позволил также сделать вывод о коррект ности (по основным позициям) вычислительной схемы двухуровневой кле точно–автоматной прогнозной модели для временных рядов с выражен ным эффектом памяти. Определена минимальная возможная длина вре менного ряда на входе алгоритма клеточного автомата.

Осуществлен сопоставительный анализ рядов динамики налоговых посту плений с соответствующими рядами динамики налоговой базы. В развитие предыдущих исследований в области нелинейной динамики (фрактального и фазового анализа) введен праксиологический принцип «подобия», по зволяющий выявлять закономерности, обоснованности тенденций в дина мике временных рядов налоговой и бухгалтерской отчетности предпри ятий – налогоплательщиков АПК. На базе введенного принципа «подобия» предложено осуществлять предпроверочной анализ налоговых отчислений с целью отбора предприятий–налогоплательщиков для выездных проверок.



Pages:   || 2 |
 

Похожие работы:





 
2013 www.netess.ru - «Бесплатная библиотека авторефератов кандидатских и докторских диссертаций»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.