Журнал "РИСК: Ресурсы, Информация, Снабжение, Конкуренция" 2 / 2023

DOI: 10.56584/1560-8816-2023-2-138-143

УДК 336.226.12

ПРОГНОЗИРОВАНИЕ НАЛОГОВЫХ ПЛАТЕЖЕЙ НА ОСНОВЕ НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ

Бобков И. А.,

соискатель кафедры инновационной экономики, финансов и управления проектами, Московский авиационный институт (национальный исследовательский университет) МАИ, Москва, Россия

Бурдина А. А.,

д.э.н., проф., профессор Департамента налогов и налогового администрирования Факультета налогов, аудита и бизнес-анализа, Финансовый университет при Правительстве Российской Федерации, Москва, Россия

Нехрест-Бобкова А. А.,

к.э.н., преподаватель кафедры инновационной экономики, финансов и управления проектами, Московский авиационный институт (национальный исследовательский университет) МАИ, г. Москва, Россия

Tax payment forecasting based on neural network modeling

Bobkov I. A.,

Applicant of the Department of Innovative Economics, Finance and Project Management, Moscow Aviation Institute (National Research University) MAI, Moscow, Russia

Burdina A. A.,

Doctor of Economics, Professor, Professor of the Department of Taxes and Tax Administration of the Faculty of Taxes, Audit and Business Analysis, Financial University under the Government of the Russian Federation, Moscow, Russia

Nekhrest-Bobkova A. A.,

Candidate of Economics, Lecturer at the Department of Innovative Economics, Finance and Project Management, Moscow Aviation Institute (National Research University) MAI, Moscow, Russia

Аннотация. Основными направлениями деятельности ФНС России в 2023 г являются развитие инструментов риск-анализа и дистанционного автоматизированного контроля. Обосновано усиление мониторинга и контроля со стороны налоговых органов. Планируется сформировать комплексную интегрированную цифровую систему налогового контроллинга. Проведён анализ поступлений налогов в бюджетную систему, прибыли организаций, ВВП, динамики количества организаций и ИП. Обосновано, что огромное количество нормативных правовых актов, изменений в области налогообложения, приводят к рискам и неопределённости, ведут к сокращению хозяйствующих субъектов, к сокращению ВВП и стратегическому риску для бюджета по собираемости налогов в будущем. Разработана нейросетевая модель прогнозирования собираемости налогов и ВВП на основе ретроспективной статистики.

Ключевые слова: действительные налоговые обязательства, налоговые риски, налоговая безопасность, прогнозирование, ВВП, налоговые платежи, нейронные сети, семантический анализ, NLP

Abstract. The main activities of Russian Federal Tax Service in 2023 are the development of risk analysis tools and remote control automatization. The monitoring and control strengthening by the tax authorities is justified. It is planned to form a comprehensive integrated digital tax system An analysis of tax revenues to the budget system, profits of organizations, GDP, dynamics of the number of organizations and individual entrepreneurs was conducted. It is substantiated that a huge number of regulatory legal acts, changes in the field of taxation, lead to risks and uncertainty, lead to a reduction in economic entities, to a reduction in GDP and a strategic risk for the budget in terms of tax collection in the future. A neural network model for forecasting the collection of taxes and GDP based on retrospective statistics has been developed.

Keywords: actual tax liabilities, tax risks, tax security, forecasting, GDP, tax payments, neural networks, semantic analysis, NLP

Библиографический список:

1. Официальный сайт Федеральной налоговой службы Российской федерации. URL: https://www.nalog.gov.ru (Дата обращения: 17.04.2023).

2. Налоговые риски государства в современных экономических условиях: монография / коллектив авторов; под ред. Л.И. Гончаренко и А.В. Тихоновой. – Москва: КНОРУС, 2022 – 220 с.

3. Эволюция налоговой политики России: монография / Н.И. Малис, Л.П. Грундел, Д.И. Ряховский, А.В. Гурнак; под ред. Н.И. Малис, - 2-е изд. – Москва: Издательско-торговая корпорация «Дашков и Ко», 2022. – 274 с.

4. Принципы налогообложения для цифровой экономики / Вишневский В.П., Гончаренко Л.И., Дементьев В.В., Гурнак А.В. / Terra Economicus. - 2022. - Т. 20, № 2. - С. 59-71.

5. Тихонова А.В. Теоретические основы построения системы налогообложения населения // Теоретическая и прикладная экономика. - 2022. - № 1. - С. 25-39.

6. Steven Bird, Ewan Klein, and Edward Loper Natural Language Processing with Python. - O’Reilly Media, Inc. 2009

7. Dipanjan Sarkar Text Analytics with Python. – Apress, 2019

8. Нейронные сети в прикладной экономике: [учеб. пособие] / Е. А. Трофимова, Вл. Д. Мазуров, Д. В. Гилёв; [под общ. ред. Е. А. Трофимовой]; М-во образования и науки Рос. Федерации, Урал. федер. ун-т.— Екатеринбург: Изд‑во Урал. ун-та, 2017. – 96 с.

9. Xu, X. and Zhang, Y. (2022), "Rent index forecasting through neural networks", Journal of Economic Studies, Vol. 49 No. 8, pp. 1321-1339. https://doi.org/10.1108/JES-06-2021-0316

10. Pavi´cevi´c M.; Popovi´c, T. Forecasting Day-Ahead Electricity Metrics with Artificial Neural Networks. Sensors 2022, 22, 1051. https://doi.org/10.3390/s22031051