Нейросетевое моделирование в бюджетно-налоговой системе регионального и муниципального уровней тема диссертации и автореферата по ВАК РФ 08.00.13, доктор экономических наук Бирюков, Александр Николаевич
- Специальность ВАК РФ08.00.13
- Количество страниц 432
Оглавление диссертации доктор экономических наук Бирюков, Александр Николаевич
ОГЛАВЛЕНИЕ.
СПИСОК ВСТРЕЧАЮЩИХСЯ УСЛОВНЫХ СОКРАЩЕНИЙ И
ОБОЗНАЧЕНИЙ.
ВВЕДЕНИЕ.
1. ОБЗОР И АНАЛИЗ ВОЗМОЖНОСТЕЙ ИНТЕЛЛЕКТУАЛЬНОГО МОДЕЛИРОВАНИЯ В БЮДЖЕТНО-НАЛОГОВОЙ СИСТЕМЕ РЕГИОНАЛЬНОГО И МУНИЦИПАЛЬНОГО УРОВНЕЙ.
1.1. Бюджетно-налоговая система как составляющая бюджетно-налогового федерализма России.
1.2. Разработка когнитивной мультиагентной модели финансовых и информационных потоков в бюджетно-налоговой системе регионального и муниципального уровней. Формулировка целей моделирования.
1.2.1. Когнитивная карта.44 *
1.2.2. Формулировка целей моделирования.
1.2.3. Особенности постановок задач нейромоделирования.
1.3. Специфические условия моделирования бюджетно-налоговой системы регионального и муниципального уровней.
1.4. Обзор традиционных подходов и моделей для трудно формализуемых*^ , экономических систем. Применение интеллектуальных экспертных систем.
1.4.1. Применение традиционных методов математического моделирования
1.4.2. Системы искусственного интеллекта. Экспертные системы.
1.5. Некоторые примеры использования интеллектуальных ЭСС в зарубежных налоговых системах.
1.6. Формулировка проблемы, решаемой в диссертации.
2. РАЗРАБОТКА КОНЦЕПТУАЛЬНОГО БАЗИСА КАК ЛОГИЧЕСКОЙ ОСНОВЫ НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ БЮДЖЕТНО-НАЛОГОВОЙ СИСТЕМЫ РЕГИОНАЛЬНОГО И МУНИЦИПАЛЬНОГО УРОВНЕЙ.
2.1. Основные понятия и определения. Цель разработки концептуального базиса.
2.2. Комбинированный системно - синергетический - информационный подход к исследованию сложных организационных систем.
2.2.1. Нейросетевая модель как математико-информационная модель.
2.2.2. Сущность системно - синергетического - информационного подхода к исследованию сложных систем.
2.3. Концепция построения модели «обобщенной производственной функции» для кластера налогоплательщиков на основе закона энтропийного равновесия и фонового закона.
2.3.1. Закон энтропийного равновесия в открытой информационной системе .:
2.3.2. Фоновая закономерность.
2.3.3. Формулировка концепций 1 и 2 сравнения показателей состояния^ предприятий-налогоплательщиков с «эталонным» фоном.
2.4. Концепция 3 байесовской регуляризации обучения нейросетей на основеЛч; общесистемного закона неполного подавления дисфункций структурируемой ; системы.
2.4.1. Закон подавления дисфункций при структурировании информационной системы и необходимость их парирования.
2.4.2. Формулировка концепции 3 регуляризации нейросевой модели на основе байесовского ансамбля нейросетей.
2.5. Концепция 4 взаимосвязанного управления информативностью данных и качеством их аппроксимации в нейросети для обеспечения состоятельности процедуры регуляризации на основе закона роста и убывания энтропии.
2.5.1. Проблема обеспечения состоятельности процедуры регуляризации нейросети.
2.5.2. Формулировка концепции 4.
2.6. Концепция 5 учета неопределенности в оценке отклонений показателей налогоплательщиков от эталонной поверхности на основе вероятностного и фрактального подходов.
2.6.1. Двойственная природа больших отклонений как результат неполного подавления дисфункций структурируемой математико-информационной системы.
2.6.2. Вероятностный подход к оценке неопределенности в задаче ранжирования налогоплательщиков.
2.6.3. Фрактальный подход к оценке неопределенности в задаче ранжирования налогоплательщиков.
2.6.4. Формулировка концепции 5 синтеза оптимального плана отбора налогоплательщиков для выездных проверок.
2.7. Концепция 6 создания модели распределения фонда материального развития муниципальных учреждений.
2.7.1. Формулировка экономической концепции трёхуровневой системы распределения субвенций.
2.7.2. Модель верхнего уровня I распределения субвенций муниципальным образованиям.
2.7.3. Модель среднего уровня II распределения фонда материального развития (ФМР) между МО.
2.8. Концепция 7 планирования расходной части муниципального бюджета с учетом риска выхода за границы доверительных интервалов прогнозных оценок.
2.9. Концепция 8 декомпозиционного подхода к построению модели поддержки принятия решений по налоговому регулированию.
3. ИССЛЕДОВАНИЕ УСТОЙЧИВОСТИ НЕЙРОСЕТЕВОЙ МОДЕЛИ ВОССТАНОВЛЕНИЯ МНОГОФАКТОРНЫХ ЗАВИСИМОСТЕЙ. РАЗРАБОТКА ПРИБЛИЖЕННЫХ БАЙЕСОВСКИХ МЕТОДОВ РЕГУЛЯРИЗАЦИИ НЕЙРОСЕТЕВОЙ МОДЕЛИ ДЛЯ УСЛОВИЙ СИЛЬНОГО
ЗАШУМЛЕНИЯ ДАННЫХ С НЕИЗВЕСТНЫМ ЗАКОНОМ РАСПРЕДЕЛЕНИЯ ШУМОВ.
3.1. Обобщенная постановка задачи восстановления многофакторных зависимостей, скрытых в данных.
3.1.1. Некорректность обратной задачи.
3.1.2. Предварительные замечания по регуляризации нейросетевых моделей
3.1.3. Взаимосвязь ошибки обобщения и регуляризации нейросети.
3.2. Обобщенная постановка задач ранжирования.
3.3. Вычислительные модельные эксперименты по анализу устойчивости нейросетевых моделей.
3.3.1. Методика вычислительных экспериментов по устойчивости нейросетевой модели.
3.3.2. Обсуждение вычислительных экспериментов. Обобщения. Парирование больших возмущений в данных.
3.4. Корректная постановка обратных задач восстановления многофакторных зависимостей (задач интерпретации) и понятие регуляризации по А.Н. Тихонову.
3.4.1. Основные понятия и определения.
3.4.2. Введение обратных задач интерпретации в класс условно корректных по А.Н. Тихонову.
3.4.3. Понятие квазирешения.
3.4.4. Принцип регуляризации для задач интерпретации.
3.4.5. Задача о квазиминимизации и регуляризирующий алгоритм для задач интерпретации.
3.4.6. Понятие стабилизатора А.Н. Тихонова и связанные с ним обобщенно-корректные постановки обратных задач.
3.5. Использование сглаживающего функционала А.Н. Тихонова для задачи восстановления многомерных нелинейных зависимостей в МЬР и ЯВР сетях
3.5.1. Приближенный метод регуляризации МЬР-нейросетей в задаче восстановления с использованием стабилизатора Тихонова.
3.5.2. Регуляризация ИВР-сетей.
3.6. Байесовский подход к регуляризации нейросетевых моделей восстановления многофакторных зависимостей.
3.6.1. Постановка задачи и её особенности.
3.6.2. Обучение по Байесу. Основные понятия. Регуляризация обучения.
3.6.3. Связь между ошибкой обобщения и минимальной длиной описания в байесовском подходе.
3.6.4. Итерационный процесс байесовского обучения (ЕМ - алгоритм).
3.6.5. Байесова аппроксимация функций без кросс-валидации.
3.7. Оригинальный приближенный метод байесовской регуляризации обучения нейросети при сильном зашумлении данных с неизвестным законом распределения шумов.
4. РАЗРАБОТКА НЕЙРОСЕТЕВОГО МЕТОДА ВЛОЖЕННЫХ МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ ДЛЯ ИДЕНТИФИКАЦИИ НАРУШЕНИЯ НАЛОГОВОГО ЗАКОНОДАТЕЛЬСТВА НА СТАДИИ КАМЕРАЛЬНЫХ ПРОВЕРОК В ПОДСИСТЕМЕ НАЛОГОВОГО КОНТРОЛЯ.
4.1. Зарубежный опыт отбора налогоплательщиков.
4.2. Возможность использования зарубежного опыта налогового контроля в России.
4.2.1. Особенности технологии камеральных налоговых проверок в России
4.2.2. Ограничения для использования зарубежных методик отбора налогоплательщиков в России.
4.2.3. Предложения ФНС по использованию зарубежного опыта в технологиях камеральных проверок.
4.3. Обзор зарубежных и отечественных математических моделей налогового контроля.
4.4. Метод вложенных математических моделей, основанный на взаимосвязанном управлении информативностью данных и качеством их аппроксимации в байесовском ансамбле нейросетей.
4.4.1. Логическая схема МВММ.
4.4.2. Алгоритм 1.1 априорного экспертного выбора типа нейросети, её архитектуры, активационных функций и алгоритма обучения.
4.4.3. Алгоритм 1.2 квазиоптимальной процедуры «дообучения экспертов» при спецификации переменных.
4.4.4. Алгоритм нормировки и фильтрации, независимых переменных по их статистической значимости.
4.4.5. Алгоритм 1.4 удаления из данных противоречивых вектор - строк (примеров) наблюдений по критерию Липшица.
4.4.6. Алгоритм 1.6 оптимальной итерационной очистки данных от аномальных точек при обучении сети с использованием вспомогательных, нейросетевых моделей.
4.4.7. Алгоритм 1.7 «ремонта» вектор-столбцов данных в кластерах.224,
4.4.8. Алгоритмы 11.1 - Н.6 для подмодели II в рамках МВММ-метода
4.5. Вычислительные эксперименты по апробации метода МВММ.
4.5.1. Вычислительные эксперименты по алгоритму 1.5 оптимальной-: итерационной кластеризации данных (серия 1).
4.6. Вычислительные эксперименты по алгоритму 1.6 оптимальной итерационной очистки образованных кластеров данных от аномальных точек (серия 4).
4.7. Вычислительные эксперименты по алгоритму 1.7 «ремонта» вектор-столбцов данных (серия 5).
5. РАЗРАБОТКА ГИБРИДНОГО МЕТОДА СИНТЕЗА ОПТИМАЛЬНОГО ПЛАНА ВЫЕЗДНЫХ НАЛОГОВЫХ ПРОВЕРОК НА ОСНОВЕ НЕЙРОСЕТЕВОГО МЕТОДА ВЛОЖЕННЫХ МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ ДЛЯ ПОДСИСТЕМЫ НАЛОГОВОГО ПЛАНИРОВАНИЯ.
5.1. Анализ известных подходов к синтезу оптимальных планов налоговых проверок.
5.2. Гибридный метод синтеза оптимального плана выездных налоговых проверок.
5.2.1. Модификации I метода на основе предположения о нормальном законе распределении отклонений.
5.2.2. Модификация II метода на основе фрактального подхода.
5.3. Вычислительные и натурные эксперименты по верификации метода синтеза оптимального плана выездных проверок.
5.3.1. Вычислительные эксперименты.
5.3.2. Верификация нейросетевых моделей на основе натурных экспериментов.
5.3.3. Оценка адекватности ГНСМ путем ее сравнения с альтернативной непараметрической моделью Estimation Tax.
6. РАЗРАБОТКА НЕЙРОСЕТЕВОГО МЕТОДА ИТЕРАЦИОННОЙ КЛАСТЕРИЗАЦИИ С СЕЛЕКЦИЕЙ ПРИЗНАКОВ И БАЙЕСОВСКОЙ , РЕГУЛЯРИЗАЦИЕЙ ДЛЯ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ В ПОДСИСТЕМЕ НАЛОГОВОГО РЕГУЛИРОВАНИЯ. РАЗРАБОТКА „ НЕЙРОНЕЧЕТКОГО МЕТОДА ОЦЕНКИ ФИНАНСОВОГО СОСТОЯНИЯ" НАЛОГОПЛАТЕЛЬЩИКОВ.
6.1. Обобщенная постановка задачи кластеризации. Анализ известных подходов к разработке байесовских классификаторов.
6.1.1. Предварительные замечания по прикладным аспектам моделей кластеризации для подсистемы налогового регулирования.
6.1.2. Элементы теории классификации на основе байесовского подхода к принятию решений.
6.1.3. Байесовский классификатор для нормального распределения признаков.
6.2. Разработка байесовского итерационного метода кластеризации на основе селекции признаков.
6.2.1. Алгоритм метода.
6.2.2. Квазибайесовский метод (КБМ) регуляризации нейросетевого кластеризатора.
6.2.3. Фильтрация нейросетей-гипотез для случая А.
6.2.4. Фильтрация нейросетей-гипотез для случая Б.
6.3. Оптимизация числа образуемых кластеров.
6.4. Регуляризация задачи кластеризации для гауссовой смеси распределений
6.5. Кластеризация налогоплательщиков при выработке управленческих решений по налоговому регулированию.
6.5.1. Взаимосвязь моделей налогового администрирования регионального и муниципального уровней.
6.5.2. Пример решения задачи кластеризации налогоплательщиков по обобщенному критерию кредитоспособности с применением, разработанного в главе 7 морфологического метода агрегирования показателей и квазибайесовского метода регуляризации нейросетевого кластеризатора.
6.5.3. Рекомендации по принятию управленческих решений по налоговому регулированию на основе решения задачи кластеризации.
6.6. Сравнение результатов кластеризации, полученных с помощью квазибайесовского метода из пункта 6.2.2, с результатами применения классического метода к-средних.
6.7. Гибридный метод оценки кредитоспособности (ГМОК) для разработки модели поддержки принятия решений по налоговому регулированию с использованием нечетких правил вывода.
6.7.1. Идея метода.
6.7.2. Модификация А метода с оперированием всеми показателями.
6.7.3. Модификация Б ГМОК с оперированием одним обобщенным критерием.
6.7.4. Пример использования ГМОК для оценки уровня риска банкротства предприятия-налогоплательщика.
7. РАЗРАБОТКА ГИБРИДНЫХ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ МНОГОКРИТЕРИАЛЬНОГО И МНОГОФАКТОРНОГО РАНЖИРОВАНИЯ МУНИЦИПАЛЬНЫХ УЧРЕЖДЕНИЙ ПО ПРИНЦИПУ БЮДЖЕТИРОВАНИЯ, ОРИЕНТИРОВАННОГО НА КОНЕЧНЫЙ РЕЗУЛЬТАТ.
7.1. Предпосылки разработки нейросетевой модели ранжирования муниципальных учреждений.
7.1.1. Связь разработанной экономической концепции 6 распределения ФМР между МУ с общей проблемой реформирования бюджетного процесса на уровне субъектов РФ.
7.1.2. Задачи реформирования бюджетного процесса.
7.1.3. Расходная часть местных бюджетов.
7.2. Модель нижнего уровня (III) распределения финансовых средств в системе муниципального бюджетирования - распределения фонда материального развития муниципального образования между муниципальными учреждениями.
7.2.1. Спецификация выходных (зависимых) переменных на основе теории «русел».
7.2.2. Спецификация входных (независимых) переменных.
7.2.3. Гибридная модель распределения финансовых средств на III уровне муниципальных учреждений.
7.2.4. Обучение нейросетевой модели. Вычислительные эксперименты по предобработке данных и регуляризации нейросети.
7.3. Апробация теоретических предложений по структурированию НСМ на третьем иерархическом уровне для гибридной модели II расходной части бюджета.
7.4. Метод агрегирования переменных на основе морфологического подхода
7.4.1. Постановка задачи.
7.4.2. Разработка метода агрегирования.
7.4.3. Количественные оценки по предложенному методу агрегирования переменных.
7.5. Пример построения динамической многофакторной нелинейной нейросетевой модели с байесовской регуляризацией обучения для оценки эффективности работы лечебных учреждений.
7.5.1. Построение «рабочей» модели и ее регуляризация на байесовском ансамбле нейросетей.
7.5.2. Количественные оценки.
7.6. Итоги ранжирования лечебных учреждений по эффективности деятельности.
8. ПОСТРОЕНИЕ НЕЙРОСЕТЕВОЙ МНОГОФАКТОРНОЙ ПРОГНОЗНОЙ МОДЕЛИ НАПОЛНЕНИЯ МУНИЦИПАЛЬНОГО БЮДЖЕТА.
8.1. Спецификация переменных нейросетевой модели.
8.2. Вероятностная модель оценки риска превышения заданного уровня ошибки прогноза наполнения бюджета.
8.3. Вычислительные эксперименты для гибридной модели.
8.4. Обобщающие выводы по вычислительным экспериментам.
9. ИНСТРУМЕНТАЛЬНЫЕ СРЕДСТВА ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ В БЮДЖЕТНО-НАЛОГОВОЙ СИСТЕМЕ РЕГИОНАЛЬНОГО И МУНИЦИПАЛЬНОГО УРОВНЯ.
9.1. Программная реализация нейронных сетей. Нейрокомпьютеры.
9.2. Алгоритмическое обеспечение компьютерных технологий в подсистемах бюджетно-налоговой системы регионального и муниципального уровней.
9.3. Разработка структурно-функциональной схемы интеллектуальной информационно-аналитической системы поддержки принятия решений по налоговому администрированию (СНА).
9.3.1. Методические основы разработки СНА и места в ней ГНСМ.
9.3.2. Описание работы структурно-функциональной схемы СНА.
Рекомендованный список диссертаций по специальности «Математические и инструментальные методы экономики», 08.00.13 шифр ВАК
Поддержка принятия решений в налоговом администрировании на основе нейросетевых моделей с байесовской регуляризацией2012 год, кандидат технических наук Фархиева, Светлана Анатольевна
Многоуровневая финансово-экономическая система планирования расходной части бюджета муниципального образования2007 год, кандидат экономических наук Бирюков, Александр Николаевич
Управление в системах финансового контроля на основе нейросетевых моделей с байесовской регуляризацией2014 год, кандидат наук Белолипцев, Илья Игоревич
Нейросетевое моделирование камеральных налоговых проверок торговых предприятий и оптимизация их постналогового дохода2003 год, кандидат технических наук Габдрахманова, Наиля Талгатовна
Математические модели ранжирования объектов налогового контроля2007 год, кандидат технических наук Полупанов, Дмитрий Васильевич
Введение диссертации (часть автореферата) на тему «Нейросетевое моделирование в бюджетно-налоговой системе регионального и муниципального уровней»
Актуальность проблемы. Бюджетная и налоговая система на всех ее трех уровнях - федеральном, региональном, муниципальном - это две стороны единого бюджетно-налогового федерализма.
Бюджетно-налоговая система (БНС) России в настоящее время находится в состоянии реформирования. В соответствии с Концепцией долгосрочного социально-экономического развития Российской Федерации (РФ) на период до 2020 года принят курс на изменение принципа бюджетирования регионов и муниципальных образований (МО): вместо смежного принципа (планирование от достигнутого уровня), требуется обеспечение равномерного социально-экономического развития территорий регионов в аспекте предоставления населению бюджетных услуг определенного вида (общеобразовательных, здравоохранения, жилищно-коммунальных и др.). На уровне муниципальных учреждений (МУ), которые непосредственно реализуют оказание бюджетных услуг населению, планирование финансовой поддержки со стороны бюджетов различных уровней, например, распределение фонда материального развития (ФМР) должно быть прозрачным и эффективным в плане бюджетного ориентира на конечный результат (БОР).
Что касается второй подсистемы бюджетно-налогового федерализма -налоговой, то для повышения эффективности функционирования налоговых органов необходимо создание современного механизма налогового администрирования, обеспечивающего высокое качество контроля за соблюдением налогового законодательства.
Сложившийся к настоящему времени механизм налогового администрирования не обеспечивает требуемого сегодня повышения эффективности деятельности налоговой подсистемы.
Построение такого механизма невозможно без применения современных информационных технологий, разработки интеллектуальных экспертных систем на базе нейросетевого моделирования.
Степень научной разработанности темы. Разработка теоретических аспектов создания, обучения и функционирования нейросетей, нейрокомпьютеров представлена в фундаментальных работах таких авторов, как Р. Вильяме, П. Вербос, Р. Земел, Йох-Хан Пао, Т. Кохоннен, Э. Минай, Ф. Розенблатт, Е. Хинт.
Существенное влияние на развитие общей теории нейрокомпьютеров, нейроинформатики оказали работы российских ученых Э.Д. Аведьяна, С.И. Барцева, А.И. Галушкина, А.Н. Горбаня, B.JI. Дунина-Барковского, Г.Г. Малинецкого, Е.М. Миркеса, В.А. Охонина, ЯЗ. Цыпкина, и др. Следует отметить также вклад ученых ближнего и дальнего зарубежья, таких как Э. Баррон, В.А. Головко, А.Г. Ивахненко, Э.М. Куссуль, В. Мак-Калок, М. Минский, Н. Нильсон, В. Пите, С. Пайперт, Д.Е. Румельхарт, Ф. Таккенс, Дж. Такер, К. Фунахаши, С. Хайкин, Р. Хент-Нильсен, Д. Хопфилд, К. Хорник, Г. Цыбенко и др.
Проблема нейросетевого математического моделирования экономических объектов и систем, в том числе объектов налогового контроля и налогообложения, привлекает внимание многих отечественных и зарубежных ученых. Методам и результатам решения практических задач финансового рынка с использованием нейронных сетей, в частности решения задачи ранжирования корпоративных заемщиков при предоставлении им кредитов, посвящена работа Д.-Э.Бэстенса, В.-М. ван ден Берга и Д. Вуда. Приложениями нейрокомпьютинга в экономике и бизнесе, прогнозированием финансового рынка и оценкой платежеспособности предприятий занимались A.A. Ежов и С.А. Шумский. Существенный вклад в область интеллектуального управления производственными системами на основе нейро-нечетких моделей внесен Р.Г. Валеевой, Б.Г. Ильясовым, В.И. Васильевым. Анализу процессов управления и поддержке принятия решений в условиях неопределенности на основе использования методов искусственного интеллекта, в частности классификации критических ситуаций с помощью нейронных сетей, посвящены работы J1.P. Черняховской. В работах JI.A. Исмагиловой осуществляется оценка налогового потенциала и прогнозирование налоговых поступлений с использованием методов искусственного интеллекта. Применением нейросетевых технологий в сложных инженерных и экономических системах, в частности нейросетевыми непараметрическими методами анализа экспериментальных данных, занимался С.А. Терехов. Использованию нейронных сетей в финансовом инжиниринге посвящены работы И.С. Абу-Мустафы и др.
Вопросам управления налогообложением в аспекте моделирования процессов сбора налогов и оценки добросовестности отдельных налогоплательщиков посвящены работы А.Б. Паскачева (в соавторстве), А.Б. Соколова.
Г.И. Букаевым, Н.Д. Бубликом, С.А. Горбатковым, И.И. Голичевым предложена и обоснована новая технология оценки финансовых показателей налогоплательщиков на основе получения с помощью нейросетевых моделей (НСМ) «эталонного» значения производственной функции класса , налогоплательщиков.
Тематике имитационного моделирования экономических систем и, бизнес-процессов посвящены работы Н.П. Бусленко, A.A. Емельянова, У. Кельтона (W. Kelton), В.Н. Томашевского, Дж. Форрестера (J. Forrester), Дж. Шрайбера (T.J. Schriber) и др.
Интеллектуальные алгоритмы поддержки принятия решений по управлению FuzzyCalc, CubiCalc, BrainMaker, IDIS, BERT, ISIS и экспертных систем EXSYS, GURU, KL, KRYPTON описаны в работах P.A. Алиева, А.Э. Церковного, В.А. Кабанова, A.B. Лапко, СВ. Ченцова, СИ. Крохова, JI.A. Фельдмана, Ю.А. Любарского, Д.А. Поспелова, А.Н. Романова, Б.Е. Одинцова и др.
Значительные результаты в области теоретических и практических вопросов налогообложения получены в Институте экономики РАН, Институте экономики переходного периода, Институте развития налоговой системы. Ряд технологических решений по автоматизации задач налогообложения выполнен в ГНИВЦ ФНС России, Нижегородском филиале НИИ развития налоговой системы.
Степень разработанности темы диссертационной работы, с одной стороны, и запросами практики, с другой стороны, не соответствуют современным требованиям.
Проблема, решаемая в диссертации, формулируется так: создание теоретических и методологических основ комплексного нейромоделирования бюджетно-налоговой системы регионального и муниципального уровней.
Целью диссертационной работы является решение алгоритмически сложных задач (а в некоторых случаях и просто недоступных задач для других подходов), а также научно обоснованная аккумуляция знаний об объекте, т.е. поддержание уже имеющейся системы экономических моделей объекта исследования и пополнение ее недостающими моделями и задачами. В прикладном экономическом аспекте поставленная цель работы ориентирована на повышение эффективности государственного управления в области бюджетно-налоговых систем регионального и муниципального уровней.
Для достижения поставленной цели в процессе диссертационного исследования необходимо решить следующие задачи:
1. Разработка общей методологии исследования, основанной на системном подходе.
2. Разработка мультиагентной когнитивной модели бюджетно-налоговой системы регионального и муниципального уровней, описывающей причинно-следственные связи всех исследуемых подсистем.
3. Разработка на базе общесистемных законов концептуального базиса нейросетевого моделирования в сложных условиях сильного зашумления данных как методологической основы разработки новых методов, алгоритмов и нейросетевых моделей.
4. Разработка новых нейросетевых методов для задач: предобработки (предрегуляризации) данных; байесовской регуляризации обучения нейросетей; синтеза оптимальных планов выездных налоговых проверок; оценки адекватности нейросетевых моделей; многофакторного и многокритериального ранжирования налогоплательщиков, а также муниципальных учреждений; кластеризации предприятий-налогоплательщиков; прогноза наполнения бюджета; прогноза для целей налогового регулирования.
5. Апробации предложенных методов и алгоритмов в вычислительных и натурных экспериментах, сравнение расчетов по нейросетевым моделям с альтернативными моделями.
6. Разработка прикладных нейросетевых моделей для подсистем мультиагентной когнитивной карты.
7. Апробация и анализ доступных инструментариев (пакетов программ). Разработка примера инструмента представления и накопления знаний для интеллектуальной экспертной системы поддержки принятия решений по налоговому администрированию.
Объектом исследования в диссертации является бюджетно-налоговая система регионального и муниципального уровней.
Предметом исследования являются технологии налогового планирования, регулирования, контроля; технологии бюджетирования, ориентированные на конечный результат.
Методология и методы исследования. Основой представленной диссертации послужили труды отечественных и зарубежных ученых, внесших вклад в области системного анализа, теории управления и общесистемные законы, методы математического моделирования, методы нейросетевого моделирования, теории вероятностей и математической статистики, фрактальной теории, методы теории принятия решений, методы нечетких множеств.
Информационной базой исследования послужили научные работы отечественных и зарубежных авторов, монографии, статьи, материалы научных конференций по проблемам нейросетевого моделирования экономических систем.
В процессе исследования использовались материалы Федеральной службы государственной статистики РФ, территориального органа Росстата по Республике Башкортостан - Башкортостанстата, основные положения Федеральной Программы модернизации налоговой системы РФ (раздел: научные исследования и практические разработки совершенствования организации налогового контроля на основе современных информационных технологий и математического моделирования, автоматизации операций налогового контроля, сопряжения новых технологий налогового контроля с действующей системой электронной обработки данных (ЭОД)). А также отчетные данные управления Федеральной налоговой службы РФ по Республике Башкортостан, статистическая информация из территориального финансового управления Министерства финансов Республики Башкортостан на территории г. Стерлитамак, статистические ежегодники, периодическая печать и Интернет.
Соответствие содержания диссертационной работы избранной специальности. Тема и содержание диссертации относятся к области исследования научной специальности ВАК 08.00.13 - «математические и инструментальные методы экономики», раздел 1. Математические методы: п. 1.4. Разработка и исследование моделей, математических методов анализа микроэкономических процессов и систем. Раздел 2. Инструментальные средства: п. 2.3. Разработка систем поддержки принятия решений для рационализации организационных структур и оптимизации управления экономикой на всех уровнях; п. 2.5. Разработка концептуальных положений использования новых информационных и коммуникационных технологий с целью повышения эффективности управления в экономических системах; п. 2.6. Развитие теоретических основ и инструментария проектирования, разработки и сопровождения информационных систем субъектов экономической деятельности: методы формализованного представления предметной области, программные средства, базы данных, базы знаний; п. 2.8. Развитие методов и средств аккумуляции знаний о развитии экономической системы и использование искусственного интеллекта при выработке управленческих решений.
Научная новизна диссертационной работы заключается в разработке теоретических положений и методологических основ нейросетевого моделирования процессов в бюджетно-налоговой системе регионального и муниципального уровней.
Конкретно научная новизна состоит из 6 концепций, образующих концептуальный базис, создающий методологическую основу исследований, а также 10 положений, выносимых на защиту (см. ниже).
Концепция 1, состоящая в формировании «ядра» нейросетевого моделирования - «обобщенной производственной функции» в виде нелинейной многофакторной зависимости выходного показателя («обобщенного продукта») У от вектора X «обобщенных производственных факторов». Построение этой зависимости У(Х), которая скрыта в данных соответствующих подсистем бюджетно-налоговой системы, создает методологическую основу объективного сравнения (ранжирования) объектов, обслуживания тем самым соответствующие задачи подсистем: прогнозирования, ранжирования, налогового регулирования, налогового контроля. Концепция 1 для рассматриваемых БНС, предложена автором впервые (п. 2.6. Паспорта специальности 08.00.13 ВАК).
Концепция 2 байесовской регуляризации обучения нейросетевых моделей, основанная на общесистемном законе энтропийного равновесия открытой системы и законе о подавлении дисфункций структурируемой системы, отличается от известных подходов к построению нейросетевой модели тем, что оценку условного математического ожидания У(Х,1¥) при восстановлении многомерной нелинейной зависимости, скрытой в исходных данных £) = {<*,,>>,>},/ = 1,Аг, с помощью нейросетевой модели целесообразно выполнять, используя не одну нейросетевую модель, а байесовский ансамбль из нескольких нейросетей - гипотез где кч - д-я априорная гипотеза о порождении эмпирических данных. При этом все априорные гипотезы {hq(X,W)} принадлежат к одной метагипотезе (классу Н, MLP - сетей с алгоритмом обучения типа обратного распространения ошибки).
После построения нейросетей - гипотез производится их апостериорная фильтрация по предложенному вероятностному критерию Р*, равному отношению числа «хорошо» объясненных точек N*q (с допустимой относительной ошибкой расчета 8, < где £, - экспертно задаваемый уровень ошибки объяснения данных) к общему числу точек N в кластере. В итоге априорный ансамбль гипотез {hq{X,W)} сужается, что соответствует увеличению наших знаний о моделируемом объекте. Финишная оценка всех расчетных характеристик производится путем осреднения на отфильтрованном апостериорном байесовском ансамбле нейросетей. Данная концепция оригинальна. Известен байесовский подход к регуляризации обучения нейросетей, развитый в работах С.А. Шумского и А.С. Нужного, в котором апостериорная оценка качества обучения гипотез - нейросетей {hq} производится с привлечением функций правдоподобия (Likelihood) P(D\hq), т.е. вероятности появления данных D при зафиксированной гипотезе hq о порождении данных. Для расчета P(D\hq) требуется введение довольно жесткого, стесняющего модель ограничения об априорном знании закона распределения плотности вероятности шумовой составляющей наблюдений <х,,у, >, i = \,N. Как указано в главе 1 диссертации, в задачах налогового контроля указанное ограничение не выполняется. В концепции 2 фильтрация гипотез - нейросетей производится по предложенному вероятностному критерию Pq=N*/N, который не требует выполнения упомянутого обременительного для практики ограничения, что позволяет приблизить разработанные нейросетевые модели к практическим сложным условиям моделирования и, соответственно повысить их достоверность (п. 2.3. Паспорта специальности 08.00.13 ВАК).
Концепция 3, основанная на общесистемном законе подавления дисфункций структурируемой системы, состоит в том, что управление информативностью данных путем их предобработки (сглаживания и структурирования) по разработанным числовым мерам (критериям) е должно производиться взаимосвязано с управлением качеством аппроксимации восстанавливаемой функции У(Х) и, соответственно, с прогностическими свойствами сети и ее устойчивостью по разработанной числовой мере р0, где р0=(р(е). В алгоритмы предобработки (предрегуляризации) данных целесообразно вводить байесовскую процедуру, т.е. проводить байесовское обучение вспомогательных нейросетевых субмоделей (НССМ). Концепция оригинальна. В трудах А.Н. Тихонова, В.Я. Арсенина и других представителей школы академика А.Н. Тихонова по методам решения некорректных обратных задач интерпретации данных лишь упоминается о возможной несостоятельности алгоритмов регуляризации, опирающихся на разнородные данные. Применительно к нейросетям с разработкой конкретных способов обеспечения указанной состоятельности вопрос не исследовался. % Предложенная концепция 3 позволяет наделить предложенные алгоритмы предобработки данных свойством «предрегуляризации» и в итоге повысить V эффективность байесовской регуляризации обучения нейросети (п. 2.5. Паспорта специальности 08.00.13 ВАК).
Концепция 4, основанная на общесистемном законе обеспечения гомеостата системы, подверженной дестабилизирующему влиянию внешней среды, отличается предложением трехуровневой иерархической системы государственного управления социально-экономическим развитием региональных и муниципальных территорий, где на каждом иерархическом уровне реализуется свой принцип распределения финансовой поддержки и строится соответствующая математико-информационная модель поддержки принятия решений по бюджетированию: на верхнем 1-ом уровне субъектов РФ реализуется принцип равномерной нормативной подушевой обеспеченности населения в бюджетных услугах определенного вида, например, общеобразовательных; на среднем П-ом уровне муниципального образования реализуется принцип обеспечения равномерности темпов развития муниципального образования; на нижнем Ш-ем уровне предлагается использовать соревновательный принцип. Большую федеральную поддержку получает муниципальное учреждение, у которого прогнозный обобщенный показатель эффективности работы Ф, оцениваемый в нейросетевой модели, выше при прочих равных условиях. Новизна концепции заключается во введении Ш-го уровня государственного управления распределением федеральных субвенций и трансфертов - уровня МУ, что замыкает снизу общую систему распределения, и количественно оценивает эффективность работы сравниваемых муниципальных учреждений на основе общей нейросетевой модели (п. 2.3. Паспорта специальности 08.00.13 ВАК).
Концепция 5, основанная на общесистемных законах гомеостата и подавления дисфункций структурируемой системы, состоит в том, что ' прогнозирование наполнения бюджета должно осуществляться на основе комбинированного системно - синергетического - информационного подхода . не изолированно, а в составе общей методики бюджетирования, основанного на принципе равномерного обеспечения населения бюджетными услугами определенного вида. При этом, как расходная, так и доходная части бюджета должны планироваться с учетом риска выхода за границы доверительных интервалов прогнозных оценок с заданной доверительной вероятностью, чтобы пересечение этих границ не было пустым множеством. Новизна этой концепции состоит в оценке риска выхода за границы доверительного интервала прогноза наполнения муниципального бюджета, получаемого на основе байесовского ансамбля многофакторных динамических нейросетевых моделей, что позволяет учесть неопределенность в процедурах планирования муниципального бюджета, т.е. сделать его более достоверным (п. 2.6. Паспорта специальности 08.00.13 ВАК).
Концепция 6, основанная на общесистемном законе декомпозиции систем, состоит в том, что общая модель поддержки принятия решений по налоговому регулированию, декомионируется на две подмодели: 1) групповой экспертной оценки для образованных кластеров мелких и средних юридических лиц - налогоплательщиков (с использованием методов кластеризации); 2) модели количественной углубленной оценки финансового состояния крупных и проблемных налогоплательщиков (с использованием разработанного гибридного нейросетевого метода с нечетким правилом вывода в базе представления знаний). Концепция оригинальна, ее использование позволяет:
• повысить оперативность принимаемых решений по налоговому регулированию за счет групповой экспертной оценки;
• сочетать преимущества нейросетевой и нечеткой моделей представления базы знаний в экспертной системе налогового регулирования, т.е. способность работы гибридной модели при высоком уровне неопределенности и возможность накопления знаний, характерные для нейросети, и способность модели объяснять полученный результат в привычных для аналитика терминах семантических переменных, характерная для нечеткой модели (п. 2.8. Паспорта специальности 08.00.13 ВАК).
Помимо изложенного выше концептуального базиса научную новизну диссертационной работы составляют следующие 10 положений, выносимых на ь защиту:
Положение 1. Мультиагентная когнитивная модель для бюджетно-налоговой системы регионального и муниципального уровней разработана автором впервые. Модель представляет причинно-следственные связи (потоки финансов и информации) для всех подсистем БНС и позволяет декомпонировать общую цель моделирования на подцели для отдельных подсистем (бюджетной и налоговой) и тем самым более четко очертить рамки постановки задач, уменьшить их размерность и определить требования к уровню обобщения в разрабатываемых методах.
Положение 2. Метод вложенных математических моделей реализует концепции 1, 2, 3 и содержит 6 оригинальных итерационных оптимальных алгоритмов предобработки данных и 5 процедур байесовской регуляризации обучения нейросетей, причем алгоритмы предобработки данных и регуляризации нейросети взаимосвязаны итерационно для обеспечения состоятельности процедуры регуляризации в соответствии с концепцией 3. Метод вложенных математических моделей является новым и позволяет найти оптимальный компромисс между прогностическими свойствами нейросетевой модели и ее устойчивостью в очень сложных условиях моделирования.
Положение 3. Приближенный метод байесовской регуляризации, основанный на концепции 2, является новым и отличается от известного метода С.А. Шумского регуляризации обучения нейросети критерием апостериорной фильтрации гипотез - нейросетей, измеряющим вероятность приемлемого качества объяснения данных нейросетями ансамбля, что позволяет отказаться от требования априорного знания закона распределения плотности вероятности шумовой составляющей наблюдений и, соответственно, учесть реальные условия моделирования.
Положение 4. Метод регуляризации МЬР-сетей с использованием стабилизатора А.Н. Тихонова для решения обратной задачи является частично новым и отличается алгоритмом нахождения параметра регуляризации X на основе байесовского подхода, что позволяет с большей достоверностью оценивать этот параметр, а значит увеличить эффективность стабилизации решения.
Положение 5. Гибридный метод синтеза оптимального плана (ГМСОП) выездных налоговых проверок, состоящий из двух основных методов - метода вложенных математических моделей для оценки отклонения декларируемого выходного показателя от эталонного и метода оценки статистической устойчивости появления больших отклонений.
Положение 6. Двухступенчатый метод оценки адекватности нейросетевой модели отбора налогоплательщиков для выездных проверок, полученный с помощью ГМСОП, является новым, и ранее не рассматривался. Метод позволяет получить надежную оценку адекватности нейросетевой модели отбора в сложных условиях моделирования, когда нарушаются практически все предпосылки классических методов регрессионного анализа.
Положение 7. Иерархическая (Зх-уровневая) модель поддержки принятия решений по распределению субвенций и федеральных финансовых трансфертов, содержащая на нижнем (третьем) уровне нейросетевую модель оценки эффективности работы муниципальных учреждений.
Положение 8. Прогнозная многофакторная нейросетевая модель наполнения муниципального бюджета, построена впервые, что позволяет исследовать и оптимизировать в будущем (в планируемом периоде) управляющие воздействия, в частности, нормативы налогов, устанавливаемые местным законодательством.
Положение 9. Итерационный нейросетевой метод кластеризации предприятий-налогоплательщиков, является оригинальным и отличается от известных методов кластеризации на основе сетей Кохонена двумя процедурами - селекции признаков и байесовской регуляризации по критерию качества фильтрации, который позволяет повысить оперативность принятия решений в подсистеме налогового регулирования.
Положение 10. Прикладные нейросетевые модели для поддержки принятия решений в подсистемах - бюджетные системы муниципальных образований (БСМО), муниципальные учреждения, подсистема налогового планирования (ПНП), подсистема налогового контроля (ПИК), подсистема налогового регулирования (ПНР) - получены впервые. Эти модели создают научную основу повышения эффективности функционирования аналитических блоков информационных систем в указанных подсистемах бюджетно-налоговой системы регионального и муниципального уровней.
Достоверность положений, выносимых на защиту. Поскольку положения, выносимые на защиту, являются, по — мнению автора, новыми, то априори было неясно, как они будут работать в сложных условиях моделирования, оговоренных в пункте 1.2.3 и параграфе 1.3 диссертации. Данному вопросу достоверности положений, методов, алгоритмов и адекватности полученных нейросетевых моделей в диссертации уделено особое внимание.
Достоверность концептуального базиса и предложенных методов (положения 2, 3, 5, 6, 7, 8, 10) обосновывается, прежде всего, корректным применением методов системного анализа, математических методов функционального анализа, теории нейросетевого моделирования, теории некорректных обратных задач, теории нечетких множеств, теории принятия решений.
Достоверность всех 10 положений, выносимых на защиту, кроме положения 4, которое носит характер научной гипотезы, проверена также в широких сериях вычислительных экспериментов на реальных данных налоговых деклараций и бюджетных показателей муниципальных образований и их муниципальных учреждений. Результаты вычислительных экспериментов на нейросетевых моделях также сравнивались с альтернативной непараметрической моделью И.И. Голичева [121] и натурными экспериментами по итогам выездных налоговых проверок.
Теоретическая и практическая ценность и внедрение результатов. Теоретическая база диссертации посвящена проблемным вопросам совершенствования системы налогового администрирования (планирования, регулирования, контроля) и основам моделирования процессов наполнения и расходования муниципального бюджета на базе нейросетевых информационно-аналитических моделей, теоретической основой которых служат общесистемные законы. Методологическая часть может быть использована в системных областях экономики для моделирования нелинейных динамических процессов.
Практическая ценность диссертационного исследования в целом заключается в том, что создана научная база для совершенствования интеллектуальных компьютерных технологий поддержки принятия решений по планированию бюджета муниципальных образований, распределению субвенций и трансфертов, налоговому планированию, контролю и регулированию в бюджетно-налоговой системе регионального и муниципального уровней.
Исследования в данном направлении выполнялись в период с 2005 г. по 2011 г.г. на кафедре «Национальная экономика» Башкирского государственного университета и в рамках научной школы по нейросетевому моделированию экономических систем, возглавляемой профессором, д.т.н., Заслуженным деятелем науки Республики Башкортостан, действительным членом Академии инженерных наук РФ Горбатковым С.А. Прикладные аспекты исследований были связаны с договорами творческого содружества с территориальным финансовым управлением Министерства финансов Республики Башкортостан на территории г. Стерлитамак: «Апробация концептуального базиса и алгоритма построения гибридных моделей доходной и расходной частей бюджета муниципального • образования на основе интеллектуальных (нейросетевых) моделей»; муниципальным бюджетным учреждением . здравоохранения «Клиническая больница №1» г. Стерлитамак: «Агрегирование множеств разрозненных показателей в один обобщенный критерий , ранжирования учреждений здравоохранения по эффективности их работы в медицинском и экономическом аспектах на основе интеллектуальных п (нейросетевых) математических моделей»; муниципальным бюджетным' ' учреждением здравоохранения «Санитарный автотранспорт» г. Стерлитамак: «Алгоритм оценки показателей качества работы муниципального бюджетного учреждения здравоохранения «Санитарный автотранспорт» на основе нейросетевой математической модели». Внедрение подтверждено соответствующими документами и протоколом намерений Департамента организации налогового контроля ФНС РФ.
Материалы диссертационного исследования внедрены в учебном процессе подготовки специалистов с высшим профессиональным образованием экономического профиля по дисциплинам «Эконометрика», «Компьютерные технологии в экономической науке и производстве», «Теория социальноэкономического моделирования», «Методы прогнозирования финансовых показателей» в Башкирском государственном университете.
Апробация работы и публикации. Теоретические и практические положения, содержащиеся в диссертационной работе, послужили материалом к разработке учебных пособий «Эконометрика», «Экономика труда», так и лекционных курсов по соответствующим дисциплинам, читаемых автором в Башкирском государственном университете.
Основные положения и результаты диссертационной работы докладывались и обсуждались на конференциях, наиболее значимые из которых: IX Всероссийская научная конференция «Нейрокомпьютеры и их применение» (Москва, 2011 г.); X Международная конференция «Новые тенденции в экономике и управлении организацией» (г. Екатеринбург, 2011 г.); III ежегодная Международная научно-практическая конференция «Перспективы развития информационных технологий» (г. Новосибирск, 2011 г.); I Всероссийская (с международным участием) научно-практическая конференция «INEM - 2011» в сфере инноваций, экономики и менеджмента. ч При поддержке Fachhochschule Ludwigshafen am Rhein (Central Eastern Europe Institute) (г. Томск, 2011 г.); Международная научно-практическая конференция «Современные малые города: проблемы и перспективы развития» (Ивантеевка, Московская область, 2010 г.); Всероссийская научно-практическая конференция «Актуальные проблемы экономической политики» (г. Нефтекамск, Республика Башкортостан, 2010 г.); IV Международная научно-практическая конференция «Воспроизводственный потенциал региона» (г. Уфа, 2010 г.); Всероссийская научно-практическая конференция Института социально-экономических исследований УНЦ РАН (г. Уфа, 2010 г.); IV Всероссийская научно-практическая Internet-конференция Института социально-экономических исследований УНЦ РАН (г. Уфа, 2010 г.); II Международная научно-практическая конференция «Анализ, моделирование и прогнозирование экономических процессов» (г. Воронеж, 2010 г.); II Всероссийская научно-практическая Internet-конференция (Института социально-экономических исследований УНЦ РАН) «Проблемы функционирования и развития территориальных социально-экономических систем» (г. Уфа, 2009 г.); семинарах в Государственном автономном научном учреждении «Институт прикладных исследований» Академии наук Республики Башкортостан, Башкирского государственного университета и в Пермском государственном национальном исследовательском университете (международная лаборатория конструктивных методов исследования динамических моделей экономики на кафедре информационных систем и математических методов в экономике - руководитель д.ф.-м.н., проф. Максимов В.П.).
Публикации. Основные результаты диссертационной работы отражены в 83 работах, все по теме диссертации, в том числе 29 в рецензируемых журналах, входящих в список ВАК, 9 монографиях, 18 научных журналов и сборников трудов, 5 препринтов, 20 международных и всероссийских научных конференций и 1 свидетельство о регистрации алгоритма в отраслевом фонде (общий объем 88,97 авт. листов).
Структура и объем работы. Диссертационная работа состоит из введения, 9 глав, заключения, библиографического списка литературы из 220 источников. Основное содержание работы изложено на 432 страницах машинописного текста. В работе содержатся 44 рисунка, 33 таблицы и 8 разделов приложений. В Приложениях кратко описаны принципы работы нейросетей типа многослойного персептрона (MLP), сетей с базисными радиальными функциями (RBF) и нейросетей Кохонена (SOM-карт), а также приведены фрагменты таблиц исходных данных (полные таблицы содержатся в монографиях автора [7, 8]).
Похожие диссертационные работы по специальности «Математические и инструментальные методы экономики», 08.00.13 шифр ВАК
Нейросетевая прогнозная многофакторная модель среднесрочного планирования дохода бюджета муниципального образования2007 год, кандидат экономических наук Глущенко, Ольга Ивановна
Управление бюджетированием муниципальных промышленных предприятий на основе нейросетевого моделирования2010 год, кандидат экономических наук Соловьева, Светлана Александровна
Совершенствование управления сбалансированностью бюджета муниципального образования на основе нейросетевого прогнозирования2001 год, кандидат экономических наук Дурнова, Елена Александровна
Статистическое исследование доходов региональных бюджетов2008 год, кандидат экономических наук Рыженкова, Кира Викторовна
Нейросетевые и нечеткие методы оценивания стохастических систем2004 год, доктор технических наук Амосов, Олег Семенович
Заключение диссертации по теме «Математические и инструментальные методы экономики», Бирюков, Александр Николаевич
Выводы по главе 9:
Описанное алгоритмическое обеспечение может служить в качестве аналитического блока в экспертных системах подсистем БСМО, БСРУ, ПНП, ПНК, ПНР на рис. 1.3 для представления и накопления знаний.
ЗАКЛЮЧЕНИЕ
1. Разработана мультнагентная когнитивная модель бюджетно-налоговой системы регионального и муниципального уровней, описывающая причинно-следственные связи всех исследуемых подсистем, что позволило декомпонировать исследуемую проблему на ряд задач и, соответственно, уменьшить размерность общей модели.
2. На базе общесистемных законов кибернетики разработаны методологические основы нейросетевого моделирования бюджетно-налоговой системы (БНС) регионального и муниципального уровней, т.е. концептуальный базис (8 концепций из главы 2) разработки новых методов и моделей, который в значительной мере предопределил их работоспособность и эффективность в сложных условиях моделирования.
3. На базе концептуального базиса из главы 2 разработаны теоретические основы нейросетевого моделирования БНС регионального и муниципального уровней (РМУ), представляющие собой совокупность 7 оригинальных методов: 1) метод регуляризации МЬР-нейросетей с использованием стабилизатора А.Н. Тихонова на основе байесовского подхода оценки параметра регуляризации А, в стабилизирующем члене сглаживающего функционала; 2) приближенный метод байесовской регуляризации обучения нейросетей при сильном зашумлении данных с неизвестным законом распределения шумов; 3) метод вложенных математических моделей для построения НСМ, содержащий взаимосвязанный итерационный процесс управления качеством, предобработки данных и байесовской регуляризации обучения нейросети; 4) гибридный метод синтеза оптимальных планов выездных налоговых проверок (СОПВП); 5) двухступенчатый метод оценки адекватности нейросетевых моделей; 6) итерационный метод кластеризации с селекцией признаков; 7) гибридный нейросетевой метод комплексной оценки кредитоспособности предприятий-налогоплательщиков с нечеткими правилами вывода.
Указанные методы пригодны для решения обобщенных задач восстановления многомерных зависимостей, скрытых в данных, многофакторного и многокритериального ранжирования, многофакторного прогноза, кластеризации экономических объектов при сложных условиях моделирования, оговоренных в параграфе 1.3.
Методы апробированы на примере прикладных нейросетевых моделей из глав 4, 5, 6, 7, 8.
4. Проведены широкие серии вычислительных экспериментов по обоснованию достоверности выдвинутых идей, составляющих существо предложенных методов и алгоритмов, а также натурные производственные эксперименты и сравнение с альтернативными моделями. Достоверность, всех выносимых на защиту методов, обоснованна.
5. Разработаны прикладные нейросетевые модели для подсистем (агентов) 2.1; 2.2; 3.1; 3.2; 3.3 когнитивной модели рис. 1.3. Эти модели позволяют повысить объективность и оперативность разработки принимаемых управленческих решений в подсистемах бюджетно-налоговой системы регионального и муниципального уровней. При разработке интеллектуальных экспертных систем в указанных подсистемах разработанные прикладные нейросетевые модели могут служить в качестве моделей представления и накопления знаний.
6. Разработано алгоритмическое обеспечение компьютерных технологий в подсистемах БНС РМУ. Приведен пример разработанной интеллектуальной экспертной системы, в которой нейросетевые модели выполняют функции представления, обобщения и накопления знаний.
Список литературы диссертационного исследования доктор экономических наук Бирюков, Александр Николаевич, 2012 год
1. Адлер Ю.П., Маркова Е.В., Грановский Ю.В. Планирование эксперимента при поиске оптимальных условий. - М.: Наука, 1976. - 279 с.
2. Айвазян С.А., Мхиторян B.C. Прикладная статистика и основы эконометрики. -М.: ЮНИТИ, 1998. 1023 с.
3. Барановская Т.П. Современные методы анализа финансово-экономического состояния предприятия: монография / Т.П. Барановская, A.B. Коваленко, В.Н. Кармазин, М.Х. Урженов. Краснодар: КубГАУ, 2009.-250 с.
4. Баргесян A.A., Куприянов М.С., Холод И.И., Тесс М.Д. Анализ данных и процессов. — СПб.: БХВ Петербург, 2009.
5. Бахтизин А.Р. Агент-ориентированные модели экономики. М.: ЗАО Издательство «Экономика», 2008. -279 с.
6. Безруков Г.Г. Налоговое администрирование в системе федерального государственного устройства. Екатеринбург: Изд. Института экономики Уральского отделения РАН, 2003.
7. Бирюков А.Н. Теоретические основы разработки нейросетевых моделей в системе налогового администрирования. Уфа: Академия наук РБ, Издательство «Гилем», 2011. - 380 с.
8. Бирюков А.Н. Байесовская регуляризация нейросетевых моделей ранжирования и кластеризации экономических объектов. Уфа: Академия наук РБ, Издательство «Гилем», 2011. - 292 с.
9. Бирюков А.Н. Моделирование бюджетных процессов на муниципальном уровне на основе нейросетей / Гатауллин Р.Ф., Горбатков С.А., Глущенко О.И. Уфа: Издательство «Восточный университет», 2008. - 216 с.
10. Бирюков А.Н. Построение модели обобщенной производственной функции для кластера налогоплательщиков на основе закона энтропийного равновесия и фонового закона // Российский научный журнал «Экономика и управление», СПб. 2011. - № 2. - С. 82-86.
11. Бирюков А.Н. Использование метода комбинированного подхода в моделировании системы налогового администрирования // Российский научный журнал «Экономика и управление», СПб. 2011. - № 4. - С. 93-97.
12. Бирюков А.Н. Методология формирования множества факторов и обобщенного показателя в задаче кластеризации в системе моделей налогового администрирования // Вестник ИНЖЭКОНА. 2011. - № 1 (44). - С. 165-170.
13. Бирюков А.Н. Прогнозная нейросетевая модель наполнения доходной части бюджета муниципальных образований // Вестник Челябинского государственного университета, серия: «Экономика». 2011. - № 32. - С. 7482.
14. Бирюков А.Н. Алгоритм построения нейросетевой многофакторной нелинейной модели прогноза наполнения бюджета / Бирюков А.Н., Глущенко О.И. // Вестник Пермского государственного университета. 2011. - № 2 (9). -С. 24-35.
15. Бирюков А.Н. Применение самоорганизующихся карт Кохонена при кластеризации экономических объектов в прикладных задачах // Вестник ИНЖЭКОНА. 2011. - № 3 (46). - С. 190-198.
16. Бирюков А.Н. Особенности постановки задач моделирования бюджетных процессов на региональном и муниципальном уровне, ориентированных на конечный результат // Российский научный журнал «Экономика и управление», СПб. 2010. - № 2. - С. 80-855.
17. Бирюков А.Н. Методика оценки эффективности работы учреждений здравоохранения на основе нейросетевых моделей // Российский научный журнал «Экономика и управление», СПб. 2010. - № 5. - С. 56-61.
18. Бирюков А.Н. Метод ранжирования налогоплательщиков для выездных проверок на основе нейросетевых моделей с использованием фрактальных размерностей риска // Российский научный журнал «Экономика и управление», СПб. 2010. - № 8. - С. 85-900.
19. Бирюков А.Н. Нейросетевая модель ранжирования и контроля деклараций налогоплательщиков // Российский научный журнал «Экономика и управление», СПб. 2010. - № 11. - С. 106-110.
20. Бирюков А.Н. Общественный транспорт: как победить финансовые риски? // Российское предпринимательство. 2010. - № 9 (2). - С. 89-92.
21. Бирюков А.Н. Нейросетевая модель кластеризации налогоплательщиков в задачах налогового регулирования // Аудит и финансовый анализ. -2010. -№ 6. С. 8-13.
22. Бирюков А.Н. Экономико-математическое моделирование дохода бюджета в условиях неопределённости // Российский научный журнал «Экономика и управление», СПб. 2009. - № 3. - С. 92-95.
23. Бирюков А.Н. Алгоритм оценки качества работы бюджетных муниципальных структур на основе нейросетевой математической модели // Российский научный журнал «Экономика и управление», СПб. 2009. - № 8. -С. 77-82.
24. Бирюков А.Н. Концептуальный базис построения нейросетевой модели муниципального бюджетирования / Бирюков А.Н., Горбатков С.А., Глущенко О.И. // Информационные технологии: научно-технический и научно-производственный журнал. 2007. - № 6. - С. 52-56.
25. Бирюков А.Н. Методика двухуровневого распределения муниципального бюджета на основе нейросетевой модели / Бирюков А.Н., Глущенко О.И. // Вестник Самарского государственного университета. 2006. -№8(48).-С. 106-111.
26. Бирюков А.Н. Оценка риска уменьшения прогнозного уровня наполнения бюджета муниципального образования ниже заданного уровня / Бирюков А.Н., Глущенко О.И. // Вестник Самарского государственного университета. -2006. -№ 10/1 (50). С. 157-164.
27. Бирюков А.Н. Условия моделирования бюджетной системы муниципального уровня через разработку концептуального базиса моделирования. // Ученые записки Санкт-Петербургской академии управления и экономики. 2011 - № 1. - С. 89-92.
28. Бирюков А.Н. Нейросетевое моделирование бюджетных процессов на региональном и муниципальном уровне, ориентированных на конечный результат: Препринт / А.Н. Бирюков. Уфа: Депон. в АН РБ, Издательство «Гилем», 2010.-28 е.
29. Бирюков А.Н. Регуляризация задач нейросетевого моделирования экономических объектов с сильным зашумлением данных: Препринт / А.Н. Бирюков. Уфа: АН РБ, Издательство «Гилем», 2010. - 28 с.
30. Бирюков А.Н. Агрегирование переменных НСМ для оценки эффективности работы учреждений здравоохранения с позиции с системного подхода: Препринт / А.Н. Бирюков. — Уфа: АН РБ, Издательство «Гилем», 2010. -32 с.
31. Бирюков А.Н. Байесовский подход к регуляризации задач нейросетевого моделирования налогового и финансового подхода: Препринт / А.Н. Бирюков. Уфа: АН РБ, Издательство «Гилем», 2010. - 16 с.
32. Бирюков А.Н. Нейросетевые модели кластеризации налогоплательщиков в задачах налогового администрирования: Препринт / А.Н. Бирюков. Уфа: АН РБ, Издательство «Гилем», 2010. - 32 с.
33. Бублик Н.Д., Голичев И.И., Горбатков С.А., Смирнов A.B. Теоретические основы разработки технологии налогового контроля и управления. Уфа: РИО БашГУ, 2004. - 335 с.
34. Будущее искусственного интеллекта / Под ред. К.Е. Левитина, Д.А. Поспелова. -М.: Наука, 1991. -302 с.
35. Букаев Г.И., Бублик Н.Д., Горбатков С.А., Сатаров Р.Ф. Модернизация системы налогового контроля на основе нейросетевых информационных технологий. М.: Наука, 2001. - 344 с.
36. Бэстенс Д.-Э., Ван дер Берг В. М., Вуд Д. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. - М.: ТВП, 1997. -236 с.
37. Васильев Ф.П. Методы решения экстремальных задач. М.: Наука, 1981.-400 с.
38. Васильев В.И., Ильясов Б.Г. Интеллектуальные системы управления. Теория и практика: учебное пособие. М.: Радиотехника, 2009. - 392 с.
39. Введение в экономико-математические модели налогообложения: Учеб. пособие / Под. ред. Д.Г. Черника. М.: Финансы и статистика, 2000. -256 с.
40. Вдовина В.А. Управление системой экономических отношений на муниципальном уровне: Автореф. дисс. канд. экон. наук. Хабаровск, 2009.
41. Вентцель Е.С. Теория вероятностей. 6-е издание, стер. М.: Высшая школа, 1999.-576 с.
42. Вильчур Н.Р., Каретникова O.A. Налоговый кодекс Российской Федерации с постатейными материалами и комментариями. М.: ЮристЪ, 2000. -501 с.
43. Винер Н. Кибернетика или управление и связь в животном мире и машине. Перевод с английского, 2-е изд. М.: Мир, 1968. - 420 с.
44. Волкова В.Н., Денисов A.A. Основы теории систем и системного анализа: Учебник для вузов. СПб.: Издательство СПбГТУ, 1997. - 520 с.
45. Воловик Е.М. Метод косвенного определения доходов налогоплательщика на основе расчета выхода продукции по объемуиспользованного сырья или метод процентного содержания // Налоговый вестник, 2000, № 4.
46. Вычислительные машины и мышление. М.: Мир, 1967.
47. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. СПб.: Питер, 2001.
48. Гаврилова Т.А. Базы знаний интеллектуальных систем / Т.А. Гаврилова, В.Ф. Хорошевский. СПб.: Питер, 2000.
49. Галушкин А.И. Решение задач в нейросетевом логическом базисе // Приложение к журналу «Информационные технологии», 2006, № 6. С. 49 -70.
50. Галушкин А.И. Нейрокомпьютеры: Кн. 3. (Нейрокомпьютеры и их применение). -М.: ИПРЖР, 2000. 310 с.
51. Гаскаров Д.В. Интеллектуальные информационные системы: Учебник для вузов. М.: Высшая школа, 2003.
52. Гатауллин Р.В., Горбатков С.А., Бирюков А.Н., Глущенко О.И. Моделирование бюджетных процессов на муниципальном уровне на основе нейросетей. Уфа: Изд. Восточный университет, 2008. - 216 с.
53. Горбатков С.А., Полупанов Д.В. Методы нейроматематики в налоговом контроле. Уфа: Изд. Башгосуниверситета, 2008. - 134 с.
54. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука. Сиб. Изд. Фирма РАН, 1996. - 276 с.
55. Горбань А.Н., Дунин-Барковский В. Л., Кидрин А.Н. и др. Нейроинформатика. Новосибириск: Наука. Сибирское предприятие РАН, 1988.-300 с.
56. Гуревич И.М. Законы информатики основа исследований и проектирования сложных систем // Информационные технологии, 2003, №11 (Приложение). - 37 с.
57. Дебок Г., Кохонен Т. Анализ финансовых данных с помощью самоорганизующихся карт // Пер. с англ. М.: Издательский дом «АЛПИНА», 2001.-317 с.
58. Денисов A.M. Введение в теорию обратных задач. М. Изд-во МГУ, 1994.-208с.
59. Джарротано Дж., Райли Г. Экспертные системы: принципы разработки и программирования. 4-е изд./Пер. с англ. - М.: издательский дом «Вильяме», 2007.
60. Дилигенский Н.В., Дымова Л.Г., Севастьянов П.В. Нечеткое моделирование и многокритериальная оптимизация производственных систем в условиях неопределенности: технология, экономика, экология. М.: Машиностроение, 2004. 380 с.
61. Долгова Е.В. Нейросетевое моделирование и управление в производственно-экономической системе предприятия: Автореф. диссертации на соиск. ученой степени д.э.н. по спец. 08.00.13. Пермь: Пермский государственный технический университет, 2006.
62. Ежов А.А., Шумский С.А. Нейрокомпьютинг и его применение в экономике и бизнесе: Учебник / Ред. проф. В.В. Харитонов. М.: Изд. Московского инженерно-физического института, 1998. - 224 с.
63. Емельянов В.В. Многоагентная модель децентрализованного управления производственными ресурсами // Информационные технологии и вычислительные системы. 1998. - № 1. - С. 69-77.
64. Ермасова Н.Б. Государственные и муниципальные финансы. М.: Экзамен, 2004.
65. Загоруйко Н.Г. Прикладные методы анализа данных и знаний. -Новосибирск: Изд-во Института математики СО РАН, 1999.
66. Заде Л. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976. - 164 с.
67. Иванов В.К., Васин В.В., Танана В.П. Теория линейных некорректных задач и ее приложения. М.: Наука, 1978. - 206 с.
68. Ивахненко А.Г., Степаненко B.C. Особенности применения метода группового учета аргументов в задачах прогнозирования случайных процессов // Автоматика. -1986.-№5.
69. Интервью заместителя руководителя ФНС РФ Т.В. Шевцовой агентству «ИНТЕРФАКС АФИ» о критериях самостоятельной оценки рисков для налогоплательщиков, 2010.
70. Искусственный интеллект: Справочник в 3-х кн. / под. ред. Д.А. Поспелова. -М.: Радио и связь, 1990.
71. Исикава К. Японские методы управления качеством / Пер. с англ. -М.: Экономика, 1988. 103 с.
72. Исследование операций в экономике: Учеб. пособие для вузов / Н.Ш. Кремер, Б.А. Путко, И.М. Тришин, М.Н. Фридман; Под ред. проф. Н.Ш. Кремера. М.: ЮНИТИ, 2006. - 407 с.
73. Каллан Р. Основные концепции нейронных сетей / Пер. с англ. М.: Вильяме, 2003.
74. Клейнер Г.Б. Производительные функции. Теория, методы применения. М.: Финансы и статистика, 1986.
75. Коваленко A.B. Многомерный статистический анализ предприятия: монография / A.B. Коваленко, М.Х. Уртенов, М.А. Узденов. М.: Академия, 2010.-315 с.
76. Колемаев В.А. Математическая экономика: Учебник для вузов. М.: ЮНИТИ, 1998.
77. Колмогоров А.Н., Фомин C.B. Элементы теории функций и функционального анализа. -М.: Наука. Физмат, 1976. 543 с.
78. Колмогоров А.Н. О представлении непрерывных функций нескольких переменных суперпозициями функций одной переменной и сложением // Доклады Академии наук СССР, 1958, т. 114, № 5, с. 953-956.
79. Концепция долгосрочного социально-экономического развития Российской Федерации на период до 2020 года: Распоряжение Правительства РФ от 17.11.2008, № 1662 Р.
80. Концепция реформирования бюджетного процесса в РФ в 2004-2006 гг.: Постановление Правительства РФ №249 от 22.05.2004 г.
81. Концепция формирования межбюджетных отношений Российской Федерации и субъектов Российской Федерации на 2006 год и на среднесрочную перспективу. № 06-06-01 от 20.06.2005.
82. Кремер Н.Ш., Путко Б.А. Эконометрика: Учебник для вузов. М.: ЮНИТ-ДАНА, 2009. - 341 с.
83. Коченов Д.А. Методы использования нейронных сетей, построения нейросетевых экспертных систем и их применение: Автореферат дис. к.ф.-м.н.: 05.13.16. Красноярск: Красноярский государственный технический университет, 1995. - 13 с.
84. Кудинов Ю.И., Кудинов И.Ю. Нечеткое моделирование и кластеризация // Проблемы управления. М.: ИПУ РАН, 2008. - № 6.
85. Лаврентьев М.М., Романов В.Г., Шишатский С.П. Некорректные задачи математической физики и анализа. М.: Наука, 1980. - 286 с.
86. Львов Д.С. Налоговая реформа // http://www.nasledie.ru/fin/6l/6ll/str6.htm (дата обращения 07.04.2011).
87. Лялин В.Е. Математические модели и интеллектуальные информационные технологии для повышения эффективности организации производства // Дис. доктора экон. наук. Ижевск, 2006.
88. Мак-Каллок У.С. Логическое исчисление идей, имитирующих нервную активность / У.С. Мак-Каллок, В. Пите // Нейрокомпьютер, 1992, № 3, 4.-С. 40-53.
89. Малинецкий Г.Г., Курдюмов С.П. Нелинейная динамика и проблемы прогноза // Вестник Российской Академии Наук, 2001, том 71, № 3. С. 210232.
90. Марселлус Д. Программирование экспертных систем на Турбо Прологе / Пер. с англ. М.: Финансы и статистика, 1994.
91. Математический энциклопедический словарь / Ред. Ю.В.Прохоров. -М.: Большая Российская энциклопедия, 1995. 605 с.
92. Мельник Д. Налоговый менеджмент. М.: Финансы и статистика,1999.
93. Местецкий J1.M. Математические методы распознавания образов: Курс лекций. М.: МГУ, 2004. - 85 с.
94. Методические рекомендации субъектам РФ и муниципальным образованиям по регулированию межбюджетных отношений: Приказ Министра финансов РФ № 243 от 27.08.2004 г.
95. Минский М. Фреймы для представления знаний. М.: Мир, 1979. .<
96. Мишустин М.В. Информационно-технологические основы администрирования имущественных налогов: монография / М.В. Мишустин. -М.: ЮНИТИ-ДАНА, 2007. 360 с.
97. Мишустин М.В. Механизм государственного налогового администрирования в России: Дисс. канд. экон. наук. -М., 2003.
98. Мишустин М.В. Механизм государственного налогового администрирования в России. М.: Финансы и статистика, 2003. - 230 с.
99. Милов В.Р. Структурно-параметрический синтез нейронных сетей с последовательными связями на основе байесовской методологии // Нейроинформатика 2005. Сборник научных трудов. Ч. I. - М.: МИФИ, 2005. -С. 18-25.
100. Милов В.Р., Махмудов Я.Я. Обучение нейронных RBF-сетей на основе байесовской методологии и решение задачи восстановлениязависимостей // Нейрокомпьютеры: разработка, применение, 2005, № 4. С. 2331.
101. Модернизация налогового контроля (модели и методы): Монография / (Под ред. А.Н.Романова). М.: Вузовский учебник, 2010. - 320 с.
102. Морозова М.А. Налоговый контроль как функция управления субъектами предпринимательства: Дисс. канд. экон. наук. Киров, 2003.
103. Моисеев H.H. Математические задачи системного анализа. М.: Наука. Физмалит, 1981.-488 с.
104. Налоговый Кодекс Российской Федерации. Части I и II // Собрание законодательства РФ, 1998, 3 августа. № 31. Ст. 3824, 2000, 7 августа, № 32. Ст. 3340.
105. Налоги и налогообложение: Учеб. пособие для вузов / Под. ред. Г.Б. Романова. М.: ЮНИТИ-ДАНА, 2002.
106. Низамутдинов О.Б. Исследование интегрированной математической модели управления производством: Препринт / О.Б. Низамутдинов, Б.Я. Советов, Е.В. Долгова. Свердловск: Изд. УрО АН СССР, 1989. - 33 с.
107. Новиков Д.А. Институциональное управление организационными системами. М.: ИПУ РАН, 2003.
108. Новиков Д. А. Структура теории управления социально-экономическими системами / Д.А. Новиков // Управление большими системами, 2011. Вып. 24.
109. Нужный A.C., Шумский С.А. Регуляризация Байеса в задаче аппроксимации функции многих переменных// Математическое моделирование, 2003, Том 15, N: 9. С. 55-63.
110. Общедоступные критерии самостоятельной оценки рисков для налогоплательщиков, используемые налоговыми органами в процессе отбора объектов для проведения налоговых проверок // Приказ ФНС от 22.09.2010 N: ММВ-7-2/461@.
111. Орлова И.В., Половников В.А. Экономико-математические методы и модели: компьютерное моделирование: Учеб. пособие. М.: Вузовский учебник, 2007. - 365 с.
112. Одрин В.М., Картавов С.С. Морфологический анализ систем. Киев: Наукова думка, 1977. -235 с.
113. Орлов А.И. Теория принятия решений: Учебник. М.: Экзамен, 2006.-575 с.
114. Патрик Э.А. Основы теории распознавания образцов: Пер. с англ. / Под. ред. Б.Р. Левина. М.: Сов. Радио, 1980. 408 с.
115. Перегудов Ф.И., Тарасенко Ф.П. Введение в системный анализ: -Учебн. пособие для вузов. М.: Высшая школа, 1989. - 367 с.
116. Петере Э. Хаос и порядок на рынках капитала. Новый аналитический взгляд на циклы, цены и изменчивость рынка: Пер. с англ. М.: Мир, 2000. -333 с.
117. Подиновский В.В. Введение в теорию важности критериев в многокритериальных задачах принятия решений. М.: Физмат, 2007.
118. Поляк Г.Б. Бюджетная система России. 2-е изд., перераб. и доп. -М.: ЮНИТИ-ДАНА, 2007. - 703 с.
119. Попов Э.В. Экспертные системы. -М.: Радио и связь, 1987.
120. Поспелов Г.С. Искусственный интеллект основа новой информационной технологии / Г.С. Поспелов. - М.: Наука, 1988. - 304 с.
121. Поспелов Д. А. Логико-лингвистические модели в системах управления / Д.А. Поспелов. М.: Энергоатомиздат, 1981, - 232 с.
122. Поспелов Д.А. Ситуационное управление. Теория и практика. М.: Наука, 1986.-240 с.
123. Прангишвили И.В. Системный подход и общесистемные закономерности. Серия «Системы и проблемы управления». М.: СИНТЕГ, 2000. -528 с.
124. Приказ ФНС РФ от 22.09.2010 №: ММВ-7-2/461@.
125. Прикладные интеллектуальные системы, основанные на мягких вычислениях http://window.edu.ru/window/library/pdf2txt?pid=9218&ppage=2 (дата обращения 20.10.2011).
126. Прогнозирование и планирование в налогообложении www.buin-orel.narod.ru (дата обращения 06.07.2011).
127. Пуряев A.C. Научные основы экономических исследований: Учеб. пособие. Набережные Челны: Изд-во Камской госуд. инженерно-экономической академии, 2006. - 182 с.
128. Райзберг Б.А., Лозовский Л.Ш., Стародубцова Е.Б. Современный экономический словарь. 2-е изд., испр. - М.: ИНФРА-М, 1998. - 479 с.
129. Реформа бюджетного процесса в России: 2004-2006. М.: РЕЦЭП.211 с.
130. Романов А.Н., Одинцов Б.Е. Советующие информационные системы в экономике: Учеб. пособие для вузов. М.: ЮНИТИ-ДАНА, 2000. - 487 с.
131. Родина О.В. Налоговый учет: экономико-математические модели, методы и программные средства для оценки и минимизации затрат ресурсов на ведение и мониторинг: Дисс. доктора экон. наук. Ростов-на-Дону, 2011.
132. Рутковская Д., Пилиньский В., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с польского И.Д. Рудинского. М.: Горячая линия - Телеком, 2004. - 452 с.
133. Саймон Г. Науки об искусственном. М.: Мир, 1972.
134. Системный анализ и принятие решений: Словарь- справочник: Учебн. пособие для вузов / Под ред. В.Н. Волковой, В.Н. Козлова. М.: Высшая школа, 2004. - 616 с.
135. Скорик Т.Г. Высокая эффективность выездной налоговой проверки -результат правильности выбранного объекта. Часть 1. // Налоговый вестник, 2001, № 1.-С. 35-39.
136. Скорик Т.Г. Высокая эффективность выездной налоговой проверки -результат правильности выбранного объекта. Часть 2. // Налоговый вестник,2001, №2.-С. 33-38.
137. Соболь И.М., Статников Р.Б. Выбор оптимальных параметров в задачах со многими критериями. М.: Наука, 1981. - 111 с.
138. Советов Б.Я. Моделирование систем: Учеб. для вузов / Б.Я. Советов, С.Я. Яковлев. 6-е изд., стер. - М.: Высшая школа, 2009. - 343 с.
139. Соколов А.Б. Моделирование экономико-информационной среды государственной территориальной налоговой инспекции (на примере ГТНИ г. Москвы): Автореф. дисс. канд. экон. наук. -М.: ВЗФЭИ, 1994. 16 с.
140. Стат Эксперт. Программные продукты серии ОЛИМП. М.: Тора-Центр, 1996.
141. Счетная палата Российской Федерации. Электронный ресурс: www.ach.gov.ru (дата обращения 10.05.2011).
142. Тарасов В.Б. От многоагентных систем к интеллектуальным организациям: философия, психология, информатика. М.: Эдиториал УРСС,2002. 352 с. (Серия «Науки об искусственном»).
143. Терехов В.А. Нейросетевые системы управления / В.А. Терехов, Д.В. Ефимов, И.Ю. Тюкин. М.: Изд-во ИПРЖР, 2002.
144. Теория систем и системный анализ в управлении организациями: Справочник: Учеб. пособие / Под ред. В.Н. Волковой, A.A. Емельянова. М.: Финансы и статистика, 2006. - 848 с.
145. Терехов С.А. Нейросетевые информационные модели сложных инженерных систем // В сб. «Нейроинформатика» / А.Н. Горбань и др. -Новосибирск: Наука. Сибирское предприятие РАН, 1998.-296 с.
146. Терехов С.А. Технологические аспекты обучения нейросетевых машин // «Нейроинформатика 2006»: Лекции по нейроинформатике. - М.: МИФИ, 2006.-С. 13-73.
147. Тихонов А.Н., Арсенин В.Я. Методы решения некорректных задач. М.: Наука. Физмалит, 1986-288 с.
148. Тихонов А.Н., Кальнер В. Д., Гласко В.Б. Математическое моделирование технологический процессов и метод обратных задач в машиностроении. М.: Машиностроение, 1990. - 264 с.
149. Тихонов А.Н., Леонов А.С, Ягола А.Г. Нелинейные некорректные задачи. М.: Наука, 1995. - 312 с.
150. Управление риском. ОЭСР: Практическое методологическое пособие для налоговых администраторов. Серия рабочих документов Московского международного налогового центра, 1998. Вып. 1.
151. Файзрахманов P.A. Моделирование и управление материальными потоками производственной системы с учетом факторов неопределенности и риска / P.A. Файзрахманов. Пермь: Издательство Пермского университета, 2002.
152. Финансово-бюджетное планирование: Учебник / Под ред. проф. Г.Б. Поляка. М.: Вузовский учебник, 2007. - 544 с.
153. Финансовый менеджмент: теория и практика: Учебник / Под. ред. Е.С. Стояновой. 6-е изд. - М.: Изд-во «Перспектива», 2008. - 656 с.
154. Хайкин С. Нейронные сети: полный курс, 2-е изд. М.: Издательский дом «Вильяме», 2006. - 1104 с.
155. Черник Д.Г., Морозов В.П. Оптимизация налогообложения: учебно-практическое пособие. М.: Современная экономика и право, 2007. - 334 с.
156. Черноруцкий И.Г. Методы принятия решений. СПб.: БВХ-Петербург, 2005. - 416 с.
157. Шевченко И.В., Халафян А.А., Васильева Е.Ю. Создание виртуальной клиентской базы для анализа кредитоспособности российских предприятий // Финансы и кредит, 2010, № 1 (385). С. 13-18.
158. Штова С.Д. Проектирование нечетких систем средствами Matlab. -М.: Горячая линия Телеком, 2007.
159. Шумский А.С. Байесова регуляризация обучения// Лекции для школы семинара «Современные проблемы нейроинформатики» (23-25 января 2002г.). - М.:МИФИ, 2002 (file: // Нейро ОК ИнжелсофШт). - 33 с.
160. Экономико-математический энциклопедический словарь / Гл. ред. В.И. Данилов-Данильян. М.: Большая Российская энциклопедия: Издательский дом «ИНФРА-М», 2003. - 688 с.
161. Юткина Т.Ф. Налоговедение: от реформы к реформе. М.: ИНФРА-М, 1999.-293 с.
162. Allingham М., Sandmo A. Income tax evasion: a theoretical analysis // Journal of Public Economics. 1972, № 1. - p. 323-338.
163. Axelrod R. Structure of Decision: The Cognitive Maps of Political Elites // Princeton Press University Press, 1976, № J.
164. Binham Allen / How IRS select returns to audit // www.alaskajournal.com/stories/021802/weairsselection.shtml.
165. Brain Maker Professional. Neural network Simulation Software. User's Guide and Referenze Manual. -Newada City: California Scientific Software, 1995.
166. Bishop C.M. Neural networks for pattern recognition. Oxford: Clarendon Press, 1995.
167. Cremer H., Gahvari F. Uncertanty, Commitment and Optimal Taxation // Journal of Public Economic Theory, 1999, № 1. P. 51-70.
168. Donoho D.L. Aide Memoire. High-Dimensional Data Analilis: The Curses and Blessings of Dimensionality // AMS «Math Chalenges of the 21 st Century». - Stradford, August 8, 2000.
169. Feigenbaum E. Dendral and Meta Dendral / E. Feigenbaum, B. Buchanan // Artifical Intelligence, 1969, Vol. 11, № 1-2.
170. Fisher R.A. Theory of statistical estimation //Procceedings of the Cambridge Philosophical Socirty, 1925, Vol. 22. P. 700-725.
171. Full performance evaluation of the department of tax and revenue. // http://www. legis.state.wv.us/Joint/TaxRevenueDecember.htm (дата обращения 04.09.2011).
172. Fritzke В. Agrowing neural gas networks learns topologies // Advances in Neural Information Processing Systems 7, eds. G. Tesauro, D.S. Touretzky, T.R. been, MIT Press, Cambridge MA, pp. 625-632, 1995.
173. Girosi F., Jones M., Poggio T. Regularization Theory and Neural Networks Architectures // Neural Computation, 1995, Vol. 7. P. 219-269.
174. Greene P.A. Corporate Tax Comliance and IRS Audit Strategy: Ph. D. Dissertation. University of Colorado at Boulder, Boulder, CO, 1997.
175. Gybenko G. Approximation by superprositions of a sigmoidal function // Mathematics of control, signals and systems. 1989. - Vol. 2. - P. 303-314.
176. Holland J.H. Adaptation in Natural and Artifical Systems // The University of Michigan Press, US, Ann Arbor, 1975.
177. Harris D, Yann L.C. Inprowing Generalization Performance Using Doble Backpropagation //IEEE Transactions on neural Networks, 1992. Vol. 3, № 6. P. 991-997.
178. Heckerman D.A. Tutorial on learning with Bayesian networks. -Microsoft Technical Report MSR-TR-95-6, 1995. URL: http://bayes.wustl. edu/etj/prob/book.pdf.tar.qz (дата обращения 03.08.2011).
179. Hecht Nielsen R. Counter propagation networks // Proc. First IEEE Int. Conf. on Neural Networks, eds. M. Candill, C. Butler, 1987, Vol. 2. - San Diego, CA: SOS Printing, pp. 19-32.
180. Hecht Nielsen R. Counter propagation networks // Applied Optics, 1987, Vol. 23, № 26. - P. 4979-4984.
181. Internal Revenue Code. Sec. 446. General rule for methods of accounting. // http://www.fourmilab.ch/ustax/www/t26-A-l-E-ll-446.html (дата обращения 30.05.2011).
182. Kapur V., Grupta A., McGirr T. Microsimulation and Seles Tax Reform in Canada // Microsimulation in Combinatories, Information Theory and Statistic. -Portland, ME: University of South Maine, Forum for Interdisciplinary Mathematics, 1997.
183. Kohonen T. Self organized formation of topologically correct feature maps // Biological Cybernetics. - Vol. 43, 1982. - P. 59-69.
184. Levebvre C., Principe J. Neuro Solutions 3.0: User's guide and referenze manual. Gansville: Neuro Dimension Inc., 1997.
185. Lorenz H. Nonlinear Dinamicdl Economics and Chaotic Motion. -BerlinA Springer Verlag, 1989.
186. Martinetz T.M., Berkovich S.G., Schulten K.J. Neural- gas network for vector quantization and its application to time series prediction // IEEE Transactions on Neural Networks, 1993,Vol. 4, № 4. - P. 558-569.
187. Mac Kay D. Bayesian interpolation // Neural Computation, 1992, V. 4., pp. 415-447. A practical Bayesian frameworks for backprop networks, Ibid., pp. 448472.
188. Mandelbrot B. The Fractal Geometry of Nature. New York: W.H. Freeman, 1982.
189. Neal R.M. Probabilistic inference using Markov chian Montce Carlo methods Technical Report CRG - TR - 93-1, Dept of Computer Science, University of Toronto, 25 Sep 1993.
190. New Advances in Financial Economics / Ed. By Dilip K. Ghosh. -Kidlington (Oxf.) etc: Pergamon, 1995.-XXI, 345 p.
191. Rissanen J. Modeling by shortest data description // Automatica. 1978. -v. 14.-P. 465-471.
192. Rosenblatt F. Principles of Neurodynamics. Washington, DC: Spartan Books, 1962.
193. Wooldridge M., Jennings N. Intelligent Agents: Theory and Practice // The Knowledge Engineering Review. 1995. - Vol. 10. - No. 2. - P. 115-152.
194. Web Intelligence (Тематический выпуск) // Computer. 2002. -November.
195. Zadeh L.A. Fuzzy Sets // Univ. of California, Berkley, Nemo. ERL. -1964, No. 64-44.
196. Zeevi A.J., Meir R. Density estimation through convex combinations densities: Approximation and estimation bounds // Neural Networks. 1996. - V.10. -P. 99-109.
197. Zwicky F. Morfological astronomy. Berlin: Springer - Verlag, 1957.299 p.
Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.