Поддержка принятия решений в налоговом администрировании на основе нейросетевых моделей с байесовской регуляризацией тема диссертации и автореферата по ВАК РФ 05.13.10, кандидат технических наук Фархиева, Светлана Анатольевна

• Фархиева, Светлана Анатольевна
• кандидат технических наук
• 2012

Оглавление диссертации кандидат технических наук Фархиева, Светлана Анатольевна

СПИСОК СОКРАЩЕНИЙ.

ВВЕДЕНИЕ.

ГЛАВА 1. АНАЛИЗ ПРОЦЕССА ПРИНЯТИЯ РЕШЕНИЙ В ПОДСИСТЕМАХ НАЛОГОВОГО АДМИНИСТРИРОВАНИЯ РЕГИОНАЛЬНОГО И МУНИЦИПАЛЬНОГО УРОВНЕЙ В РОССИЙСКОЙ ФЕДЕРАЦИИ.

1.1. Описание системы налогового администрирования и ее подсистем.

1.2. Методические основы принятия решений в подсистемах налогового администрирования.

1.2.1 Анализ методик подсистемы налогового контроля.

1.2.2. Анализ методик подсистемы налогового планирования.

1.2.3. Анализ методик подсистемы налогового регулирования.

1.3. Анализ возможностей известных подходов для поддержки принятия решений в подсистемах налогового администрирования.

1.4. Выводы по главе 1.

ГЛАВА 2. РАЗРАБОТКА ПОДХОДА К ПОДДЕРЖКЕ ПРИНЯТИЯ РЕШЕНИЙ В СИСТЕМЕ НАЛОГОВОГО АДМИНИСТРИРОВАНИЯ.

2.1. Место задачи принятия решения в общей задаче управления налогового администрирования и разработка схемы обмена данными в подсистемах налогового администрирования.

2.1.1. Определение структуры системы налогового администрирования.

2.1.2. Требования к экспертной системе и выбор моделей представления знаний для поддержки принятия решений по налоговому администрированию.

2.3. Комбинированный системно-синергетический информационный подход к исследованию сложных математико-информационных систем.

2.3.1. Условия моделирования.

2.3.2. Сущность системно-синергетического информационного подхода к исследованию подсистем налогового администрирования.

2.4. Построение нейросетевых математических моделей подсистем налогового администрирования на основе общесистемных законов.

2.5. Байесовская регуляризации обучения нейросетей на основе закона неполного подавления дисфункций структурируемой системы.

2.5.1. Подавление дисфункций при структурировании информационной системы и необходимость их парирования.

2.5.2. Концепция о необходимости взаимосвязанного управления информативностью данных и качеством аппроксимации в нейросетевых моделях.

2.6. Выводы по главе 2.УЗ

ГЛАВА 3. РАЗРАБОТКА МЕТОДОВ И МОДЕЛЕЙ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ В СИСТЕМЕ НАЛОГОВОГО АДМИНИСТРИРОВАНИЯ.

3.1. Прикладной приближенный метод байесовской регуляризации обучения нейросети при сильном зашумлении данных с неизвестной функцией распределения шума.

3.2. Метод вложенных математических моделей, основанный на взаимосвязанном управлении информативностью данных и качеством их аппроксимации в байесовском ансамбле нейросетей.7g

3.3. Прикладные компьютерные методики поддержки принятия управленческих решений в системе налогового администрирования.

3.3.1. Метод синтеза оптимального плана выездных налоговых проверок на байесовском ансамбле нейросетей по налоговому контролю и планированию.

3.3.2. Двухступенчатый метод оценки адекватности гибридной нейросетевой модели на основе оптимального плана выездных налоговых проверок на байесовском ансамбле нейросетей.

3.3.3. Гибридный метод оценки кредитоспособности для разработки модели поддержки принятия решений по налоговому регулированию.

3.4. Выводы по главе 3.

ГЛАВА 4. РЕАЛИЗАЦИЯ ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ НАЛОГОВОГО АДМИНИСТРИРОВАНИЯ.

4.1. Оценка адекватности метода вложенных математических моделей на основе вычислительных и натурных экспериментов, а также сравнение с альтернативным методом аналогово-осредненных величин. Ш

4.1.1. Вычислительные эксперименты отдельно по процедурам метода вложенных математических моделей.

4.1.2. Вычислительные эксперименты по методу вложенных математических моделей в целом.

4.2. Программная реализация интеллектуальной поддержки принятия решений налогового администрирования.

4.3. Структурно-функциональная схема информационно-аналитической системы поддержки принятия решений по налоговому администрированию.

4.4. Выводы по главе 4.^У

Введение диссертации (часть автореферата) на тему «Поддержка принятия решений в налоговом администрировании на основе нейросетевых моделей с байесовской регуляризацией»

Объектом исследования в работе являются процессы в системе налогового администрирования, направленные на повышение собираемости налогов при сохранении финансовой устойчивости предприятий-налогоплательщиков после уплаты налогов.

Предметом исследования в работе являются нейросетевые модели, функционирующие в условиях высокой неопределенности, для представления знаний в экспертных системах по принятию решений в системе налогового администрирования.

Актуальность темы исследования обусловлена следующими соображениями прикладного и теоретического характера.

В современных условиях развития российской экономики актуальным является максимальное наполнение государственного бюджета доходами и обеспечение их сбалансированности с расходами. В рамках приоритетных направлений совершенствования налоговой системы Российской Федерации, определенных Президентом и Правительством, что использование эффективных приемов и методов налогового администрирования и дальнейшее их совершенствование должно способствовать значительному росту налоговых поступлений в бюджет. Поэтому актуальной проблемой исследований представляется совершенствование технологий подсистем налогового администрирования на основе новейших инструментариев принятия решений, математического моделирования, информационных технологий в условиях искажения данных налоговых деклараций, дефицита наблюдений и сложных условий формализации моделей.

Вопросы совершенствования контрольной работы в налоговых органах и моделей налогового администрирования представлены в работах Г. Г. Брызгалина, И. Р. Пайзулаева, Ю. Ф. Кваши, А. 3. Дадашева, А. В. Лобанова, В. А. Красницкого, Л. Ф. Черкасовой, Д. А. Артеменко и др. Вопросам управления налогообложением в аспекте моделирования процессов сбора налогов и оценки добросовестности отдельных налогоплательщиков посвящены работы А. Б. Паскачева, Т. Н. Скорика,

A. Б. Соколова, Д. Г. Черника, М. В. Мишустина и др. Проблемы интеллектуального управления и нейросетевого моделирования экономических объектов исследованы в трудах отечественных ученых

B. И. Васильева, А. А. Ежова, Б. Г. Ильясова, Л. А. Исмагиловой,

C. Т. Кусимова, С. А. Терехова, С. А. Шумского, Л. Р. Черняховской, Н. И. Юсуповой, зарубежных ученых И. С. Абу-Мустафы, Д.-Э. Бэстенса, В.-М. ван ден Берга, Д. Вуда. Общие вопросы теории нейронных сетей и нейрокомпьютинга изложены в работах А. И. Галушкина, А. Н. Горбаня, В. Л. Дунина-Барковского, Г. Г. Малинецкого, Э. Баррона, А. Г. Ивахненко, Т. Кохонена, Ф. Розенблата, С. Хайкина и других ученых нашей страны, дальнего и ближнего зарубежья.

Г. И. Букаевым и Н. Д. Бубликом предложена технология оценки финансовых показателей налогоплательщиков [11, 12]. На основе этих предложений С. А. Горбатковым разработаны общие принципы нейросетевого моделирования сложных экономических систем, включая системы налогового администрирования [8, 25]. Построению нейросетевых моделей камеральных проверок торговых предприятий посвящены исследования Н. Т. Габдрахмановой и Д. В. Полупанова [18, 76]. Однако в этих работах не были рассмотрены вопросы устойчивости (регуляризации) нейросетевых моделей и не были исследованы подсистемы налогового планирования и регулирования.

Несмотря на существующие многочисленные разработки в области нейросетевого моделирования, для стохастических объектов с сильно зашумленными и даже сознательно искаженными данными, методы и принципы построения эффективных, адекватных и качественных нейросетевых моделей не разработаны в полном объеме. Поэтому актуальной научной задачей является разработка методов и компьютерных технологий построения нейросетевых моделей поддержки принятия решений в налоговом администрировании в условиях высокой неопределенности данных.

Подводя итоги анализа актуальности темы диссертации, следует отметить, что уровень автоматизации налогового контроля, планирования и регулирования в существующих информационных технологиях не соответствует запросам практики, с одной стороны, и потенциальным возможностям современного математического аппарата, в частности нейросетевых методов, с другой стороны. Эти обстоятельства определили цель данной работы и задачи исследования.

Цель диссертационной работы состоит в повышении эффективности разработки управленческих решений по налоговому администрированию местного уровня, а также повышение уровня автоматизации технологий администрирования на основе нейросетевых моделей в качестве моделей представления знаний в экспертных системах налогового администрирования.

Для реализации поставленной цели в диссертационной работе были поставлены следующие задачи:

1. Разработка подхода к поддержке принятия решений по налоговому администрированию на основе применения инженерии знаний, технологии экспертных систем и нейросетевых технологий.

2. Разработка концепции построения эффективных, устойчивых и адекватных гибридных нейросетевых математических моделей в условиях высокой неопределенности на основе общесистемных закономерностей и байесовского подхода к регуляризации нейросетевых моделей.

3. Разработка метода регуляризации нейросетевых моделей, реализующего концепцию по пункту 2 на основе байесовского ансамбля нейросетей.

4. Разработка метода синтеза оптимального плана выездных налоговых проверок на байесовском ансамбле нейросетей.

5. Разработка метода оценки финансовой состоятельности налогоплательщиков.

На защиту выносятся следующие результаты:

1. Подход к поддержке принятия решений в налоговом администрировании с использованием технологии экспертных систем и технологии интеллектуального представления и накопления знаний в виде нейросетевых моделей.

2. Концепция о необходимости взаимосвязанного управления информативностью данных и качеством аппроксимации в нейросетевых моделях.

3. Метод вложенных математических моделей для построения обобщенных моделей восстановления многофакторных зависимостей, скрытых в данных, прогнозирования и ранжирования, реализующий концепцию по пункту 2.

4. Метод синтеза оптимального плана выездных налоговых проверок на байесовском ансамбле нейросетей, позволяющий повысить достоверность отбора налогоплательщиков для выездных налоговых проверок по налоговому планированию.

5. Гибридный метод оценки кредитоспособности, позволяющий оценить финансовую состоятельность налогоплательщиков и повысить оперативность принятия решений по налоговому регулированию.

Научная новизна результатов, выносимых на защиту, их достоверность и теоретическая значимость:

1. Научная новизна подхода к поддержке принятия решений в налоговом администрировании заключается в том, что в экспертной системе налогового администрирования ранее нейросетевые модели не использовались для представления знаний, что позволяет модели представления знаний функционировать в сложных специфических условиях моделирования сильном зашумлении и искажении данных, характерных для моделируемой системы).

2. Концепция о необходимости взаимосвязанного управления информативностью данных и качеством аппроксимации в нейросетевых моделях на основе байесовского ансамбля нейросетей, отличается тем, что итерационные процедуры предобработки данных, направленные на повышение их однородности и информативности с использованием вспомогательных нейросетевых моделей, предлагается проводить взаимосвязано с процедурой регуляризации обучения основной (рабочей) нейросетевой модели, направленной на повышение качества и устойчивости нейросетевого отображения, что позволяет обеспечить состоятельность задачи регуляризации в условиях высокой неопределенности данных и приблизить нейросетевые модели к реальным условиям разработки управленческих решений в налоговом администрировании.

3. Научная новизна метода вложенных математических моделей заключается в том, что предложенный метод, реализующий концепцию по пункту 2, отличается тем, что вводится 6 итерационных оптимизационных процедур предобработки данных на вспомогательных нейросетевых моделях и 5 процедур обучения рабочей нейросети с ее реализацией, причем критерии предобработки подчинены качеству будущего обучения нейросети, это обеспечивает разумный компромисс между прогностическими свойствами нейросети и ее устойчивостью по выбранной числовой мере в сложных условиях моделирования при разработке управленческих решений в налоговом администрировании.

4. Научная новизна гибридного нейросетевого метода синтеза оптимального плана выездных налоговых проверок на байесовском ансамбле нейросетей состоит в том, что принцип построения критерия ранжирования налогоплательщиков при отборе для выездных налоговых проверок оценивает не только вероятность ненулевых доначислений, но и производит упорядочение (ранжирование) предприятий-налогоплательщиков по ожидаемой сумме доначислений, а также оценивает статистическую устойчивость больших отклонений в декларациях по предыстории данных. Это позволяет повысить достоверность синтезированных планов, и как следствие, повысить собираемость налогов.

5. Научная новизна гибридного метода оценки кредитоспособности налогоплательщиков отличается тем, что в его алгоритм впервые введена нейронечеткая процедура оценки кредитоспособности кластеров отдельно взятых (крупных и проблемных) налогоплательщиков. Это позволяет повысит оперативность принимаемых решений по налоговому регулированию, а также повысить собираемость налогов за счет научно обоснованного углубленного анализа финансового состояния крупных налогоплательщиков.

Практическая значимость работы.

Получено свидетельство о регистрации электронного ресурса «Алгоритм структурирования данных с использованием вспомогательных нейросетевых субмоделей и построение рабочей нейросетевой модели с байесовской регуляризацией» в ОФЭРНиО ИНИМ РАО № 16403 от 22.11.2010г. [22].

В учебном процессе Уфимской государственной академии экономики и сервиса (УГАЭС) и филиала Всероссийского заочного финансово-экономического института в г. Уфа (ВЗФЭИ) внедрено математическое обеспечение интеллектуальной экспертной системы налогового администрирования, а также методика его использования для решения задач налогового контроля и планирования.

В работу отдела кредитных продуктов ОАО «Уралсиб» внедрен гибридный метод оценки кредитоспособности заемщиков, который позволяет малозатратно и оперативно получать достаточно достоверную информацию о финансово-экономическом состоянии заемщиков.

Научное исследование выполнено в 2002-2011 гг. во Всероссийском заочном финансово-экономическом институте. И в частности, в соответствии с комплексной темой «Обеспечение устойчивого экономического и социального развития России», по кафедральной подтеме «Разработка теоретических основ и методов нейросетевого моделирования в налогообложении».

Полученные в работе результаты по интеллектуальной экспертной системе могут служить научной базой для модернизации аналитического блока электронной системы обработки данных (ЭОД) местного уровня, которая в настоящее время функционирует в налоговой системе России.

Апробация работы. Результаты работы обсуждались и были одобрены на следующих конференциях и семинарах: Всероссийская научно-техническая конференция «Нейроинформатика» (Москва, 2006, 2007, 20092012); V Всероссийская научно-практическая конференция «Проблемы и перспективы российской экономики» (Пенза, 2006); Научно-практическая конференция «Современные направления теоретических и практических исследований» (Одесса, 2006); XXII Международная научно-техническая конференция «Математические методы и информационные технологии в экономике, социологии и образовании» (Пенза, 2008); III Всероссийская научно-практическая конференция «Система ценностей современного общества» (Новосибирск, 2008); Всероссийская научно-практическая конференция «Финансовая и актуарная математика» (Уфа, 2009); Международная научно-практическая конференция «Современные проблемы и пути их решения в науке, транспорте, производстве и образовании» (Одесса, 2009); Всероссийская конференция с элементами научной школы молодежи «Проведение научных исследований в области обработки, хранения, передачи и защиты информации» (Ульяновск 2009); Всероссийская научно-практическая конференция «Социальная ответственность бизнеса: теория, методология, практика» (Уфа, 2010).

Использовались методы системного анализа, теории принятия решений, методы разработки и эксплуатации экспертных систем, методы нейроматематики, эконометрики и математической статистики.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка использованной литературы из 109 наименований и 2 приложений и содержит 176 страниц основного текста включая иллюстрации и таблицы.

Заключение диссертации по теме «Управление в социальных и экономических системах», Фархиева, Светлана Анатольевна

4.4. Выводы по главе 4

6. В четвертой главе рассмотрена реализация экспертной системы налогового администрирования с помощью прикладных гибридных нейросетевых моделей подсистем налогового администрирования, которые служат основой для поддержки принятия управленческих решений.

7. Разработаны прикладные гибридные нейросетевые математические модели поддержки принятия решений в подсистемах налогового администрирования: подсистеме налогового контроля - нейросетевая модель ранжирования объектов налогового контроля; подсистеме налогового планирования - вероятностная модель синтеза плана выездных налоговых проверок; подсистеме налогового регулирования - нейросетевая модель оценки платежеспособности предприятий-налогоплательщиков. Эти модели служат основой для поддержки принятия управленческих решений в соответствующих подсистемах налогового администрирования. Разработанные ГНСМ в подсистемах налогового администрирования, реализующие предложенные в работе методы и подходы, позволяют повысить уровень автоматизации и достоверность оценок при разработке управленческих решений.

8. Вычислительные эксперименты показали, что предлагаемая экспертная система по принятию решений в системе налогового администрирования работоспособна и может функционировать в сложных специфических условиях, что позволяет использовать ее в качестве аналитического блока программного комплекса ЭОД. Поэтому, в работе разработана структурно-функциональная схема интеллектуальной информационно-аналитической системы поддержки принятия решений по налоговому администрированию, в которой наименьший структурный элемент - налоговая декларация, содержащая весь набор компонентов вектора X согласно принятой спецификации переменных и взаимно однозначно соответствующие этим переменным значения выходной случайной величины Г.

9. Достоверность предложений обосновывалась проведением широких серий вычислительных экспериментов с использованием реальных (закодированных) данных налоговых деклараций, а также сравнением данных синтеза оптимальных планов выездных налоговых проверок на основе нейросетей с байесовской регуляризацией с их итогами в производственных условиях для торговых и сельскохозяйственных предприятий Республики Башкортостан. Получена 83-процентная вероятность правильной диагностики нарушений налогового законодательства в декларациях. Кроме того, производилось сравнение результатов расчета оптимального плана выездных проверок в ГНСМ с альтернативной известной модифицированной непараметрической моделью И. И. Голичева, которое показало что модели подтверждают друг друга на 71 процент.

Заключение

В диссертационной работе содержится решение научной задачи разработки поддержки принятия решений в налоговом администрировании. В ходе исследований получены следующие результаты:

1. Предложен подход к поддержке принятия решений в НА на основе технологии экспертных систем и технологии накоплении и представления знаний в виде НСМ, позволяющий этим моделям представления знаний функционировать в сложных специфических условиях моделирования (сильное зашумление данных, плоть до сознательного искажения).

2. Предложена концепция о необходимости взаимосвязанного управления информативностью данных и качеством аппроксимации в НСМ на байесовском ансамбле нейросетей в условиях отсутствия априорных сведений о шумах в данных. Концепция оригинальна тем, что с целью количественной апостериорной оценки качества объяснения данных введена процедура фильтрации гипотез по финишному вероятностному частотному критерию р; который не требует выполнения ограничения об априорном знании закона распределения плотности вероятности шумовой составляющей, что позволяет приблизить НСМ к практическим сложным условиям моделирования, и соответственно повысить их достоверность.

3. Разработан МВММ для построения обобщенных моделей восстановления многофакторных зависимостей, скрытых в данных (включающий в себя алгоритмы предпроцессорной обработки данных (предрегуляризации), а также алгоритмы байесовской регуляризации обучения сетей и их апостериорной фильтрации). Метод реализует концепцию о необходимости взаимосвязанного управления информативностью данных и качеством аппроксимации в нейросетевых моделях, позволяет с целью обеспечения состоятельности задачи регуляризации НСМ и процедуры улучшения информативности данных производить взаимосвязано с процедурами байесовской регуляризации, что повышает эффективность байесовской регуляризации обучения нейросети.

4. Разработан метод синтеза оптимального плана выездных проверок на основе байесовского ансамбля НСМ. Метод оценивает не только вероятность ненулевых доначислений, но и производит ранжирование предприятий-налогоплательщиков по ожидаемой сумме доначислений, что позволяет повысить собираемость налогов.

5. Разработан гибридный метод оценки кредитоспособности предприятий-налогоплательщиков, основанный на применении правила нечеткого вывода с использованием нечеткой пенташкалы позволяет провести более углубленный анализ и повысить эффективность управленческих решений.

Достоверность положений, выносимых на защиту, обосновывалась проведением широких серий вычислительных экспериментов с использованием реальных (закодированных) данных налоговых деклараций в главе 4, а также сравнением данных синтеза оптимальных планов выездных налоговых проверок с их итогами в производственных условиях для торговых и сельскохозяйственных предприятий Республики Башкортостан. Получена 83-процентная вероятность правильной диагностики нарушений налогового законодательства в декларациях. Кроме того, производилось сравнение результатов расчета оптимального плана выездных проверок в ГНСМ с альтернативной известной модифицированной непараметрической моделью И. И. Голичева. В ходе исследования эффективности поддержки принятия решений в технологии НА показана работоспособность и эффективность предложенных концепций, методов и алгоритмов. Разработанный МВММ, алгоритмы и выдвинутые идеи, положенные в их основу, первоначально не были очевидны, поэтому уделено особое внимание проверке каждой идеи на широких сериях вычислительных экспериментов. Рассмотрены вопросы, связанные с прикладными моделями. Предложения по принятию решений в системе НА позволяют организовать аналитический блок, встраиваемый в программный комплекс ЭОД местного уровня, что позволит усовершенствовать технологию НА.

Список литературы диссертационного исследования кандидат технических наук Фархиева, Светлана Анатольевна, 2012 год

1. Айвазян С.А., Мхитарян B.C. Прикладная статистика и основы эконометрики: Учебник для вузов. М.: ЮНИТИ, 1998.

2. Артёменко Д.А. Налоговое администрирование в России: механизм и направление модернизации. Дис. . докт. экон. наук. Ростов-на-Дону, 2010.

3. Барановская Т.П., Лойко В.И., Семенов М.И., Трубилин А.И. Информационные системы и технологии в экономике: Учебник. 2-е изд. -М.: Финансы и статистика, 2005.

4. Безруков Г.Г. Налоговое администрирование в системе федерального государственного устройства: Дис. . канд. экон. наук. -Екатеринбург, 2003.

5. Берман В. Налоговая реформа (2002-2004) // http://www.nevasps.spb.ru/lib proekt.htm.

6. Брызгалин Г.Г., Казак А.Ю., Привалова С.Г. Налоговый контроль в условиях реформирования экономики. Екатеринбург. 2003.

7. Бублик Н.Д., Голичев И.И., Горбатков С.А., Смирнов A.B. Теоретические основы разработки технологии налогового контроля и управления. Уфа: Изд-во Башгосуниверситета, 2004.

8. Бублик Н.Д., Лукина И.И., Шашкова Т.Н. Организация налогового контроля: состояние и пути развития: учеб. Пособие / под редакцией д.э.н. профессора Н.Д. Бублика. Уфа: ВЗФЭИ, 2008. - 314 с.

9. Бублик Н.Д., Попенов C.B., Секерин А.Б. Управление финансовыми и банковскими рисками: Учебн. пособие. Уфа: Альтернатива РИЦ, 1998.

10. Букаев Г.И., Бублик Н.Д., Горбатков С.А., Саттаров Р.Ф Модернизация системы налогового контроля на основе нейросетевых информационных технологий. М.: Наука, 2001.

11. Бэстенс Д.-Э., ван ден Берг В.-М., Вуд Д. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. М.: ТВП, 1998.-240 с.

12. Васильев В.И., Валеев С.С. Оценка сложности нейросетевых моделей на основе энтропийного подхода // Нейрокомпьютеры: разработка, применение. 2004, № 9. С. 10-16.

13. Васильев В.И., Ильясов Б.Г., Валеев С.С. и др. Интеллектуальные системы управления с использованием нейронных сетей: Учеб. пособие. -Уфа: Уфим. гос. авиац. техн. ун-т, 1997.

14. Васильев В.И. Ильясов Б.Г. Интеллектуальные системы управления. Теория и практика: учебное пособие. М.: Радиотехника, 2009. -392 е., ил.

15. Вылкова Е., Романовский М. Налоговое планирование. СПб.: Питер, 2004. - 634с. ил. - (серия «учебник для вузов»)

16. Габдрахманова Н.Т. Нейросетевое моделирование камеральных налоговых проверок торговых предприятий и оптимизация их постналогового дохода. Дис. . канд. техн. наук. Уфа, 2003.

17. Галушкин А.И. Теория нейронных сетей. Кн.1: Учеб. пособие для вузов / Общая ред. А.И. Галушкина. М.: ИПРЖР, 2000. - 416 с.

18. Горбань А.Н., Дунин-Барковский В.Л. Кидрин А.Н. и др. Нейроинформатика. Новосибирск: Наука, Сибирское предпр-ие РАН, 1998.

19. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука. Сиб. Изд. фирма РАН, 1996.

20. Горбатков С.А., Полупанов Д.В. Методы нейроматематики в налоговом контроле: Монография / под. ред. д-ра тех. наук, поф. С.А. Горбаткова. Уфа: РИЦ Баш ГУ, 2008. - 136с.

21. Сборник научных трудов. В 2-х частях. 4.2. М.: НИЯУ МИФИ. 2010. С.228-237.

22. Горбатков С.А., Фархиева С.А. Об одном способе регуляризации в нейросетевой информационной технологии налогового контроля. 5 Всероссийская научно-практическая конференция «Проблемы и перспективы российской экономики», Пенза, 2006

23. Горбатков С.А., Фархиева С.А. Регуляризация по Тихонову нейросетевых моделей финансового контроля. Вестник Ижевского государственного технического университета, №4(44), 2009. Изд. ИжГТУ. С. 62-65.

24. Гуревич И.М. Законы информатики основа исследований и проектирования сложных систем. // Информационные технологии. - 2003. -№11, Приложение. - 24 с.

25. Дадашев А. 3., Пайзулаев И. Р. Налоговый контроль в российской Федерации. Учебное пособие. КноРус 2009, 127 с.

26. Джарратоно, Джозеф, Райли, Гарри. Экспертные системы; принципы разработки и программирования, 4-е издание.: Пер. с англ. М.: ООО «И.Д. Вильяме», 2007. - 1152 с. : ил. - Парал. тит. англ.

27. Ежов A.A., Шумский С.А. Нейрокомпьютинг и его применение в экономике и бизнесе (Серия Учебники экономико-аналитического института МИФИ, под ред. проф. В.В. Харитонова). М.: МИФИ, 1998. - 224 с.

28. Ивахненко А.Г. Персептроны. К.: Наук, думка, 1974.

29. Ильясов Б.Г., Исмагилова JI.A., Валеева Р.Г. Моделированиепроизводственно-рыночных систем. Уфа: Изд. УГАТУ, 1995. - 321 е.: ил.

30. Ильясов Б.Г., Исмагилова Л.А., Валеева Р.Г., Сергеева И.Г. Применение нейро-нечетких моделей в управлении производством. // Нейрокомпьютеры: разработка, применение. 2001. № 4-5. - С. 36-41.

31. Исмагилова Л.А., Орлова Е.В. Нейросетевые технологии в экономике: сравнение с классическими методами. // Нейрокомпьютеры: разработка, применение. 2004. № 9. с. 49-56.

32. Исмагилова Л.А., Орлова Е.В., Афанасьев В.Ю. Информацинная технология оценки и прогнозирования налогового потенциала // Экономика и управление. 2001. - № 1. С. 50-53.

33. Кваша Ю.Ф, Зрелов А.П., Харламов М.Ф. Налоги и налогообложение. 4-е изд., перераб. и доп. М.: Высшее образование. 2009, 156 с.

34. Красницкий В.А. Налоговый контроль в системе налогового администрирования. М.:Финансы и статистика, 2008. 168 с.

35. Кремер Н.Ш., Путко Б.А. Эконометрика: Учебник для ВУЗов / Под ред. проф. Н.Ш. Кремера. М.: ЮНИТИ - ДАНА, 2002

36. Кусимов С. Т., Ильясов Б. Г. и др. Интеллектуальное управление производственными системами. М.: Машиностроение, 2001.

37. Лайв Э.Х. Инфодинамика, обобщенная энтропия и негэнтропия. -Таллин, 1998.

38. Литвак Б.Г. Разработка управленческого решения: Учебник. 6-е изд., испр. и доп. - М.: Дело, 2006. - 440 с.

39. Лобанов A.B., Дадашев А.З. Налоговое администрирование в Российской Федерации. М.: Высшее образование. 2002, 363 с.

40. Львов Д.С. Налоговая реформа // http: //www.nasledie.ru/fm/6l/6ll/str6.htm

41. Малинецкий Г.Г., Курдюмов С.П. Нелинейная динамика и проблемы прогноза // Вестник Российской академии наук. 2001. Т. 71- № 3. - С. 210-232.

42. Матвеев М.Г., Свиридов А.С., Алейникова Н.А. Модели и методы искусственного интеллекта. Применение в экономике: учеб. пособие. М.: Финансы и статистика; ИНФРА-М, 2008. 448с.

43. Методические рекомендации субъектам Российской Федерации и муниципальным образованиям по регулированию межбюджетных отношений // Приказ Министерства финансов РФ № 243 от 27 августа 2004 г.

44. Мишустин М.В. Механизм государственного налогового администрирования в России: Дис. .канд. экон. наук. М. 2003.

45. Мишустин М.В. Совершенствование налогового администрирования фактор повышения эффективности работы налоговых органов // Финансы. 2003. №6.

46. Модернизация налогового контроля (модели и методы): Монография / Под ред. А.Н.Романова. М.: ИНФРА-М: Вузовский учебник, 2010.-XI. 320 с.

47. Моррис У.Т. Наука об управлении. Байесовский подход. М.: Мир, 1971г.-304с.

48. Налоговый кодекс Российской Федерации, части первая и вторая.

49. Нейросетевое математическое моделирование в задачах ранжирования и кластеризации в бюджетно-налоговой системе регионального и муниципального уровней: Монография / С.А. Горбатков и др. Уфа: РИЦ БашГУ, 2011. - 224 с.

50. Новиков Д.А. Структура теории управления социально-экономическими системами. Журнал «Управление большими системами». №27(2009). Выпуск XX, С. 216-252.

51. Новиков Д.А. Теория управления организационными системами. М.: МПСИ, 2005.-584 с.

52. Нужный A.C., Шумский С.А. Регуляризация Байеса в задаче аппроксимации функции многих переменных. //Матем. моделирование. -2003.- т.15, N.9. с.55-63.

53. Об одном методе оценки кредитоспособности российских предприятий / С. А. Фархиева // Социальная ответственность бизнеса: теория, методология, практика: матер. II Всеросс. науч.-практ. конф., 21 ноября 2011 г., ВЗФЭИ. Уфа: Мир печати, 2011. С. 278-282.

54. Организация и методы налоговых проверок: Учеб. пособие. 2-е изд., допол. и перераб. / Под ред. проф. А.Н. Романова. - М.: Вузовский учебник, 2009. - 334с.

55. Орлов А.И. Теория принятия решений: учебник / А.И.Орлов. М.: Издательство «Экзамен», 2006. 573с.

56. Орлова Е.В. Модели и технологии управления в системе налогообложения. Автореф. дисс. . к.т.н.:05.13.10. Уфа, Уфим. гос. авиац. техн. ун-т, 2004 16 с.

57. Оспанов М.Т. Налоговая реформа и гармонизация налоговых отношений. СПб.: Изд-во СПбГУЭФ. 1997, С.289.

58. Оценка эффективности алгоритмов предрегуляризации и байесовской регуляризации нейросетей для камеральной налоговой проверки

59. С. А. Горбатков, И. И. Белолипцев, С. А. Фархиева, Д. В. Полупанов // Научная сессия НИЯУ МИФИ-2012. 14-я Всеросс. науч.-техн. конф. «Нейроинформатика-2012»: сб. науч. тр. М.: НИЯУ МИФИ, 2012. Ч. 3. С. 3848.

60. Паскачев А.Б., Садыгов Ф.И., Мишин В.И. и др. Анализ и планирование налоговых поступлений: теория и практика / Под ред. Садыгова Ф.И. М.: Изд-во экономико-правовой лит-ры, 2004. - 232 с.

61. Перегудов Ф.И., Тарасенко Ф.П. Введение в системный анализ: Учеб. пособие для ВУЗов. М.: Высшая школа, 1989.

62. Полупанов Д.В. Математические модели ранжирования объектов налогового контроля. Дис. . канд. техн. наук. Уфа, 2007.

63. Поспелов Д.А. Ситуационное управление. Теория и практика. М.: Наука, 1986.-240с.

64. Прангишвили И.В., Бурков В.Н., Горгидзе И.А. Джавахадзе Г.С., Хуродзе P.A. Системные закономерности и системная оптимизация. М.: Синтег, 2004. 208 с.

65. Прангишвилли И.В. Системный подход и общесистемные закономерности. -М.: СИГНЕТ, 2000.

66. Проблемы управления сложными динамическими объектами в критических ситуациях на основе знаний / P.A. Бадамшин, Б.Г. Ильясов, JI.P. Черняховская. М.: Машиностроение, 2003 - 240 с.

67. Системный анализ и принятие решений: Словарь-справочник: Учеб. пособие для вузов/Под ред. В.Н.Волковой, В.Н. Козлова. М.: Высш. шк., 2004-616 с.:ил.

68. Системы искусственного интеллекта: учебное пособие / И.Г. Сидоркина. М.: КНОРУС, 2011. - 248 с.

69. Скорик Т.Г. Высокая эффективность выездной налоговой проверки результат правильности выбранного объекта. Часть 2.// Налоговый вестник, 2001, №2.-С. 33-38.

70. Соколов А.Б. Моделирование экономико-информационной среды государственной территориальной налоговой инспекции (на примере ГТНИ г. Москвы): Автореф. дис. . канд. экон. наук. М., 1994.

71. СтатЭксперт. Программные продукты серии ОЛИМП. М.: 1996.

72. Терехов В.А., Ефимов Д.В., Тюкин И.Ю. Нейросетевые системы управления. Кн. 8.: Учеб. Пособие для ВУЗов / Общая ред. А.И. Галушкина М.: ИПЖР, 2002. - 480 с.

73. Терехов С.А. Технологические аспекты обучения нейросетевых машин // Научная сессия МИФИ-2006. VII Всероссийская научно-техническая конференция «Нейроинформатика-2006»: Лекции по нейроинформатике. М.: МИФИ, 2006. С. 13-73.

74. Урманцев Ю.А. Общая теория систем: состояние, приложение и перспективы развития. Система, симметрия, гармония. -М.: Мысль, 1988.

75. Фархиева С.А. Восстановление многомерных функциональных зависимостей с помощью нейросетевых моделей в задачах налогового администрирования. Научная перспектива. Научно-аналитический журнал. №1/2011. ISSN 2077-3153. Изд. «Инфинити». С. 27-29.

76. Фархиева С.А. Приближенный метод байесовской регуляризации нейросетевой модели налогового контроля. Альманах современной науки и образования. Тамбов: Грамота, 2011. №1 (44). ISSN 1993-5552. С.171-173.

77. Хайкин С. Нейронные сети: полный курс. М.: Издательский дом «Вильяме», 2006. - 1104 с.

78. Черкасова Л.Ф. Современная организация и кадровая политика налогового администрирования. Волгоград: Изд-во ВолГУ, 2002.

79. Черник Д.Г., Починок А.П., Морозов В.П. Основы налоговой системы: Учебное пособие для вузов. / Под ред. Д.Г. Черника. М.: Финансы: ЮНИТИ, 1998.

80. Черноруцкий И.Г. Методы принятия решений. СПб.: БХВ-Петербург, 2005. - 416 е.: ил.

81. Черняховская JI.Р. Поддержка принятия решений при управлении сложными объектами в критических ситуациях на основе инженерии знаний. Автореф. дисс. . д.т.н.: 05.13.10. Уфа, Уфим. гос. авиац. техн. ун-т, 2004 -32 с.

82. Черняховская Л.Р., Низамутдинов М.М. Анализ процессов управления в критических ситуациях на основе классификации с использованием нейронных сетей // Нейрокомпьютеры: разработка, применение. -2001. № 4-5. С. 97-101.

83. Шаповалов В.И. Структура и энтропия // Химия и жизнь, 1996, №13.

84. Шевченко И.В., Халафян A.A., Васильева Е.Ю. Создание виртуальной клиентской базы для анализа кредитоспособности российских предприятий // Финансы и кредит, 2010, №1 (385), с.13 18.

85. Шеннон К. Работы по теории информации и кибернетике. М.: Изд. иностр. лит. 2002.

86. Шумский С.А. Байесова регуляризация обучения // Научная сессия МИФИ 2002. IV Научно-техническая конференция «Нейроинформатика -2002»: Лекции по нейроинформатике. Часть 2. - М.: МИФИ, 2002, с. 30-93

87. Эконометрика. Учебник / И.И. Елисеева. C.B. Курышева, Т.В. Костеева и др.; под ред. Елисеевой. 2-е изд., перераб. и доп. - М.: Финансы и статистика, 2007. 576с.

88. Abu-Mostafa Y.S. Neural networks for computing // Conf. On Neural Networks Computing, Snowbird, Utah, 13-16 April 1986 (p. 1-6).

89. Abu-Mostafa Y.S., Atiga A.F., Magdon-Ismail M., White H. Spesial Issue on Neural Networks in financial engineering // IEEE Transactions of neural networks. 2001. V. 21. - № 4. - P. 633-656.

90. Allingham M. And A. Sandmo. Income tax evasion: A theoretical analysis// Journal of Public Economics. 1972. - №1. -P.323-328.

91. Barron A.R. Universal approximation bounds for superpositions of a sigmoidal function //IEEE Trans. Info. Theory. 1993.V.39.P.930-945.

92. BrainMaker Professional. Neural network Simulation Software. User's Guide and Reference Manual. Newada City: California Scientific Software, 1995.

93. Cremer H. and F.Gahvary. Tax evasion, concealment and optimal linear income tax.// Scandinavian Journal of economics. 1994. - №96. - P.219-239.

94. Fisher R. On an absolute criterion for ting frequency curves // Messenger of Mathematics. 1912. v. 41.pp. 155 160.

95. Kohonen. T., Sell organized formation of topologically correct feature maps // Biological Cybernetics, 1982. - № 43. - Pp. 59-69.