Прогнозирование налоговой нагрузки сельскохозяйственных предприятий методами машинного обучения
- Авторы: Харитонова А.Е.1
-
Учреждения:
- Финансовый университет при Правительстве Российской Федерации
- Выпуск: № 4 (2023)
- Страницы: 28-38
- Раздел: Статьи
- URL: https://journals.rcsi.science/2454-065X/article/view/360726
- EDN: https://elibrary.ru/VUBDLU
- ID: 360726
Цитировать
Полный текст
Аннотация
В статье проанализированы данные совокупности сельскохозяйственных предприятий и построены модели машинного обучения для прогнозирования налоговой нагрузки. Предметом настоящего исследования являются система статистических показателей сельскохозяйственных предприятий, характеризующих уровень налоговой нагрузки. Целью исследования является прогнозирование налоговой нагрузки методами машинного обучения. Внедрение современных средств искусственного интеллекта представляют собой неотъемлемый и неизбежный процесс во всех сферах, в т.ч. и в налоговой среде. Для построения моделей были использованы методы машинного обучения: регрессионный анализ, дерево решений, случайный лес, градиентный бустинг. Были построены модели прогнозирования налоговой нагрузки в зависимости от комплекса факторов. Высокое качество моделей прогнозирования налоговой нагрузки позволит более точно оценивать финансовое состояние предприятий, проводить расчеты рентабельности, прогнозировать доходность и принимать обоснованные инвестиционные управленческие решения. В результате прогнозирования налоговой нагрузки лучшее качество оказалось у модели машинного обучения градиентного бустинга. В целом модель позволяет прогнозировать налоговую нагрузку лучше, чем традиционные эконометрические модели и давать прогнозы высокого качества. Внедрение современных инструментов прогнозирования, основанных на методах искусственного интеллекта, позволит получать высокоточные прогнозы при минимальных затратах времени, что повысит эффективность деятельности предприятий и уровень производства.
Об авторах
Анна Евгеньевна Харитонова
Финансовый университет при Правительстве Российской Федерации
Email: kharitonova.ae@yandex.ru
ORCID iD: 0000-0001-8480-6279
доцент; кафедра Департамент налогов и налогового администрирования;
Список литературы
Тихонова, А. В. Налоговая нагрузка и иные мотивы законопослушного поведения физических лиц // Экономика. Налоги. Право. – 2021. – Т. 14, № 2. – С. 169-178. Медюха, Е. В. Влияние налоговой нагрузки на финансово-хозяйственную деятельность предприятия / Е. В. Медюха, Е. В. Артюшенко // Вектор экономики. – 2019. – № 10(40). – С. 14. Налоги и налоговая система Российской Федерации / Гончаренко Л.И., Адвокатова А.С., Гончаренко А.Е., Зверева Т.В., Карпова Г.Н., Каширина М.В., Липатова И.В., Малкова Ю.В., Мандрощенко О.В., Мельникова Н.П., Мигашкина Е.С., Пинская М.Р., Пьянова М.В., Савина О.Н., Смирнов Д.А., Смирнова Е.Е., Тихонова А.В., Юшкова О.О.Учебник / Сер. 76 Высшее образование. (3-е изд., пер. и доп) Москва, 2023. Wu X., Kumar V., Quinlan R., Ghosh J., Yang Q. Motoda H., Mclachlan G., Ng S.K.A., Liu B., Yu P., Zhou Z.-H., Steinbach M., Hand D., Steinberg D. Top 10 algorithms in data mining. Knowledge and Information Systems. – 2008. – Vol. 14. – pp. 1–37. Nasteski, Vladimir. An overview of the supervised machine learning methods. Horizons.B. – 2017. – Volume 4. – P. 51-62. Cравнение классических регрессионных моделей с моделями, построенными с помощью продвинутых методов машинного обучения / Шатров А.В., Пащенко Д.Э. // Advanced Science. 2019. № 1 (12). С. 24-28. Biau, G. Analysis of a Random Forests Model / G. Biau // Journal of Machine Learning Research. – 2012. – Vol. 13. – P. 1063–1095. Модели машинного обучения в задаче прогнозирования природно-ресурсного потенциала пермского края / Копотева А.В., Максимов А.А., Сиротина Н.А. // Вестник Южно-Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника. – 2021. – Т. 21. – № 4. – С. 126-136. Полухина И.В. Анализ рисков и внутрихозяйственных резервов устойчивого развития организаций в условиях беспрецедентных экономических ограничений и новых реалиях конкуренции // Современная экономика: проблемы и решения. – 2022. – № 5 (149). – C. 125-142. Прогнозирование влияния антисанкционных мер экономической политики на экономику региона / Трещевский Ю.И., Кособуцкая А.Ю., Опойкова Е.А. // Современная экономика: проблемы и решения. – 2022. – № 8 (152). – С. 8-25. Зуева Т.И. Применение метода экспертных оценок при прогнозировании показателей инновационного потенциала предприятия // Московский экономический журнал. – 2020. – № 6. – С. 82. Прогнозирование финансовых результатов на основе статистических методов / Храмцова Т.Г., Храмцова О.О. // Транспортное дело России. – 2021. – № 3. – С. 12-15. Прогнозирование налоговых доходов бюджета субъекта Российской Федерации с использованием корреляционно-регрессионного анализа / Костина З.А., Машенцева Г.А. // Сибирская финансовая школа. – 2019. – № 5 (136). – С. 144-147. Применение корреляционно-регрессионного анализа в прогнозировании налоговых поступлений Рязанской области / Кузина Е.И. // Вестник Волжского университета им. В.Н. Татищева. 2021. Т. 2. № 3 (48). С. 133-142. Статистические методы налогового прогнозирования в условиях неопределенности внешней среды / Яблоков Д.Ю. // Проблемы экономики и управления в торговле и промышленности. – 2015. – № 2 (10). – С. 42-47. Прогнозирования банкротства предприятий с использованием искусственного интеллекта / Апатова Н.В., Попов В.Б. // Научный вестник: финансы, банки, инвестиции. – 2020. – № 2 (51). – С. 113-120. Использование машинного обучения в финансовом прогнозировании в банках / Виноградов А.С. // Актуальные вопросы современной экономики. – 2022. – № 5. – С. 705-710. Оценка и анализ риска банкротства с использованием decision tree модели машинного обучения / Иванькова С.С. // Интерактивная наука. – 2022. – № 2 (67). – С. 44-46. Искусственный интеллект и нейросетевые технологии в цифровой платформе прорывного развития российского АПК / Илышев А.П., Толмачев О.М. // Экономика и социум: современные модели развития. – 2019. – Т. 9. № 4 (26). – С. 492-507. Forecasting the production of gross output in agricultural sector of the ryazan oblast / Khudyakova E., Nikanorov M., Bystrenina I., Cherevatova T., Sycheva I. // Estudios de Economía Aplicada. – 2021. – Т. 39. – № 6. Проблемы анализа и прогнозирования уровня технической оснащенности сельскохозяйственных предприятий (на примере Рязанской области) / Худякова Е.В., Никаноров М.С., Бутырин В.В. // Бухучет в сельском хозяйстве. – 2021. – № 2. – С. 69-77.
Дополнительные файлы
