close

Вход

Забыли?

вход по аккаунту

?

bd000102470

код для вставкиСкачать
На правах рукописи
Б Б К : 65.261С51
К72
КОСТАЛЬГИН ДМИТРИЙ СЕРГЕЕВИЧ
ЭКОНОМИКО-МАТЕМАТИЧЕСКИЕ МОДЕЛИ
КОНТРОЛЯ
ДОСТОВЕРНОСТИ СВЕДЕНИЙ ОТЧЕТНОСТИ
НАЛОГОПЛАТЕЛЬЩИКОВ
08.00.13 - Математические и инструментальные методы экономики
АВТОРЕФЕРАТ
диссертации на соискание ученой степени
кандидата экономических наук
тшв"
МОСКВА 2005
Работа вьтолнена на кафедре Информационных технологий Финансовой
академии при Правительстве Российской Федерации
Научный руководитель:
кандидат экономических наук,
профессор
Левит Борис Юльевич
Официальные оппоненты:
доктор экономических наук,
профессор
Сомик Кирилл Васильевич
кандидат экономических наук
Кузнецов Юрий Владимирович
Закрытое акционерное общество
«Овионт-информ»
Ведущая организация:
Защита состоится «17» ноября 2005 года в
10.00 на заседании
диссертационного совета Д 505.001.03 в Финансовой академии при
Правительстве
Российской Федерации по адресу:
125468, Москва,
Ленинградский проспект, д. 55, аудитория 213.
С диссертацией можно ознакомиться в библиотеке Финансовой академии
при правительстве Российской Федерации по адресу: 125468, Москва,
Ленинградский проспект, д. 49, ком. 101
Автореферат разослан «
» октября 2005 г.
Ученый секретарь
диссертационного совета,
кандидат экономических наук,
доцент
<^
/^^
^*У^^^
О.Ю. Городецкая
nut
1. ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ
Актуальность исследования: В настоящее время в России взят курс
на либерализацию налогообложения: снижение ставок подоходного нало­
га, налога на прибыль организаций, ЕСН, НДС. Ожидалось, что снижетгае
налогового бремени уменьшит масштаб и количество уклонений от уплаты
налогов. И хотя такой курс уже дал свои положительные результаты, мас­
штаб уклонения от налогов еще велик, появляются новые способы ухода
от налогов, связанные с использованием несовершенства законодательных
норм, сокрытием объектов налогообложения с помощью посреднических
фирм, дочерних компаний, кредиторов, поставщиков и потребителей про­
дукции. Поэтому задача повышения эффективности контрольной работы
налоговых органов, совершенствования используемых ими приемов и ме­
тодов налоговых проверок, остается актуальной.
Важнейшим инструментом налогового контроля является проведение
налоговых проверок в соответствии со статьей 87 Налогового кодекса РФ.
Такие проверки являются важнейшей мерой по обеспечению собираемости
налогов и поддержанию уровня налоговой дисциплины - так называемой
законопослушности налогоплательщика (taxpayer compliance).
Одной из основных функций налоговых органов является контроль
достоверности сведений, предоставляемых налогоплательщиками, что реа­
лизуется путем проведения камеральных и выездных налоговых проверок.
При этом фактором, определяющим эффективность таких проверок, явля­
ется применение эффективных способов выбора налогоплательщиков для
налоговых проверок - отбор кандидатов для налоговой проверки. В на­
стоящее время недостоверность представленных сведений обнаруживается
у 43-50 % проверяемых налогоплательщиков. Эта цифра признается нало­
говыми органами заниженной, что, в том в числе, объясняется несовер­
шенством способов выбора объектов налоговой проверки (далее - не­
совершенство способов отбора). Э т ф МН&ооипокгагершдается тем, что в наБИБЛИОТЕКА
,
^^^ПЖ'
4
стоящее время отсутствует единая стандартизированная методика опреде­
ления объектов налоговой проверки, и потому отдельные УФНС сами раз­
рабатывают и используют подобные методики. Их применение уже сейчас
дает плоды. Так, применение в Приморском крае методов и форм кон­
трольной
работы,
основанных
на
использовании
информационно-
аналитических системах отбора налогоплательщиков для выездных прове­
рок и выявления налоговых правонарушений, позволило увеличить в 2003
году эффективность проверок примерно в 1,8 раза.
Тем не менее, масштабы применения указанных технологий до на­
стоящего времени явно недостаточны, что в значительной мере обусловле­
но отсутствием научно-обоснованных и стандартизированных методик от­
бора налогоплательщиков для налогового контроля. Поэтому разработка
инструментов, позволяющих обоснованно выбрать объекты налоговых
проверок путем анализа факторов экономической деятельности налогопла­
тельщиков, является актуальной задачей, стоящей перед налоговыми орга­
нами. Актуальность этой проблемы оценена и на государственном уровне.
Так, важность этой задачи отмечалась еще в Постановлении Правительства
Российской Федерации от 21 декабря 2001 г. № 888 «О федеральной целе­
вой программе «развитие налоговых органов (2002 - 2004 годы)». Под­
тверждением важности проблемы служит и тот факт, что в летом 2005 года
ФНС Р Ф объявило конкурс на разработку экономико-математических мо­
делей для решения указанной задачи.
Степень разработанности проблемы: Решению указанной задачи
посвящено значительное количество отечественных и зарубежных науч­
ных работ и, в том числе, труды А. Сандмо, Ч. Колфелтера, Дж. Дубина, А.
Витте, Д. Вудбэри, В. Пружанского, Л. Уайлда, М. Марелли, Т.Г.Скорика,
А.А. Васина, Е.И. Пановой, Г.И. Букаева. Анализ этих работ, подробно
рассмотренных в диссертации, показал следующее. В большинстве работ
рассматриваются модели, связанные с предварительным отбором физиче­
ских лиц. Определяющим параметром в таких моделях в основном являет-
5
ся вероятность проведения налоговой проверки, якобы известная налого­
плательщикам. В основном рассмотренные модели используют лишь один
метод математического инструментария, и не применяют несколько мето­
дик. Большинство из этих работ носит больше теоретический, чем конст­
руктивный характер. Исключение составляет работа, проделанная группой
сотрудников под руководством Г.И. Букаева, которая основана на исполь­
зовании эталонной базы правонарушителей.
Анализ этих работ также показал следующие актуальные направления
их развития:
•
Разработка методики отбора объектов налогового контроля при­
менительно к налогоплательщикам юридическим лицам, что обусловлено
как различием сведений, предоставляемых физическими и юридическими
лицами в налоговые органы, так и способами их уклонения от уплаты на­
логов.
•
Разработка моделей, не использующих эталонную базу, содержа­
щую сведения о налоговых правонарушителях. Разработка таких моделей
представляется целесообразной, поскольку способы уклонения от налогов
непрерывно эволюционируют.
•
Разработка гибридной модели, использующей различные матема­
тические и статистические методы;
•
Использование в моделях помимо данных деклараций иных све­
дений о налогоплательщиках, доступных налоговым органам.
Цель и задача исследования состоит в разработке экономикоматематической модели отбора объектов (налогоплательщиков - юридиче­
ских лиц) налогового контроля, методики ее применения, а также в выра­
ботке требований к организации информационного обеспечения, необхо­
димого для практической реализации предлагаемой модели. В соответст­
вии с указанной целью в работе поставлены и решены следующие задачи:
•
Проанализировать существующие методы и модели отбора нало­
гоплательщиков для налогового контроля.
6
•
Определить экономико-математические и статистические методы,
необходимые для построения модели.
•
Разработать модель отбора объектов налогового контроля, осно­
ванную на выбранных и обоснованных экономико-математических и ста­
тистических методах.
•
Обосновать использование факторных переменных, которые ис­
пользуются в гибридной модели
•
Разработать методику проведения эффективной кластеризации,
элиминирующей эффект масштаба налогоплательщика.
•
Разработать методику использования гибридной модели.
•
Провести апробацию модели на реальных данных о финансовой
деятельности налогоплательщиков.
Объектом исследования является деятельности структурных подраз­
делений налоговых органов, осуществляющие налоговый контроль.
Предметом исследования методология и экономико-математический
инструментарий отбора объектов налогового контроля.
Методологическую основу исследования составили приложения ме­
тодологии научного познания и системного анализа в прикладных направ­
лениях экономической теории, экономики предприятий, математической
статистики и математического анализа.
В работе использовались научные публикации, материалы научно
практических конференций по проблемам налогового контроля, а также
публикации в профессиональных экономических изданиях, нормативные
акты, информация, представленная в Интернете и обладающая высокой
степенью надежности.
Теоретической основной исследования являются труды зарубежных и
отечественных ученых А. Аллигхэма, А. Сандмо, С.А.
Айвазяна,
Д.Г.Черника, Бережной Е.В., А. М. Длина, В. Плюта, Г.И. Букаева, В.Н.
Тамашевича и других. Правовую базу составили нормативные акты Рос­
сийской Федерации, ФПС РФ, Минфина РФ.
7
В качестве источника статистической информации использовались
реальные бухгалтерские балансы налогоплательщиков, содержащиеся в БД
Ф С Ф Р Р Ф , представленной в Интернет. В работе использованы программ­
ные средства Microsoft Excel, Microsoft Access, Statistica 6.0, a также про­
граммные средства, разработанные автором для решения поставленных за­
дач.
Содержание работы соответствует положениям пункта 2.2 паспорта
специальносги 08.00.13 - Математические и инструментальные методы в
экономике.
Научная новизна состоит в том, что:
•
Разработана научно обоснованная гибридная модель отбора объ­
ектов налогового контроля, использующая последовательно методы робастного, кластерного и регрессионного анализа.
•
Разработана методика использования данных бухгалтерской от­
четности в разработанной гибридной модели.
•
Разработан способ нормирования показателей бухгалтерской от­
четности предприятий, позволяющий элиминировать эффект размера
предприятия при проведении расчетов.
•
Разработана методика выбора значений управляющих параметров
гибридной модели, в том числе с использованием критерия Титьена-Мура.
Практическая значимость диссертационной работы заключается в
том, что ее основные положения, результаты, разработанные методики и
рекомендации ориентированы на широкое практическое использование
предприятиями с целью совершенствования выбора объектов налогового
контроля. Самостоятельное практическое значение имеют:
•
гибридная модель отбора объектов налогового контроля;
•
рекомендации и методика по практическому использованию мо­
дели.
Апробация и внедрение результатов: Результаты исследования об­
суждены на научно-практических семинарах и научно-практических кон-
8
ференция Финансовой академии. Результаты исследования прошли апро­
бацию в Комитете по налогам и бюджету Российского союза промышлен­
ников и предпринимателей. Научные результаты исследования использу­
ются в учебном процессе кафедрами "Налогов и налогообложения" и "Ин­
формационных технологий" при чтении лекций и проведении семинарских
занятий по дисциплинам информационные системы в экономике.
Публикации: Общий объем авторских публикаций по теме диссерта­
ции составляет 6,1 п. л. (авторский объем 5,4 п.л.)
Структура и содержание работы обусловлены логикой, целью и за­
дачами проведенного исследования. Работа включает введение, три главы,
заключение, список литературы, состоящий из 107 наименований, и трех
приложений.
2. ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ
Во введении обоснована актуальность темы диссертации, изложены
цель, задачи исследования, объект, предмет исследования, раскрыта науч­
ная новизна, теоретическая и практическая значимость.
Анализ существующих методов вы[бора налогоплательщиков для
налогового контроля.
Организация Европейского сотрудничества и экономического разви­
тия (ОЕСЭР) предлагает следующую классификацию методов отбора на­
логоплательщиков для налогового контроля: выбор налогоплательщиков
случайным образом, выбор на основе анализа динамики показателей в на­
логовых декларациях, выбор путем анализа взаимосвязи финансовых пока­
зателей, рассчитанных на основе сведений, предоставляемых налогоплательпщками, иные методы.
Классификация же рассматриваемых моделей по используемому ма­
тематическому аппарату, позволяет выделить модели следующих типов:
аналитические модели, вероятностно-статистические модели (в том числе
9
регрессионные модели), теоретико-игровые модели, кластерные (страти­
фикационные) модели, гибридные (смешанные) модели.
Анализ показал, что большинство моделей описывает поведение на­
логоплательщиков - физических лщ и соответственно стратегию налогово­
го контроля в отношении этих лиц. Поэтому одной из целей настоящей ра­
боты, реализованной во второй главе, являлась развитие этих моделей
применительно к юридическим лицам с учетом их особенностей.
В очень многих моделях в качестве важнейшего экзогенного показа­
теля используется вероятность р проверки налогоплательщика, которая
считается известной как налоговому органу, так и налогоплательщику.
Вместе с тем допущение, что величина р известна налогоплательщику,
представляется достаточно условным, и потому указанные модели носят
больше теоретический, чем конструктивный характер.
Анализ моделей также показал, что наиболее конструктивной являет­
ся нейросетевая модель, разработанная группой специалистов (Г.И. Букаев
и другие). Предлагаемая в диссертации гибридная модель по своей идеоло­
гии весьма близка к указанной нейросетевой модели, однако в отличии от
последней не использует эталонную базу правонарушителей, а также су­
щественно отличается от нее рядом элементов экономико-математического
моделирования и, в частности, использованием классических вероятностостатистнческих методов вместо нейросетевых.
Анализ зарубежного, в частности американского опыта, показал, что
источником информации для построения и верификации моделей рассмат­
риваемого класса служат периодически публикуемые в СМИ, в том числе в
электронной форме, данные программы ТСМР (программа измерения за­
конопослушности налогоплательщиков). Отсутствие таких открытых дан­
ных в России делает практически неприемлемыми многие из зарубежных
моделей. В тоже время использование данных только налоговьк деклара1ЩЙ недостаточно для эффективного выявления подозрительных налого­
плательщиков. Это побуждает строить модели, основывающиеся на прин-
10
ципиальной иной доступной информации, такой как публикуемая бухгал­
терская отчетность.
Исходя из вьппеизложенного, в диссертационном исследовании раз­
работана модель, названная гибридной, позволяющая выявлять подозри­
тельных налогоплательщиков - юридических лиц без использования эта­
лонной базы установленных правонарушителей.
Общая схема гибридной модели
Пусть Л'^ обозначает количество деклараций, которые с учетом финан­
совых и трудовых возможностей налогового органа могут бьпъ подвергну­
ты камеральной проверке. Предполагается, что такие подозрительные на­
логоплательщики, выявленные с помощью модели, включаются в состав Л^
кандидатов на камеральную проверку.
Модель основывается на использовании расширенных сведений о на­
логоплательщике, в том числе содержащихся в бухгалтерской отчетности
(Формы 1, 2). Эти данные получены из БД ФСФР, опубликованной в ин­
тернете на сайте http://disclosure.fcsm.ru. Указанная БД содержит бухгал­
терскую отчетность по очень большому количеству предприятий различ­
ной отраслевой принадлежности, однако в расчетах использовались только
данные для случайно выбранных 714-и предприятий. Использование дан­
ных бухгалтерской отчетности в качестве исходной информации в модели
представляется обоснованным по следующим причинам.
Данные, представляемые в налоговые органы, в значительной степени
пересекаются с данными, содержащимися в указанных формах бухгалтер­
ской отчетности. В своей финансово-хозяйственной деятельности пред­
приятие использует трудовые, материальные и финансовые ресурсы для
производства продукции, выполнения работ и оказании услуг. Таким обра­
зом, определенный набор указанных ресурсов является квалифицирующим
признаком, характеризующим деятельность конкретного предприятия.
Поскольку представление данных в бухгалтерском балансе основыва­
ется на принципе двойной записи, то они полнее описывают специфику
и
предприятия в сравнении со сведениями, представляемыми в налоговых
декларациях. Кроме того в налоговых декларациях дублируются данные
актива баланса, но не раскрываются пассивы (источники формирования
активов), поэтому данные бухгалтерской отчетности несут дополнитель­
ную полезную информацию. Очевидно, что два предприятия с одинаковым
набором показателей актива, но с разными источниками формирования та­
ких активов, с экономической точки зрения действуют как субъекты поразному, и как следствие, могут иметь относительную различную налого­
вую нагрузку.
Полезность информации, содержащейся в бухгалтерской отчетности,
может быть проюллистрирована на следующем примере. В настоящее
время в России наиболее распространенным способом уклонения является
использование в хозяйственной деятельности фиктивных фирм, называе­
мых фирмами-однодневками. Суть такой схемы уклонения состоит в том,
что у фирмы-однодневки приобретаются товары (работы, услуги), которые
реально не передаются налогоплательщику, но эти операции отражаются в
учете у налогоплательщика. За товары (работы, услуги) перечисляются де­
нежные средства и оформляются необходимые документы, и далее со сче­
та фирмы-однодневки денежные средства «обналичиваются». При этом в
бухгалтерском учете налогоплательщика остается «след» от такой опера­
ции, которая искажает реальный набор показателей баланса. Во-первых, у
предприятия завышается кредиторская задолженность, во-вторых, завыша­
ется соответствующая статья актива баланса, например затраты или запа­
сы. Также при таких схемах часто используют векселя, что ведет к завы­
шению показателя финансовых вложений и кредиторской задолженности.
По данным налоговых деклараций такие ситуации выявить практически
невозможно.
Общая схема применения разработанной в диссертации гибридной
модели состоит из следующих последовательных действий.
12
1. Каждый баланс т-го предприятия представляется в виде точки
Xm(Xm,u---r'^m.i5',Vm) 16-и мсрного пространства, координатами которого яв­
ляются значения факторных переменных, представленных в бухгалтерском
балансе, и выручки V. Совокупность всех балансов соответственно описы­
вается матрицей X{x„j}, в которой гп=1...М- номер баланса, М- количе­
ство балансов, а каждая строка матрицы представляет собой вектор
Xm(Xm,i;...pCm,i5;F„), описывающий тп-ът баланс (напомним, что в расчетах
было М=714). В качестве факторньк переменных х использовались сле­
дующие показатели:
т.п.;
х1- стоимость объектов нематериальных активов;
х2 - стоимость объектов основных средств;
хЗ - стоимость незавершенного строительства;
х4 - стоимость долгосрочных финансовых вложений;
х5 - стоимость запасов;
х6 - сумма НДС уплаченного поставхцикам товаров, работ, услуг и
х7 - размер долгосрочной дебиторской задолженности;
х8 - размер краткосрочной дебиторской задолженности;
х9 - размер прочих оборотных активов;
х10 - размер уставного капитала;
х11 - размер целевого финансирования;
х12 - сумма долгосрочных заемных средств;
х13 - сумма краткосрочных заемных средств;
х14 - сумма кредиторской задолженности, кроме задолженности пе­
ред государственньпй бюджетом и внебюджетными фондами;
х15 - сумма кредиторской задолженности перед государственным
бюджетом и внебюджетными фондами;
х16 - вьфучка. В ряде случаев для упрощения записи и повышения
наглядности формул для выручки также будет использоваться обозначение
V.
2. Выполняется преобразование и = Д Х ) матрицы X{x„j} в матрицу
и{ки,}, содержащую Мстрок и 15 (а не 16!) столбцов, в числе которых от­
сутствует
выручка V (далее преобразование U=F(X) будем называть U-
преобразованием). Значения u„j предложено вычислять по формуле:
^
_ '^т^тпу
2.ivXniv
13
Легко видеть, что при таком преобразовании для всех т справедливо
равенство
v„ = ZyUn.^^
Также легко видеть, что, если х^ и V„ заменить на ах„у и aV„, то зна­
чение и„у останется неизменным. Вследствие этого описанное U- преобра­
зование элиминирует влияние размеров предприятий на результаты кла­
стеризации и дает основания полагать (что подтверждается дальнейшими
экспериментами), что если кластеризация обеспечит разбиение налогопла­
тельщиков на классы, в каждом из которых вектора U„(u„i;...;u„is) близки
по используемой далее мере близости, то уравнения регрессий V=Y,vbictPCy в
каждом к-м классе будут достаточно хорошими.
Поясним действие U- преобразования на следующем примитивном
примере. Допустим, что итоги финансовой деятельности налогоплатель­
щика описываются только двумя параметрами - выручкой V„ и стоимо­
стью основных фондов х„, которая выступает в качестве факторной пере­
менной. Если кластеризацию производить в пространстве признаков (V;x),
то разбиение на классы непредсказуемо, так же, как и непредсказуемо и
качество уравнения рефессии Г=6рс в каждом к-м классе. Однако, если от
пространства признаков (Куг) перейти к пространству признака (и), где
г'пгУт/Хт и представляет собой фондоотдачу, то очевидно, что результатом
кластеризации будет получение классов с близкой фондоотдачей. Управ­
ляя процессом кластеризации с помощью параметра, устанавливающего
степень близости объектов, относимых к одному классу, можно добиться,
что в один класс попадут декларации с близкими значениями фондоотда­
чи, а потому и уравнение регрессии F=bpc внутри каждого к-о класса будет
хорошим. Этот примитивный пример служит иллюстрацией предложения,
состоящего в том, чтобы кластеризацию производить в пространстве про­
изводных признаков и, а уравнение регрессии V=J^bkiXig в каждом ^-м
классе строить по исходньпл значениям выручки и факторных переменных,
указанных в бухгалтерском балансе. Предложенное U-преобразование яв-
14
ляется обобщением примитивного способа кластеризации "по фондоотда­
че" и позволяет комплексно учитывать удельные значений всех рассматри­
ваемых факторов. Вектора и„(Ит,ь...,м„,15), компоненты которых представ­
ляют собой элементы т-й строки матрицы U, рассматривается далее в ка­
честве модифицированного описания т-ого баланса.
3. Исходя из значений элементов матрицы U множество балансов ме­
тодами кластерного анализа разбивается классы. Как указывалось, целью
такой кластеризация является получение групп балансов, внутри которых
возможно построение статистически значимых уравнений регрессий, свя­
зывающих выручку V с факторными переменными. Следует отметить, что
на результаты кластеризации также влияет используемый метод кластери­
зации. В частности, расчеты показали неудобство применения метода Ксредних, в котором параметром, управляющим процессом кластеризации,
является априори задаваемое пользователем количество К строящихся
классов, и при этом неясно из каких соображений следует выбирать значе­
ние К. Поэтому для кластеризации был применен метод шаров, при ис­
пользовании которого количество получаемых классов автоматически оп­
ределяется в процессе кластеризации. Ниже приводится геометрическая
иллюстрация метода шаров на примере решения задачи кластеризации в
двумерном пространстве признаков (ul;u2). В соответствии с этим мето­
дом вокруг каждой точки (баланса) в пространстве U строится сфера ра­
диуса р и балансы, попадающие в сферу с наибольшим количеством точек,
относятся к одному классу. После этого точки, отнесенные к классу, ис­
ключаются из дальнейшего рассмотрения и процедура анализа точек сфер
повторяется.
15
Рис. 1. Геометрическая интерпретацнв метода шаров
Как следует из этого описания, в методе шаров можно управлять про­
цессом кластеризации, задавая значение р радиуса шара. Это значение р
можно выбирать исходя из достаточно понятных, описанных в диссерта­
ции предпосылок, основанных на следующем. Находится центр тяжести О
всех балансов (см. рис. 2). Затем ищутся радиусы /J„pi и 7?пр2 сфер с центра­
ми в точке О такие, что точки баланса, отстоящие от О на расстоянии
большем, чем Ящ2 или меньшем чем Лпр1> в соответствии с критерием
Титьена-Мура считаются выбросами. Для двумерного пространства при­
знаков U(ul;u2) перечисленные действия иллюстрируются на Рис. 2, на ко­
тором точками изображается положение объектов, а точкой О - их центр
тяжести.
Рис. 2. Оценка положения объектов в пространстве признаков
По найденным значениям R ^ и R ^ радиус сфер р вычисляется по
формуле:
16
JR
n
npl —R np2
i
'
где « -количество факторных переменных (и=15), а Т - количество
балансов (Т=714).
4. Можно ожидать (и это подтверждается выполненными расчетами),
что в результате кластеризации образуется один или несколько "крупных"
классов с достаточно большим количеством балансов, и несколько "мел­
ких" классов с небольшим (1-10) количеством балансов. Балансы, вошед­
шие в мелкие классы, назовем "подозрительными балансами первого по­
рядка" и они служат первыми кандидатами для камеральной проверки.
5. В каждом из крупных классов строится линейное уравнение множе­
ственной регрессии с нулевым свободным членом. Поскольку, как доказа­
но математически, на одну объясняющую переменную должно приходить­
ся от 6 до 8 наблюдений, то под крупными классами понимаются классы с
количеством балансов не меньше чем 8*15=120. Если для полученной рег­
рессии значение коэффициента детерминации F^ достаточно велико, а его
статистическая значимость подтверждается критерием Фишера, то произ­
водится анализ регрессионных остатков. В результате этого анализа к "по­
дозрительным декларациям второго порядка" относятся декларации, зна­
чения нормализованных и нормализованных удаленных остатков сущест­
венно различаются. В расчетах таковыми признавались балансы, у которых
нормализованные и нормализованные удаленные остатки отличались бо­
лее чем на 5%.
Выявление подозрительных балансов с помощью нормированных и
удаленных остатков выполняется в соответствии с принятыми в статистике
рекомендациями. Если удаленный остаток значительно отличается от со­
ответствующего стандартизированного значения остатка, то это наблюде­
ние считается выбросом, а его исключение улучшает качество уравнения
регрессии.
17
6. В каждом из классов с количеством балансов меньше 120, в кото­
рых уравнения регрессии не могут бьггь построены с достаточной степе­
нью надежности, случайным образом отбираются балансы, количество ко­
торых определяется возможностью налогового органа. Также можно реко­
мендовать, чтобы эти классы подверглись дополнительному экспертному
анализу. Дальнейшие опыты показали, что при подходящем преобразова­
нии U=fi(X) количество таких небольших классов невелико.
7. Если в итоге описанных процедур количество отобранных "подоз­
рительных балансов" первого и второго порядка меньше числа Л^ (возмож­
ностей налогового органа), то из крупных классов исключаются подозри­
тельные декларации второго порядка и повторяется процедура пункта 5, в
результате чего получаются подозрительные балансы третьего порядка и
т.д.
8. Если в каком либо крупном классе не удается построить статисти­
чески значимое уравнение регрессии, то в таком классе проводится по­
вторная кластеризация, с уточненным значением управляющего параметра
р и затем выполняются процедуры пунктов 4-6. То же самое делается, если
после удаления из класса подозрительных балансов на шагах 5-6 уравне­
ние регрессии становится "плохим".
Описанные процедуры выполняются до тех пор, пока не будет набра­
но JV кандидатов на камеральную проверку. Если количество полученных
описанным способом подозрительных балансов превышает Л'^, то из числа
подозрительных в кандидаты на камеральную проверку включается поряд­
ка 0,9iV балансов наиболее крупных предприятий и порядка 0,Ш, выбран­
ных из оставшихся подозрительных случайным образом.
Экспериментальные расчеты.
На первом этапе экспериментов анализировалось влияние значения р
на результаты кластеризации. Эксперименты показали, что классы со
средним количеством балансов образуются при очень малых значениях р.
Дальнейшие эксперименты вьтолнялись с р=10 и р=5. При р=10 уже на
18
этапе кластеризации выявляется 17 подозрительных балансов. Хотя при
р=5 подозрительными являются 20 балансов, однако в результате построе­
ния регрессионных моделей и анализа удаленных остатков количество по­
дозрительных объектов в обоих случаях практически сравняется.
Выявление подозрительных балансов с помощью уравнений
множественной регрессии.
Построение уравнения регрессии и оценка его надежности выполня­
лись как средствами пакета анализа Excel, так и программой Statistica. На­
помним, что уравнение регрессии строилось без свободного члена для ис­
ходной матрицы X в виде V=Y,a*x„ где V- выручка, ах,- соответствую­
щий показатель баланса.
Параметры уравнения регрессии, построенного для класса, содержа­
щего 696 балансов, и полученного при р=10 приведены в Табл. 1, Табл. 2.
Анализ данных Табл. 2 показывает высокую надежность уравнения регрес­
сии, несмотря на значительную величину остатков, обусловленную суще­
ственным разбросом значений в исходных данных.
Показатели значимости уравнения регрессии
Регрессионная
статистика
Множсстаенный R
К-кваФаг
Нормированный
0I995O74
а990172
К-ющт
Сгашвртнаа ошибка
0,988502
1106392
696
Наблюдения
Дисперсионный анализ
Регрессия
Осгатои
Итого
Табл. 1.
df
F
Значимость}'
SS
MS
15 8,4Е+16 5,6Е+15 4574^66
0
681 8,34Efl4 1;ПВИ2
6% 8,4№-16
Из Табл. 2 видно, что значимыми являются 9 из 15 коэффициентов, Рзначения которых меньше 0,05 и выделены жирным шрифтом.
19
Табл. 2.
1Соэффицвенты уравнения
Наииеиование переыенной
Y-пересечение
х1 Н М А
х2 Основные средства
xi Незаверш сфоительетво
рег|аессии и показатели их значимости
РСтандарт
tКоэффи
Н и ж н и е Верхние
Значени
нал
еаткт
цнеты
95%
95%
е
ошибка
т
0 #н/д
#
Н
/
Д
#Н/Д
#н/д
#н/д
-0,30
-5,40
18^9
-0,02
0^02
0^7
0^4
-1,05
0.09
0,00
0,01
0,17
0,86250
-0,01
0,02
S,77
1,02
8,57
0,00000
6,76
10,78
-0,72
0,19
-3*» 0ДЮ013
-1,08
-035
х9
139
0,18
12,97
0,00000
2,03
2,75
10,92
0,82
0,00000
930
12,54
-0Д4
133
0,19
-1,83
0,06747
-0,70
0,02
х11 целевое фин
х12 долг заемные средства
-577
1,70
-ЗД»
0,00206
-8,62
-1,93
xt
Доягосрочн фин влож
1б
ЦДС по приобр ценноспп
Долгоср деб задолженносг
х5 Запасы
!ff
х8 Кралсосрочная лебитовка
лроч об акгавы
х10 У К
х13 краткоср заемныесредспа
х14 Кредит задолж кроме Гос.
х15 Кред1П'_задолж перед Гос.
0,76799
-4132
0.18368
-0.06
0,01
0Д4898
-0,19
0,74
-1U5 0,00000
-1^3
-0,87
-133
1,15
30,52
1,29
0Д4
5^6
0,00000
0,81
1,77
-1,77
0,97
-1,83
0,06825
-3,67
0,13
0,55
0,12
4,44
ОД)0001
-0,52
ап
4 8 9 0,00000
031
0,79
-0,73
-031
Инструментарий программы Statistica позволил вывести следующий
график зависимости между наблюдаемыми и предсказанными значениями
(Рис. 3).
оьигил vi*iMw. PndcM
п^таклшшш-чт»
(AnilyManiiila)
Рис. 3 Предсказанные и наблюдаемые значения
Из фафика видно, что в процессе кластеризации были отнесены к од­
ному классу как балансы с малым значением выручки, так и большим, что
может быть объяснено применением преобразования U перед кластериза­
цией.
20
Для описанного вьппе уравнения регрессии средствами программы
Statistica были получены графики, связывающие нормированные и удален­
ные остатки, приведенные на Рис. 4.
n a R M U k » MlWanUab
CwmMwattrVMt
IEI
9Е7
g
0
ЛЕТ
-iCl
Asa
о
___1»—
0
0
О
о
«1
ЛИВ)
■
-ЭЕ1
im
■4а
°0
187
1JET
2Е7
2JSEJ
Рис. 4 Нормированные осгаткн в удаленные остатки
На Рис. 4 уже видны предприятия, которые будут отнесены к подоз­
рительным предприятиям второго уровня - предприятия, у которых уда­
ленные остатки отличаются от нормализованных более чем на 5 % . Таким
предприятиям на рисунке соответствуют точки, далеко отстоящие от ли­
нии регрессии. Таким образом, к подозрительным было отнесено 24 балан­
са. Анализ таких балансов будет приведен ниже.
Далее были исключены из рассмотрения 24 баланса, признанные подозрительньпйи, и для оставшихся 672 балансов было повторно построено
уравнение регрессии, характеристики которого приведены в Табл. 3, Табл.
4.
21
Табл. 3.
Показатели значимости уравнения регрессии после удаления подозрительных балансов второго уровня
Регрессионная
статистка
Множественный R
К-квафат
Нормированяый R-квалраг
Опвдартаая оишбка
Наблюдения
Дисперсионный анализ
Регрессия
Остаток
№опо
0,97433
й^тт
0,94672
61936
672
SB
F
MS
Значимость f
15 5 Е И З ЗЕ4-12 «2a.ien
0
657 3Et-12 4 Б К М
672 5Ет13
<?/"
Табл. 4.
Коэффициенты уравнения регрессии и показатели их значимости после удаления
подозрительны» балансов второго уровня
Наиыено&аиие переменной
У-лересеченне
х1
НМЛ
X»
Незаверш строшсльство
Долгрсрочи фян я ю ж
Тб
х7
Долгоср деб saittJEKBHHOcT
а
а
л
>в
«
х10
х11
х12
х13
х14
х15
Ск;яом1ые средства
Запасы
НДС по приобр ценностя!
1^ат1Еосрочная дебите вка
Проч об акгааы
УК
Целевое фин
Дол- засиныесредспа
Крапсоср заемные срсдлва
Кредат задзлж кроме Г о с
К|редат_задолж перед Гос
tКозффи Стандартная
РНижние Верхвие
сппи
цисты
ошибка
95%
95%
Зиачение
спка
0
10^68
0,02
0,Ш
1Д6
*т
4.99
0,03
0,10
ап
*Н/Д
*н/д
2,14 0 ^ 3 2 8 6 3
0,61 0,М35917
030 0,7639998
-0,09
0,17
11,03 4 4 6 В . 2 6
-0^5 0<5826143
•1,16
0^»
^^1 2 , 9 7 Н »
11,77
•0,68
0,72
0,07
1,01
038
•236
ft47
0^2
аоб
0,32
006
ai5
0,16
0,12
(^43
095
0,07
#ЮД
037
#Н/Д
20,48
■0,16
1,03
0J2
-0,04
-0,43
1Л9Е40
1036
-10,46 8.82&24
2,66 0Д)0*1в7
-0,81
1635
3,81 0^)00154
-5^00 7Д2Б«7
7Л5 1МБ-13
2,15 0^)31593
13,02 Uie34
1,39
0,1637596
-1,71
0Д6
0,11
0,08
1.48
0Д4
13,19
-0.62
-0,55
1,76
033
■3^8
•1,43
о,ш
0,62
032
0,80
-0,07
035
1,09
039
Из Табл. 3 следует, что уравнение регрессии является статистически
надежным, хотя показатель R^ незначительно снизился до 0,94 в сравнении
с аналогичным показателем в Табл, 1. Однако количество значимых пере­
менных после удаления выбросов, как и следовало ожидать, возросло с 9
до 11 по сравненшо с уравнением регрессии, коэффициенты которого при­
ведены в Табл. 2. График зависимости фактических и предсказанных зна­
чений в этом случае показан на Рис. 5.
22
ObMivadVakMsvc РпОЫва
DapMidaMvKiaU» Vane
(AMyibiaiipla)
■ees
0
SES
let
I.S»
Xt
Z.SES
ЗЕ>
3,9Ё6
4Ев
4SEe
ObftMvadVakjie
Рис. 5. Предсказанные н наблюдаемые значения
Из приведенного графика видно, что выбросами стали не те предпри­
ятия, у которых имеется большая выручка, а иные предприятия, структура
балансов которых отличается от большинства остальных. С нашей точки
зрения, это еще раз подтверждает важность U преобразования перед про­
ведением кластеризации. Ниже приведена зависимость удаленных и нор­
мированных остатков.
fte» R o i A N t o v t . OeMed ResKtuola
DipendinlinniMe-\№Ив
(Ап1|1уМ1МПф(»)
2Ев
D
1.SES
11
0
1Ев
1 SE5
1
«-- «""^
0
eJi^*''V^
■№6
ft
•1Ев
-1ЛЕв
-4Е5
0
-аз
•зеа
-1E5
0
169
2E6
ЭЕ6
4E6
RflVRMtifej«b
Рис. 6. Нормированные остатки и удаленные остатки
№ сопоставления Рис. 6 и Рис. 4 видно, что распределение объектов
вдоль линии регрессии стало более плотным, масштаб по осям также
уменьшился. При необходимости процедура исключения выбросов по уда-
23
ленным остаткам может быть повторена, как отмечалось в пункте 7 общей
схемы работы модели.
Вычисления, вьшолненные со значением р=10, бьши повторены и для
р=5. При этом были получены практически идентичные результаты, с той
лишь разницей, что при р=10 после отсева подозрительных балансов пер­
вого и второго уровня было отобрано 42 подозрительных баланса, а при
р=5-48. Балансы, признанные подозрительными на этапах кластеризации
(подозрительные балансы первого уровня) и отсева по удаленным остат­
кам (подозрительные балансы второго уровня) приведены в Табл. 5 и Табл.
6.
Табл. 5.
Характеристики ( в т ы с руб.) подозрительных балансов, отобранных после кластерюации при Р°°10
Л
х1
т
28В
290
281
2S2
335
зэв
356
300
41в
429
430
462
453
494
563
808
642
644
а
Nl
)б
)6
к7
л
Л
Hesaaep Долп>сро
1ИГ in Дпягоф_ Kpsnacf
Основные
проч_об.
ш_строи Ч11_фш1_ Запасы приобр^ц лвб_1иаж вчнаа
qwaciM
•ксшаы
ItACTHO
жтносА
«HIWvH.
29411
368
1
32561
11
6522
650
0
0
1
0
161
0
9
42
664
0
6
1
0
2265
0
9
40
30
570
0
1
3U
2194
0
9
87
204
0
0
1786
0
2
554
452
5
0
178
292
4
1633
0
401
402
57
0
397
258
0
2
0
0
1
2
0
0
а
0
9
166
4
3
0
25
130
с
0
19
0
37
S3
0
220
0
see
0322
12472
436
2995
38
0
6784
м
зе
12ВЗ
494
14770
7334
436
2174
149
0
se
47
217
6
0
118
0
1477
0
960
56
0
Q
51
4
231
32
1
0
0
9
0
0
0
0
1
Q
0
697
0
0
0
67
76
186
103
0
^A2
0
104
55
2
109
31
Q
0
4677
127
35
1
9
32
196
18
0
341
1
5044
46
34 15407
88
0
0
НМЛ
ЛО
х11
УК
11епваов_
фяк
22
13
13
13
1572
1672
0
106
0
457
467
436
5
6
0
7
164
164
]d2
0
0
0
0
0
0
0
9
0
42
0
0
0
0
0
0
0
4
N13
долг_эве крвлсоср
ыные .заемные
ереалм
0
0
2167
2167
0
0
0
0
0
0
11Х
0
0
0
0
0
а
0
0
0
0
98
65
0
0
0
1
7134
600
ЛОВЛ
547
0
33
0
12
84
V
1(14
к15
1 ф т т * Kptmn 1
иола
UUHC
вмргчаа
кроме
оарм
Гос
Гос
8554 7646281
21488
481
763 694665
711
616 4227256
1593
171 3700388
649
106
35656
106
43167
686
1
687
6
1
37
174692
1
126329
г
450£
346 31984378
697 45666322
167!
1287
105 43319,25
34 Л\9ЯЛМ
и
2946
1
6
837
53
160М
164
91
9913
516 27982304
4363
781 60606966
107Т2
Анализ балансов, признанных подозрительными в экспериментах с
р=10, и отобранных на этапе кластеризации, показывает следующее. Об­
ращают на себя внимание балансы с номерами 356 и 453, в которых очень
малым значениям показателей баланса соответствует относительно боль­
шой показатель выручки. Даже если допустить, что такое положение явля­
ется следствием ошибочного задания исходных данных, тем не менее, экс­
перименты показали, что такого рода ошибки отлавливаются. На балансах
356, 453 наиболее наглядно видно несоответствие между показателями ба­
ланса и вьфучкой, однако такое же несоответствии в результате кластери­
зации и у остальных приведенных балансах. В частности, отметим, что для
24
указанных балансов приблизительное общее налоговое бремя, равное от­
ношению налоговой задолженности к выручке, составляет 0,16 % . В то же
время среднее значение этого показателя для остальных балансов равняет­
ся 32,7 % .
Табл. б.
Характеристию! ( в тыс. руб.) подозрительных балансов, отобранных с помощью
х1
хЗ
НМЛ
N1
м^к
12
х5
ХЛ
Haisaqs Долгосро
Осномые
1Ц_СТр(МГТ чч_(И1_р
сроосшя
лож
впьст
970KS4!
^6i^^kli
а M-mi
2В
222
124Э878ЭС
X
"
'е
43
4t
Ы
7Я
77
юе
135
136
137
162
203
250
33S
331
40S
«В
631
Ml
715
222
130063976
6154
4464318
ёЫ
в272
60474
1645
бвЭВВТЕ
445^^1
igae»ec
190в65вС
*iam
С
4M484ie
2в209С
S40E
вбОЕ
ЭОС
967764
С
27«4120
313521зе
4688
nsfmo
4436071
53571
913424S
eeeiTE
7«*
835134
6667
21607651 10629663
i/urn
67»
6292
BTBSet
150675
0
ш
5оа
1в4бОС
8036
4196266
3260
371346
С
9a«o
1094706
2160B1 Г
M/VJOO
46П14
342
7 9 S 3 14QQ447D3
С
2560000
79541
275522
С
0
1531187
113400
104649
1125778
0
С
С
0
0
0
2371606
324B
100066
5064
33100
13247
12382
346
703056
16442852
1116372
1621
rnmiii-'
11Л
1125644
14№
B8Q2B
8182
2597460
3161803
26073
102D74fi
1042067
106663
3100000
1950649
3^942
48662
46440
10DOC
УК
1002804
1921
^1к
108470
178073
55468936
12805 9093680
74993
3306166
г2в2в£
462
697
Э148в№
1442742
100К
146426
5434116
4М
0|
3619905
3592162
2216С
46862
13GB11fl
х12
606207
3087971
147497
х11
С
943
Зта824С
С
63
С
226269 66907716
Afuftan
4866^
190t
хЮ
хзг
203546
2206796
513872
5701146
1ЭЮ909
18866760
572fl69gC
42233!
ЭйВаВ31
13315730
640421
8160417
Зв
865931
7326317
вОВ220Е
6348176 6 Э 4 5 в 7 в {
3066607
5133406
1452
21456258
269101
С
19»
1727
Запасы
xO
Д о т е р )ф«тоер
_дев_яи очная ПрО4_0в
дапкв»4 ДС01410М _ак1ты
4™uti«.
ость
а
3408406
47200С
4138
освввв?
Х8
HflCjW.
171005
1300S 177515577 14012133
0
2477063
3859053
2Эв9в
удаленных остатков при р=10
282S54
35148S
232767 546441703 66177346
2ffi44
х7
Хб
420/073
взэо
19641
67805
2/2/39
2Se000C
8 7 7 Э В 7 15632606
0
0
С
264
0
0
0
0
С
Mi
23262
Х1Э
x14
Х16
дапг_н
цвлисо •мни*
cpwcm
\:'.■:.,:.-■''■
5649С
1275609
535763
112106
1382910
С
3795616
296412
900460
61261
es 3 01D1494
45332
0
1928034
4ааы£а
2700С
0 WJ&/2
0
0
444
0
0
0
f^JMfV
2800201
12783936
89^6869
«19072
1601 4 3 6 5 7 8 9
10^48
1
1470
51ЭЮ
10005
164943
0 2629310
Х17
Кр«>1Т_»
90627
27000
3031222
»
X16
Крадиг_»
адо1К
кромв
Гос.
92706
1688
1608
срчцсте
0
0 ггооос
007345
0 7766385
B1007S7
4Э8 7076966
UW-li:r. ^КШ'
h.:l|-V,
27000
46246
•
0
0
S
11649
1757
23
0
0
0
0
0
0
662866
Ю 4 0 7 1 54869107
5203
533668
1006В2
843886
1 5 3 3 1 5 11619626
С
3607445
1 6 0 6 2 5 11673036
S031
0
16111
117712
872861
849979
0
0
0
5138046
2732
36881
eoOD
3216021
30000
448566
10/вШ2
1780614
492
Чогм
n«PW
Гос
V
■4»Ч(в
6157К
22811306
20664492
194 019462
Li-'-.;.-j< 207 056 » 3
44466 2163020
71043 2 256165
4163371
16512317
146066
3040938
688067 25663065
28177662 37437368
433862
31373
210522 10 567447
3076 279
10197648
15062013 4 101 411
7362408
3476306
3073
91610
265438
4204 656
202662 6621162
47Э060 11264271
5663314 10 809276
306
21172
12138
103 307
188734 26 736275
276378 ^4tAm
Поскольку сравнение нормализованных и удаленных остатков доста­
точно сложная процедура, то однозначно объяснить определить причину
выделения подозрительных балансов второго уровня в общем случае не­
возможно. Однако можно отметить, что, например, для балансов с номе­
рами 77, 162, 499, выручка несоразмерно мала по сравнению с размеров
основных производственных фондов.
Поскольку применение данная модель базируется на использовании
больших массивах информации, хранящейся в электронном виде, в третьей
главе диссертации анализируется опыт предоставления и хранения отчет­
ности налогоплательщиков в налоговых органах и даются рекомендации
по совершенствованию этого процесса. Основными направлениями этого
является использование формата XML, предоставление данных изначально
в электронном виде, а не ввод информации путем обработки бумажной
информации и др.
Выводы по диссертации.
25
1. Сформулирована задача построения экономико-математической
модели отбора "подозрительных" налогоплательщиков из большого коли­
чества налогоплательщиков - юридических лиц, представляющих сведе­
ния в налоговые органы. Модель предназначена для повышения эффектив­
ности предварительных стадий налогового контроля.
2. Проанализирован мировой и отечественный опыт использования
экономико-математических моделей, предназначенных для повышения
эффективности контрольной работы налоговых органов. Анализ показал,
что большинство микромоделей описывает поведение налогоплательщи­
ков - физических лиц и соответственно стратегию налогового контроля в
отношении этих лиц. Большинство из этих работ носит больше теоретиче­
ский, чем конструктивный характер. Исключение составляет конструктив­
ная модель, разработанная группой специалистов - Г.И. Букаевым, Бубли­
ком Н.Д., Горбатковым С.А., Сатаровым Р.Ф. (далее модель Букаева Г.И.).
Особенностью этой модели является использование эталонной базы пра­
вонарушителей и нейросетевых методов.
3. Разработана модель, названная гибридной, по своей идеологии
весьма близкая к модели Букаева Г.И. Однако в отличие от модели Букаева
Г.И. гибридная модель не использует эталонную базу правонарушителей, а
вместо нейросетевых методов в ней применяются классические вероятносто-статистические методы экономико-математического моделирования.
4. В качестве исходной информации для гибридной модели исполь­
зована информация бухгалтерской отчетности, полученной из БД ФСФР
РФ.
5. В качестве инструментария гибридной модели взаимосвязано ис­
пользуется робастные методы, методы кластерного и регрессионного ана­
лиза.
6. Для обеспечения эффективной кластеризации предложен способ
преобразования исходных данных балансов, позволяющий элиминировать
эффект масштаба предприятия.
26
7. Предложена методика определения параметров (радиусов сфер),
управляющих процессом кластеризации.
8. Подробно расписана методика применения модели. По этой ме­
тодики проведены экспериментальные расчеты на данньпс отчетности о
714 реальных предприятиях. Качественный анализ полученных результа­
тов подтверждает принципиальную работоспособность модели.
Предложенную модель можно считать работоспособной поскольку:
•
модель строится на классических методах статистического анали­
•
имеются достаточно четкие экономические предпосылки, обосно­
за;
вывающие механизм кластеризации;
•
качество кластеризации проверяется качеством соответствующей
регрессионной модели;
•
анализ подозрительных балансов первого и второго уровня, полу­
ченных в экспериментальных расчетах, действительно показывает сущест­
вование аномалии в связях между исходными данными и выручкой.
9. Предложены рекомендации по практическому испо^тьзованию
модели в работе налоговых органов и организации сбора информации, не­
обходимой для ее использования.
Основные положения опубликованы в следующих работах:
1. Костальгин Д.С. Практика сдачи отчетности в электронном виде в
США. Перспективы России// Бухгалтерия и банки, 2004. - №9 - 0,6 п.л.
2. Костальгин Д.С. Секреты оценки достоверности сведений налого­
плательщиков// Бухгалтерия и банки, 2003. - №11 - 0,8 п.л.
3. Костальгин Д.С. Модель отбора подозрительных налогоплатель­
щиков //Бухгалтерия и банки, 2005. - №10-0,3 п.л.
4. Костальгин Д.С. Упрощение расчетов или Расплата собственным
имуществом// Налоговые споры, 2005. - №1. - 0,3 п.л.
27
5. Костальгин Д.С. Налогообложение вознаграждений членам совета
директоров и ревизионной комиссии// Бухгалтерия и банки, 2004. - №7 0,5 П.Л.
6. Костальгин Д.С. Налогообложение взносов на негосударственное
пенсионное страхование// Бухгалтерия и банки, 2004. - №4 - 0,5 п.л.
7. Костальгин Д.С. Налоговый Агент как самостоятельный субъект
налоговьлх правоотношений// Ваш налоговый адвокат, 2004. - Х» 1,2 - 1,5
П.Л.
8. Костальгин Д.С. О налогообложении физических лиц с иностран­
ной валютой// Бухгалтерия и банки, 2003. - №8 - 0,8 п.л.
9. Костальгин Д., Авдеев Б. Фискальный атавизм // Эксперт, 2003. №25 -0,4 П.Л.
Ю.Костальгин Д., Авдеев Б. Колесная база налогоплательщиков//Деньги, 2003. - №29 -0,4 п.л.
«S20 3 68
РНБ Русский фонд
2006-4
22462
ii
Напечатано с готового оригинал-макета
Издательство ООО "МАКС Пресс"
Лицензия ИД N 00510 от 01.12.99 г.
Подписано к печати 14.10.2005 г.
Формат 60x90 1/16. Усл.печл. 1,5. Тираж 100 экз. Заказ 655.
Тел. 939-3890. ТелУФакс 939-3891.
119992, ГСП-2, Москва, Ленинскиегоры,М Г У им. ММ. Ломоносова,
2-й учебный корпус, 627 к.
Документ
Категория
Без категории
Просмотров
0
Размер файла
1 064 Кб
Теги
bd000102470
1/--страниц
Пожаловаться на содержимое документа