авторефераты диссертаций БЕСПЛАТНАЯ РОССИЙСКАЯ БИБЛИОТЕКА - WWW.DISLIB.RU

АВТОРЕФЕРАТЫ, ДИССЕРТАЦИИ, МОНОГРАФИИ, НАУЧНЫЕ СТАТЬИ, КНИГИ

 
<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ


Pages:     | 1 | 2 || 4 |

Разработка модели и инструментария оценки риска неуплаты таможенных платежей

-- [ Страница 3 ] --

Рассматривая результаты расчета коэффициентов можно сделать вывод, что, например, учет совместного распределения признаков «нарушение срока уплаты» и «код вида платежа» позволяет улучшить прогноз признака «нарушение срока уплаты» почти на 60%, с признаком контейнерных перевозок – на 42%.

Третьим этапом является оценка параметров модели. В качестве меры риска принимается вероятность неуплаты таможенных платежей , где – значения признака «нарушение срока уплаты», - вектор значений факторных признаков -й ДТ.

В связи с тем, что для ДТ признак нарушения принимает два значения (1 и 0), описывать вероятность линейной функцией нецелесообразно. Поэтому для моделирования значений выбрана функция, область значения которой определяется отрезком [0,1]. В этих целях для построения модели оценки риска неуплаты таможенных платежей предлагается использовать аппарат моделей бинарного выбора.

Используя конкретные законы распределения случайной ошибки, можно получить различные вариации модели бинарного выбора: пробит-, логит- и гомпит-модели. Основываясь на информационных критериях Акаике, Шварца и Хеннана-Куинна была выбрана логит-модель, которая для бинарных данных имеет вид:

, (2)

где - вектор значений признаков -й ДТ,

- вектор коэффициентов модели.

Для определения коэффициентов модели использовался метод максимального правдоподобия.

На этапе построения модели оценки риска неуплаты таможенных платежей для Центрального федерального округа выполнены преобразования номинальных переменных, имеющих более двух градаций, в бинарные переменные. Результаты оценивания параметров логит-модели представлены в таблице 3.

Таблица 3

Результаты оценивания параметров логит-модели зависимости нарушения срока уплаты таможенных платежей от факторных признаков ДТ (Центральный федеральный округ)

Пере-

менная

Описание переменной

Оценка коэффиц.

Станд. ошибка оценки коэффиц.

Уровень значи-мости

const

-

9,547

1,026

0,000

x1

1, если присутствует признак контейнерных перевозок

-0,590

0,211

0,005

x2

1, если присутствует декларация таможенной стоимости

-2,580

0,479

0,000

x3

1, если хотя бы один из товаров учитывается в статистике

1,729

0,253

0,000

x4

сумма обеспечения, в рублях

-2,55E-09

1,15E-09

0,027

x5

1, если условие поставки CFR (стоимость и фрахт)

-1,360

0,277

0,000

x6

1, если условие поставки FOB (Свободно на борту судна) или DDU (поставка без оплаты пошлины) или CIF (стоимость, страхование и фрахт)

-0,854

0,212

0,000

x7

1, если код валюты договора USD (доллар США)

-1,423

0,661

0,031

x8

1, если код валюты договора EUR (Евро)

-1,131

0,651

0,082

x9

1, если код валюты договора RUB (Российский рубль)

-2,471

0,764

0,001

x10

1, если код резерва 21 «Поставка товара на безвозмездной основе»

-1,513

0,514

0,003

x11

1, если код временного хранения 11 «склад временного хранения»

-1,897

0,217

0,000

x12

1, если код временного хранения 39 «склад иной»

-2,083

0,267

0,000

x13

1, если код характера сделки отсутствует

-2,448

0,845

0,004

x14

1, если код характера сделки 10 «Перемещение товаров»

-3,530

0,562

0,000

x15

1, если код характера сделки 50 «Поставка товара при инвестиционной деятельности»

-2,046

0,688

0,003

x16

1, если код вида платежа 98 «сумма обеспечения уплаты»

0,798

0,279

0,004

x17

1, если код вида платежа 20 «Ввозная таможенная пошлина»

-1,196

0,298

0,000

x18

1, если код вида платежа 32 «Процент за предоставление рассрочки таможенного платежа»

-4,425

1,066

0,000

x19

1, если код вида обеспечения БГ «Банковская гарантия»

-2,394

0,253

0,000

Модель оценки риска неуплаты таможенных платежей для Центрального федерального округа имеет вид:

(3)

Четвертым этапом является оценка точности модели бинарного выбора. Она осуществляется на основе классификационной таблицы, которая отражает количество верно распознанных случаев. Уровень точности модели задается ЛПР. Как правило, точность устанавливается на значении 0,5. При таком его уровне модель корректно распознает 98% случаев нарушения срока уплаты и 82% случаев уплаты таможенных платежей в срок (таблица 4).

Вторым способом проверки предложенной модели является расчет предложенного Макфадденом индекса отношения правдоподобия (), который принимает значения от 0 до 1, причем чем больше совпадений между расчетными и фактическими значениями, тем ближе его значение к 1. Для полученной модели он составил 0,67.

Таблица 4

Итоговая классификационная таблица для модели оценки риска

Предсказываемое по модели значение

Значение зависимой переменной «нарушение срока уплаты»

Нет нарушения

Есть нарушение

Нет нарушения

82,08%

2,28%

Есть нарушение

17,92%

77,72%

Аналогичным образом была построена модель для Приволжского федерального округа:

, (4)

где x2 принимает значение 1, если корректировалась таможенная стоимость,

x5 – значение 1, если присутствует признак контейнерных перевозок,

x8 – значение 1, если код характера сделки отсутствует.

Индекс отношения правдоподобия Макфаддена полученной модели для Приволжского округа составил 0,44. При уровне точности 0,5 модель корректно распознает 77,72% случаев нарушения срока уплаты и 70% случаев уплаты обеспечения в срок.

Разработанная система факторных признаков и модель оценки риска неуплаты таможенных платежей для Центрального и Приволжского округов позволяют на основе данных ДТ, предоставленных участником ВЭД в таможенный орган, рассчитывать риск неуплаты таможенных платежей, что в свою очередь обеспечит принятие решения о выпуске товара под обеспечение. Аналогичные модели на основе предложенной методики построения модели оценки риска могут быть разработаны для других федеральных округов.

Третья группа вопросов включает разработку концептуальных положений создания и использования информационной системы поддержки принятия решения при выпуске товара под обеспечение для построения модели оценки риска неуплаты таможенных платежей. В рамках решения вопросов этой группы предлагается архитектура СППР, которая обеспечивает поддержку всех стадий принятия решения выпуска товара под обеспечение и позволяет автоматизировать процесс оценки риска неуплаты таможенных платежей.

Результатом практической реализации являются:

  • аналитическая база данных;
  • прототип СППР.

В диссертации предложены следующие концептуальные положения создания и использования информационной системы поддержки принятия решения (СППР) при выпуске товара под обеспечение:

1. Распределенная обработка данных: построение и актуализация модели осуществляется на стратегическом уровне с применением центральной базы данных деклараций на товары, а использование - на оперативном (уровень таможен и таможенных постов). Это позволяет включить в обучающую выборку большой набор случаев выпуска товара под обеспечение.

2. Совместимость: обновление модели на оперативном уровне осуществляется при помощи профиля риска, который формируется на стратегическом уровне и содержит формализованную модель. Актуализированный профиль риска загружается в БД таможенного органа вместе с остальными профилями рисков и при запуске инструментального средства поддержки принятия решения производится динамическая настройка на перечень факторных признаков, что обеспечивает соблюдение регламентов пересмотра профиля риска.

3. Прогнозирование: необходимость выявления тенденций, закономерностей и зависимости индикаторов и области риска неуплаты таможенных платежей при обеспечении от федерального округа, в котором зарегистрирован участник ВЭД. Как следствие, это позволяет повысить точность модели.

4. Интеграция данных: данные, которые необходимы для анализа и построения модели оценки риска, должны размещаются в аналитической базе данных, схема которой разработана с учетом специфики системы, приводит к ускорению процесса формирования модели.

Исходя из поставленных задач количественного анализа рисков и применяемых для их решения математических методов, а также требований, предъявляемых к СППР, предлагается архитектура СППР, представленная на рисунке 4.

Рис. 4. Архитектура СППР на стратегическом (ФТС России) и оперативном (таможни и таможенные посты) уровнях

На основе исследований преимуществ и недостатков различных инструментальных средств, технологий хранения данных для построения модели оценки риска неуплаты таможенных платежей и разработки СППР, предлагается использовать следующий инструментарий, представленный в таблице 5.

Таблица 5

Программный инструментарий, используемый для построения модели оценки риска неуплаты таможенных платежей

Выполняемая функция при анализе риска

Программный инструментарий

Источник данных

Извлечение данных, трансформация и очистка, загрузка (ETL) в аналитическую БД

Oracle Warehouse Builder (OWB)

Аналитическая БД

Моделирование рисков неуплаты таможенных платежей

ППП SPSS

Аналитическая БД

Поддержка принятия решения выпуска товара под обеспечение на региональном уровне

Интерфейс реализован с помощью Delphi 7

БД оперативных данных



Pages:     | 1 | 2 || 4 |
 





 
© 2013 www.dislib.ru - «Авторефераты диссертаций - бесплатно»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.