Forecasting the tax burden of agricultural enterprises by machine learning methods

Cover Page

Cite item

Full Text

Abstract

The article analyzes the data of a set of agricultural enterprises and builds machine learning models to predict the tax burden. The subject of this study is a system of statistical indicators of agricultural enterprises that characterize the level of tax burden. The purpose of the study is to predict the tax burden using machine learning methods. The introduction of modern artificial intelligence tools is an integral and inevitable process in all spheres, including in the tax environment. Machine learning methods were used to build models: regression analysis, decision tree, random forest, gradient boosting. Models of forecasting the tax burden depending on a set of factors were built. The high quality of tax burden forecasting models will make it possible to more accurately assess the financial condition of enterprises, calculate profitability, predict profitability and make informed investment management decisions. As a result of forecasting the tax burden, the gradient boosting machine learning model turned out to have the best quality. In general, the model allows you to predict the tax burden better than traditional econometric models and make high-quality forecasts. The introduction of modern forecasting tools based on artificial intelligence methods will allow obtaining highly accurate forecasts with minimal time, which will increase the efficiency of enterprises and the level of production.

References

  1. Тихонова, А. В. Налоговая нагрузка и иные мотивы законопослушного поведения физических лиц // Экономика. Налоги. Право. – 2021. – Т. 14, № 2. – С. 169-178.
  2. Медюха, Е. В. Влияние налоговой нагрузки на финансово-хозяйственную деятельность предприятия / Е. В. Медюха, Е. В. Артюшенко // Вектор экономики. – 2019. – № 10(40). – С. 14.
  3. 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.
  4. 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.
  5. Nasteski, Vladimir. An overview of the supervised machine learning methods. Horizons.B. – 2017. – Volume 4. – P. 51-62.
  6. 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.
  7. Biau, G. Analysis of a Random Forests Model / G. Biau // Journal of Machine Learning Research. – 2012. – Vol. 13. – P. 1063–1095.
  8. 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.
  9. 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.
  10. 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.
  11. Зуева Т.И. Применение метода экспертных оценок при прогнозировании показателей инновационного потенциала предприятия // Московский экономический журнал. – 2020. – № 6. – С. 82.
  12. Прогнозирование финансовых результатов на основе статистических методов / Храмцова Т.Г., Храмцова О.О. // Транспортное дело России. – 2021. – № 3. – С. 12-15.
  13. 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.
  14. 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.
  15. 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.
  16. Прогнозирования банкротства предприятий с использованием искусственного интеллекта / Апатова Н.В., Попов В.Б. // Научный вестник: финансы, банки, инвестиции. – 2020. – № 2 (51). – С. 113-120.
  17. Использование машинного обучения в финансовом прогнозировании в банках / Виноградов А.С. // Актуальные вопросы современной экономики. – 2022. – № 5. – С. 705-710.
  18. Оценка и анализ риска банкротства с использованием decision tree модели машинного обучения / Иванькова С.С. // Интерактивная наука. – 2022. – № 2 (67). – С. 44-46.
  19. 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.
  20. 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.
  21. 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.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».