Роль искусственного интеллекта в налоговом администрировании процедуры банкротства несостоятельных организаций

Кричевсикй Евгений Никитич аспирант; кафедра Налогов и налогового администрирования; Финансовый университет При правительстве РФ 109147, Россия, г. Москва, ул. Марксистская, 9, кв. 121 Krichevsiki Evgenii Nikitich Postgraduate student; Department of Taxes and Tax Administration; Financial University under the Government of the Russian Federation 109147, Russia, Moscow, Marxistskaya str., 9, sq. 121 evgenyikrichevsky@mail.ru Другие публикации этого автора

Актуальность исследования. В современных условиях развития информационных систем и ресурсов ФНС России, а также постепенного внедрения электронного документооборота в жизненные циклы предприятий, одной из острых проблематик является необходимость в обслуживании, анализе и выявлении рисков огромного массива информации о налогоплательщиках. Магистральным преимуществом цифровизации и внедрения ИИ в налоговом администрировании несостоятельных организаций является скорость анализа данных должника, автоматизация процессов контроля, получение информации о должнике в режиме реального времени, а также сокращение трудозатрат сотрудников налоговых органов и ускоренное межведомственное взаимодействие. В результате у налоговых органов сокращается работа по выявлению возможности осуществления недобросовестных действий по выводу активов, осуществлению сомнительных сделок и т.д.

Новизна настоящего исследования заключается в адаптации инструментов и внедрении механик ИИ в налоговое администрирование несостоятельных организаций (банкротов).

Цель представленного исследования заключается в исследовании возможности использования ИИ в налоговом администрировании процедур банкротства несостоятельных организаций, продемонстрировать примеры успешного международного опыта и предложить пути его адаптации для нужд российской системы.

Объектом исследования являются экономические отношения, формирующиеся в процессе процедуры банкротства несостоятельных организаций.

Основа методологии исследования сформирована на базе общенаучных и специальных методов исследования, включающих методы сравнительного анализа, метода обобщения результатов при формулировании выводов и представлении приоритетных направлений, метод системного анализа и экспертной оценки.

Результаты исследования. Налоговое администрирование несостоятельных организаций (банкротов) в Российской Федерации (далее – РФ) имеет ряд сложностей, прежде всего связанных с: увеличением налогоплательщиков в процедуре банкротства (по состоянию на 31.12.2022 г. – 301,3 тыс., на 31.12.2023 г. – 365,8 тыс.), значительными временными и финансовыми затратами на проведение процедур, отсутствии автоматизации и бумажный документооборот. В данной статье, дефиниция «несостоятельность» и «банкротство» являются синонимами, в соответствии с ст. 2 Федерального закона от 26.10.2002 №127-ФЗ «О несостоятельности (банкротстве)».

Ввиду завершения моратория 01.10.2022 на возбуждение дел о банкротстве по заявлениям кредиторов и направленных в адрес РФ односторонних санкций, количество организаций оказавшихся в процедуре банкротства увеличивается, однако большинство анализируемых показателей показывают положительную динамику, в связи с развитием информационных систем и ресурсов ФНС России, направленных на формирования баланса интересов всех участников процедуры банкротства, а также на финансовое оздоровления предприятий (в особенности системообразующих).

По данным Единого федерального реестра юридических значимых сведений о фактах деятельности юридических лиц (далее – Федресурс), индивидуальных предпринимателей и иных субъектов экономической деятельности, степень удовлетворения требований кредиторов по завершенным делам находится на крайне низком уровне в течение многих лет, несмотря на позитивные тенденции в теории и практике банкротств. (табл. 1).

Таблица 1 - Основные результаты процедур банкротства по завершенным делам о банкротстве должника

Анализ итогов деятельности ФНС России в делах о банкротстве, представляющей интересы РФ как кредитора показывает, что основная трудности в обеспечении интересов РФ в современных делах о банкротстве заключается в том, что интересы участников дел о банкротстве страдают от низкой эффективности в реализации процедур банкротства (понимаемой как степень удовлетворения требований кредиторов), несмотря на активное совершенствование законодательства о банкротстве, изменение вектора налоговой политики по взысканию налоговой задолженности в сторону примирительных процедур и клиентоцентричности, а также развитии информационных систем и ресурсов.

Вместе с тем, количество инициируемых ФНС России дел о банкротстве организаций с каждым годом увеличивается (янв-июн 2023 г. – 12%, янв-июн 2024 г. – 26,4%). Данная тенденция еще раз доказывает необходимость ИИ и алгоритмов, направленных на повышение эффективности налогового администрирования несостоятельных организаций (банкротов).

Современными учеными-экономистами вопрос внедрения ИИ в налоговое администрирования и институт банкротства в целом обсуждается регулярно. Так, по мнению А.Н. Ряховской, несомненным преимуществом цифровизации в институте банкротства является возможность контроля, своевременного и удобного получения информации практически по любому вопросу и различных документов, в том числе из государственных органов.

Кроме того, современные ученые, такие как, О.И. Лютова и Н.И. Руднева придерживаются мнения о необходимости интеграции ИИ в Автоматизированную информационную систему «Налог-3» и ряд иных автоматизированных систем, в арсенал ФНС России, а также поддерживают интеграцию технологий с целью оптимизации и автоматизации реализации иных функций, возложенных на налоговые органы.

М.В. Полинская, М.А. Чайльян и А.А. Егизарян, изучая роль ИИ в налоговом администрировании пришли к выводу, что налоговое программное обеспечение с использованием ИИ представляет собой инновационное направление, которое способно улучшить и систематизировать работу всей сферы налогового администрирования в целом. Исследователи, отмечают, что ИИ может выступать только помощником в решении задач различного уровня и требует контроля со стороны человека. Следует согласиться с мнением авторов, т.к. с развитием ИИ, информационных систем и ресурсов сокращается количество госслужащих, в том числе администрирующих процедуры банкротства. Однако, контроль за функционированием разрабатываемых технических процессов остается исключительно за человеком. С.Е. Козырева, также, отмечает необходимость строгого контроля ИИ, а также введения правовой ответственности с целью нивелирования негативных последствий.

Е.В. Кузьмина, отмечает, что внедрение чат-ботов, которые способны не только давать консультации физическим лицам, но и производить расчёты по налогам и страховым взносам. Кроме того, налогоплательщики могут использовать его для того, чтобы записаться на приём в какое-либо учреждение налоговых органов. Ввиду востребованности и простоты программирования чат-ботов, представляется возможным внедрить механизмы в налоговое администрирование, в части получения межведомственной информации о должнике.

В своем исследовании В.И. Маляр и Е.А. Аксеновой, в части анализа развития информационных систем и ресурсов в процедуре банкротства на примере Федресурса. Авторы отмечают, актуальную проблему риска потери или искажения цифровой информации, попыток несанкционированного доступа к ней, а также возникновения дополнительной ответственности перед участниками, требующей прозрачности и полноценности данных. Следует согласиться с данным мнением, т.к. в эпоху развития информационных систем и ресурсов ФНС России и института банкротства в целом, возникает острая необходимость в шифровании и защите сведений о должнике, а также фильтрации информации, полученных из открытых источников.

Вместе с тем, особый интерес вызывает исследование Н.В. Апатовой и В.Б Попова, в части применения нейросетей в прогнозировании процедур банкротства несостоятельных организаций. Авторами построена нейронная сеть, предназначенная для решения задач прогнозирования. Такие характеристики нейронной сети как нелинейность, хорошая способность к обобщению позволяют успешно обучаться для решения сложных проблем и давать корректный результат для новых исходных данных о состоянии предприятий.

Вместе с тем, представляется возможным использовать механизмы нейросетей для целей налогового администрирования, в части «предупреждения» банкротства, а также выявлении искажений в отчетности должника.

А.С. Местникова, анализируя возможность применения и адаптации машинного обучения для целей прогнозирования банкротства юридических лиц, выделяет 4 наиболее значимых атрибутов из 95 исходных, влияющих на прогнозирование банкротства: соотношение заёмного капитала к собственному, отношение текущих обязательств к текущим активам, коэффициент задолженности и отношение текущих обязательств перед активами. Данные атрибуты могут быть использованы в разработке процесса машинного обучения и создании точной и эффективной модели.

Особый интерес вызвало исследование Ариничева И.В., Матвеевой Л.Г. и Ариничевой И.В., в части применения метода логистической регрессии, деревьев решений и нейронных сетей для анализа данных, выявив высокую точность в прогнозировании банкротства. Ученые, сделали вывод о возможности использования этих методов для раннего выявления рисков возникновения банкротства и принятия профилактических мер, что значительно повышает эффективность управления финансовыми рисками в компаниях. Данное исследование возможно расширить и применить метод логистической регрессии для прогнозирования банкротства системообразующих предприятий.

Зарубежными учеными разработано большое количество различных математических и экономических моделей. Следует отметить модель прогнозирования банкротства Л. Культреры «Logit», разработанная на основе бельгийских предприятий. Модель «Logit» базируется на контрольных переменных, такие как размер и время функционирования. Т. Корол, представил модель для компаний ЕС, в которой сравниваются методы нечётких множеств, нейронных сетей и деревьев решений. Оценка включала в себя анализ снижения эффективности за 10 лет до банкротства. Вместе с тем, наиболее из известных и часто используемых методов для прогнозирования банкротства являются однофакторный анализ У. Бивера, дискриминантный анализ, отраженный в исследовании Р. Тафлера.

Д. Бугачи и А. Альхавальдех, исследуют применение таких методов, как Support Vector Machines, случайные леса и нейронные сети, для обработки и анализа данных, специфичных для финансовых учреждений.

Исследование сравнивает эффективность различных моделей в предсказании банкротства, подчеркивая важность выбора подходящей модели в зависимости от особенностей данных. Авторы акцентируют внимание на значимости адаптивных подходов при работе с разнообразными финансовыми наборами данных, чтобы учитывать уникальные особенности и проблемы, связанные с предсказанием банкротства.

Ким Хёнджун, Хун Чо и Дудзин Рю, исследуют использование методов машинного обучения для анализа временных финансовых данных в задачах прогнозирования банкротства. В центре внимания авторов находятся рекуррентные нейронные сети (RNN), включая их усовершенствованные варианты, такие как LSTM и GRU. Авторы анализируют особенности применения этих моделей для обработки финансовых временных рядов, включая показатели ликвидности, изменения структуры долга, прибыли и денежного потока. Отдельное внимание уделяется тому, как последовательные данные могут улучшить точность прогнозов, поскольку временная динамика часто является важным индикатором финансовой стабильности компании.

Хоанг Хьеп Нгуен, Жан-Лоран Вивиани и Сами Бен Джабер, посвятили исследование применению методов машинного обучения для прогнозирования корпоративного банкротства. Особое внимание уделено использованию методов интерпретации результатов, основанных на аддитивных объяснительных методах, таких как значение Шепли (Shapley Values). Этот подход помогает сделать модели более прозрачными и понятными, что важно для практического применения в финансовом секторе. Авторы комбинируют мощные алгоритмы машинного обучения (например, градиентный бустинг, случайные леса) с методами интерпретации для улучшения понимания факторов, влияющих на результаты прогнозов.

В части исследования возможности применения ИИ в процедуре банкротства системообразующих предприятий, следует отметить исследование С. Летковского, С. Дженковой и П. Васаниковой. Ученые разработали авторскую модель прогнозирования банкротства в химической промышленности, применимые в условиях Словакии. Результаты показали, что использование методов на основе ИИ не снижает точность прогнозирования. Напротив, эти методы могут повысить точность прогнозирования, особенно в долгосрочной перспективе.

Анализ современных научных исследований позволяет сделать вывод, что механизмы внедрения ИИ в процедуре банкротства несостоятельных организаций нуждается в адаптации для целей налогового администрирования. В части анализа зарубежного опыта, можно сделать вывод о популярности, в части разработок моделей (алгоритмов) предупреждения банкротства. Однако, существует пробел в применении данных моделей и методов для целей налогового администрирования. Также обзор зарубежных исследований, показал, что большинство моделей ориентированы на прогнозирование процедуры несостоятельности.

Налоговое администрирование несостоятельных организаций включает в себя анализ большого количества данных: бухгалтерской и налоговой отчетности, учетных документов, транзакций, судебных решений и т.д. Традиционные методы обработки данных требуют значительных временных затрат, что увеличивает среднюю продолжительность процедуры банкротства до 3 лет. Так, основными вызовами в российской практике налогового администрирования несостоятельных организаций являются:

1. Объем и сложность анализируемых данных, поступающих в налоговые органы. В рамках камеральных и выездных налоговых проверок у инспекторов возникают сложности в анализе сведений отраженных в налоговом и бухгалтерском учете налогоплательщиков, сверке сведений, отраженных в налоговых декларациях и первичных учетных документах

2. Недостаток квалифицированных кадров. Ввиду образований во многих регионах РФ двухуровневой системы, предполагающей передачу функций территориальных налоговых органов соответствующим Управлениям ФНС России по субъектам РФ, происходит сокращение рабочих мест и отток госслужащих (в 2023, 2024). Таким образом специалистов в части налогового администрирования банкротства становится все меньше, а на обучение новых и присвоения соответствующих квалификаций затрачивается большое количество времени и ресурсов.

3. Ручная обработка данных. Большинство данных поступающих в ФНС России направляются в электронном виде. Однако, далеко не все информационные системы и ресурсы ФНС России способны перевести поступившие документы в формате «скриншота» в цифровой вид документа, по причине отсутствия единой формы, формата, а также порядка направления и представления таких сведений. В этой связи, инспектора вынуждены в ручном режиме осуществлять сверку и выявлять расхождения полученных сведений.

Потенциал ИИ в налоговом администрировании несостоятельных организаций (банкротов) заключается в том, что ИИ способен автоматизировать сложные процессы анализа, включая:

- Классификацию данных. ИИ-системы могут разделять данные по категориям (балансу, сделкам, отчетности) и упрощать их обработку.

- Обнаружение аномалий, выявление искажений и рисков: Алгоритмы машинного обучения выявляют временные разницы, искажения показателей стоимости чистых активов и соответственно, на величину ожидаемого показателя конкурсной массы.

- Построение прогнозов. Прогностические модели на базе ИИ помогают определить исход процедуры банкротства несостоятельных организаций.

Международный опыт применения ИИ в работе налоговых и судебных органов. Для того, чтобы качественно оценить необходимость использовании ИИ в налоговом администрировании несостоятельных организаций-банкротов, следует рассмотреть примеры применения ИИ в США, Великобритании и Китае, включая функционал платформ, их области применения и результаты.

Опыт США: «Lex Machina» и «CaseMine». Функционал платформы «Lex Machina»:

- анализ судебных дел для выявления паттернов поведения компаний-должников;

- автоматическое формирование отчетов для судов, кредиторов и участников процесса;

- прогнозирование исходов дел на основе исторических данных и аналогичных процессов;

- оценка стратегии защиты или нападения в делах о банкротстве.

Функционал платформы «CaseMine»:

- анализ прецедентного права для создания оптимальной стратегии ведения дел;

- выявление ключевых судебных решений, которые могут повлиять на исход текущего дела;

- интеграция с юрисдикционными базами данных для ускоренного поиска необходимой информации.

Для целей налогового администрирования процедур банкротства несостоятельных организаций:

- автоматический анализ активов и обязательств должников;

- подготовка рекомендаций для ликвидационных комиссий;

- прогнозирование вероятности успешного завершения дела в пользу кредиторов.

По данным Американского института банкротства, использование «Lex Machina» сократило количество ошибок в поданных документах на 25%. Опыт Великобритании, функционал платформы «FraudNet»:

- сканирование транзакций, банковских данных и корпоративной отчетности;

- построение графов связей между компаниями, бенефициарами и активами;

- выявление потенциально мошеннических операций на основе исторических данных и шаблонов поведения;

- генерация отчетов для судебных разбирательств и расследований.

Для целей налогового администрирования процедур банкротства несостоятельных организаций:

- поиск скрытых активов, таких как имущество, зарегистрированное на третьих лиц;

- расследование сложных мошеннических схем с использованием офшорных компаний;

- проверка кредитной истории компаний-должников для предотвращения фиктивных банкротств.

По данным Службы по делам о несостоятельности Великобритании, в 85% случаев активы должников удается вернуть кредиторам, включая скрытые или неучтенные средства. Выявление мошеннических схем на ранних стадиях привело к сокращению ущерба кредиторов на 40%. Платформа «FraudNet» позволила увеличить количество раскрытых активов на 35% в 2023 году. Время, необходимое для анализа подозрительных транзакций, сократилось с нескольких недель до нескольких дней.

Опыт Китая. Функционал системы социального кредита.

- объединение информации из банков, налоговых органов, госреестров и судов;

- анализ транзакций, долговых обязательств и платежной дисциплины компаний;

- оценка кредитного рейтинга путем присвоения баллов на основе прозрачности и надежности компании;

- создание реестров благонадежных и неблагонадежных компаний;

- предотвращение фиктивных банкротств через мониторинг операций;

- ограничение деятельности компаний с низким рейтингом, включая запрет на новые кредиты;

- компании с высокими рейтингами получают льготы и доступ к государственным контрактам.

Для целей налогового администрирования процедур банкротства несостоятельных организаций:

- снижение числа неплатежеспособных компаний на 25% за счет раннего выявления рисков;

- повышение доверия между бизнесом и кредиторами;

- сокращение времени на проведение процедур банкротства благодаря прозрачности данных.

По данным Государственного комитета по развитию и реформе КНР, в 2022 году система социального кредита помогла вернуть более 2 трлн юаней долгов. Компании с низким рейтингом столкнулись с сокращением объема сделок на 30%.

Международный опыт показывает, что применение ИИ значительно ускоряет и упрощает процедуры банкротства юридических лиц. Платформы, такие как «Lex Machina», «CaseMine», «FraudNet» и китайская система социального кредита, демонстрируют высокий потенциал для анализа данных, прогнозирования исходов дел и предотвращения мошенничества. Их использование позволяет существенно сокращать временные и финансовые затраты, повышать прозрачность процессов и защищать интересы кредиторов. Анализ лучших практик может стать основой для разработки и внедрения аналогичных решений в других странах, включая РФ.

Механики внедрения ИИ в налоговом администрировании несостоятельных организаций в России.

В рамках решения указанных выше проблем в части внедрения ИИ в налоговое администрирование несостоятельных организаций (банкротов) предлагается несколько этапов внедрения:

1. Разработка алгоритма (модели) проведения реформации балансовых показателей организаций-банкротов с целью исключения искажающего влияния продолжения применения допущения непрерывности и отложенных налогов на величину стоимости чистых активов (далее – СЧА) и, соответственно, на величину ожидаемого показателя конкурсной массы.

Таблица 2 - Алгоритм реформации балансовых показателей организаций-банкротов с целью исключения искажающего влияния отложенных налогов на величину стоимости чистых активов

Вместе с тем, алгоритм предполагает раскрыть влияние балансовых показателей отложенных налоговых активов (далее - ОНА) и отложенных налоговых обязательств (далее – ОНО) на расчетные показатели СЧА в процедуре банкротства, состоящее в том, что показатели ОНО и ОНА (в условиях неприменимости допущения непрерывности) – искажают показатели СЧА и, соответственно, расчетные величины конкурсной массы. Вместе с тем нарушаются основополагающие принципы налогообложения, закрепленные в ст. 3 Налогового кодекса Российской Федерации (далее – Кодекс).

2. Внедрение в систему комплексного управления долгом «СКУАД» технологию машинного обучения для обработки банковских выписок, запрашиваемых налоговыми органами в соответствии с ст. 93.1 и п. 2 ст. 86 Кодекса. На текущий момент не создано единого алгоритма, позволяющего точечно выявлять расхождения по банковским транзакциям должника, а также подсвечивать уровни риска тех или иных операций, на примере «светофора» с красным, желтым и зеленым уровнями риска. Интеграция механики обработки банковских выписок, позволит расширить цифровой портрет должника и повысить эффективность налогового администрирования.

3. Обнаружение аномалий в банковских транзакциях должников.

Использование алгоритмов машинного обучения, таких как Decision Trees (деревья решений) и Random Forest (случайный лес), для поиска аномальных транзакций. Применение данных алгоритмов в работе налоговых органов позволит выявлять сделки, совершенные с аффилированными лицами до наступления процедуры банкротства.

4. Автоматизация взаимодействия с арбитражными управляющими.

ИИ может быть использован для создания чат-ботов, которые обрабатывают запросы управляющих, анализируют данные и предоставляют информацию в режиме реального времени.

Вывод. Внедрение ИИ в работу ФНС России, в части налогового администрирования несостоятельных организаций, является магистральным вектором в сторону повышения эффективности процедур банкротства несостоятельных организаций. Вместе с тем, развития института банкротства с постепенным внедрением ИИ, способствует: развитию предиктивной аналитики, построению моделей прогнозирования исходов дел, выявлению искажений в отчетности и балансе должника, сокращению затрат на администрирование процедур банкротства, снижению временных затрат на обработку данных.

Международный опыт демонстрирует высокую востребованность и результативность таких технологий. Адаптация анализируемых инструментов для российской практики откроет новые возможности для цифровизации, повышению прозрачности налогового администрирования, а также поспособствует к развитию международного межведомственного электронного взаимодействия.