ЭКОНОМИКА
Оригинальная статья
УДК 004.93’1:336.226.2 © А.О. Рада, А.Е. Тимофеев, А.Д. Кузнецов, Е.А. Федулова, М.В. Садиков, 2022
ISSN 0041-5790 (Print) • ISSN 2412-8333 (Online) • Уголь № S12-2022 /1162/
DOI: http://dx.doi.org/10.18796/0041-5790-2022-S12-120-126
Название
Выявление потенциальных объектов налогообложения на основе геоинформационных систем и нейронных сетей
Авторы
Рада А.О., канд. экон. Наук, директор Института цифры ФГБОУ ВО «Кемеровский государственный
университет», 650000, г. Кемерово, Россия, e-mail: rada.ao@kemsu.ru
Тимофеев А.Е., канд. техн. наук, начальник отдела разработок Института цифры ФГБОУ ВО «Кемеровский государственный университет», 650000, г. Кемерово, Россия, e-mail: a.timofeev@i-digit.ru
Кузнецов А.Д., директор Центра компьютерного инжиниринга
Института цифры ФГБОУ ВО «Кемеровский государственный университет», 650000, г. Кемерово, Россия,
e-mail: edu@i-digit.ru
Федулова Е.А., доктор экон. наук, заведующая кафедрой экономической теории и государственного управления 650000, г. Кемерово, Россия, e-mail: fedulovaea@mail.ru
Садиков М.В., министр цифрового развития и связи Кузбасса, 650000, г. Кемерово, России, e-mail: digital@ako.ru
Аннотация
Для справедливого эффективного налогового администрирования необходима качественная информационная база. Цель исследования – разработать методику выявления потенциальных объектов налогообложения для получения точных, актуальных и дешевых данных об объектах недвижимости на больших территориях в целях налогообложения с использованием геоинформационных систем и нейронных сетей. Использованы геоинформационная система «Кузбасс» (разработанная при участии авторов), результаты аэрофотосъемки с беспилотного воздушного судна, нейронная сеть «U-net» для обработки данных. Продемонстрировано, что такой программно-аппаратный комплекс позволяет в короткие сроки при низких затратах внести в геоинформационную систему точную информацию обо всех объектах недвижимости. В ходе работы в 11 городах Кемеровской области – Кузбасса на площади 1627 кв. км выявлено 20141 потенциальных объектов налогообложения. Показано, что нейронная сеть значительно снижает трудовые и временные затраты при учете объектов налогообложения. Рассчитан срок окупаемости проекта по цифровому учету объектов налогообложения, который составляет менее 7 лет.
Ключевые слова
Геоинформационная система, нейронная сеть, налогообложение недвижимости, распознавание образов, налог на имущество, беспилотные воздушные суда, цифровое управление, цифровой мониторинг.
Список литературы
1. Alpanda S. & Zubairy S. Addressing household indebtedness: Monetary, fiscal or macro prudential policy. European Economic Review, 2017, 92(11), pp. 47–73. DOI: 10.1016/j.euroecorev.2016.11.004.
2. Prichard W. Reassessing tax and development research: a new dataset, new findings, and lessons for research. World Development, 2016, 80(4), pp. 48–60. DOI: 10.1016/j.worlddev.2015.11.017.
3. Levinson A. America’s regressive wealth tax: state and local property taxes. Applied Economics Letters, 2021, 28(14), pp. 1234–1238. DOI: 10.1080/13504851.2020.1807458.
4. Shan H. Property taxes and elderly mobility. Journal of Urban Economics, 2010, 67(2), pp. 194–205. DOI: 10.1016/j.jue.2009.08.004.
5. Fjeldstad O.-H., Ali M. & Katera L. Policy implementation under stress: Central-local government relations in property tax administration in Tanzania. Journal of Financial Management of Property and Construction, 24(2), pp. 129–147. DOI: 10.1108/JFMPC-10-2018-0057.
6. Manganelli B., Morano P., Rosato P. & De Paola P. The effect of taxation on investment demand in the real estate market: The Italian experience. Buildings, 2020, 10(7), 115. DOI: 10.3390/buildings10070115.
7. Asyakina L.K., Dyshlyuk L.S. & Prosekov A.Yu. Reclamation of post-technological landscapes: International experience. Food Processing: Techniques and Technology, 2021, 51(4), pp. 805–818. DOI: 10.21603/2074-9414-2021-4-805-818.
8. Singh A., Singh S.K., Meraj G., Kanga S., Farooq M., Kranjcic N., Durin B. & Sudhanshu. Designing geographic information system based property tax assessment in India. Smart Cities, 2022, 5(1), pp. 364–381. DOI: 10.3390/smartcities5010021.
9. Koeva M., Gasuku O., Lengoiboni M., Asiama K., Bennett R.M., Potel J. & Zevenbergen J. Remote sensing for property valuation: A data source comparison in support of fair land taxation in Rwanda. Remote Sensing, 2021, 13(18), 3563. DOI: 10.3390/rs13183563.
10. Namangaya A. Practices in institutionalizing GIS for revenue mobilization: the case of secondary cities in Tanzania. Current Urban Studies, 2018, 6(4), pp. 559–572. DOI: 10.4236/cus.2018.64030.
11. Neene V. & Kabemba M. Development of a mobile GIS property mapping application using mobile cloud computing. International Journal of Advanced Computer Science and Applications, 2017, 8(10), pp. 57–66. DOI: 10.14569/IJACSA.2017.081008.
12. Sullivan K.A. Brownfields remediation: Impact on local residential property tax revenue. Journal of Environmental Assessment Policy and Management, 19(3), pp. 1–20. DOI: 10.1142/S1464333217500132.
13. Jabir B., Rabhi L., Falih N. RNN- and CNN-based weed detection for crop improvement: An overview. Foods and Raw Materials, 2021, 9(2), pp. 387–396. DOI: 10.21603/2308-4057-2021-2-387-396.
Поддержка
Работа выполнена в рамках соглашения №075-15-2022-1195 от 30.09.2022, заключенного между Министерством науки и высшего образования Российской Федерации и федеральным государственным бюджетным образовательным учреждением высшего образования «Кемеровский государственный университет».
Для цитирования
Выявление потенциальных объектов налогообложения на основе геоинформационных систем и нейронных сетей / А.О. Рада, А.Е. Тимофеев, А.Д. Кузнецов и др. // Уголь. 2022. № S12. С. 120-126. DOI: http://dx.doi.org/10.18796/0041-5790-2022-S12-120-126.
Информация о статье
Поступила в редакцию: 01.11.2022
Одобрена рецензентами:15.11.2022
Принята к публикации: 30.11.2022
