Цифровая трансформация налогового контроля: анализ российских и зарубежных практик

Южно-Российский институт управления – филиал Российской академии народного хозяйства и государственной службы при Президенте РФ, Ростов-на-Дону, Россия, ,

,

системы контроля на основе машинного обучения работают непрерывно в фоновом режиме, оценивая риски, отмечая аномалии и даже прогнозируя потенциальные дефициты доходов до того, как они произойдут (Казарова, Тимофеева, 2023; Ризова, Замрыга, 2024; Ширинова, 2020).

Федеральная налоговая служба России (ФНС) осуществляет масштабную программу цифровой трансформации. Модернизация автоматизированной информационной системы «Налог - 3», развертывание налогового мониторинга для крупных предприятий и ускорение обработки деклараций с помощью систем проверки на основе искусственного интеллекта демонстрируют осознанный переход к предиктивному и основанному на электронных данных налоговому контролю.

Рассматривая практику нескольких государств, применяющих системы предиктивной налоговой аналитики1, можно прийти к выводу, что их деятельность обычно опирается на структурированные данные налогоплательщиков и методы распознавания образов для обнаружения мошенничества, оптимизации выбора аудита и прогнозирования аномалий доходов. Иностранные решения внедрения цифровых технологий могут быть полезными в части разработки системы анализа перспектив внедрения цифровизации с учетом прогнозируемого эффекта. Поскольку Россия активно внедряет подобные методики, представляется целесообразным рассмотреть иностранный опыт использования обозначенных технологий.

Несмотря на различия в сфере охвата и инфраструктуре, предиктивной налоговой аналитики имеют несколько общих ключевых характеристик: использование структурированных моделей машинного обучения для классификации и обнаружения аномалий, изначальное покрытие, сосредоточенное на сегментах налогоплательщиков с высоким риском, измеримые улучшения точности по сравнению с ручными или основанными на правилах системами.

В табл. 1 приведены основные показатели зарубежных программ внедрения цифровых технологий.

Таблица 1 – Основные международные показатели для систем налогового контроля на основе искусственного интеллекта2

Table 1 – Key International Indicators for Tax Control System Based on Artificial Intelligence

Страна	Система	Влияние на доход	Основное направление усилий	Сроки окупаемости инвестиций
США	Программа анализа риска взыскания налогов3	11 млрд долл. (с 2018 г.)	Уклонение от уплаты налогов	< 3 лет
Великобритания	HMRC Connect4	3 млрд фунтов (с 2015 г.)	Теневая экономика	30 +/- 1 (оценка)
Австралия	Система ATO5	530 млн долл. в год	Налог на товары	< 3 лет
Австрия	Система комплексного внедрения искусственного интеллекта (ИИ) для налога на добавленную стоимость (НДС)6	185 млн евро в год	счета-фактуры НДС	< 2 года

Эти значения обеспечивают количественную основу для построения модели производительности для систем перспективных программ Федеральной налоговой службы России. При этом целесообразно более подробно рассмотреть, в чем заключается современная налоговая политика, формирующая вектор деятельности ФНС. На данный момент в России разработана одна из самых технологически продвинутых систем налогового администрирования в мире, основанная на базовой платформе автоматической идентификационной системы (АИС) «Налог - 3», которая объединяет декларации налогоплательщиков, сторонние данные и инструменты автоматизации процессов в рамках единой инфраструктуры, что обеспечивает ускоренную обработку документов и является основой для интеллектуальной аналитики рисков1.

Наиболее значимым компонентом перехода ФНС к применению незаметных цифровых технологий является внедрение системы налогового мониторинга. По состоянию на 2024 г. эта программа включает 569 крупных предприятий, а к концу 2025 г. планируется расширение до 7372. Участвующие компании предоставляют доступ в режиме реального времени к бухгалтерской и первичной документации, что позволяет осуществлять непрерывную проверку и выявлять фоновые аномалии. Такой подход не только ускоряет рабочие процессы по обеспечению соответствия, но и поддерживает постепенную замену традиционных аудитов на основанное на событиях вмешательство, запускаемое алгоритмическими флагами. Структурное сходство с международными системами реального времени, такими как HMRC Connect, предполагает наличие в системе контролируемых инструментов классификации аномалий.

Общее количество выездных проверок сократилось примерно с 10 200 в 2022 г. до 4 495 в 2024 г.3 Хотя план действий на 2025–2030 гг.4 описывает будущие разработки, включая системы мониторинга, прогнозное моделирование доходов и секторальное отслеживание электронных документов, аналитические компоненты этих инициатив остаются в значительной степени недооцененными. В результате неясно, как существующие проекты соответствуют передовой международной практике. Информация о сопоставимости этих данных представлена в табл. 2.

Таблица 2 – Сопоставимость направлений цифровизации в России и за рубежом ⁵

Table 2 – Comparability of Digitalization Trends in Russia and Abroad

Компонент	Описание	Статус	Сопоставимая международная практика
Налоговый мониторинг	Поток данных в режиме реального времени от крупных предприятий	569 организаций (2024), 737 запланировано (2025)	Система комплексного внедрения ИИ для НДС (Австрия)
Время обработки деклараций 3-НДФЛ	Автоматизация проверки и предварительной проверки деклараций	~16 дней (против ~120 дней)	Система ATO (Австралия)
Сокращение числа выездных проверок	Традиционные проверки документов/ полевые аудиты	10 200 (2022) → 4 495 (2024)	RRP IRS (США)
Использование личного кабинета	Цифровое самообслуживание для частных лиц	60,8 млн пользователей	Уникальный масштаб среди стран ОЭСР
Ускорение обработки (упрощенный режим)	Автоматизация проверки налогоплательщиков с низким уровнем риска	~40 % ускорение	Система ATO (Австралия)

Для количественной оценки возможных преимуществ внедрения новых незаметных технологий и аналитики рисков на основе данных в Федеральной налоговой службе России представляется целесообразным применить упрощенную модель влияния на доходы, откалиброванную по целевым меткам, заданным иностранными системами. Ожидаемый денежный эффект определяется с помощью формулы:

• △    R = $ 1 * A + $₂*C,

где  A – это точность модели, выраженная как повышение эффективности обнаружения по срав нению с традиционными системами;

C – коэффициент покрытия, то есть доля налоговой базы, подлежащая предиктивной оценке риска;

β – калибровочные коэффициенты, полученные на основе сравнительных показателей влияния денежного эффекта в иностранных системах, масштабированных по отношению к российской налоговой системе.

В этой модели для простоты не учитываются эффекты экономии времени, поскольку подсчеты значений данных показателей носят абстрактный характер и не могут быть валидными в рамках настоящего исследования.

В соответствии с имеющимися данными об имеющимся денежном эффекте в результате применения различных систем автоматизации можно сказать, что применение цифровых систем в среднем обеспечивает порядка 1 % дополнительного денежного эффекта от бюджета государства, в частности, система АТО – 1 %, система комплексного внедрения ИИ для НДС – 1,3 %, система HMRC Connect – 0,4 %.

Учитывая, что в 2024 г. общий объем налоговых поступлений в федеральный бюджет России составил около 56 трлн руб.1, консервативным предположением будет являться достижимый эффект от расширения применения цифровых технологий составит от 0,4 до 1,0 %, что дает диапазон от 224 до 560 млрд руб. в год, при условии полной реализации намеченных планов. Модель оценки эффективности отражается формулой:

• △    R= E*C* R _Bcero ,

где  ΔR – ожидаемый денежный эффект;

E – эффективность аналитических инструментов;

CCC – доля охвата налоговой базы (в долях от 1);

R всего – совокупные налоговые поступления в 2024 г.

Информация о реализации планов внедрения цифровых технологий представлена в табл. 3. Под охватом системы в данном контексте предлагается понимать долю налогоплательщиков, объединенных автоматизированным аналитическим контролем. При этом под коэффициентом эффективности понимается результативность (важно отметить, что данный показатель на данном этапе является сугубо теоретическим, поскольку наполнение информации реальными данными не может быть достигнуто без распространения конфиденциальной информации). Под приростом доходов предлагается понимать произведение охвата, эффективности и налоговой базы.

Таблица 3 – Расчетный годовой прирост доходов от масштабирования аналитических систем в ФНС России (упрощенная модель, 2024 г.)2

Table 3 – Estimated Annual Revenue Growth from Scaling Analytical Systems in Federal Tax Service of Russia (Simplified Model, 2024)

Сценарий	Охват налоговой базы, %	Эффективность аналитики (отн. шкала: 0–1)	Расчетный прирост доходов, трлн руб.	Доля от общего объема налоговых поступлений, %
Базовый	6 %	0,5	~0,17	~0,30 %
Промежуточный	15 %	0,8	~0,67	~1,20 %
Оптимистичный	30 %	1,0	~1,68	~3,00 %

Таким образом, даже при скромном охвате и точности модели предполагаемый прирост выручки может превысить 170 млрд рублей в год, что оправдывает дальнейшие инвестиции в предиктивную аналитику. При этом важно отметить, что экономия времени обработки и снижение административной нагрузки на налогоплательщиков не включены в данную оценку, однако эффект от них также способен оказать мультипликативный эффект и еще больше повысить операционную эффективность. Кроме того, важно подчеркнуть существующие ограничения данной модели – в частности, она предполагает линейную отдачу, что, безусловно, маловероятно на практике, поскольку не учитываются непредвиденные обстоятельства.

Подводя итоги, можно сказать, что в проведенном исследовании рассматривается цифровая трансформация Федеральной налоговой службы России в контексте глобального перехода к предиктивному налоговому администрированию. Опираясь на международные контрольные показатели систем цифровизации в других странах, мы определили основные особенности незаметных технологий налогового администрирования, а именно непрерывной оценки рисков, интел- лектуального обнаружения аномалий и интеграции данных в реальном времени, обеспечивающие более точный и менее навязчивый контроль. ФНС России уже достигла ощутимого прогресса в этом направлении и фактически является одним из мировых лидеров в части цифровизации налоговой системы. При этом важно подчеркнуть, что весь потенциал этих технологий может быть реализован только посредством комплексного подхода к цифровизации процесса налогового администрирования. Для понимания возможного эффекта от внедрения цифровых технологий нами была предложена адаптируемая модель для оценки фискального воздействия электронных систем контроля на основе цифровых улучшений. Откалиброванная с использованием данных существующих зарубежных инициатив в этом направлении в качестве целевых меток модель репрезентирует структуру для оценки окупаемости инвестиций в цифровые инновации в налоговом правоприменении. В целом, можно утверждать, что она способна послужить основой для построения более широкой модели расчета эффективности внедрения цифровых технологий – конечно, при условии ее доработки с учетом конкретных обстоятельств и приращения данных с помощью макроэкономических показателей. По мере того как цифровые технологии будут развиваться, способность строго измерять их эффективность станет необходимой для долгосрочной фискальной устойчивости и институциональных инноваций.