УДК 37
DOI: 10.36871/26189976.2026.02-5.009

Авторы

Амир Нажмудиевич Бисултанов,
Кандидат экономических наук, доцент кафедры «Налоги и налогообложение», Чеченский государственный университет имени А.А. Кадырова

Аннотация

В настоящей статье исследуются теоретические и прикладные аспекты использования алгоритмов искусственного интеллекта и методов машинного обучения для прогнозирования налоговых поступлений в целях повышения качества разработки налоговой политики и обеспечения устойчивости государственных финансов. Актуальность исследования обусловлена фундаментальным противоречием между растущей сложностью и волатильностью налоговых систем в условиях цифровой трансформации экономики и сохраняющейся практикой использования традиционных эконометрических моделей, которые не способны в полной мере учитывать нелинейные зависимости, структурные сдвиги и высокочастотные изменения экономической конъюнктуры. В отличие от работ, сосредоточенных на отдельных алгоритмах или описании технологических аспектов, настоящее исследование делает акцент на систематизации современных подходов к ИИ-прогнозированию налоговых поступлений, выявлении ключевых алгоритмических стратегий и обосновании их практической применимости для целей налогового планирования.

Ключевые слова

прогнозирование налоговых
поступлений
искусственный интеллект
машинное обучение
нейронные сети

Список литературы

[1] Барановская Т.П., Тахумова О.В., Канфора Д., Прокопец А.Ф. Применение математических моделей для анализа и прогнозирования налоговых поступлений в бюджет региона // Научный журнал КубГАУ. – 2025. – № 208. – URL: https://cyberleninka. ru/article/n/primenenie-matematicheskih-modeley-dlya-analiza-i-prognozirovaniyanalogovyh-postupleniy-v-byudzhet-regiona

[2] Полежарова Л.В., Черемисина С.С. Искусственный интеллект на службе налогового администрирования: возможности и риски // Экономика. Налоги. Право. – 2026. – Т. 19, № 3. – С. 162–172. – DOI: 10.26794/1999-849x-2026-19-3-162-172.

[3] Деканова Д.Р., Хоружий В.И. Современные подходы к прогнозированию поступлений налога на прибыль организаций в Российской Федерации // Проблемы экономики и юридической практики. – 2024. – Т. 20, № 1. – С. 225–229. – DOI: 10.33693/2541- 8025-2024-20-1-225-229. – EDN: NSPOMW.

[4] Душенин А.И., Ибрагимов Н.М., Ершов Ю.С., Нуриев И.Б. Прогнозирование развития российской экономики: методы и результаты // Мир экономики и управления. – 2024. – Т. 24, № 4. – С. 5–25.

[5] Хмелев А.Г., Хмелева А.В. Нейросетевое моделирование в бюджетной системе промышленных предприятий регионального уровня // Вестник экономики и права. – 2021. – № 60. – URL: https://cyberleninka.ru/article/n/neyrosetevoe-modelirovaniev-byudzhetnoy-sisteme-promyshlennyh-predpriyatiy-regionalnogo-urovnya

[6] Карпушин В.О. Использование методов машинного обучения для прогнозирования роста обводненности нефтяного месторождения // ИВД. – 2025. – № 9 (129). – URL: https://cyberleninka.ru/article/n/ispolzovanie-metodov-mashinnogo-obucheniyadlya-prognozirovaniya-rosta-obvodnennosti-neftyanogo-mestorozhdeniya

[7] Графова Т.О., Колесникова К.В. Прогнозирование поступлений федеральных налогов и сборов при помощи эконометрического моделирования // ИВД. – 2020. – № 7 (67). – URL: https://cyberleninka.ru/article/n/prognozirovanie-postupleniy-federalnyh-nalogovi-sborov-pri-pomoschi-ekonometricheskogo-modelirovaniya

[8] Ефимов В.П. Формирование системы налогового прогнозирования и планирования. – М. : Финансы и статистика, 2023. – 240 с.

[9] Смирнов С.В. Методы машинного обучения в макроэкономическом прогнозировании // Финансовый журнал. – 2025. – Т. 17, № 4. – С. 45–60.

[10] Онищенко Д.С. Роль искусственного интеллекта в оптимизации налогообложения и отчетности в малом бизнесе // Дискуссия. – 2025. – № 5 (138). – URL: https://cyberleninka.ru/article/n/rol-iskusstvennogo-intellekta-v-optimizatsii-nalogooblozheniyai-otchetnosti-v-malom-biznese