В статье разработан авторский методический подход, основанный на данных бухгалтерской отчетности сельскохозяйственных организаций, позволяющий оценивать влияние режимов налогообложения на результаты их деятельности. Предметом исследования является система статистических показателей сельскохозяйственных организаций, характеризующих уровень экономического производства. Цель работы состоит в обосновании архитектуры системы налогового стимулирования отрасли, а также в выработке дальнейших направлений развития налоговой поддержки сельского хозяйства. Методы исследования: типическая группировка, модели машинного обучения (дерево решений, случайный лес и градиентный бустинг). В результате проведена апробация методического подхода и обоснованы существенные различия в показателях деятельности сельскохозяйственных организаций в зависимости от выбора систем налогообложения, для каждой из них построены модели прогнозирования чистой прибыли. Построенные модели позволяют выявить характер влияния налоговых факторов на результаты деятельности субъектов сельского хозяйства. Представлены рекомендации по совершенствованию системы налогового стимулирования отрасли. Разработанный методический подход дает возможность проводить оценку различий систем налогообложения с помощью метода группировки и методов машинного обучения, а также строить модели прогнозирования высокого качества. Научная новизна исследования состоит в разработке комплекса предложений по совершенствованию налогового стимулирования отрасли, учитывающих оптимальную архитектуру системы налоговой поддержки на макроуровне и системные проблемы применения отраслевых налоговых льгот на микроуровне. Доказательство оптимальности архитектуры системы налогового стимулирования сельского хозяйства выявлено с применением авторской методики оценки влияния режима налогообложения на показатели деятельности сельскохозяйственных товаропроизводителей, основанной на применении методов машинного обучения
Ключевые слова
режим налогообложения, налоговое прогнозирование, сельское хозяйство, налоговый фактор, методы машинного обучения, дерево решений, случайный лес, градиентный бустинг