Тема кооперации вузов и предприятий являлась актуальной и ранее. Но если в конце XX – начале XXI веков разрабатывались, в основном, концепции и модели взаимодействия вузов и предприятий в области подготовки кадров, то на современном этапе развития общества актуальным является вопрос об интеграции вузов и предприятий в контексте формировании и развития национальной инновационной системы (НИС). Развиваются формы взаимодействия между вузами и предприятиями. Это развитие инновационной деятельности вузов в контексте реформирования системы высшего профессионального образования (ВПО), совершенствование инновационной политики предприятий, развитие государственно-частного партнерства, поддержка стратегических отраслей и военно-промышленного комплекса (ВПК), развитие малого инновационного предпринимательства, поиск путей решения проблем коммерциализации результатов интеллектуальной деятельности и трансфера технологий [1].

Кооперация вузов и инновационных предприятий является одним из важнейших направлений в интеграционных процессах науки, образования и производства. На недавно прошедшем в Санкт-Петербурге международном экономическом форуме В.В. Путин выделил 5 задач в новой стратегии экономического развития России, и две из них – это технологическая революция и масштабное технологическое перевооружение российских предприятий и усиление подготовки инновационных кадров напрямую связана с тематикой рассматриваемых научных исследований и воплощением их в предлагаемой системе [2].

Коллективом авторов ведутся исследования по тематике, связанной с кооперацией вузов и инновационных предприятий, в том числе, и малых инновационных предприятий (МИП) [3], одним из результатов которого явилась разработка организационно-экономических форм кооперации вузов и инновационных предприятий. Результаты исследований внедрены в работу нескольких предприятий и вузов Санкт-Петербурга.

Поддержку развития кооперации вузов и предприятий заложило Постановление Правительства Российской Федерации «О мерах государственной поддержки развития кооперации российских высших учебных заведений и организаций, реализующих комплексные проекты по созданию высокотехнологичного производства» ППРФ-218, принятого в апреле 2010 года [4]. Это постановление является одной из основных мер поддержки государством интеграции вузов и предприятий вообще и кооперации вузов и инновационных предприятий в частности. По этому постановлению предприятия, реализующие высокотехнологичные проекты могут участвовать в конкурсе на получение субсидий, если НИОКР выполняются вузами. В частности, были проанализированы результаты 3 и 4 этапов конкурса на получение субсидий соответственно за 2012 и 2013 годы и выявлены победители конкурса из Санкт-Петербурга. В 2012 году в Санкт-Петербурге субсидии получили 6 предприятий и 6 Санкт-Петербургских вуза участвовали в НИОКР и являлись головными исполнителями проектов, а 2013 – 4 предприятия и 3 вуза [5, 6].

В области взаимодействия вузов и инновационных предприятий широко используются четыре основных понятия: это сотрудничество, интеграция, кооперация и стратегическое партнерство. С момента принятия постановления ППРФ-218 изменилась суть понятия «кооперация» в отношении инновационных предприятий и вузов, и само оно расширилось. В частности, в последнее время под кооперацией стали понимать не только единичные процессы, направленные на развитие единовременных проектов в области научно-технического взаимодействия, но комплекс мероприятий, длительные масштабные проекты с соответствующими теоретических разработками в указанной области, направленный на улучшение инновационной активности партнеров. Причем кооперация происходит на таких уровнях сотрудничества, как научно-исследовательский,  инновационно-технологический, социально-управленческий и репутационно-представительский [7].

Наряду с практическим воплощением, теоретические разработки, связанные с кооперацией вузов и инновационных предприятий ведутся и в других вузах Санкт-Петербурга, в частности, самыми активными вузами в этих проектах, по нашему мнению, являются ФГБОУ ВПО «Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» им. В.И.Ульянова (Ленина)», ФГБОУ ВПО «Санкт-Петербургский государственный политехнический университет», ФГБОУ ВПО «Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики». Но эти разработки, в большинстве своем, являются локальными и опираются на базы данных по предприятиям и вузам, аккумулированные собственно в конкретном вузе. Нет единой базы данных, которая позволили бы вузам при наличии разработок и практических внедрений найти необходимое инновационное предприятие для воплощения своих проектов. Похожим образом обстоят дела и на предприятиях. В большинстве своем, предприятия не имеют информации по вузам, желающим и имеющим возможность кооперации с конкретным предприятием. Особенно это относится к малым и средним инновационным предприятиям, в том числе и к МИП.

Ситуация усугубляется также и рядом противоречий. Помимо глобального  несоответствия структуры подготовки кадров требованиям современной экономики, существуют несоответствия между масштабами материальной поддержки интеграционных процессов между вузами и предприятиями со стороны государства и фактической необходимостью и несоответствию между возможностями кооперации со стороны вузов и готовностью к кооперации со стороны предприятий.

То есть, основное противоречие – это чаще всего противоречие между желанием вузов осуществлять кооперацию и, в большинстве случаев, не желанием к сотрудничеству со стороны предприятий. У вузов потребность кооперации с инновационными предприятиями обусловлена необходимостью развития вузовской инновационной деятельности, поиском путей коммерциализации результатов интеллектуальной деятельности и трансфера технологий. Также в связи с происходящей реформой высшей школы и текущей демографической ситуацией, уменьшением числа вузов и студентов у преподавателей уменьшается количество учебных часов и увеличивается возможность для занятия научно-исследовательской деятельностью и вовлечения в нее студентов. Для предприятий же кооперация с вузами в большинстве случаев не является обязательной, они не видят своей выгоды и не чувствуют заинтересованности в кооперации.

Часто связи основываются не на реальном положении дел, возможностях предприятий и вузов, а на связях конкретных лиц. Ситуация несколько улучшилась после принятия в 2010 году ППРФ-218. Для наших крупных промышленных предприятий, имеющих заказы, в том числе, гособороны, благодаря этому постановлению появилось следующее: их обязали дружить с вузами. К вузам пришли, наконец, промышленные предприятия, и они увидели, благодаря этому, что и в вузах что-то делается. Раньше они взаимодействовали только в своем вузе – как правило – заведующие кафедрами – директора достаточно крупных инновационных предприятий, они все кандидаты, доктора наук; и осуществлялась кооперация с одним вузом. А так некоторые инновационные предприятия «заставила жизнь» по некоторым заявкам включить и по шесть вузов для получения государственных субсидий.

Тем не менее, и для передовых инновационных предприятий, и для вузов существует проблема «информационного вакуума», когда, даже при желании и возможности к кооперации, конкретные действия замедляются или отменяются в связи с нехваткой оперативной информации по возможностям кооперации.

Поэтому, по нашему мнению, возникла необходимость создания информационной системы, основным функциональным блоком которой является экспертно-информационная подсистема поддержки организационно-экономических форм кооперации вузов и инновационных предприятий.

Организационно-экономические формы кооперации вузов и инновационных предприятий разработаны на основе технологии целевой интенсивной инновационной подготовки специалистов. В их числе есть модификации моделей, применяющихся на практике и новые организационно-экономические формы кооперации (ОЭФК) вузов и инновационных предприятий, разработаны в результате исследования [7].

В качестве дополнения к классической форме кооперации вузов и инновационных предприятий, применяющейся в данный момент, и основанной на прохождении различных видов практик студентами на предприятии, разработано шесть новых форм:

1. Проектная ОЭФК вузов и инновационных предприятий;

2. Инновационно-циклическая ОЭФК вузов и инновационных предприятий;

3. Инверсно-опережающая ОЭФК вузов и инновационных предприятий;

4. Послевузовская ОЭФК вузов и инновационных предприятий;

5. Командная ОЭФК вузов и инновационных предприятий;

6. Триольная ОЭФК вузов и инновационных предприятий [1].

Инновационность и возможность применения в процессах интеграционного взаимодействия науки, образования и производства является главной объединяющей особенностью всех разработанные организационно-экономические формы кооперации между вузами и инновационными предприятиями.

Основное назначение экспертно-информационной подсистемы поддержки организационно-экономических форм кооперации вузов и инновационных предприятий – по имеющимся начальным данным (сведения о вузе; его возможности, ресурсы, степень достижения желаемого результата и пр.) подбор подходящей организационно-экономической формы кооперации между конкретным вузом и конкретным предприятием. Определение происходит на основе экспертных знаний о разработанных формах кооперации и алгоритмах применения их к определенному вузу и определенному предприятию.

Особенностью конфигурации предлагаемой системы является ее открытая архитектура, то есть возможность наращивания функциональных блоков и отдельных подсистем. Так, авторами предлагается, помимо основной подсистемы, включить в информационную систему следующие функциональные блоки:

– информационно-справочную базу данных для получения информации о вузах СПб (данные о месторасположении, направленности, организационно-правовой форме, численности ППС и студентов, направлениях, возможностях и состоянии НИР и НИОКР, действующих проектах кооперации, научных резервах, инновационном потенциале и пр.);

– информационно-справочную базу данных для получения информации об инновационных предприятиях СПб, включая МИП (направление деятельности, расположение, масштабы, организационно-правовая форма, руководство, техническая база, ресурсы, инновационная активность, действующие проекты кооперации с вузами и пр.);

– систему подбора партнера по кооперации конкретному предприятию или конкретному вузу. Эта система, основываясь на данных из описанных баз данных и предпочтений конкретного предприятия или вуза, подбирает партнера по кооперации. Причем, система может работать в двух режимах: в «ручном» (информационно-справочном) и в «автоматическом» (экспертном), где для подбора партнера используются алгоритмы, основанные на экспертных знаниях;

– подсистему оценки рисков интеграционного взаимодействия конкретного вуза и конкретного предприятия;

– подсистему «Ликбез», содержащую данные об основных нормативных актах, правительственных законах и постановлениях, «бонусах», преимуществах и условиях получения материальной поддержки со стороны государства для вузов и инновационных предприятий, осуществляющих кооперацию.

Санкт-Петербург является инновационным регионом, в котором сосредоточенно очень большое количество вузов с высоким научно-исследовательским потенциалом, в том числе, в области разработки информационно-телекоммуникационных систем. По мнению авторов, основной проблемой здесь является расположение проекта на стыке нескольких наук, в частности, экономики и информатики. И, как правило, основной проблемой в проектировании подобных систем является не проблема ее технической разработки, а задачи предметной области и выявления конкретного содержимого соответствующих баз данных и разработки алгоритмов работы системы, использующих новейшие теоретические разработки и экспертные знания в области инновационной экономики. А поскольку основные теоретические основы разработки уже существуют, и исполнители проекта являются специалистами и в области информационных технологий, степень реализуемости научно-инновационной идеи в существующих технических, технологических, производственных условиях, по нашей оценке, является очень хорошей.

Научно-техническая новизна проекта заключается в том что, во-первых, на практике реализуется научная идея разработки организационно-экономических форм кооперации вузов и инновационных предприятий. Во-вторых, создается наиболее полная электронная экспертная база данных по кооперации вузов и инновационных предприятий, и, в-третьих, система позволяет не только получать справочную информацию и экспертные заключения, но и в интерактивном режиме заполнять все необходимые документы и формы. Таким образом, научно-техническая новизна проявляется не только в выборе инновационной предметной области, но и в выборе прогрессивного метода реализации проекта. Небольшое количество существующих аналогов представляют собой отдельные информационные локальные модули, не соединенные в глобальную систему, доступную для всеобщего использования.

Ожидаемый экономический эффект при реализации инновационного проекта заключается в результатах практической реализации авторских положений по формированию стратегии развития кооперации вузов и инновационных предприятий, ориентированных на усиление инновационного потенциала партнеров, выполнение новых функций, связанных с удовлетворением потребностей инновационной экономики. Социальный эффект заключается в увеличении количества рабочих мест за счет специалистов, участвующих в разработке и обслуживании системы, переориентации деятельности ППС вузов и побуждении молодежи к научно-исследовательской и опытно-конструкторской деятельности, а также в популяризации идеи кооперации вузов и инновационных предприятий, являющейся одним из базовых направлений интеграционных процессов науки, образования и производства.

1. Комбинированный системно-синергетический-информационный подход к исследованию сложных математико-информационных систем

Прежде всего, поясним смысл термина «математико-информационная система». В самом общем виде нейросетевая модель может быть записана в виде:
;  (1)
где  – вектор выходных (расчетных) величин; – вектор входных сигналов нейросети (объединяющих переменных или факторов); W – матрица синаптических весов связей между нейронами; ,  – пространства вещественных чисел; n, m – размерность векторов входа и выхода сети; F() – оператор нейросетевого отображения пространства в пространстве  (рис. 1) [7].
Поскольку нейросеть отображает пространство одних функций в пространстве других функций, то нейросетевая модель – это математическая модель, заданная сложной композицией ряда операторов суммирования сигналов с синаптическими весами, нелинейного отображения результатов весового суммирования с помощью активационных функций, градиентного поиска при нахождении весов W в процессе обучения и др. 
Следовательно, нейросетевая модель (НСМ) как инструмент отображения, по сути математическая интеллектуальная (обучаемая) модель [6].
С другой стороны, в НСМ согласно системе правил, предписанных программой для компьютера, происходит извлечение информации из данных, структурирование и ее дальнейшее преобразование. В этом смысле НСМ – это информационная система, состоящая из модулей преобразования информации. В нейроэмуляторах (программах) – это программные модули. В нейросетях типа реальных микросхем блоки – это выделенные электронные модули, содержащие нейросетевой блок (нейроплаты), выполняющие типовые нейрооперации.

Поэтому в общем случае, т.е. без конкретизации контекста рассмотрения задачи, НСМ – это «математико-информационная система», причем довольно сложная (не по количеству модулей в ней, а по характеру связей между ними)[8].
Для выработки управленческих решений в процессах налогового администрирования необходимы модели аппроксимации, кластеризации и ранжирования налогоплательщиков по показателям их финансового состояния.
Построение таких моделей является непростым делом, поскольку условия моделирования очень сложные:
– моделируемая система характеризуется наличием в базе данных сильного «зашумления» и даже сознательных искажений («приписок») в силу субъективных тенденций планирования и отчетности, т.е. стремления налогоплательщиков понизить налогооблагаемую базу;
– моделируемые системы налогового администрирования относятся к классу трудно формализуемых, особенно на этапе спецификации переменных и принятия решений с использованием моделей;
– моделируемая система, как впрочем, большинство экономических систем, отличается дефицитом наблюдений в базе данных, которые обновляются лишь в отчетные периоды (один раз в квартал), заметим, что для применяемого в работе инструментария – нейронных сетей это наиболее осложняющее обстоятельство;
– существенное влияние на деятельность систем налогового администрирования оказывают случайное (неконтролируемое) изменение внутренней структуры моделируемой системы, а также законодательства за период формирования базы данных;
– существует сильная зависимость показателей деятельности налогоплательщиков от случайных воздействий внешней экономической, политической и социальной среды.
Перечисленные условия потребовали комбинированного системного – синергетического – информационного подхода к разработке математических моделей с привнесением новой технологии в разработке алгоритма отдельных вычислительных операций с применением нейросетевого моделирования [1, 2].
Детализируем сущность разработанных подходов.

Под внутренней структурой, или просто структурой системы мы будем понимать для простоты организацию системы, т.е. пространственное расположение элементов, систему отношений элементов, совокупность устойчивых межэлементных связей, внутреннее устройство, закон взаимодействия [9].
Под пространственной организацией понимается морфологический анализ базы данных деклараций (БДД) с образованием исходного однородного кластера в рамках налоговой инспекции. Эти границы очерчены требованием синтеза оптимального плана выездных проверок на уровне налоговых инспекций, т.е. по территориальному принципу.
В рассматриваемой системы налогового администрирования (СНА), показанной на рис.2, наименьший структурный элемент-фрагмент налоговой декларации, содержит весь набор компонентов вектора входных факторов  согласно принятой спецификации переменных и взаимно однозначно соответствующее этим переменным значение выходной случайной величины Y. 
При переходе от традиционной системы налогового контроля и управления (СНКУ) с электронной системой обработки данных (ЭОД) к новой, структурный элемент проходит эволюцию в системе, степень открытости которой возрастает. Связь между элементами (в информационном аспекте, т.е. в процессе порождения новых знаний) становиться все более сложной и жесткой по мере усовершенствования информационной модели в системе налогового контроля и управления (СНКУ) в ходе научного исследования. В пределе, когда степень открытости достигает максимального значения (соответственно, адекватность математической модели достигнет требуемого уровня), поведение всех структурных элементов в алгоритме обучения нейросети – «ядро системы» – будет близким к детерминированному. Реально указанный предел недостижим, ибо сама природа системы налогового администрирования (СНА) стохастическая.
Отметим, что в кибернетике одной из важнейших задач оптимизации системы является достижение максимальной организованности при заданной сложности либо уменьшение сложности при данном уровне организованности.
В новой технологии налогового контроля, планирования и управления имеет место первый случай: из заданного количества элементов построить оптимальную систему, т.е. достичь максимальной организованности.
Структурные закономерности и свойства системы
При формулировке понятия «система», интегративные ее свойства обусловлены не только свойствами самих структурных элементов системы, но и зависят от взаимодействия внутренних элементов системы, так и внешней среды.
В этом смысле «внешний мир» формирует свойство системы. В самом деле, если во «внешнем мире» исчезает «потребитель» информации о каком-нибудь свойстве системы, то исчезает и само свойство системы, так как в отношении этого свойства система окажется изолированной (закрытой) и по закономерности возрастания энтропии в замкнутой системе в ней возникают процессы, дезорганизующие структуры, ответственные за данные свойства[10].
С другой стороны, появление у системы некоторого нового свойства порождает информацию о свойстве, и, если во внешней среде имеется «потребитель» этой информации, в нашем случае экспертная система налогового администрирования (ЭСНА) (на рис.2), который способен воспринимать ее и тем самым взаимодействовать с системой, то по этому свойству система окажется открытой. Тогда закон убывания энтропии начнет преобладать над законом роста энтропии, и это свойство разовьется до некоторого оптимального уровня, которое определяется числовым значением степени открытости системы.
В системе налогового контроля и управления (СНКУ) упомянуто первое новое свойство – это способность интеллектуальной нейросетевой модели (НСМ) извлекать новые знания об усредненной «производственной функции» кластера налогоплательщиков из преднамеренно искаженных данных налоговых деклараций и на основе этих знаний идентифицировать нарушения налогового законодательства. Второе свойство – это оптимальным образом с заданной доверительной вероятностью производить отбор налогоплательщиков для выездных проверок.
Рассмотрим теперь вопрос о взаимосвязи новых свойств и структуры системы. Известно [3, 4], что свойства системы порождаются структурными закономерностями системы. Следовательно, в системе образуются только такие структурные закономерности, которые через порождаемые свойства системы имеют внешнего потребителя. Структурные закономерности системы – это наиболее общие закономерности, которые порождают свойство системы как целого, т.е. свойства, по которым внешняя среда выделяет систему среди других.
Переработка информации приводит к сравнению и оценке действительного и желаемого «эталонного» состояния системы, описанного производственной функцией (1), в результате чего появляется новая информация, необходимая для выполнения управленческого акта, ведущего к полезному конечному результату в процессе управления. Команда управления требует ее исполнения, т.е. осуществления управленческих воздействий. Обычно в системах команды управления должны быть преобразованы в вещественно-энергетическое, финансовое или какое-то иное воздействие на объект управления , где g – номер предприятия – налогоплательщика.
В рассматриваемой системе налогового администрирования (СНА) мы определили границу системы на выходе блока экспертной системы налогового 
администрирования (ЭСНА), принимающая управленческие решения о налоговых проверках на базе синтезированного оптимального плана выездных проверок, а также по налоговому планированию и регулированию. Эти решения и есть управляющие воздействия на субъекты налогообложения. Они возможны, в частности, в виде:
– реализации выездной проверки на данном субъекте;
– отправка «профилактического» уведомления о нарушении;
– предоставление налоговых льгот либо, наоборот, наложение санкций и др.;
– включения синтезированного плана выездных проверок в план работы системы налогового планирования (СНП).
Для этой цели исполнительный орган – лицо, принимающее решения (ЛПР), разрабатывающий управляющие воздействия на объекты управления (вещественно-энергетические, финансовые или информационные), должен располагать необходимыми законодательными ресурсами.
Именно в этом проявляется единство информационных и вещественно-энергетических процессов при управлении и возможна состоятельная постановка задачи оптимального управления, а именно: выработать такие управления, которые приводили бы к максимальной ожидаемой сумме доначислений при ограничениях на затраты на контролеобеспечивающие ресурсы. 

Вначале укажем назначение всех подсистем и блоков, а затем опишем их работу во взаимодействии.
Цель функционирования системы налогового администрирования (СНА) – порождение интегративного эффекта – объективной классификации совокупности субъектов налогообложения на «нарушителей» и «не нарушителей» налогового законодательства, их ранжирование и синтез на этой основе управляющих воздействий  и , где N₂ – количество субъектов, подвергаемых процедуре выездных проверок и штрафных санкций; N₃=N₁-N₂ – количество субъектов, подвергнутых профилактическим воздействиям. Другими словами, синергетический эффект в СНА состоит в восстановлении по совокупности исходных данных деклараций примерно однородных кластеров налогоплательщиков « обобщенной производственной функции»  и, затем на ее основе, выявление среди субъектов налогообложения нарушителей налогового законодательства.
Опишем структурные связи и назначения над- и подсистем рассматриваемой интеллектуальной информационно-аналитической системы поддержки принятий решений по налоговому администрированию (ИСНА) (рис.2), а затем детализируем работу ее подсистем и блоков. На рисунке сплошными линиями показаны блоки алгоритмов, а пунктирными линиями – их условное объединение в подсистемы.
Потребителями структурированной информации, порождаемой на выходе ИСНА, является соответствующие экспертные системы подсистем налогового контроля, налогового планирования и налогового регулирования, которые входят в состав системы налогового администрирования (СНА):

Рис. 2. Структурно-функциональная схема интеллектуальной информационно- аналитической системы поддержки принятия 

• ЭСНП – экспертная система налогового планирования;
• ЭСНР – экспертная система налогового регулирования;
• ЭСНК – экспертная система налогового контроля.

В структуре ИСНА на рис.2, подсистему, ЭСНК обслуживают все подсистемы ИСНА: ВОПФ, ОПП, СПВП, где введены обозначения:

• ВОПФ – подсистема восстановления «обобщенной производственной функции» кластера налогоплательщиков на основе данных деклараций с помощью нейросетевых моделей;
• ОПП – подсистема обобщенного перекрестного подтверждения, т.е. финишной (интегральной) проверки адекватности гибридной нейросетевой модели (ГНСМ) на байесовском ансамбле нейросетей;
• СПВП – подсистема синтеза планов выездных налоговых проверок.

Подсистемы ЭСНП и ЭСНР обслуживает одна подсистема – ВОПФ.
Надсистемой для ИСНА является система электронной обработки данных (ЭОД) [2,4], действующая в настоящее время в Федеральной налоговой службе РФ.
Назначением ИСНА в целом является порождение объективной и хорошо структурированной информации об экономических закономерностях, скрытых в зашумленных данных, для решения прикладных задач в подсистемах ЭСНП, ЭСНР, ЭСНК налоговых систем бюджетных уровней.
Отметим, что в статье исследованы не все функции подсистем налогового администрирования (планирования, контроля, регулирования) и не с одинаковой степенью детализации. Основное внимание уделено подсистеме налогового контроля. 
В ИСНА также входят:

• ОУ – объект управления, который включает в себя совокупность субъектов налогообложения, т.е. предприятий – налогоплательщиков 
• М – монитор системы ЭОД, который служит для сбора, хранения и структурирования информации о налогоплательщика с целью контроля и управления.
• И – интерфейс, который служит для формирования потока данных Ω₁ , т.е. совокупности деклараций о налогоплательщиках.

В подсистему ВОПФ входят подсистемы ниже следующего уровня:

• БДД – база данных деклараций для множества  за некоторый ретроспективный отрезок времени , включая СУБД – систему управления базой данных.
• БАН – подсистема построения байесовского ансамбля нейросетей, которая предназначена для восстановления нелинейной многомерной «обобщенной производственной функции»  скрытой в данных, и порождения отклонений , где g – номер предприятия – налогоплательщика, между расчетными и декларированными данными.
• АБАН – подсистема регуляризации и оценки адекватности нейросетевой модели на байесовском отфильтрованном ансамбле нейросетей. Эта подсистема включает в себя блоки 0АВ₁,…, 0АВ_Q оценки апостериорной вероятности гипотез-нейросетей  и блок фильтрации этих нейросетей, т.е. сужение априорного ансамбля.
• ОПП – подсистема обобщенного перекрестного подтверждения, которая служит для финишной (интегральной) оценки адекватности комплексной модели.

Блоки СЛП₁, …, СЛП_Q, входящие в подсистему ОПП, служат для синтеза локальных (для каждой q-ой нейросети  в отфильтрованном ансамбле) планов выездных налоговых проверок.
Логический блок «Проверка ОПП» служит для оценки условия взаимного подтверждения синтезированных локальных планов выездных проверок.
СПВП – подсистема синтеза единого плана выездных проверок Θ^*, усредненного на отфильтрованном и прошедшем ОПП байесовском ансамбле нейросетей.
В подсистему СПВП входят блоки:

• УОБА – блок усреднения отклонений  на отфильтрованном и прошедшем процедуру ОПП байесовском ансамбле.
• ПЗР – блок проверки соответствия усредненных отклонений  нормальному закону распределения плотности вероятности.
• ОВО – блок оценки вероятности  в критерии ранжирования налогоплательщиков Ψ_g по (2) на основе функции Лапласа:

 (2)
где =– значение верхней границы доверительного интервала для отклонения (=), т.е. в записи отклонения фиксируется номер налогоплательщика g и момент наблюдения t); – вероятность события, что ожидаемое значение отклонение δ_g моделируемой случайной величины Y будет больше выборочного среднего с учетом его смещения на полуширину доверительного интервала для {_g}; t₀ – момент времени, соответствующий последним данным декларации при ранжировании налогоплательщиков; M_g – экспертно задаваемый коэффициент масштаба g –го налогоплательщика.

• ОФР – блок оценки фрактальной размерности временного ряда остатков  в критерии ранжирования налогоплательщиков Ψ_g .
• ДВВ – блок данных внешних ведомств, который служит для сбора дополнительной информации о налогоплательщиках (от таможенной службы, транспортных ведомств, администраций регионов и муниципальных образований, правоохранительных органов и др.). Эти дополнительные данные могут быть использованы в ЭСНК лицом, принимающим решения (ЛПР), для цензурирования синтезированных планов выездных проверок Θ^*, а также цензурирования вектора регулирующих (управляющих) воздействий , прикладываемых к ОУ.

Схема рис.2 уже дает достаточно подробное представление о прикладных аспектах, разработанных в работе подходов, методов, алгоритмов. Остается дополнить описание схемы взаимодействием подсистем и блоков при обработке информации.
Поток данных деклараций Ω₁ совокупности налогоплательщиков  извлекается из интерфейса ЭОД и подается в подсистему БДД в исходном (не связанным с форматом конкретного программного продукта) формате.
В БДД в зависимости от используемого для построения нейросетей программного продукта (NeuroSolutions, BrainMaker Pro, MATLAB и др.) с помощью СУБД формируется поток данных Ω₂ в формате, требуемом в данном программном продукте. Например, в программном продукте Neuro Solutions – это таблица, вектор – строки которой образуют кортежи, соответствующие данному наблюдению с текущим сквозным номером i:
(3)
В кортежах вектор входных факторов,  измеренный в момент времени t для предприятия – налогоплательщика с номером g взаимно однозначно соответствует значению выходного показателя y_g,t, для простоты изложения принятого скалярным. В работе использовались данные панельного типа [5], в которых кортежи упорядочены как по времени, так и по номеру. Следовательно, каждому фиксированному предприятию (g=const) соответствуютТ временных отсчета ().
В подсистеме БАН согласно методу вложенных математических моделей (МВММ), с помощью совокупности алгоритмов (I.1 – I.7 из рис.3) предпроцессорной обработки «сырых» данных, подступающих из БДД, строятся вспомогательные вложенные нейросетевые субмодели ВММ₁, …, ВММ_q, …, ВММ_Q соответственно для каждой q-ой априорной нейросети – гипотезы  байесовского ансамбля. В основных нейросетевых моделях НСМ₁, …, НСМ_q, …, НСМ_Q ансамбля реализуется байесовская регуляризация обучения сетей в соответствии с приближенным методом байесовской регуляризации (алгоритмы II.1 – II.6 из рис.3).
При этом в соответствии с общесистемной фоновой закономерностью полезным сигналом, отраженным от фона, является относительное отклонение {δ}, вычисленные по (4):
 , (4)
и с выходов сетей ансамбля подаются в блоки оценки апостериорной вероятности 0АВ₁, …, 0АВ_Q. Здесь вычисляются вероятности , где - число хорошо объясненных точек множества N данных в q-ой сети ансамбля. Затем в блоке фильтрации байесовских гипотез (ФБГ) осуществляется отсев (фильтрация) нейросетей – гипотез с неприемлемым качеством объяснения данных на уровне заданного параметра ξ.
В блоке ФБГ хранятся необходимые выходные величины уже отфильтрованного ансамбля нейросетей, в частности оценки апостериорных вероятностей, параметры регуляризации ξ, отклонений ; . Здесь и далее звездочки над величинами соответствуют отфильтрованному ансамблю.
Отклонения  извлекаются из блока ФБГ и подаются в подсистему ОПП. Здесь в блоках СЛП₁, …, СЛП_q, …, СЛП_Q* производится синтез локальных планов выездных налоговых проверок. Термин «локальных» здесь означает, что план синтезируется для каждой отдельной q-ой нейросети – гипотезы, прошедшей процедуру фильтрации.
В блоке «Проверка ОПП» сравниваются локальные планы и степень совпадения в них множества налогоплательщиков, отобранных для первоочередной выездной налоговой проверки, т.е. реализуется процедура ОПП по финишному критерию P^GCV .

Сети, прошедшие процедуру ОПП, используются далее в подсистеме СПВП для получения, усредненного на ансамбле нейросетей рабочего плана выездных проверок. В блоке УОБА отклонения  усредняются на отфильтрованном и прошедшем процедуру ОПП байесовском ансамбле нейросетей.
Полученное множество отклонений  сортируется с образованием временных рядов  для каждого фиксированного налогоплательщика. В блоке ПЗР проверяется непротиворечие закона распределения плотности вероятности отклонений  нормальному закону.
В случае неподтверждения этой гипотезы в блоке ОВО производится оценка вероятности , используемой в критерии отбора Ψ (2). 
В случае подтверждения гипотезы о нормальности распределения в блоке ОФР производится оценка фрактальной размерности D^-1 временных рядов . 
Затем по (2) вычисляются ранги {Ψ_g} налогоплательщиков и синтезируется усредненный оптимальный план Θ^* выездных налоговых проверок.
Таким образом, в экспертную систему налогового контроля (ЭСНК) итоги переработки исходной сырой информации  о налогоплательщиках поступают уже в глубоко структурированном и обобщенном виде оптимального плана выездных проверок Θ^*. Остается в ЭСНК подвергнуть синтезированный план Θ^* цензурированию для выработки управляющих воздействий  прикладываемых к ОУ.