Ип вмененка: Полная информация для работы бухгалтера

Единый налог на вмененный доход — Контур.Бухгалтерия

Бухучет

Изменение системы налогообложения

Компании и ИП не всегда работают на одном налоговом режиме долгие годы, иногда его приходится менять. В статье расскажем, какие бывают причины для смены системы налогообложения (СНО), как и в какие сроки сменить налоговый режим.

Патент и ЕНВД одновременно

Налоговый кодекс предлагает большой выбор режимов налогообложения. Грамотный предприниматель стремится выбрать режим с наименьшей налоговой нагрузкой. Особо рациональные и экономные идут дальше и задают вопроc: можно ли совмещать разные налоговые режимы? В статье разберем порядок совмещения патента и ЕНВД.

КУДиР при ЕНВД

Книга учета доходов и расходов нужна всем организациям и предпринимателям на УСН. Налогоплательщики на ЕНВД задаются вопросом: а нужно ли им вести КУДиР, как и товарищам на упрощенке? В статье дадим однозначный ответ.

Совмещение УСН, ЕНВД и патента

Налоговое законодательство предусматривает большое количество систем налогообложения помимо ОСНО — упрощенка, вмененка или патент. У каждого из них есть свои преимущества и недостатки, поэтому у предпринимателей возникает вопрос: можно ли совместить УСН, ЕНВД и патент? В статье расскажем, как это сделать.

Страховые взносы при совмещении ЕНВД и УСН

В нашей стране немало плательщиков страховых взносов, которые совмещают два спецрежима — упрощенку и вмененку. В этой ситуации появляются некоторые нюансы. Расскажем, когда можно платить по пониженным тарифам, как правильно учесть страховые отчисления и как можно снизить налоговую нагрузку за счет вычета. 

Учетная политика при совмещении ЕНВД и ОСНО

Опытные бизнесмены часто совмещают ОСНО и ЕНВД, чтобы оптимизировать налоговую нагрузку и сэкономить. В этом случае грамотно составленная учетная политика имеет большое значение. В статье расскажем, как применять одновременно два режима и избежать проблем с налоговой, а также какие моменты важно обозначить, составляя учетную политику.

Как рассчитать ЕНВД по транспортным услугам

ЕНВД по транспортным услугам уплачивается в бюджет ежеквартально — четыре раза в год. При расчете вмененки по виду деятельности «транспортные услуги» нужно учитывать целый ряд различных показателей — от вида деятельности до региона, в котором эта деятельность осуществляется. Подробнее о том, как провести расчет налога для перевозок, расскажем в нашей статье.

Раздельный учет ОСНО и ЕНВД

В статье расскажем, как организовать раздельный учет на предприятии при совмещении этих режимов и на какие моменты обратить внимание.

Совмещение ЕНВД и ОСНО

В конкурентных условиях рынка предприниматели, как правило, ведут несколько типов деятельности. И то, что выгодно для одного направления бизнеса, может быть невыгодно для другого — особенно в части налогов. Поэтому применение сразу нескольких режимов налогообложения — явление привычное. Среди российских организаций и ИП  распространено совмещение ЕНВД и ОСНО, о нем и расскажем далее.

Онлайн‑касса при совмещении УСН и ЕНВД

При совмещении ЕНВД и УСН касса применяется с некоторыми особенностями — в связи с изменениями в Федеральном законе №54-ФЗ. Предприниматели спрашивают, как быть, если для одного режима требуется онлайн-касса, а для другого есть отсрочка. Ответим на этот вопрос в статье.

ЕНВД для салона красоты

В салоне красоты делают стрижки и окрашивание, маникюр и педикюр, массаж и оказывают множество других услуг. Для салона важно выбрать правильный режим налогообложения. Бьюти-индустрия попадает в категорию бытовых услуг, поэтому салонам разрешено применять ЕНВД.  В статье расскажем об особенностях применения ЕНВД салонами красоты.

Переход на ЕНВД в 2021 году – срок подачи заявления

Спецрежим единого налога на вмененный доход дает большие преимущества малому бизнесу. В связи с этим действующие компании и ИП переходят на данную систему с УСН или ОСНО. Чаще всего такое решение принимается для удобства ведения учета и оптимизации налоговых платежей. Переход на ЕНВД доброволен и не требует предварительного согласия со стороны налоговой. Рассмотрим основные правила такой процедуры. В том числе уточним, в какие сроки можно перейти на льготный режим.

Парикмахерские услуги на ЕНВД

При ведении деятельности вполне можно соблюдать ограничения для применения льготных режимов налогообложения. Одним из них является спецрежим единого налога на вмененный доход. Работающая на ЕНВД парикмахерская должна соответствовать законодательным требованиям, а также региональным особенностям вмененки.

ЕНВД для общепита

Режим ЕНВД дает много преимуществ применяющим его субъектам малого бизнеса. В то же время вмененка имеет особенности в зависимости от направления деятельности юрлица или ИП. Один из возможных видов бизнеса на таком спецрежиме — организация общественного питания. В статье рассмотрим, какие важные шаги связаны с открытием подобного заведения. Стоит помнить, что на ЕНВД общепит может работать, если такой вид деятельности разрешен в вашем субъекте РФ.

Попробовать бесплатно 14 дней

Зарегистрироваться

Регистрируясь, вы принимаете условия лицензионного договора, соглашаетесь на  обработку персональных данных и получение информационных сообщений от группы компаний СКБ Контур.

Нужно ли сдавать декларацию по усн если ип на енвд \ Акты, образцы, формы, договоры \ КонсультантПлюс

  • Главная
  • Правовые ресурсы
  • Подборки материалов
  • Нужно ли сдавать декларацию по усн если ип на енвд

Подборка наиболее важных документов по запросу Нужно ли сдавать декларацию по усн если ип на енвд (нормативно–правовые акты, формы, статьи, консультации экспертов и многое другое).

  • ЕНВД:
  • 18210502010020000110
  • 18210502010021000110
  • 18210502010022100110
  • Базовая доходность
  • Базовая доходность розничная торговля
  • Ещё…
  • Индивидуальный предприниматель:
  • 18210202103081013160
  • 18210202140061110160
  • 18210807010011000110
  • 18211301020016000130
  • 4-ндфл кто сдает
  • Ещё…

Судебная практика: Нужно ли сдавать декларацию по усн если ип на енвд

Зарегистрируйтесь и получите пробный доступ к системе КонсультантПлюс бесплатно на 2 дня

Открыть документ в вашей системе КонсультантПлюс:
Подборка судебных решений за 2019 год: Статья 346.26 «Общие положения» главы 26.3 «Система налогообложения в виде единого налога на вмененный доход для отдельных видов деятельности» НК РФ
(Юридическая компания «TAXOLOGY»)Индивидуальный предприниматель выявил ошибку в применении ЕНВД, поскольку фактически им осуществлялся вид деятельности не «оказание бытовых услуг», а «платные услуги прачечной (стирки текстильных изделий) юридическим лицам и индивидуальным предпринимателям», который не подпадает под систему налогообложения в виде ЕНВД. Предприниматель подал уточненные налоговые декларации по УСН к доплате и уточненные налоговые декларации по ЕНВД с суммой налога к уменьшению. Налоговый орган отказался возвратить сумму излишне уплаченного ЕНВД, поскольку, по мнению налогового органа, факт отсутствия предпринимательской деятельности не может рассматриваться в качестве обстоятельства, исключающего возможность начисления ЕНВД. Суд признал решение налогового органа незаконным, поскольку ошибочное определение налогоплательщиком осуществляемого вида деятельности как относящегося к ЕНВД не может служить достаточным основанием для вменения лицу обязанности по уплате ЕНВД.

Статьи, комментарии, ответы на вопросы: Нужно ли сдавать декларацию по усн если ип на енвд

Зарегистрируйтесь и получите пробный доступ к системе КонсультантПлюс бесплатно на 2 дня

Открыть документ в вашей системе КонсультантПлюс:
Статья: Ставка по «упрощенному» налогу при утрате права применения ПСНО бывшим плательщиком ЕНВД
(Давыдова О. В.)
(«Бухгалтер Крыма», 2022, N 7)В рассматриваемой ситуации ИП до 01.01.2021 совмещал систему налогообложения в виде ЕНВД и УСНО. В частности, ИП должен был отчитываться по УСНО (сдавать декларацию), даже если у него не было доходов, облагаемых «упрощенным» налогом.

Зарегистрируйтесь и получите пробный доступ к системе КонсультантПлюс бесплатно на 2 дня

Открыть документ в вашей системе КонсультантПлюс:
Готовое решение: Как ИП заполнить и сдать декларацию по форме 4-НДФЛ до 31.12.2019 (включительно)
(КонсультантПлюс, 2019)Для ИП, в течение года утративших право применять спецрежим (УСН, ЕНВД, ПСН), срок сдачи декларации 4-НДФЛ также не установлен.

Нормативные акты: Нужно ли сдавать декларацию по усн если ип на енвд

Приказ Минтруда России N 703н, Минфина России N 112н, Минобрнауки России N 1294 от 29.11.2013
«Об утверждении разъяснения о порядке применения подпункта «з» пункта 2 Перечня видов заработной платы и иного дохода, из которых производится удержание алиментов на несовершеннолетних детей, утвержденного постановлением Правительства Российской Федерации от 18 июля 1996 г. N 841″
(Зарегистрировано в Минюсте России 17.01.2014 N 31039)1) для индивидуальных предпринимателей, применяющих общий режим налогообложения, систему налогообложения для сельскохозяйственных товаропроизводителей (единый сельскохозяйственный налог), упрощенную систему налогообложения, в том числе с объектом налогообложения в виде доходов, систему налогообложения в виде единого налога на вмененный доход для отдельных видов деятельности — копия налоговой декларации, представленной в налоговый орган в установленном порядке;

ФНС России от 07.11.2022 N БС-4-21/14973@
«Об обзоре правовых позиций Верховного Суда Российской Федерации и Конституционного Суда Российской Федерации по вопросам налогообложения имущества (за III квартал 2022 г.)»Принадлежащие индивидуальному предпринимателю объекты недвижимости не использовались в налоговом периоде 2018 года в его предпринимательской деятельности. Налоговая декларация по налогу, уплачиваемому в связи с применением УСН, за 2018 год представлена предпринимателем с «нулевыми» показателями; в налоговой декларации по ЕНВД за третий квартал 2018 года в качестве адреса места осуществления предпринимательской деятельности указан иной адрес, отличный от адресов принадлежащих индивидуальному предпринимателю объектов недвижимости; заявление о предоставлении льготы по налогу на имущество физических лиц за 2018 год индивидуальным предпринимателем в налоговый орган не представлено.

Семь способов восполнения данных: общие методы условного исчисления отсутствующих данных

Существует много способов восполнить отсутствующие данные. Я считаю, что наиболее распространенным является игнорирование этого. Но отсутствие выбора означает, что ваше статистическое программное обеспечение делает выбор за вас.

Большую часть времени ваше программное обеспечение выбирает удаление по списку. Удаление по списку может быть или не быть плохим выбором, в зависимости от того, почему и сколько данных отсутствует.

Другим распространенным подходом среди тех, кто обращает внимание, является вменение. Вменение просто означает замену отсутствующих значений оценкой, а затем анализ полного набора данных, как если бы вмененные значения были фактическими наблюдаемыми значениями.

Как вы выбираете эту оценку? Ниже приведены общие методы:

Вменение среднего значения

Просто вычислите среднее значение наблюдаемых значений для этой переменной для всех лиц, не пропавших без вести.

У него есть преимущество в сохранении того же среднего значения и того же размера выборки, но много, много недостатков. Почти каждый метод, перечисленный ниже, лучше, чем вменение среднего.

Замещение

Вменение значения нового лица, которое не было выбрано для включения в выборку.

Другими словами, найдите новый предмет и используйте вместо него его значение.

Импутация методом «горячей колоды»

Случайно выбранное значение от лица в выборке, имеющего аналогичные значения по другим переменным.

Другими словами, найдите всех субъектов выборки, которые похожи по другим переменным, затем случайным образом выберите одно из их значений отсутствующей переменной.

Одним из преимуществ является то, что вы ограничены только возможными значениями. Другими словами, если возраст в вашем исследовании ограничен значением от 5 до 10, таким образом вы всегда получите значение от 5 до 10.

Другой случайный компонент, добавляющий некоторую изменчивость. Это важно для точных стандартных ошибок.

Импутация методом «холодной колоды»

Систематически выбранное значение от лица, имеющего аналогичные значения по другим переменным.

Во многом похож на Hot Deck, но убирает случайные вариации. Так, например, вы всегда можете выбрать третьего человека в том же экспериментальном состоянии и заблокировать.

Импутация регрессии

Прогнозируемое значение, полученное путем регрессии отсутствующей переменной на другие переменные.

Таким образом, вместо того, чтобы просто брать среднее значение, вы берете предсказанное значение, основанное на других переменных. Это сохраняет отношения между переменными, участвующими в модели вменения, но не изменчивость прогнозируемых значений.

Вменение стохастической регрессии

Прогнозируемое значение регрессии плюс случайное остаточное значение.

Это имеет все преимущества вменения регрессии, но добавляет преимущества случайного компонента.

В большинстве случаев множественное вменение основано на той или иной форме вменения стохастической регрессии.

Интерполяция и экстраполяция

Расчетное значение из других наблюдений того же человека. Обычно это работает только в лонгитюдных данных.

Будьте осторожны. Интерполяция, например, может иметь больше смысла для такой переменной, как рост у детей, которая не может уменьшаться с течением времени. Экстраполяция означает, что вы оцениваете за пределами фактического диапазона данных, и это требует большего количества предположений, чем вы должны.

Одиночное или множественное вменение?

Существует два типа вменения – одиночное или множественное. Обычно, когда говорят о вменении, имеют в виду одиночное.

Единичный относится к тому факту, что вы получаете единую оценку недостающего значения, используя один из семи методов, перечисленных выше.

Он популярен, потому что он концептуально прост, а также потому, что результирующая выборка имеет то же количество наблюдений, что и полный набор данных.

Одиночное вменение выглядит очень заманчиво, когда списочное удаление удаляет большую часть набора данных.

Но у него есть ограничения.

Некоторые методы вменения приводят к смещенным оценкам параметров, таких как средние значения, корреляции и коэффициенты регрессии, если только данные не отсутствуют полностью случайно (MCAR). Смещение часто хуже , чем при списочном удалении, которое используется по умолчанию в большинстве программ.

Степень смещения зависит от многих факторов, включая метод вменения, механизм отсутствия данных, долю данных, которые отсутствуют, и информацию, доступную в наборе данных.

Более того, все методы одиночного вменения недооценивают стандартные ошибки.

Поскольку вмененные наблюдения сами по себе являются оценками, их значения имеют соответствующую случайную ошибку. Но когда вы вводите эту оценку в качестве точки данных, ваше программное обеспечение не знает об этом. Таким образом, он упускает из виду дополнительный источник ошибки, что приводит к слишком малым стандартным ошибкам и слишком малым p-значениям.

И хотя вменение концептуально просто, на практике это сделать сложно. Так что это не идеально, но может быть достаточно в определенных ситуациях.

Таким образом, множественное вменение дает несколько оценок. Два из перечисленных выше методов работают как метод вменения при множественном вменении: горячая колода и стохастическая регрессия.

Поскольку эти два метода содержат случайный компонент, множественные оценки немного различаются. Это повторно вводит некоторые изменения, которые ваше программное обеспечение может включить, чтобы дать вашей модели точные оценки стандартной ошибки.

Множественное вменение было огромным прорывом в статистике около 20 лет назад. Он решает множество проблем с отсутствующими данными (хотя, к сожалению, не все) и, если все сделано правильно, приводит к объективным оценкам параметров и точным стандартным ошибкам.

6 различных способов компенсации отсутствующих значений в наборе данных (вменение данных с примерами) | by Will Badr

Photo by Vilmos Heim on Unsplash

Популярные стратегии статистического заполнения пропущенных значений в наборе данных.

Многие наборы реальных данных могут содержать пропущенные значения по разным причинам. Они часто кодируются как NaN, пробелы или любые другие заполнители. Обучение модели набором данных с большим количеством пропущенных значений может существенно повлиять на качество модели машинного обучения. Некоторые алгоритмы, такие как scikit-learn оценщики предполагают, что все значения являются числовыми и имеют значимое значение.

Один из способов решения этой проблемы — избавиться от наблюдений, в которых отсутствуют данные. Однако вы рискуете потерять точки данных с ценной информацией. Лучшей стратегией было бы вменение пропущенных значений. Другими словами, нам нужно вывести эти недостающие значения из существующей части данных. Существует три основных типа отсутствующих данных:

  • Отсутствующие полностью случайно (MCAR)
  • Пропущено случайно (MAR)
  • Не пропущено случайно (NMAR)

Однако в этой статье я сосредоточусь на 6 популярных способах импутации данных для наборов данных поперечного сечения (набор данных временных рядов — это отдельная история ).

Это просто. Вы просто позволяете алгоритму обрабатывать недостающие данные. Некоторые алгоритмы могут учитывать пропущенные значения и изучать наилучшие значения вменения для пропущенных данных на основе снижения потерь при обучении (например, XGBoost). У некоторых других есть возможность просто игнорировать их (например, LightGBM — use_missing=false ). Однако другие алгоритмы будут паниковать и выдавать ошибку, жалуясь на отсутствующие значения (например, обучение Scikit — LinearRegression). В этом случае вам нужно будет обработать недостающие данные и очистить их, прежде чем передавать их алгоритму.

Давайте рассмотрим другие способы вменения пропущенных значений перед обучением:

Примечание. Во всех приведенных ниже примерах используется набор данных California Housing Dataset от Scikit-learn.

Это работает путем вычисления среднего/медианы неотсутствующих значений в столбце и последующей замены отсутствующих значений в каждом столбце отдельно и независимо от других. Его можно использовать только с числовыми данными.

Вменение среднего значения

Плюсы:

  • Просто и быстро.
  • Хорошо работает с небольшими числовыми наборами данных.

Cons :

  • Не учитывает корреляции между признаками. Он работает только на уровне столбца.
  • Дает плохие результаты для закодированных категориальных признаков (НЕ используйте его для категориальных признаков).
  • Не очень точно.
  • Не учитывает неопределенность вменения.

Вменение среднего/медианы

Самый частый — это еще одна статистическая стратегия для вменения пропущенных значений и ДА!! Он работает с категориальными признаками (строками или числовыми представлениями), заменяя отсутствующие данные наиболее часто встречающимися значениями в каждом столбце.

Плюсы:

  • Хорошо работает с категориальными функциями.

Минусы:

  • Он также не учитывает корреляции между функциями.
  • Это может привести к смещению данных.

Наиболее частое вменение

Нулевое или постоянное вменение — как следует из названия — заменяет отсутствующие значения либо нулем, либо любым постоянным значением, которое вы укажете

k ближайших соседей — это алгоритм, который используется для простой классификации. Алгоритм использует ‘ функция сходства ’ для прогнозирования значений любых новых точек данных. Это означает, что новой точке присваивается значение в зависимости от того, насколько она похожа на точки в обучающем наборе. Это может быть очень полезно при прогнозировании отсутствующих значений путем нахождения ближайших соседей k к наблюдению с отсутствующими данными, а затем их условного исчисления на основе неотсутствующих значений в окрестности. Давайте посмотрим на пример кода, использующего библиотеку Impyute , которая обеспечивает простой и легкий способ использования KNN для вменения:

Импутация KNN для набора данных о жилье в Калифорнии

Как это работает?

Он создает базовое среднее значение, а затем использует полученный полный список для построения KDTree. Затем он использует полученное KDTree для вычисления ближайших соседей (NN). После того, как он находит k-NN, он берет их средневзвешенное значение.

Плюсы:

  • Может быть гораздо более точным, чем методы среднего, медианного или наиболее частого вменения (это зависит от набора данных).

Минусы:

  • Вычислительно дорого. KNN работает, сохраняя весь набор обучающих данных в памяти.
  • K-NN довольно чувствителен к выбросам в данных ( в отличие от SVM )

Основные шаги, используемые при множественных импутациях [1]

Этот тип импутации работает путем многократного заполнения отсутствующих данных. Множественные импутации (МИ) намного лучше, чем одиночное импутирование, поскольку они лучше измеряют неопределенность пропущенных значений. Подход, основанный на цепных уравнениях, также является очень гибким и может обрабатывать различные переменные различных типов данных (т. е. непрерывные или двоичные), а также такие сложности, как границы или шаблоны пропуска опроса. Для получения дополнительной информации о механике алгоритма вы можете обратиться к исследовательской статье 9.0003 Импутация MICE с использованием impyute

Этот метод очень хорошо работает с категориальными и нечисловыми признаками. Это библиотека, которая изучает модели машинного обучения с использованием глубоких нейронных сетей для заполнения отсутствующих значений в фрейме данных. Он также поддерживает как CPU, так и GPU для обучения.

Импутация с использованием Datawig

Pros :

  • Достаточно точный по сравнению с другими методами.
  • Он имеет некоторые функции, которые могут обрабатывать категориальные данные (Feature Encoder).
  • Поддерживает процессоры и графические процессоры.

Минусы:

  • Импутация в одном столбце.
  • Может работать довольно медленно с большими наборами данных.
  • Необходимо указать столбцы, содержащие информацию о целевом столбце, который будет импутирован.

Импутация стохастической регрессии:

Это очень похоже на импутацию регрессии, которая пытается предсказать пропущенные значения путем регрессии от других связанных переменных в том же наборе данных плюс некоторое случайное остаточное значение.

Экстраполяция и интерполяция:

Пытается оценить значения из других наблюдений в диапазоне дискретного набора известных точек данных.

Импутация Hot-Deck:

Работает путем случайного выбора отсутствующего значения из набора связанных и похожих переменных.

В заключение отметим, что не существует идеального способа компенсировать отсутствующие значения в наборе данных. Каждая стратегия может работать лучше для определенных наборов данных и отсутствующих типов данных, но может работать намного хуже для других типов наборов данных. Есть несколько установленных правил, позволяющих решить, какую стратегию использовать для конкретных типов пропущенных значений, но помимо этого вам следует поэкспериментировать и проверить, какая модель лучше всего подходит для вашего набора данных.