Нулевая сзв м: Нужно ли сдавать нулевой СЗВ-М

Надо ли сдавать СЗВ-М ИП без работников в 2021 году – нулевая СЗВ-М

Закон обязывает работодателей ежемесячно отчитываться в ПФР по форме СЗВ-М. Сведения о работниках должны сдавать все организации, включая ИП, однако в законодательстве не уточняется, нужно ли сдавать отчёт СЗВ-М индивидуальным предпринимателям без работников. В статье мы ответим на это вопрос.

 

ИП без работников

 

Требование о сдаче отчёта СЗВ-М распространяется на всех работодателей, включая индивидуальных предпринимателей. Бланк СЗВ-М содержит данные:

  • О страхователе (организации): наименование, ИНН и регистрационный номер в ПФР;
  • О периоде и типе отчёта;
  • О сотрудниках: ФИО, СНИЛС, ИНН.

 

Получается, что ИП, который использует труд наёмных работников, обязан сдавать СЗВ-М, а ИП без работников – нет?

 

Нужно ли ИП сдавать форму СЗВ-М в 2021 году

 

Согласно разъяснениям ПФР, индивидуальные предприниматели, адвокаты, нотариусы, занимающиеся частной практикой, и арбитражные управляющие не сдают отчёт СЗВ-М, если они не заключали трудовой или ГПХ договор с работниками. Однако если ИП прибегает к наёмному труду даже на один день в отчётном периоде, то СЗВ-М сдавать нужно.

Например, ИП Иванов И.И. занимается выращиванием клубники. Он заключил срочный трудовой договор с работником на время уборки урожая – с июня по август. В остальные 9 месяцев он работает без наёмных сотрудников. В таком случае Иванов И.И. обязан предоставить данные о застрахованном лице (наёмном сотруднике) в ПФР только за июнь, июль и август. За остальные отчётные периоды сдавать СЗВ-М не нужно.

Несмотря на наличие разъяснений от ПФР по вопросу о предоставлении отчёта СЗВ-М ИП без работников, в законодательстве данное условие не прописано, и вопрос по-прежнему остаётся открытым. Рекомендуем уточнить ответ на него в отделении ПФР по месту регистрации ИП.

 

Нулевая СЗВ-М

 

Если компания или ИП по каким-то причинам приостановила деятельность или не выплачивает своим работникам зарплату, бухгалтер всё равно обязан предоставлять в ПФР отчёт СЗВ-М. Такой документ будет называться «нулевой» и будет включать в себя сведения о застрахованных лицах. 

Если юрлицо приостановило деятельность и уволило наёмных работников, отчёт СЗВ-М будет включать в себя сведения только о директоре предприятия. Отметим, что  ИП сдавать такой отчёт не требуется. 

В случае, если сотрудники остались трудоустроены в компании, но находятся в отпуске без сохранения зарплаты, их данные продолжают включать в отчёт СЗВ-М, поскольку отсутствие зарплаты не отражается на статусе застрахованного лица. 

Например, ИП Иванов И.И., который выращивает клубнику, заключил трудовой договор с работником. Однако тот собирает урожай три месяца в году – с июня по август, а всё остальное время находится в отпуске без сохранения зарплаты.

В данной ситуации ИП обязан предоставлять отчёт СЗВ-М за сотрудника ежемесячно, поскольку его страховой стаж продолжает начисляться даже во время отпуска без содержания.  

r — SVM одного класса всегда возвращает FALSE

Задать вопрос

спросил

Изменено
1 год, 1 месяц назад

Просмотрено
202 раза

У меня есть проект в моем курсе ML об обнаружении аномалий/новинок, и я решил изучить алгоритм SVM с одним классом, как описано в этой статье: http://research. microsoft.com/pubs/69731/тр-99-87.pdf. В пакете e1071 в R есть функция svm , вроде бы поддерживающая одноклассовую классификацию. Однако, когда я пытаюсь использовать его, предсказатель всегда возвращает false (даже на тренировочном наборе, что самое странное). Вот мой код:

 библиотека (e1071) # для классификатора svm
библиотека (IMIFA) # для набора данных USPS
library(caret) # для матриц путаницы
данные (цифры USPS)
digits.train <- USPSdigits$train
digits.train <- digits.train[порядок(digits.train$V1), ]
digits.train$is.zero[digits.train$V1 == 0] <- "ИСТИНА"
digits.train$is.zero[digits.train$V1 != 0] <- "ЛОЖЬ"
digits.test <- USPSdigits$test
digits.test <- digits.test[порядок(digits.test$V1), ]
digits.test$is.zero[digits.test$V1 == 0] <- "ИСТИНА"
digits.test$is.zero[digits.test$V1 != 0] <- "ЛОЖЬ"
digits.train.features <- digits.train[digits.train$V1 == 0, -c(1, 258)]
digits.train.labels <- digits.train[digits.train$V1 == 0, 258]
digits.train.nu <- 0,5
digits. train.bandwith <- 0,5 * 256
digits.train.model <- svm(x = digits.train.features, type = 'one-classification', kernel = 'radial', nu = digits.train.nu, gamma = digits.train.bandwith)
digits.train.fitted <- прогнозировать (digits.train.model, digits.train.features)
digits.train.confusionMatrix <- таблица (прогноз = digits.train.fitted, ссылка = digits.train.labels)
печать (цифры.train.confusionMatrix)
digits.test.features <- подмножество (digits.test, select = -c (is.zero, V1))
digits.test.labels <- digits.test$is.zero
digits.test.fitted <- прогнозировать (digits.train.model, digits.test.features)
digits.test.confusionMatrix <- таблица (прогноз = digits.test.fitted, Reference = digits.test.labels)
печать (цифры.test.confusionMatrix)

и мой вывод:

 > print(digits.train.confusionMatrix)
         Ссылка
Прогноз ИСТИНА
    ЛОЖЬ 1194
> распечатать (цифры.test.confusionMatrix)
         Ссылка
Прогноз ЛОЖЬ ИСТИНА
    ЛОЖЬ 1648 359

Что я делаю не так?

  • r
  • машинное обучение
  • svm
  • обнаружение аномалий
  • одноклассовая классификация

2

Я создал рабочий пример. Настройте соглашения об именах по своему усмотрению. Я использовал очень выразительное соглашение об именах, чтобы показать, что именно я сделал.

Обучение только одному числу приводит к большому количеству столбцов с одинаковыми значениями. Они возвращаются как ошибки в svm и должны быть удалены. Функция nearZeroVar из каретки идеально подходит для этого. Если вы когда-либо использовали пакет recipes, он называется step_nzv .

 библиотека (e1071)
# библиотека (вставка) # вставка используется для функции NearZeroVar.
# шаги данных, такие как OP
digits.train <- USPSdigits$train
digits.test <- USPSdigits$test
digits.train$is.zero[digits.train$V1 == 0] <- "ИСТИНА"
digits.train$is.zero[digits.train$V1 != 0] <- "ЛОЖЬ"
digits.test$is.zero[digits.test$V1 == 0] <- "ИСТИНА"
digits.test$is.zero[digits.test$V1 != 0] <- "ЛОЖЬ"
train_the_positives <- подмножество (digits.train, is.zero == "TRUE")
# получить столбцы с 99% одинаковых значений
cols_to_remove <- Caret::nearZeroVar(train_the_positives, freqCut = 99/1)
svm. model <- svm(train_the_positives[ -cols_to_remove],
                 тип = 'одна классификация',
                 ню = 0,10,
                 ядро = «радиальное»)
# прогнозы на набор train_the_positives
svm_predictions_on_train_the_positives <- прогнозировать (svm.model, train_the_positives [ -cols_to_remove])
таблица (прогноз = svm_predictions_on_train_the_positives,
      Ссылка = train_the_positives$is.zero)
         Ссылка
Прогноз ИСТИНА
    ЛОЖЬ 121
    ИСТИНА 1073
# прогнозы на полный набор поездов
svm_prediction_on_full_train_set <- прогнозировать (svm.model, digits.train [ -cols_to_remove])
таблица (прогноз = svm_prediction_on_full_train_set,
      Ссылка = digits.train$is.zero)
         Ссылка
Прогноз ЛОЖЬ ИСТИНА
    ЛОЖЬ 6069121
    ИСТИНА 28 1073
# прогнозы на тестовом наборе
svm_prediction_on_test_set <- прогнозировать (svm.model, digits.test[ -cols_to_remove])
таблица (прогноз = svm_prediction_on_test_set,
      Ссылка = digits.test$is.zero)
         Ссылка
Прогноз ЛОЖЬ ИСТИНА
    ЛОЖЬ 1638 68
    ИСТИНА 10 291

2

Зарегистрируйтесь или войдите в систему

Зарегистрируйтесь с помощью Google

Зарегистрироваться через Facebook

Зарегистрируйтесь, используя адрес электронной почты и пароль

Опубликовать как гость

Электронная почта

Требуется, но не отображается

Опубликовать как гость

Электронная почта

Требуется, но не отображается

SVM (машины опорных векторов)

SVM (машины опорных векторов)

Идентификатор openModeller: SVM

Текущая версия: 0. 5     Разработчик(и): Ренато Де Джованни в сотрудничестве с Аной Каролиной Лорена

Принимает категориальные карты: нет

Требует наличия точек отсутствия: нет

Автор(ы): Вапник Владимир Николаевич

Описание

Машины опорных векторов отображают входные векторы в пространство большей размерности, где строится максимальная разделяющая гиперплоскость. На каждой стороне гиперплоскости, разделяющей данные, строятся две параллельные гиперплоскости. Разделяющая гиперплоскость — это гиперплоскость, которая максимизирует расстояние между двумя параллельными гиперплоскостями. Делается предположение, что чем больше будет запас или расстояние между этими параллельными гиперплоскостями, тем лучше будет ошибка обобщения классификатора. Модель, полученная с помощью классификации опорных векторов, зависит только от подмножества обучающих данных, потому что функция стоимости для построения модели не заботится о обучающих точках, которые лежат за границей. Содержание получено из Википедии 13 июня 2007 г.: http://en.wikipedia.org/w/index.php?title=Support_vector_machine&oldid=13664649.8. Реализация SVM в openModeller использует библиотеку libsvm версии 2.85: Chih-Chung Chang и Chih-Jen Lin, LIBSVM: библиотека для машин опорных векторов, 2001. Программное обеспечение доступно на http://www.csie.ntu. edu.tw/~cjlin/libsvm.
История выпуска:
версия 0.1: начальный выпуск
версия 0.2: Новый параметр для указания количества генерируемых псевдоотсутствий; обновлен до libsvm 2.85; исправлены утечки памяти
версия 0.3: когда необходимы отсутствия, а количество генерируемых псевдоотсутствий равно нулю, по умолчанию будет установлено такое же количество присутствий
версия 0.4: включена отсутствующая сериализация C
версия 0.5: индикация того, нужны ли алгоритму нормализованные данные об окружающей среде, не работала, когда алгоритм загружался из существующей модели.

Библиография

1) Вапник, В. (1995) Природа статистической теории обучения. SpringerVerlag. 2) Шёлкопф, Б., Смола, А., Уильямсон, Р. и Бартлетт, П.Л. (2000). Новые алгоритмы опорных векторов. Нейронные вычисления, 12, 1207-1245. 3) Шёлькопф, Б., Платт, Дж.К., Шоу-Тейлор, Дж., Смола, А.Дж. и Уильямсон, Р.К. (2001). Оценка поддержки многомерного распределения. Нейронные вычисления, 13, 1443-1471. 4) Кристианини, Н. и Шоу-Тейлор, Дж. (2000). Введение в машины опорных векторов и другие методы обучения на основе ядра. Издательство Кембриджского университета. 92)

Тип данных: целое число   Домен: [0.0, 4.0]   Типичное значение: 2

Степень

Идентификатор openModeller: Степень

Степень в функции ядра (только для полиномиальных ядер).

Тип данных: целое число   Домен: [0.0, oo]   Типичное значение: 3

Гамма

Идентификатор openModeller: Gamma

Гамма в функции ядра (только для ядер полиномиального и радиального базиса). Если установлено значение ноль, значение по умолчанию фактически будет 1/k, где k — количество слоев.

Тип данных: реальный   Домен: [oo, oo]   Типичное значение: 0

Коэфф0

openModeller id: Coef0

Coef0 в функции ядра (только для полиномиальных ядер).

Тип данных: реальный   Домен: [oo, oo]   Типичное значение: 0

Стоимость

openModeller id: C

Стоимость (только для типов C-SVC).

Тип данных: реальный   Домен: [0,001, oo]   Типичное значение: 1

Ну

openModeller id: Nu

Nu (только для Nu-SVC и SVM одного класса).

Тип данных: реальный   Домен: [0,001, 1,0]   Типичное значение: 0,5

Вероятностный выход

Идентификатор openModeller: ProbabilisticOutput

Указывает, должен ли вывод быть вероятностью вместо двоичного ответа (доступно только для C-SVC и Nu-SVC).