В юридической практике корпоративных юристов относительно недавно (несколько лет назад) появилась необходимость составлять и подавать уведомления о контролируемых иностранных компаниях (КИК) в рамках ст. 25.13 НК РФ. Суть этой обязанности — составить и подать документ, в котором будут отражены все связи общества в холдинге по цепочкам от текущего ООО (АО) в РФ до владельца- налогового резидента РФ КИК. Говоря проще, если офшором владеет россиянин (налоговый резидент РФ), а офшор российским ООО (даже через забор промежуточных ООО) более 25 % — уведомлению быть. Изюминка в том, что подавать необходимо всем ООО (АО) в которых эта ситуация наблюдается и подавать как сведения о владении более 25%, так и последующие изменения доли владения своевременно, иначе штрафы (100 000 рублей по каждой компании в цепочке — ст. 129.6 НК РФ). Так как холдинг (совокупность юр. лиц) организм живой и постоянные изменения долей владения неизбежны, за всем этим надо как-то следить, чтобы не насобирать штрафов. Как упростить работу в данном направлении, автоматизировать ее, посвящена данная статья. Статья также будет интересна с точки зрения графического представления связанных структур, например соц. сетей.



В данной статье не будем останавливаться на юридических аспектах подаваемых уведомлений о КИК, об участии в КИК, рассмотрим техническую сторону вопроса.

Бесспорно, если холдинг, о котором идет речь представляет себя простые структуры вида ООО->КИК->россиянин, то, что-то строить здесь с привлечением машины нецелесообразно, другое дело, если структура ветвится, двоится и нет числа этим сплетениям.

Рассмотрим несколько существующих графических решений, которые упростят работу.
Для удобства визуализации будет использоваться среда jupyter notebook и python.

Networkx

Данное решение самое древнее из представленных и не может похвастаться своей интерактивностью. О данном пакете есть такая же древняя статья на Хабре.

Однако старое не значит плохое, и данный вариант один из наиболее удачных как в плане рисования, так и в вычислительном.

Установим и импортируем модуль через jupyter:

!pip install networkx
import networkx as nx

Также импортируем иные доп. модули, которые помогут нарисовать фигуры:

from matplotlib import pyplot as plt
%matplotlib inline
plt.rcParams.update({
    'figure.figsize': (7.5, 7.5),
    'axes.spines.right': False,
    'axes.spines.left': False,
    'axes.spines.top': False,
    'axes.spines.bottom': False})

Построим с помощью networkx первую сеть:

from pathlib import Path
data_dir = Path('.') / 'data'
# Read edge list
G = nx.read_edgelist('example.edgelist')
# Draw network
#pos = nx.spring_layout(G)
pos = nx.spectral_layout(G)
#pos = nx.planar_layout(G)
nx.draw_networkx(G, pos)
plt.gca().margins(0.15, 0.15)

Вот, что получилось:



Как видно, Иванов владеет двумя КИКами, которые, в свою очередь, владеют российскими юр. лицами.

Разберем код выше.

Импортировали модуль и указали откуда будем считывать данные на диске:

from pathlib import Path
data_dir = Path('.') / 'data'

В текущей директории считали 'example.edgelist':

G = nx.read_edgelist('example.edgelist')

*example.edgelist — это обычный текстовый файл вида:

# source target
Иванов КИК1
Иванов КИК2
КИК1 КИК2
КИК1 Ромашка_ООО
КИК2 Ведро_АО

Значения записаны кто-кем владеет с пробелом между ними.

Далее определили как будет выглядеть сеть:

pos = nx.spectral_layout(G)

Если поменять на pos = nx.spring_layout(G), то она примет вид:



И это расположение, как ни странно, наиболее подходящее для более масштабных структур.

Наконец, нарисовали сеть, обозначив отступы:

nx.draw_networkx(G, pos)
plt.gca().margins(0.15, 0.15)

Сохранить картинку просто:

plt.savefig('plot.png')

Как нарисовать сегмент в networkx

#подграфик
H = G.subgraph(['Иванов', 'КИК1', 'Ромашка_ООО'])
plt.subplot(212) 
print("Подграфик:") 
nx.draw_networkx(H)

Здесь мы отступы не сделали, и названия «уехали»:



Networkx оперирует понятиями нод(nodes) и связей(edges) между ними. В нашей ситуации ноды — это Иванов, КИК1, КИК2, Ромашка_ООО, Ведро_АО. А связи — то, что находится в файле example.edgelist.

Посмотреть и то и другое можно просто, обратившись к методам G.nodes и G.edges:

Направленный график в networkx (Directed edge list)

Проясним немного построенную сеть, добавим стрелочки:

# Read edge list
G = nx.read_edgelist(
    str('example.edgelist'),
    create_using=nx.DiGraph)
pos = nx.spectral_layout(G)
# Draw network
nx.draw_networkx(G, pos, arrowsize=20)
plt.gca().margins(0.15, 0.15)

Небольшие изменения позволили нарисовать более внятную картину кто кем владеет:

В коде, как можно заметить, изменения минимальны.

Следующий этап — построение графика, где будут видны размеры пакетов владения.

Для этого надо познакомиться с понятием веса (weight) это третий основной параметр, с которым может работать networkx. Чтобы его включить в работу, в текстовый файл надо добавить эти самые веса, например так:

# source target
Иванов КИК1 100
Иванов КИК2 100
КИК1 КИК2 50
КИК1 Ромашка_ООО 100
КИК2 Ведро_АО 100

Теперь заново построим сеть, используя уже веса и обозначим их на графике:

# Read edge list
G = nx.read_weighted_edgelist(
    str('example2.edgelist'))
# Extract weights
weights = [d['weight'] for s, t, d in G.edges(data=True)]
nx.draw_networkx(G,pos)
labels = nx.get_edge_attributes(G,'weight')
nx.draw_networkx_edge_labels(G,pos,edge_labels=labels)
plt.gca().margins(0.15, 0.15)

*example2.edgelist — это файл, который сформирован выше с весами.

Получим вот такую картину:

Кто кем и как владеет, networkx

Теперь нам как юристам-программистам, надо понять, в какой последовательности и в каком размере владеет Иванов, например компанией Ведро_АО и владеет ли вообще. Это требуется, чтобы определить в разветвленном холдинге факт владения и все цепочки до целевой ООО (АО), чтобы потом эти цепочки прописать в уведомление по КИК.

С помощью networkx сделать это можно следующим образом:

list(nx.all_simple_paths(G,'Иванов', 'Ведро_АО'))

В качестве первого аргумента идет нода-владелец, вторым — нода, до которой мы будем строить пути.

Используя данный метод можно увидеть, что Ведром_АО Иванов владеет по следующим цепочкам:

[['Иванов', 'КИК1', 'КИК2', 'Ведро_АО'], ['Иванов', 'КИК2', 'Ведро_АО']]

Графически это подтверждается.

Узнать долю владения можно перемножив веса между соответствующими нодами: 1*0,5*1=0,5, 1*1=1. Доля более 25%, уведомление необходимо подавать.

В коде перемножение делается следующими костылями (более изящный метод пока не найден):

x=0
b=0
c=[]
for i in list(nx.all_simple_paths(G,'Иванов', 'Ведро_АО')):    
    for a in i:        
        if x>len(i)-2:
            pass                        
        else:            
            b=int(nx.bidirectional_dijkstra(G, i[x],i[x+1])[0])#доля владения                       
            x+=1
            c.append(b/100)              
print(c)
import numpy as np
print(np.prod(c))

x=0
b=0
c=[]
for i in list(nx.all_shortest_paths(G,'Иванов', 'Ведро_АО')):
    for a in i:        
        if x>len(i)-2:
            pass                      
        else:            
            b=int(nx.bidirectional_dijkstra(G, i[x],i[x+1])[0])#доля владения                       
            x+=1
            c.append(b/100)              
print(c)
import numpy as np
print(np.prod(c))

В первом случае выведет долю 0,5, во втором 1.

Какие еще есть доступные варианты визуализации? Например, Netwulf.

Netwulf

Документация находится здесь.

Сама сеть интерактивна, в этом ее основной плюс. После установки python пакета, построим сеть:

import netwulf as nw
plt.figure(figsize=(200,200))
G = nx.read_weighted_edgelist(str('example2.edgelist'),create_using=nx.DiGraph)
pos = nx.spring_layout(G)
nw.visualize(G)

После запуска кода, jupyter подвисает, а в дополнительно открывшемся окне браузера виден результат:



Справа на панели видны опции, изменение которых влияет в режиме онлайн на построенную сеть.

Минус данного пакета — пока нельзя отобразить веса и стрелки между нодами, но авторы обещали это доработать.

*чтобы вернуться в jupyter понадобится нажать на опцию «post to python»:



Еще один неплохой вариант подобной визуализации для python — молодой проект webweb.

Webweb

Документация здесь.

Строится сеть схожим образом:

from webweb import Web
web = Web(title='kitchen_sink')

web.display.networkName = 'tree'
web.display.networkLayer = 2
web.display.colorBy = 'ring'
web.display.sizeBy = 'degree'
web.display.gravity = .3
web.display.charge = 30
web.display.linkLength = 15
web.display.colorPalette = 'Greens'
web.display.scaleLinkOpacity = False
web.display.scaleLinkWidth = True

from pathlib import Path
data_dir = Path('.') / 'data'
# Read edge list
G = nx.read_edgelist('example.edgelist',create_using=nx.DiGraph)
plt.figure(figsize=(200,200))
# Draw network
pos = nx.spring_layout(G)
Web(list(G.edges)).show()

Из явных преимуществ перед netwulf: возможность выделения цветом ключевых нод, текстовый поиск нод с подсветкой на сети:



Резюмируя, можно сказать, что развивающиеся потомки networkx — netwulf и webweb хороши для построения быстрой картинки структуры небольшого холдинга. У обоих модулей есть режим freeze, чтобы заморозить ноды, которые слипаются в одну кучу в силу интерактивности графика. Однако даже используя их непросто работать с масштабными структурами, где количество нод больше 200.

«Подножка» от Минфина, перекрестное и кольцевое владение

Все было бы совсем хорошо при построении подобных структур, если бы не одно но, которое портит всю картину. Это но заключается в том, что в холдингах общества владеют сами собой через другие юр. лица и это называется либо перекрестное либо кольцевое владение.

На картинках в письмах от Минфина (например от 02.07.2013 ОА-4-13/11912) это выглядит так.

Перекрестное владение:



Кольцевое:



Посмотрим, как определит связи networkx для схемы перекрестного владения участия D в B.

Создадим edgelist со связями:

# source target
D B 45
B A 40
A B 55
E A 60

Построив сеть с весами, можно увидеть, что обратная связь между A и B не отражена:



Ее можно увидеть, если построить сеть без весов, со стрелками:



Что с расчетами? Какова совокупная доля D в B?

Тут кажется все прозрачно, 45%

И networkx выдает при команде list(nx.all_simple_paths(G,'D', 'B')):
[['D', 'B']]
Но не все так просто.

Минфин говорит, совокупная доля D в B определяется по формуле:



И составит 57,69%.

Что делать? networkx бессильна?

Вовсе нет, networkx позволит выявить подобные ситуации, но вот формула расчета будет другой, согласно «букве Закона».

Частично проблему можно снять, добавив в edgelist записи
A A
B B
Далее командой list(nx.nodes_with_selfloops(G)) можно посмотреть ноды с участием в самих себе, но при определении путей из D в B это все равно не учитывается.

jupyter тетрадка скачать — здесь.