CC BY
57
УДК 336.22(5Н.54):330.43 А.Ю. НАЛЕТОВ
ББК 65.216.41(2Р-6Бу):65в 631 кандидат экономических наук,доцент Восточно-Сибирского
государственного технологического университета, г. Улан-Удэ
e-mail: xal.s@mail.ru Е.Ц. ЧИМИТДОРЖИЕВА преподаватель филиала Российского государственного гуманитарного университета в г. Улан-Удэ e-mail: katrin_c@mail.ru
ЭКОНОМЕТРИЧЕСКОЕ МОДЕЛИРОВАНИЕ НАЛОГОВОГО ПОТЕНЦИАЛА МУНИЦИПАЛЬНЫХ ОБРАЗОВАНИЙ С ПОМОЩЬЮ КЛАСТЕР-ПРОЦЕДУР (НА ПРИМЕРЕ РЕСПУБЛИКИ БУРЯТИЯ)
Рассмотрена методика прогнозирования налогового потенциала муниципальных образований Республики Бурятия. Для получения лучших характеристик моделей временнЫх рядов была осуществлена компоновка налогов по экономическому признаку, проведен кластерный анализ муниципальных образований, а затем реализован компонентный анализ.
Ключевые слова: налоговый потенциал, прогнозирование, временные ряды, компонентный анализ.
A.YU. NALYOTOV
PhD of Economics, associate professor of East-Siberian State University of Technology, Ulan-Ude
e-mail: xal.s@mail.ru E.TS. CHIMITDORZHIYEVA
lecturer of Russian State Humanitarian University (branch) in Ulan-Ude
e-mail: katrin_c@mail.ru
ECONOMETRIC MODELING OF MUNICIPAL ENTITIES' TAXABLE CAPACITY WITH THE HELP OF CLUSTER PROCEDURES (BY THE EXAMPLE OF THE REPUBLIC OF BURYATIA)
In this article the forecasting technique of municipal bodies' taxable capacity of the Republic of Buryatia is studied. To obtain better characteristics of time series models the taxes are arranged according to the economic character, cluster analysis of municipal bodies and then component analysis are carried out.
Keywords: taxable capacity, forecasting, time series, cluster analysis.
В настоящее время основными причинами, обусловливающими серьезные диспропорции в бюджетной системе, являются многока-нальность предоставления централизованной финансовой помощи и неравномерность размещения налоговой базы. Данные факторы также негативно влияют и на применение нормативно-расчетных методов регулирования межбюджетных отношений. Обоснование суммы финансовой помощи муниципальным образованиям связано с расчетом их совокупных налоговых доходов или налогового потенциала. Сегодня множество исследований в области бюджетного планирования направлено на поиск более точных методов расчета
налоговых доходов [2, с. 159]. Для решения данной проблемы мы предлагаем использовать эконометрическое моделирование.
Анализ налоговых поступлений в Республике Бурятия показывает значительную дифференциацию муниципальных образований по объемам налоговых доходов. Это связано с неравномерным размещением в республике налоговой базы, которая концентрируется главным образом на территориях, где располагаются крупные предприятия с высокой налоговой отдачей. Низкую налоговую базу имеют муниципальные образования сельскохозяйственной направленности, где отсутствует возможность в полной мере обеспечить
© А.Ю. Налетов, Е.Ц. Чимитдоржиева, 2009
А.Ю. НАЛЕТОВ, Е.Ц. ЧИМИТДОРЖИЕВА
формирование доходной базы бюджета за счет местных налогоплательщиков.
Таким образом, для получения экономет-рических моделей с хорошими прогностическими свойствами необходимо провести предварительную обработку исходных данных с помощью кластер-процедур, что позволит выделить районы с примерно одинаковой структурой налогов [1, с. 342]. При этом ценность полученных результатов моделирования налогового потенциала муниципальных образований, выраженная в более точном прогнозе, снизится, так как вычленить их собственные доходы из прогнозируемых доходов группы районов затруднительно, однако для республиканского руководства эти результаты имеют самостоятельную ценность.
Для улучшения качества классификации районов мы отследили закономерности кластер-процедур на протяжении четырех лет — с 2003 по 2006 г. Анализ различных способов расчета расстояний в кластер-процедурах показал, что оптимальным методом кластеризации является метод ^-средних. Причем количество кластеров выбираем на основе дендрограммы равным трем. Результаты показывают, что в анализируемом периоде прослеживается неустойчивость в распределении районов республики в группы. При этом наблюдается четкая экономическая интерпретация результатов: районы, составляющие первый и второй кластеры, являются наиболее развитыми, по сравнению с остальными районами, и имеют промышленную специализацию. Перемещение этих районов из первого кластера во второй в определенные годы обусловлено спецификой размещения различных предприятий и, как следствие, отчислением разной суммы налогов. Третий кластер представляет собой набор районов, сравнительно небольших по населению, преимущественно сельскохозяйственного направления. Положение их в кластере устойчиво.
Представляется целесообразным выбрать группировку районов по результатам 2006 г. как существенно не противоречащую результатам других годов, а также как наиболее показательную с экономической точки зрения. Критерием такого выбора может служить оценка моделей прогнозирования доходов местных бюджетов, выполненная по различным вариантам многомерной классификации.
Полученные результаты показывают, что муниципальные образования распределились по кластерам следующим образом:
- первый кластер — г. Северобайкальск;
- второй кластер — Северобайкальский, Кабанский, Муйский, Окинский районы;
- третий кластер — Баргузинский, Ба-унтовский, Бичурский, Джидинский, Ерав-нинский, Закаменский, Заиграевский, Ивол-гинский, Кижингинский, Курумканский, Кях-тинский, Мухоршибирский, Тарбагатайский, Прибайкальский, Хоринский, Тункинский, Селенгинский районы.
На рис. 1 представлены средние значения налоговых поступлений по группам налогов для трех кластеров в 2006 г.
—♦— Первыйкластер —■— Второйкластер —*— Третийкластер
Рис. 1. Средние значения налоговых поступлений для трех кластеров в 2006 г.
Воспользуемся моделью АРПСС для построения прогноза налоговых поступлений в первом кластере. Характеристики точности модели налоговых поступлений в первом кластере (табл. 1) показывают, что прогнозные значения налогового потенциала первого кластера удовлетворительны. На рис. 2 представлен прогноз получения суммарных доходов районами первого кластера на 12 месяцев с января 2007 г.
Таблица 1
Характеристики модели АРПСС (2, 1, 0)
для первого кластера
Показатель Параметр Стандартная ошибка Означение Значимость
р(1) -0,550 816 0,135 858 -4,054 35 0,000 197
р(2) -0,480 308 0,140 250 -3,424 66 0,001 323
Найдем tкрит по таблице распределения Стьюдента: ^рт.(М - 1; а) = ^.(47; 0,05) = = 2,01. Из полученных результатов следует, что параметры р(1) и р(2) значительно отличаются от нуля. Анализ оставшихся промежутков временного ряда показал, что автокорреляция отсутствует, статистика Дар-бина-Уотсона равна 2,04.
Известия ИГЭА. 2009. № 6 (68)
Результаты построения прогноза с помощью модели АРПСС для налоговых поступлений в третьем кластере отражены в табл. 3.
Таблица 3
Характеристики модели АРПСС (2, 0, 0) для третьего кластера
10 11 12 Месяцы
-Нижняя границадоверительного интервала
— Прогноз
Верхняя границадоверительного интервала
Рис. 2. Прогноз получения суммарных доходов районами первого кластера на 12 месяцев с января 2007 г.
На рис. 3 представлен прогноз получения суммарных доходов районами второго кластера на 12 месяцев с января 2007 г. Характеристики точности модели (табл. 2) показывают, что прогнозные значения налогового потенциала второго кластера удовлетворительны и могут иметь практическую значимость.
Таблица 2
Характеристики модели АРПСС (1, 0, 1) (1, 0, 0) для второго кластера
Показатель Параметр Стандартная ошибка /-значение Значимость
P(1) 0,919 510 0,072 369 12,705 89 1,73 ■ 1016
g(1) 0,314 198 0,166 469 1,887 43 0,065 562
Ps(1) 0,716 623 0,147 319 4,864 43 0,000 014
^¿500 § ¡Е 400 о? 300
га § 200 100 ф о 0
ю*_100| 1 2 3 4 5 6 --8—9—10-4^.42
О _200 Месяцы
-Нижняя граница доверительного интервала
-Прогноз
Верхняя граница доверительного интервала
Рис. 3. Прогноз получения суммарных доходов районами второго кластера на 12 месяцев с января 2007 г.
Из полученных результатов следует, что параметры р(1) и Ps(1), в сравнении с параметром д(1), значительно отличаются от нуля. Анализ оставшихся промежутков временного ряда показал, что автокорреляция отсутствует, статистика Дарбина-Уотсона равна 2,04.
Пока- Параметр Стан- /-значение Значи-
затель дартная ошибка мость
const 85 632,03 9 434,140 9,076 825 9,87 ■ 10-12
Р(1) 0,30 0,139 2,154 703 0,036 574
Р(2) 0,34 0,140 2,452 241 0,018 140
По таблице распределения Стьюдента Критг.^ - 1; а) = !Крит.(47; 0,05) = 2,01. Из полученных результатов следует, что все параметры значительно отличаются от нуля. Анализ оставшихся промежутков временного ряда показал, что автокорреляция отсутствует, статистика Дарбина-Уотсона равна 1,99. На рис. 4 представлен прогноз налоговых поступлений для третьего кластера.
160-, 140 120 100 806040200 -1
12 3 4
6 7
9 10 11 12 Месяцы
-Нижняя граница доверительного интервала
— Прогноз
Верхняя границадоверительного интервала
Рис. 4. Прогноз получения суммарных доходов районами третьего кластера на 12 месяцев с января 2007 г.
Таким образом, группировка районов по структуре и величине налоговых поступлений в бюджеты органов местного самоуправления позволяет выделить группы районов с одинаковой структурой налогов. В свою очередь, в таких группах вариация показателей более определенна, основная тенденция динамики показателей доходов выражена сильнее, сезонность как отражение периодичности отчетности проявляется устойчиво. Как результат, временные ряды в таких кластерах достаточно устойчивы и менее подвержены отклонениям вследствие случайных влияний.
Список использованной литературы
1. Айвазян С.А., Мхитарян B.C. Прикладная статистика и основы эконометрики. М., 1998.
2. Бюджетная политика и межбюджетные отношения в субъектах РФ. М., 2007.
Bibliography (transliterated)
1. Aivazyan S.A., Mkhitaryan V.S. Prikladnaya statistika i osnovy econometriki. M., 1998.
2. Byudzhetnaya politica i mezhbyudzhetnye otnosheniya v sub'ektakh RF. M., 2007.
Известия ИГЭА. 2009. № 6 (68)
