CC BY
63Экономический анализ: Economic Analysis:
теория и практика 6 (2016) 158-171 Theory and Practice
ISSN 2311-8725 (Online) Математические методы и модели
ISSN 2073-039X (Print)
МНОГОМЕРНАЯ КЛАССИФИКАЦИЯ СУБЪЕКТОВ РОССИЙСКОЙ ФЕДЕРАЦИИ ПО УРОВНЮ ЭФФЕКТИВНОСТИ НАЛОГОВОГО КОНТРОЛЯ НДФЛ
Надежда Игоревна ЯШИНАа% Евгений Евгеньевич АЛЕКСАНДРОВ"
' доктор экономических наук, заведующая кафедрой финансов и кредита,
Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского,
Нижний Новгород, Российская Федерация
sitnicof@mail.ru
ь аспирант кафедры финансов и кредита,
Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского, Нижний Новгород, Российская Федерация aee152@yandex. т
• Ответственный автор
История статьи:
Принята 17.12.2015 Принята в доработанном виде 01.03.2016 Одобрена 25.03.2016
УДК 336.02
JEL: Б21, К24, Б26, Ш3
Ключевые слова: налоговые проверки, НДФЛ, кластерный анализ, интегральный показатель, налоговый контроль
Аннотация
Предмет. В условиях поиска дополнительных источников налоговых поступлений для финансирования бюджетных расходов проблема повышения качества налогового контроля приобретает особую актуальность. В связи с тем, что налог на доходы физических лиц формирует значительную часть доходов региональных бюджетов и контроль его правильного исчисления и своевременной уплаты обладает существенной спецификой, необходимо проведение отдельных исследований по разработке методов оценки эффективности контрольно-проверочной деятельности, проводимой в отношении НДФЛ. Цели. Целью исследования является классификация субъектов Федерации в зависимости от уровня эффективности контроля НДФЛ.
Методология. Разбиение субъектов Федерации на группы осуществлено с помощью методов кластерного анализа. Кластеризация проводилась на основе разработанных авторами интегральных индикаторов, характеризующих с различных сторон процесс контроля НДФЛ. При определении результатов кластеризации использовались методы дисперсионного анализа.
Результаты. На первом этапе исследования рассчитаны интегральные индикаторы эффективности проверок, проводимых в отношении налоговых агентов по НДФЛ, сформированы соответствующие кластеры. На втором этапе выполнена кластеризация регионов по уровню эффективности контроля НДФЛ, исчисляемого и уплачиваемого индивидуальными предпринимателями и физическими лицами. На основе перекрестной классификации проведено сопоставление уровней эффективности работы территориальных налоговых органов с каждой из рассмотренных категорий подконтрольных лиц. Выводы. Анализ результатов исследования свидетельствует о необходимости разработки и реализации комплекса мер по повышению качества планирования и проведения налоговых проверок НДФЛ в большинстве субъектов Федерации. Выделены направления совершенствования контрольной деятельности, дальнейшее внедрение и развитие которых на территориальном уровне может способствовать росту эффективности контроля правильности исчисления и своевременности уплаты налога на доходы физических лиц.
© Издательский дом ФИНАНСЫ и КРЕДИТ, 2015
Налоговая система современной России призвана обеспечивать соблюдение баланса интересов государства и лиц, исполняющих налоговые обязанности. С одной стороны, формирование фискального потенциала бюджета необходимо в связи с задачами развития социальной сферы, повышения качества жизни населения, что требует увеличения налоговых поступлений. С другой стороны, необходимость ускоренного экономического роста, расширения инвестиционных процессов предполагает проведение либеральной налоговой политики, включающей мероприятия по уменьшению налоговой нагрузки на экономику. В настоящее
время эффективной следует считать сбалансированную налоговую политику, содержащую как мероприятия по стимулированию инвестиций в реальный сектор финансово-экономических процессов, так и по увеличению доходных поступлений домашних хозяйств.
Выполнение этих задач налагает на уполномоченные государственные органы ограничения, связанные с реформированием правовых норм в соответствии с фискальными потребностями. В связи с этим возникает необходимость совершенствования системы управленческих мер, оказывающих влияние на
функционирование налоговых отношений в рамках действующего правового поля. Наиболее важные налоговые правоотношения между государством в лице налоговых органов и субъектами налогообложения (юридическими и физическими лицами) протекают в рамках налогового контроля. Именно здесь происходит реализация государственных интересов в налоговой сфере, что, естественно, повышает важность изучения функционирования механизма налогового контроля [1, с. 34].
Одним из требований к системе налогового контроля является ее адекватность изменениям в финансово-хозяйственной деятельности. Снижение динамики дополнительных
поступлений налогов может сигнализировать о том, что налоговые органы утрачивают возможность эффективного противодействия уклонению от уплаты налогов. Это предполагает совершенствование контрольных мероприятий и аналитических приемов, нацеленных на предупреждение, оперативное выявление и своевременное пресечение противоправных действий в налоговой сфере.
При проведении контрольных мероприятий в рамках налогового контроля существенное значение приобретает учет специфики налогового отношения. В механизмах исчисления и уплаты различных видов налогов имеются значительные различия, что является причиной специализации работников налоговых органов на проверке определенного вида налога. Одной из главных задач, стоящих перед налоговыми органами, является повышение качества работы по основным направлениям деятельности. В связи с этим возникает необходимость создания не только методик оценки эффективности контрольно-проверочной деятельности в целом, но оценки эффективности отдельных ее направлений.
Одним из главных векторов налогового реформирования в сфере налогового контроля является повышение качества проводимых проверок по налогу на доходы физических лиц (НДФЛ).
Решение российскими регионами социально-экономических задач практически невозможно без эффективного механизма налогообложения доходов физических лиц [2, с. 129]. Это связано с тем, что НДФЛ, являясь федеральным налогом, формирует основную долю налоговых доходов региональных бюджетов наряду с налогом на прибыль организаций.
В 2010-2014 гг. поступления НДФЛ в консолидированный бюджет неуклонно возрастали, как и совокупные налоговые доходы (табл. 1).
Доля НДФЛ в налоговых доходах консолидированного бюджета Российской Федерации в период 2010-2014 гг. составляла 20-23%. Если же рассматривать поступления НДФЛ в данном периоде относительно консолидированного бюджета регионов, то его доля еще существеннее и колеблется в пределах 38-42%. В настоящее время НДФЛ является главным источником финансирования
региональных бюджетов. По итогам 2014 г. произошло незначительное снижение доли НДФЛ как в консолидированных доходах Российской Федерации, так и в консолидированных доходах субъектов Федерации. Анализ динамики НДФЛ на протяжении последних пяти лет показывает наличие достаточно устойчивой тенденции прироста поступлений налога в пределах 7-13%. По итогам 2014 г. темп прироста совокупных поступлений налога показал наименьшее значение за рассматриваемый период - 7,2%. Вместе с тем зафиксировано снижение размеров поступлений НДФЛ в местные бюджеты на 15,5%. Это объясняется вступлением в силу с января 2014 г. изменений в Бюджетный кодекс Российской Федерации, в соответствии с которыми сокращены нормативы отчислений от налога на доходы физических лиц в местные бюджеты. Согласно данным Федеральной налоговой службы, за период с января по октябрь 2015 г. по сравнению с аналогичным периодом прошлого года прирост консолидированных поступлений НДФЛ составил 5,07%.
В условиях наблюдающегося в некоторых регионах снижения темпов роста, что связано с ликвидацией организаций, сокращением рабочих мест, требуется повысить результативность системы контроля НДФЛ на территориальном уровне для поддержания положительной динамики поступлений этого налога [3, с. 320].
Формирование механизма организации налогового контроля НДФЛ происходит с учетом особенностей отдельных категорий лиц, на которых возложена обязанность по исчислению, удержанию и уплате налога. В результате проведенного анализа структуры обязанных лиц установлены три укрупненные категории, особенности которых необходимо учитывать для повышения эффективности функционирования системы налогового контроля НДФЛ на
региональном уровне. Структура поступлений НДФЛ за последние три года в разрезе указанных категорий плательщиков представлена в табл. 2.
Наиболее значительная часть поступлений по НДФЛ аккумулируется из доходов, обеспечиваемых налоговыми агентами, что составляет более 95% от объема всех поступлений налога. Второй по размерам поступлений является категория налогоплательщиков, самостоятельно отчитывающаяся в налоговых органах и объединяющая физических лиц, зарегистрированных в качестве индивидуальных предпринимателей, а также некоторые другие категории лиц, отдельно выделенные в ст. 227, 228 Налогового кодекса РФ (табл. 2). Иностранные граждане, осуществляющие трудовую
деятельность по найму у физических лиц на основании патента, уплачивают фиксированные авансовые платежи с доходов. Эта статья налоговых поступлений не играет ведущей роли в формировании бюджетного потенциала и не характеризуется высокой сложностью с точки зрения налогового контроля. В связи с этим в рамках настоящего исследования основное внимание уделяется вопросам эффективности работы налоговых органов с двумя наиболее значимыми категориями обязанных лиц.
Характеризуя особенности контроля налоговых агентов по НДФЛ, отметим, что в отличие от контроля индивидуальных предпринимателей и других лиц среди инструментов контрольно-проверочной деятельности, проводимой в отношении налоговых агентов, отсутствуют камеральные проверки [4, с. 275]. Сведения о доходах физических лиц, суммах начисленных и удержанных налогов за предыдущий налоговый период, представляемые ежегодно налоговыми агентами в налоговые органы, проходят автоматизированную проверку, и на основе анализа полученных данных разрабатывается комплекс мер, направленных на пресечение нарушений налогового законодательства. Специфика налогового контроля НДФЛ состоит в невозможности определения на текущую дату согласно карточке расчетов с бюджетом размера недоимки налогового агента и, как следствие, принудительного ее взыскания без проведения выездной налоговой проверки. Ситуацию осложняет невозможность широкого охвата выездными проверками налоговых агентов по НДФЛ в связи с их значительным количеством. Это обстоятельство позволяет хозяйствующим
субъектам допускать неперечисления (неполное перечисление) НДФЛ в бюджет1.
Учитывая фискальную значимость НДФЛ, удерживаемого и перечисляемого налоговыми агентами, в настоящее время требуется разработка системы оценки эффективности методов проверочной деятельности, реализуемых в практике региональных налоговых органов. Специфика налогового контроля НДФЛ, уплачиваемого индивидуальными
предпринимателями и лицами, поименованными в ст. 227, 228 Налогового кодекса РФ, также определяет необходимость региональных сопоставлений эффективности данного направления контрольной работы.
Для сравнения уровня эффективности контроля НДФЛ в регионах представляется целесообразным использовать комплекс показателей, включающий качественные оценки и оценки динамики. В ряде работ2 отмечается целесообразность применения такого подхода при проведении кластерных разбиений, так как он позволяет объединить статические и динамические оценки.
Стоит отметить, что анализ можно провести, не используя математические методы, на основе только сравнений значений показателей. Такое сравнение позволяет осуществить ранжирование регионов, выявить лидеров или аутсайдеров по конкретному показателю, но не дает возможности определить направленность развития по
3
совокупности характеристик .
Необходимость привлечения комплекса
показателей, характеризующих эффективность налогового контроля, также объясняется особенностями изучаемого объекта исследования4. Налоговый контроль правильности исчисления
1 Телегус А.В. Общие вопросы проведения выездных налоговых проверок налоговых агентов по НДФЛ.
Н. Новгород: Приволжский институт повышения квалификации ФНС России, 2009. 90 с.
2 Кузнецов Ю.А., Перова В.И., Воробьева Е.В. Нейросетевое моделирование финансово-экономической деятельности крупнейших компаний Поволжья // Экономический анализ: теория и практика. 2011. № 35. С. 25-36; Кузнецов Ю.А., Перова В.И., Эйвазова Э.Н. Нейросетевое моделирование динамики инновационного развития регионов Российской Федерации // Региональная экономика: теория и практика. 2014. № 4. С. 18-28.
3 Попова Г.Л. Финансово-экономический анализ дифференциации налогового потенциала регионов Центрального федерального округа // Финансовая аналитика: проблемы и решения. 2012. № 1. C. 7-17.
4Дадашев А.З., Пайзулаев И.Р. Налоговый контроль
в Российской Федерации. М.: КноРус, 2015. 128 с.
и своевременности уплаты НДФЛ является системой, состоящей из различных налоговых процедур, проводимых для проверки соблюдения и превенции нарушения законодательства. Выбор одного из качественных показателей, объективно отражающих уровень эффективности налогового контроля НДФЛ, не позволит в полной мере охарактеризовать сложившуюся ситуацию.
Задачи выявления структуры данных, описания взаимосвязей явлений, характеризующихся большим количеством различных параметров, решаются с помощью многомерных статистических методов5. Для распределения субъектов Российской Федерации по группам, в которых параметры эффективности носят однородный характер, необходимо использовать аппарат кластерного анализа. Целью кластерного анализа является разбиение совокупности на однородные группы (кластеры) таким образом, чтобы различия между единицами, входящими в выделенный кластер, были незначительны, а различия между кластерами - существенны6.
Важным этапом при проведении кластеризации является формирование исходной системы показателей. В рамках настоящего исследования сформирован общий набор, состоящий из шестнадцати частных показателей,
характеризующих уровень эффективности налогового контроля НДФЛ (табл. 3). Информационный массив по перечисленным показателям сформирован на основе данных за 2013-2014 гг. Расчет показателей осуществлен применительно к двум направлениям деятельности, сформированным в соответствии с выделенными категориями подконтрольных лиц.
Выбранные частные показатели не исчерпывают весь массив показателей, применяемых при оценке эффективности налогового контроля НДФЛ, но в рамках этого перечня в настоящее время существует надежная статистическая информация по субъектам Российской Федерации, пригодная для проведения кластерного анализа.
Ввиду отсутствия данных для формирования всех показателей из совокупности единиц наблюдения
5 Калинина В.Н., Соловьев В.И. Введение в многомерный статистический анализ. М.: ГУУ, 2003. 66 с.; Кузнецов Ю.А., Перова В.И. Использование нейросетевого моделирования в анализе деятельности крупнейших компаний Российской Федерации // Экономический анализ: теория и практика. 2010. № 31. С. 32-42.
6 Многомерный статистический анализ в экономических задачах: компьютерное моделирование в SPSS / под ред. И.В. Орловой. М.: Вузовский учебник, 2009. 310 с.
исключены отдельные регионы. В результате массив исходных данных содержит информацию о 62 регионах.
Используемая система показателей должна соответствовать дополнительным требованиям, которые выдвигает математический метод, применяемый в работе. При выборе критериев кластеризации необходимо найти совокупность показателей, которая наилучшим образом отражает сходство объектов. Вместе с тем не рекомендуется отбирать для анализа как можно большее количество переменных. Чем больше переменных учитывается при вычислении меры близости, тем сложнее вскрыть реальную структуру данных, поскольку дополнительные признаки вносят статистический «шум» и затрудняют интерпретацию полученных кластеров. Оптимальным можно считать наличие нескольких существенных признаков7 [5, с. 46].
В связи с наличием ограничений на количество показателей, используемых при проведении кластерного анализа, возникает задача сокращения признакового пространства.
Первоначальную информацию о возможностях применения методов редукции данных можно получить при проверке частных показателей на степень взаимозависимости8.
Для этого были построены матрицы корреляции для стандартизированных переменных
(^-стандартизация). В соответствии с полученными результатами в каждой из двух групп показателей, сформированных в разрезе категорий подконтрольных лиц, имеется несколько пар переменных с существенными (более 0,7) значениями коэффициентов корреляции. Значимость указанных коэффициентов корреляции (коэффициентов Пирсона) подтверждена на основе ¿-критерия Стьюдента [6, с. 50-51].
Отсутствие тесной корреляционной взаимосвязи между показателями, а также низкие значения критерия Кайзера - Мейера - Олкина (менее 0,5) в обоих случаях отвергают возможность применения факторного анализа для сокращения признакового пространства. В связи с этим сокращение размерности массива показателей может быть произведено с помощью методов построения синтетических (интегральных)
7 Близорукое М.Г. Количественные методы анализа многомерных величин. Екатеринбург: АМБ, 2006. 68 с.
8 Попова Г.Л. Налоговый потенциал регионов: финансово-экономический анализ и классификация // Финансовая аналитика: проблемы и решения. 2012. № 16. С. 25-32.
индикаторов. Этот подход является предпочтительным, так как позволяет не исключать из рассмотрения отдельные переменные [7, с. 68].
Учитывая особенности формирования частных показателей, осуществлено построение системы синтетических (интегральных) индикаторов, состоящей из: индикатора результативности налоговых проверок, индикатора,
характеризующего удельную эффективность налоговых проверок, индикатора фискальной значимости доначислений по проверкам, индикатора, характеризующего динамику показателей результативности проверочной деятельности (табл. 3).
При построении синтетических индикаторов важным является вопрос о выборе наиболее подходящего способа нормирования частных показателей эффективности для приведения их в сопоставимый вид. Основными требованиями по выбору способа нормирования частных показателей являются простота, адекватность (динамика нормированных индикаторов должна повторять динамику исходных показателей), а также единообразие (нормирующая функция должна быть применима ко всему множеству исходных показателей) [8, с. 86-88]. Среди наиболее соответствующих данным требованиям подходов к построению синтетического индикатора, можно выделить методику расчета, основанную на линейном преобразовании исходных показателей.
Содержание указанного метода состоит в том, что расчет синтетического индикатора производится по следующим формулам9 [9, с. 84-85]:
где Kni - п-й синтетический индикатор для /-го региона;
т - количество используемых при построении п-го синтетического индикатора частных показателей;
^ - нормированное значение /-го показателя эффективности для /-го региона;
9 Социальная статистика / под ред. И.И. Елисеевой. М.: Финансы и статистика, 2002. 479 с.
Xij - значение j-го показателя эффективности для /-го региона.
Синтетические индикаторы отражают различные аспекты контрольно-проверочной деятельности в регионах, с различных сторон характеризуют значимость результатов налогового контроля НДФЛ. Сопоставление размеров доначислений и результативности проверок с аналогичными показателями предыдущего периода дает представление о направлении и степени развития системы налогового контроля НДФЛ. Следует подчеркнуть, что способ расчета синтетических показателей позволил сделать их достаточно однородными и сопоставимыми между собой.
Разработанные синтетические индикаторы рассчитаны в двух вариантах в зависимости от категории подконтрольных лиц. Установлено отсутствие тесной корреляционной взаимосвязи между синтетическими индикаторами.
Опираясь на синтетические индикаторы, с помощью методов кластерного анализа осуществлено разделение рассматриваемых регионов на сегменты, характеризующееся близким уровнем эффективности контроля налоговых агентов по НДФЛ. В качестве инструмента исследования выбрана система SPSS (Superior Performance Software System), которая предоставляет для этого значительные вычислительные возможности [10, с. 296].
Процедура кластерного анализа может быть выполнена методами иерархической кластеризации и итеративными методами, наиболее распространенным из которых является метод ^-средних [11, с. 164].
Вначале проводилась иерархическая
агломеративная кластеризация для исследования структуры рассматриваемого множества, определения количества устойчивых групп (кластеров) регионов в пространстве выбранных синтетических индикаторов. Для вычисления расстояний между наблюдениями применена такая мера, как квадрат евклидова расстояния. На первом этапе в качестве метода определения расстояний между кластерами применялся метод Варда [12, с. 43]. В дальнейшем процедура иерархической кластеризации повторялась несколько раз с использованием различных методов определения расстояний между объектами и кластерами - методом одиночной, полной связи и методом невзвешенного попарного среднего. Полученные в результате применения данных методов сведения носили вспомогательный
характер при принятии решения о количестве кластеров.
В качестве ориентира для определения возможного количества кластеров использовалось графическое изображение процесса агломерации, представленное дендрограммой. В расчет также принимались величины расстояний между объединяемыми кластерами, определенные на основании выбранной дистанционной меры (квадрата евклидова расстояния). Оптимальное количество кластеров при этом определялось как разность количества наблюдений и номера этапа объединения, когда мера расстояния между двумя кластерами увеличивается скачкообразно, то есть происходит объединение кластеров, находящихся на относительно большом расстоянии друг от друга10.
При анализе различных кластерных разбиений в качестве отрицательной характеристики учитывался факт наличия кластеров, содержащих только одно наблюдение, так как такое разбиение является вырожденным случаем.
Поскольку аппарат кластерного анализа относится к эвристическим методам и не дает четкой рекомендации относительно количества выделяемых кластеров, целесообразно выбрать тот вариант сегментации, который позволяет сформировать однородные группы регионов, обладающих сходными характеристиками и поддающихся экономической интерпретации. После анализа структуры данных было намечено разделение исходного множества наблюдений на три кластера.
Затем проводилась кластеризация методом ^-средних, причем для нее задавалось количество кластеров, выявленных методами агломеративной кластеризации. Метод ^-средних активно применяется при решении задач кластеризации, является самым востребованным в ряду неиерархических методов. Этот метод максимизирует различия переменных в кластерах и минимизирует вероятность того, что наблюдения, имеющие схожие характеристики, попадают в разные кластеры, характеризуется простотой и прозрачностью алгоритма осуществления [13, с. 162]. Результаты кластеризации методом ^-средних представлены в табл. 4.
10 Многомерный статистический анализ в экономических задачах: компьютерное моделирование в SPSS / под ред. И.В. Орловой. М.: Вузовский учебник, 2009. 310 с.
Предварительный анализ показал, что при разбиении на три кластера расстояния от отдельных наблюдений до центра их кластера меньше расстояний между центрами других кластеров. Этот факт свидетельствует о том, что кластеры четко разделены и межгрупповые различия существенны. Статистическая
значимость различий средних показателей в трех кластерах оценена методами дисперсионного анализа [12, с. 45]. По его итогам определены значения межгрупповых и внутригрупповых дисперсий признаков, значение ^-статистики, а также уровень значимости. Межгрупповая дисперсия во всех случаях превышает внутригрупповую дисперсию. Значение ^-статистики превышает табличное значение на уровне значимости менее 1%. Это свидетельствует о высокой степени надежности кластерного разбиения. Кроме того, наибольшие значения ^-статистики зафиксированы у интегрального показателя динамики (35,6) и показателя, характеризующего удельную эффективность налоговых проверок (28,1). Следовательно, данные индикаторы внесли наибольший вклад в результаты кластеризации.
Для содержательной интерпретации полученных результатов осуществлен покомпонентный анализ кластерных образов, в ходе которого проведено сравнение средних величин синтетических индикаторов в различных кластерах. Предварительно намечено разделение синтетических индикаторов в зависимости от их значений на три уровня: высокий, средний и низкий. Для определения ширины интервалов значений синтетических индикаторов применялась следующая формула:
V
где Rn - размах вариации п-го синтетического индикатора эффективности;
V - количествоо интервалов (уровней эффективности), V = 3.
Результаты покомпонентного анализа показывают, что полученные кластеры обладают собственными специфическими образами, присущими каждому индивидуальными соотношениями значений различных индикаторов эффективности.
Для первого кластера характерны высокие значения синтетических индикаторов результативности налоговых проверок агентов по
НДФЛ и фискальной значимости доначислений по таким поверкам. Значения остальных двух индикаторов находятся на среднем уровне. Регионы, вошедшие в первый кластер, являются лидерами по уровню эффективности контроля налоговых агентов по НДФЛ. Наиболее характерными представителями данного кластера являются Республика Коми и Республика Хакасия, так как данные объекты имеют наименьшее расстояние до кластерного центра. На периферии рассматриваемого кластера находится
Сахалинская область.
Второй кластер образован Республикой Алтай, Республикой Калмыкией и Чукотским автономным округом. Для регионов этого кластера характерны низкие значения индикатора результативности налоговых проверок агентов по НДФЛ и индикатора удельной эффективности проверок. Среднее значение сложилось по индикатору фискальной значимости доначислений по проверкам, и только значение индикатора, характеризующего динамику показателей результативности проверок налоговых агентов, имеет высокое значение. Несмотря на то, что большинство синтетических индикаторов для рассматриваемой группы регионов характеризуются невысокими значениями, положительной тенденцией является значительное повышение доначислений в рассматриваемом периоде, которое является одним из признаков улучшения качества проверочной деятельности. Таким образом, анализ кластерного профиля показывает, что во втором кластере произошло объединение регионов со средним уровнем эффективности контроля за исполнением обязанностей налоговыми агентами по НДФЛ.
Третий кластер является самым многочисленным, в него входит более половины всех рассматриваемых регионов. Эта группа имеет среднее значение синтетического индикатора результативности проверок налоговых агентов по НДФЛ. Остальные индикаторы для данного кластера характеризуются низкими значениями. Не все из регионов, входящих в рассматриваемый кластер, находятся на равном расстоянии от его центра. Наиболее типичными представителями являются Красноярский и Краснодарский края. Максимально удаленными от центра кластера оказались Москва и Республика Тыва.
На следующем этапе выполнена кластеризация регионов по уровню эффективности налогового контроля за правильностью исчисления и своевременностью уплаты НДФЛ
индивидуальными предпринимателями и физическими лицами, поименованными в ст. 227, 228 Налогового кодекса РФ. Кластерный анализ проводился в аналогичном порядке. В соответствии с результатами анализа структуры данных оптимальным признано разделение множества наблюдений на три кластера. Как и в предыдущем случае итоговая кластеризация проводилась методом ^-средних. При этом задавалось количество кластеров, выявленное методами агломеративной кластеризации. Сформированное кластерное разбиение представлено в табл. 5.
С помощью методов дисперсионного анализа установлено, что межгрупповая дисперсия во всех случаях превышает внутригрупповую. Значение ^-статистики превышает табличное значение на уровне значимости менее 1%. Это свидетельствует о статистической надежности полученных результатов.
Наибольший вклад в кластеризацию регионов внесли интегральные индикаторы, характеризующие фискальную значимость доначислений и удельную эффективность налоговых проверок. Значения ^-статистики для них составили 48,6 и 47,7 соответственно.
В первый кластер вошли десять регионов России, характеризующихся высокими индикаторами результативности налоговых проверок и средними значениями остальных индикаторов. Наиболее близко к центру кластера расположены Кемеровская область и Удмуртская Республика, наиболее удалены от центра Амурская область и Республика Татарстан. В связи с этим для первых двух регионов характеристики кластера более типичны, а для других - менее типичны. Регионы, входящие в первый кластер, обладают наилучшим сочетанием синтетических
индикаторов с высоким и средним значениями и являются лидерами по уровню эффективности рассматриваемого направления проверочной деятельности.
Для второго кластера характерно сочетание высоких, средних и низких значений синтетических индикаторов. Максимальное значение имеет индикатор фискальной значимости доначислений. Среднее значение получил индикатор динамики. Остальные индикаторы имеют минимальные значения. Наиболее характерным представителем кластера является Республика Алтай, а наибольшее удаление от центра кластера зафиксировано для Республики Мордовия.
Третий кластер является наиболее многочисленным и объединяет территории, характеризующиеся низким значением почти всех синтетических индикаторов эффективности, за исключением индикатора результативности налоговых проверок, который имеет среднее значение. В данном кластере преобладают регионы - аутсайдеры по уровню эффективности. Определяющими в данной группе являются характеристики Камчатского края и Рязанской области, так как данные регионы находятся на минимальном расстоянии от кластерного центра. Наиболее обособленное положение по отношению к остальным элементам кластера занимают Кабардино-Балкарская Республика и Республика Северная Осетия - Алания.
Таким образом, как технический, так и содержательный анализ полученных результатов показывает, что процедура кластерного анализа позволила сформировать типичные группы регионов, обладающие специфическим профилем и существенно различающиеся между собой по уровню эффективности контроля НДФЛ.
Сопоставление уровней эффективности налогового контроля НДФЛ по каждому из рассмотренных направлений контрольно-проверочной деятельности, формирование обобщенной характеристики налогового контроля НДФЛ возможны на основе перекрестной классификации (табл. 6).
Субъекты, лежащие на главной диагонали табл. 6, характеризуются соответствием уровня
эффективности налогового контроля по обоим рассматриваемым направлениям и составляют 79% от общего количества исследуемых регионов. Для регионов, расположенных сверху и снизу от «диагонали соответствия», характерно
превышение уровня эффективности одного направления контроля над другим.
Полученные в ходе исследования результаты свидетельствуют о необходимости разработки и реализации комплекса мер по повышению качества планирования и проведения налоговых проверок НДФЛ в большинстве субъектов Российской Федерации. Предложения могут быть следующие: увеличить количество выездных проверок налоговых агентов, занижающих уровень доходов своих сотрудников; повсеместно внедрять электронные варианты начисления заработной платы и совершения покупок; вести контроль за крупными покупками и сделками физических лиц; повысить профессиональный уровень работников территориальных налоговых органов; информировать налогоплательщиков и налоговых агентов об активности проводимой контрольной работы по пресечению уклонения от уплаты НДФЛ [4, с. 276; 14, с. 27].
Использование многомерных статистических методов дает возможность получить дополнительную информацию при принятии управленческих решений, направленных на корректировку контрольно-проверочной работы, обмен опытом, решение организационных проблем.
Таблица 1
Налог на доходы физических лиц в бюджетной системе Российской Федерации в 2010-2014 гг.
Год Вид бюджета Налоговые доходы, млрд руб. НДФЛ, млрд руб. Доля НДФЛ в налоговых доходах бюджета, % Темп прироста НДФЛ, %
2010 КБ 7 660 1 790 23,4 7,48
КБС 4 487 39,9
МБ 781 525 67,2 6,18
2011 КБ 9 715 1 995 20,5 11,47
КБС 5 237 38,1
МБ 854 583 68,3 11,1
2012 КБ 10 954 2 260 20,6 13,31
КБС 5 791 39
МБ 934 657 70,3 12,55
2013 КБ 11 322 2 498 22,1 10,51
КБС 5 958 41,9
МБ 1 042 729 70 11,01
2014 КБ 12 606 2 679 21,2 7,2
КБС 6 454 41,5
МБ 944 616 65,3 -15,5
Примечание. КБ - консолидированный бюджет Российской Федерации, КБС -консолидированный бюджет субъектов Российской Федерации, МБ - местные бюджеты Российской Федерации. Источник: данные Федеральной налоговой службы
Таблица 2
Доля поступившего в консолидированный бюджет налога на доходы физических лиц, приходящаяся на соответствующую категорию обязанных лиц, за 2011-2014 гг., %
Категория обязанных лиц Доля
2011 2012 2013 2014
Налоговые агенты 97,09 96,59 97,03 97,11
Физические лица, зарегистрированные в качестве индивидуальных предпринимателей, нотариусов, адвокатов и других лиц, занимающихся частной практикой в соответствии со ст. 227 Налогового кодекса РФ, а также физические лица, получающие доходы, перечисленные в ст. 228 Налогового кодекса РФ 2,73 3,12 2,63 2,6
Физические лица, являющиеся иностранными гражданами, осуществляющими трудовую деятельность по найму у физических лиц на основании патента в соответствии со ст. 227.1 Налогового кодекса РФ 0,18 0,29 0,34 0,29
Источник: данные Федеральной налоговой службы
Таблица 3
Система частных показателей эффективности контрольно-проверочной деятельности налоговых органов и формируемые на ее основе синтетические индикаторы
Частный показатель Порядок расчета
Индикатор результативности налоговых проверок
1. Доля результативных выездных проверок по НДФЛ Количество выездных проверок НДФЛ, выявивших нарушения / Количество проведенных выездных проверок, в предмет которых входил НДФЛ
2. Величина доначислений на одну выездную проверку НДФЛ Сумма доначислений в рамках выездных проверок НДФЛ / Количество выездных проверок, выявивших нарушения по НДФЛ
3. Доля результативных камеральных проверок НДФЛ Количество камеральных налоговых проверок, выявивших нарушения по НДФЛ / Количество проведенных камеральных проверок деклараций по НДФЛ
4. Величина доначислений на одну камеральную проверку НДФЛ Сумма доначислений по налогу в рамках камеральных проверок / Количество камеральных проверок, выявивших нарушения по НДФЛ
Индикатор, характеризующий удельную эффективность налоговым проверок
5. Количество выездных проверок НДФЛ, приходящихся на одного налогоплательщика (налогового агента) Количество результативных выездных проверок НДФЛ / Количество налогоплательщиков (налоговых агентов)
6. Величина доначислений по выездным проверкам НДФЛ на одного налогоплательщика (налогового агента) Сумма доначислений по налогу в рамках выездных налоговых проверок / Количество налогоплательщиков (налоговых агентов)
7. Величина доначислений по камеральным проверкам НДФЛ на одного налогоплательщика (налогового агента) Сумма доначислений по налогу в рамках камеральных проверок / Количество налогоплательщиков (налоговых агентов)
8. Величина доначислений по выездным проверкам НДФЛ, приходящаяся на одного сотрудника отдела выездных проверок Сумма доначислений по налогу в рамках выездных проверок / Фактическое количество сотрудников отделов выездных проверок
9. Величина доначислений по камеральным проверкам НДФЛ, приходящаяся на одного сотрудника отдела камеральных проверок Сумма доначислений по налогу в рамках камеральных проверок / Фактическое количество сотрудников отделов камеральных проверок
Индикатор фискальной значимости доначислений по проверкам
10. Доля доначислений по выездным проверкам НДФЛ в общем объеме поступлений по налогу Сумма доначислений по выездным проверкам НДФЛ / Фактическая сумма поступлений НДФЛ
11. Доля доначислений по камеральным проверкам НДФЛ в общем объеме поступлений по налогу Сумма доначислений по камеральным проверкам НДФЛ / Фактическая сумма поступлений налога
12. Доля доначислений по налогу в рамках выездных проверок в общей сумме доначислений Сумма доначислений по НДФЛ в рамках выездных проверок / Общая сумма доначислений по всем налогам в рамках выездных проверок
13. Доля доначислений по налогу в рамках камеральных проверок в общей сумме доначислений Сумма доначислений по НДФЛ в рамках камеральных проверок / Общая сумма доначислений по всем налогам в рамках камеральных проверок
Индикатор, характеризующий динамику показателей результативности проверочной деятельности
14. Динамика доначислений по результатам выездных проверок НДФЛ Сумма доначислений по НДФЛ в рамках выездных проверок в отчетном году / Сумма доначислений по налогу по результатам выездных проверок в предыдущем году
15. Динамика доначислений по результатам камеральных проверок НДФЛ Сумма доначислений по НДФЛ в рамках камеральных проверок в отчетном году / Сумма доначислений по результатам камеральных проверок в предыдущем году
16. Динамика удельного веса результативных выездных проверок НДФЛ Доля результативных выездных проверок НДФЛ в отчетном году / Доля результативных выездных проверок НДФЛ в предыдущем году
Примечание. Показатели № 3, 4, 7, 9, 11, 13, 15 не рассчитываются применительно к НДФЛ, удерживаемому и перечисляемому налоговыми агентами. Источник: авторская разработка
Таблица 4
Результаты сегментации субъектов (первый этап)
Кластер Количество регионов в кластере Субъект Российской Федерации
I 10 Республика Коми, Удмуртская Республика, Республика Хакасия, Курская, Мурманская, Сахалинская, Тамбовская, Томская области, Пермский край, Ханты-Мансийский автономный округ
II 3 Республика Алтай, Республика Калмыкия, Чукотский автономный округ
III 49 Республика Адыгея, Кабардино-Балкарская Республика, Республика Карелия, Республика Марий Эл, Республика Мордовия, Республика Саха (Якутия), Республика Северная Осетия - Алания, Республика Татарстан, Республика Тыва, Чеченская Республика, Алтайский, Забайкальский, Камчатский, Краснодарский, Красноярский, Приморский, Ставропольский края, Амурская, Архангельская, Астраханская, Брянская, Владимирская, Волгоградская, Вологодская, Воронежская, Иркутская, Кемеровская, Курганская, Липецкая, Магаданская, Московская, Нижегородская, Новгородская, Новосибирская, Омская, Оренбургская, Пензенская, Псковская, Рязанская, Самарская, Саратовская, Свердловская, Тульская, Тюменская, Ульяновская, Челябинская области, Еврейская автономная область, Москва, Санкт-Петербург
Источник: авторская разработка Таблица 5 Результаты сегментации субъектов (второй этап)
Кластер Количество регионов в кластере Субъект Российской Федерации
I 10 Республика Коми, Республика Татарстан, Удмуртская Республика, Республика Хакасия, Амурская, Архангельская, Кемеровская, Тамбовская области, Краснодарский край, Ханты-Мансийский автономный округ
II 4 Республика Алтай, Республика Мордовия, Чеченская Республика, Чукотский автономный округ
III 48 Республика Адыгея, Кабардино-Балкарская Республика, Республика Калмыкия, Республика Карелия, Республика Марий Эл, Республика Саха (Якутия), Республика Северная Осетия - Алания, Республика Тыва, Алтайский, Забайкальский, Камчатский, Красноярский, Пермский, Приморский, Ставропольский края, Астраханская, Брянская, Владимирская, Волгоградская, Вологодская, Воронежская, Иркутская, Курганская, Курская, Липецкая, Магаданская, Московская, Мурманская, Нижегородская, Новгородская, Новосибирская, Омская, Оренбургская, Пензенская, Псковская, Рязанская, Самарская, Саратовская, Сахалинская, Свердловская, Томская, Тульская, Тюменская, Ульяновская, Челябинская области, Еврейская автономная область, Москва, Санкт-Петербург
Источник: авторская разработка
Таблица 6
Перекрестная классификация регионов России по уровню эффективности налогового контроля НДФЛ
Уровень эффективности контроля агентов по НДФЛ Уровень эффективности контроля отдельных категорий налогоплательщиков по НДФЛ
Высокий Средний Низкий
Высокий Республика Коми, Удмуртская Республика, Республика Хакасия, Тамбовская область, Ханты-Мансийский автономный округ Пермский край, Курская, Мурманская, Сахалинская, Томская области
Средний Республика Алтай, Чукотский автономный округ Республика Калмыкия
Низкий Республика Татарстан, Краснодарский край, Амурская, Архангельская, Кемеровская области Республика Мордовия, Чеченская Республика Кабардино-Балкарская Республика, Республика Адыгея, Республика Карелия, Республика Марий Эл, Республика Саха (Якутия), Республика Северная Осетия -Алания, Республика Тыва, Алтайский, Забайкальский, Камчатский, Красноярский, Приморский, Ставропольский края, Астраханская, Брянская, Владимирская, Волгоградская, Вологодская, Воронежская, Курганская, Иркутская, Липецкая, Магаданская, Московская, Нижегородская, Новгородская, Новосибирская, Омская, Оренбургская, Пензенская, Псковская, Рязанская, Самарская, Саратовская, Свердловская, Тульская, Тюменская, Ульяновская, Челябинская области, Еврейская автономная область, Москва, Санкт-Петербург
Источник: авторская разработка
Список литературы
1. Кашин В.А., Сулейманов Д.Н. Повышение эффективности контрольной работы налоговых органов: современные подходы и инструменты // Финансы. 2013. № 11. С. 34-39.
2. Корень А.В., Проценко Ю.А. Роль налога на доходы физических лиц в обеспечении условий динамичного развития регионов ДФО // Фундаментальные исследования. 2015. № 6. С. 129-133.
3. Шлыгина Е.В. Факторы, влияющие на поступление налога на доходы физических лиц в муниципальный бюджет // Вестник БГУ. 2011. № 3. С. 317-320.
4. Смирнова Е.Е. Анализ действующей практики налогового контроля полноты отражения доходов физических лиц и повышение его эффективности // Вестник АГУ. 2014. № 3. С. 273-281.
5. Богаткова Л.В., Пройдакова Е.В. Математические методы в исследовании экономического развития регионов Приволжского федерального округа // Вопросы статистики. 2008. № 8. С. 45-53.
6. Симчера В.М. Методы многомерного анализа статистических данных. М.: Финансы и статистика, 2008. 400 с.
7. Попова Г.Л. Многомерная классификация налогового потенциала регионов Центрального федерального округа // Вопросы статистики. 2012. № 10. С. 67-72.
8. Яшина Н.И., Табаков А.А., Роганова С.Ю. Анализ территориальных бюджетов: совершенствование методологических и практических аспектов. Н. Новгород: Волго-Вятская академия государственной службы, 2006. 161 с.
9. Handbook on Constructing Composite Indicators: Methodology and User Guide. OECD, European Commission, Joint Research Centre. Paris, OECD Publishing, 2008, 162 p.
10. Наследов А.Д. SPSS 19: профессиональный статистический анализ данных. СПб.: Питер, 2011. 400 с.
11. ТагановД.Н. SPSS: статистический анализ в маркетинговых исследованиях. СПб: Питер, 2005. 192 с.
12. Илышев А.М., Шубат О.М. Многомерный статистический анализ предпринимательской активности в региональной сфере микробизнеса // Вопросы статистики. 2008. № 4. С. 42-51.
13. Айвазов С.Ю. Классификация стран по основным показателям развития алмазного рынка // Экономические науки. 2012. № 5. С. 162-166.
14. Челышева Э.А. Специфика налогообложения и риски налогового контроля физических лиц // Journal of Economic Regulation. 2010. Т. 1. № 4. С. 22-29.
Экономический анализ: Economic Analysis:
теория и практика 6 (2016) 158-171 Theory and Practice
ISSN 2311-8725 (Online) Mathematical Methods and Models
ISSN 2073-039X (Print)
A MULTIDIMENSIONAL CLASSIFICATION OF CONSTITUENT ENTITIES OF THE RUSSIAN FEDERATION BY THE EFFECTIVENESS OF TAX CONTROL OVER PERSONAL INCOME TAX
Nadezhda I. YASHINAa% Evgenii E. ALEKSANDROVb
a National Research Lobachevsky State University of Nizhny Novgorod, Nizhny Novgorod, Russian Federation sitnicof@mail.ru
b National Research Lobachevsky State University of Nizhny Novgorod, Nizhny Novgorod, Russian Federation aee152@yandex. ru
• Corresponding author
Article history:
Received 17 December 2015 Received in revised form 1 March 2016 Accepted 25 March 2016
JEL classification: H21, H24, H26, H83
Keywords: tax audit, personal income tax, cluster analysis, composite indicator, tax control
Abstract
Importance Nowadays, it is crucial to improve the quality of tax control due to the need to find additional sources of tax revenues for budget expenditure funding. Personal income tax (PIT) provides the most significant part of revenues of regional budgets, and control over its correct assessment and timely payment has certain specifics.
Objectives The study aims to classify constituent entities of the Russian Federation depending on the level of efficiency of control over personal income tax assessment and payment. Methods We applied methods of cluster analysis to divide constituent entities of the Russian Federation into groups. The clustering is based on our uniquely developed composite indicators, which characterize the process of control over the personal income tax payment. To generate the results of clusterization, we employed the variance analysis.
Results In the first phase of the study, we calculated composite indicators, which measure the efficiency of audits of tax agents, and determined corresponding clusters. In the next phase, we grouped regions based on control efficiency. Using the cross-classification, we compared the efficiency of territorial tax bodies' performance in each of the considered categories of controlled individuals.
Conclusions The findings show the need to develop and implement a set of measures to improve the quality of planning and performing tax audits in the majority of constituent entities of the Russian Federation. Their implementation at the territorial level may improve the efficiency of control over assessment and timely payment of personal income tax.
© Publishing house FINANCE and CREDIT, 2015
References
1. Kashin V.A., Suleimanov D.N. [Increasing the efficiency of control of tax bodies: modern approaches and tools]. Finansy = Finance, 2013, no. 11, pp. 34-39. (In Russ.)
2. Koren' A.V., Protsenko Yu.A. [The role of personal income tax in shaping the conditions for fast-paced development of the Far Eastern Federal District regions]. Fundamental'nye issledovaniya = Fundamental Research, 2015, no. 6, pp. 129-133. (In Russ.)
3. Shlygina E.V. [Factors influencing the revenues from personal income tax to municipal budgets].
Vestnik Bryanskogo gosudarstvennogo universiteta = Bulletin of Bryansk State University, 2011, no. 3, pp. 317-320. (In Russ.)
4. Smirnova E.E. [Analysis of the current practice of tax control over completeness of reflection of individuals' income and its efficiency improvement]. VestnikAdygeiskogo gosudarstvennogo universiteta = Bulletin of Adyghe State University, 2014, no. 3, pp. 273-281. (In Russ.)
5. Bogatkova L.V., Proidakova E.V. [Mathematical methods in researching the economic development of regions of the Volga Federal District]. Voprosy Statistiki, 2008, no. 8, pp. 45-53. (In Russ.)
6. Simchera V.M. Metody mnogomernogo analiza statisticheskikh dannykh [Methods of multivariate statistical analysis]. Moscow, Finansy i statistika Publ., 2008, 400 p.
7. Popova G.L. [A multidimensional classification of tax potential of the Central Federal District regions]. Voprosy Statistiki, 2012, no. 10, pp. 67-72. (In Russ.)
8. Yashina N.I., Tabakov A.A., Roganova S.Yu. Analiz territorial'nykh byudzhetov: sovershenstvovanie metodologicheskikh i prakticheskikh aspektov [An analysis of territorial budgets: improving the methodological and practical aspects]. N. Novgorod, Volga-Vyatka Academy of State Service Publ., 2006, 161 p.
9. Handbook on Constructing Composite Indicators: Methodology and User Guide. OECD, European Commission, Joint Research Centre. Paris, OECD Publishing, 2008, 162 p.
10. Nasledov A.D. SPSS 19: professional'nyi statisticheskii analiz dannykh [SPSS 19: a professional statistical analysis]. St. Petersburg, Piter Publ., 2011, 400 p.
11. Taganov D.N. SPSS: ctatisticheskii analiz v marketingovykh issledovaniyakh [SPSS: a statistical analysis in marketing research]. St. Petersburg, Piter Publ., 2005, 192 p.
12. Ilyshev A.M., Shubat O.M. [A multivariate statistical analysis of entrepreneurial activity in regional microbusiness]. Voprosy Statistiki, 2008, no. 4, pp. 42-51. (In Russ.)
13. Aivazov S.Yu. [Classification of countries according to the key figures of the diamond market development]. Ekonomicheskie nauki = Economic Sciences, 2012, no. 5, pp. 162-166. (In Russ.)
14. Chelysheva E.A. [Specifics of taxation and risks inherent in tax control of individuals]. Voprosy regulirovaniya ekonomiki = Journal of Economic Regulation, 2010, vol. 1, no. 4, pp. 22-29. (In Russ.)
