Модели анализа и прогнозирования налоговой базы и налоговых поступлений Текст научной статьи по специальности «Экономика и бизнес»

10(43) -2005

f/ltetitofutca ufanHajufeo^Hufr ЯСЫОФО&КС ба^и

МОДЕЛИ АНАЛИЗА И ПРОГНОЗИРОВАНИЯ НАЛОГОВОЙ БАЗЫ И НАЛОГОВЫХ ПОСТУПЛЕНИЙ

A.B. МИНАКОВ, кандидат экономических наук, заместитель начальника кафедры документальных проверок и экспертиз Академии экономической безопасности МВД России

Решение текущих и стратегических задач налоговых органов требует разработки нового научно-методического подхода к прогнозированию налоговой базы, количественной и структурной оценке налогового потенциала в разрезе регионов, отраслей, отдельных налогоплательщиков, заблаговременной оценки возможных последствий планируемых к принятию на федеральном и региональном уровнях решений по вопросам государственной налоговой, бюджетной и экономической политики, изменений экономических условий на макро- и микроуровне.

Важнейшими инструментами налогового администрирования при этом должны стать анализ и прогнозирование налоговых поступлений с использованием современных математико-статистических методов. Результаты прогнозирования позволят более обоснованно формировать планы мобилизации налогов, а также уточнять их по мере изменения экономической ситуации — в целом по стране, отдельным регионам или отраслям экономики. Методы, которые используются при построении прогнозов поступлений в бюджеты, также могут быть использованы для анализа возможных последствий внесения изменений в налоговое законодательство и обоснования мер налогового регулирования.

Потребность создания и развития комплексной информационно-аналитической системы, предназначенной для решения задач мониторинга, анализа и моделирования поступлений налогов и сборов в бюджетную систему Российской Федерации, обусловлена следующими факторами. Необходимостью решения функциональных задач текущего и прогнозного характера. В числе текущих задач можно выделить следующие блоки, каждый из которых состоит в свою очередь из взаимосвязанных подзадач:

• комплексный анализ данных налоговой статистики — динамики и структуры поступлений налогов и сборов, задолженности и недоимки по их уплате — по видам налогов, субъектам Федерации, отраслям экономики;

• анализ данных налоговой статистики во взаимосвязи с основными показателями социально-экономического развития страны и ее регионов;

• проведение прогнозных расчетов налоговой базы субъектов Федерации и поступлений налогов и сборов в бюджетную систему Российской Федерации в целом, а также в разрезе регионов;

• разработка заданий по мобилизации в консолидированный и федеральный бюджеты налогов и сборов в целом по Российской Федерации и по ее субъектам;

• накопление больших массивов информации в историческом разрезе;

• увеличение потока обрабатываемой информации. Наряду с количественным увеличением потока требующих обработки данных наблюдается его качественное усложнение;

• увеличение объема и разнообразия типов данных, что обусловливает необходимость применения новых методов и процессов их обработки;

• необходимость унификации и типизации программного и информационного обеспечения. При разработке типовых методик анализа и

моделирования налоговых поступлений необходим учет этих факторов. Для поддержки типовых методик в ФНС России создаются программно-тех-нические средства, обеспечивающие требуемый уровень аналитической обработки данных с использованием современных информационных технологий (в первую очередь технологии хранилищ

ЭКОНОМИЧЕСКИЙ АНАЛИЗ: жгорш и ър/гкжъх*

47

vftem<xf.uica afotHaptfeoiafucfr Нгыаго&ой бл^и

10 (43)-2005

данных Data Warehouse, оперативной аналитической обработки данных OLAP, технологии доступа к первичным и расчетным информационным ресурсам с помощью Web). Глобальной целью при этом является обеспечение комплексной информационной, методологической и программно-технологической поддержки решений принятия руководством и специалистами подразделений федерального и регионального уровней в рамках возложенных на них функций.

Информационно-аналитическая система предполагает организацию анализа на основе единого информационного пространства (хранилища данных). Существующие учетные задачи рассматриваются как самостоятельные компоненты, являющиеся источниками информации для информационно-аналитической системы. Базовыми принципами построения таких систем являются:

• интеграция информационных, научно-мето-дологических и аналитических ресурсов;

• унификация процедур учета, контроля и анализа;

• использование в практике налогового администрирования современных методов анализа, прогнозирования и вариантного моделирования тенденций на макро- и микроэкономическом уровнях.

Информационно-аналитическая система, по мнению автора, должна упорядочить, стандартизировать и автоматизировать формирование аналитических отчетов, предоставляемых ответственным лицам налоговых органов и органов власти, с отображением данных в виде таблиц, графиков и на электронной карте территории, а также обеспечить возможность оперативной аналитической обработки хранимых данных и их статистического анализа.

Качественное планирование и прогнозирование налоговых поступлений невозможно без учета динамики показателей социально-экономического развития Российской Федерации и регионов. Показатели, определяющие развитие макроэкономической ситуации в регионах, а также воздействие отраслевых и региональных факторов, могут отражать:

• специализацию региона по отраслям хозяйства, особенности размещения и функционирования основных отраслей хозяйства;

• численность и структуру населения региона;

• валовой региональный продукт в разрезе основных отраслей;

• объем выпуска промышленной продукции в физическом и денежном выражении в разрезе основных отраслей промышленности;

• финансово-экономическое состояние предприятий основных отраслей региона, число прибыльных и убыточных предприятий;

• уровень и динамику заработной платы, задолженности по ее выплате;

• перечень крупнейших налогоплательщиков региона, их финансовое состояние, формы расчетов, правовой статус, холдинговая структура;

• объемы экспортных поставок в разрезе отраслей экономики региона (для прогноза сумм возмещения НДС предприятиям-экспортерам);

• дебиторскую и кредиторскую задолженность предприятий;

• применяемые формы расчетов (денежные, бартерные, вексельные).

Приведенные показатели должны составить основу информационного ресурса для расчета экономического, финансового и налогового потенциала региона. В методологическом плане для оценки налогового потенциала регионов наиболее перспективным представляется использование методов регрессионного анализа. В общем случае данные методы сводятся к получению оптимальных оценок параметров (В1, В2,..., Вт) в уравнении следующего вида:

У=Х.В.+Х,В, + Х В + Е,

II 2 2 т т '

где У— фактически собранные в регионе платежи в бюджет;

X — показатели налоговой базы, косвенно или непосредственно отражающие величину налоговой базы данного региона или отдельных ее компонентов; т — число рассматриваемых регионов; Е— случайная ошибка измерений. Данный метод особенно эффективен для целей среднесрочного и долгосрочного прогнозирования, поскольку он применим в условиях, когда не представляется возможным в полной мере оценить совокупность налоговых ресурсов и налоговых баз по каждому из налогов, принимаемых во внимание при расчете. Для практического расчета целесообразно использовать относительно небольшой набор взаимосвязанных экономических характеристик, определяющих влияние на величину бюджетных доходов объема промышленного и сельскохозяйственного производства, продажи населению товаров и услуг, денежных доходов населения, стоимость основных производственных фондов.

Формирование системы показателей социально-экономического развития в виде единого информационного ресурса, оценка налогового потенциала регионов создают основу для определения функциональных зависимостей между макро- и

48

ЭКОНОМИЧЕСКИЙ АНАЛИЗ: жгсрш -и теРАЪжкы

¡/РСето^шса и^гНоуира&гКия. блуи

10 (43)-2005

микроэкономическими показателями и состоянием налоговой базы. На этой основе может быть оценен налоговый потенциал отраслей экономики и регионов страны. В результате создается надежная база для повышения эффективности бюджетно-налогового планирования и прогнозирования, а также оперативного решения многомерных задач управления.

Главным средством инструментальной поддержки управленческих решений является разработка, реализация и использование методов математического моделирования. Разработка математических моделей включает следующие основные этапы:

Создание концептуальной модели — отбираются параметры и переменные объекта, уточняются критерии эффективности функционирования системы. Из всех возможных параметров входов и выходов объекта выделяются наиболее существенные, чтобы снизить размерность модели и упростить анализ. Под критерием эффективности понимается скалярная величина, учитывающая характеристики объекта и расход ресурсов, выделенных на его функционирование в течение определенного времени. Проводится предварительный анализ требований к модели, определяются математические методы моделирования и методы проверки адекватности модели. Выбираются средства программной реализации.

Формальное описание модели — составляется алгоритм взаимодействия отдельных компонентов модели, программируется модель, проводится отладка программ с помощью тестов, составляется инструкция по работе с программой.

Исследование свойств модели — оцениваются точность описания реальных явлений и устойчивость результатов моделирования.

Эксплуатация модели — определяются условия проведения опытов для решения поставленной задачи с требуемой точностью. Проводятся рабочие расчеты модели.

Анализ результатов моделирования — формулируются рекомендации по уточнению модели. На интерпретацию результатов существенное влияние оказывают изобразительные возможности программного обеспечения, которые обязательно должны предусматривать графическое отображение данных.

Одним из наиболее перспективных видов использования моделирования в работе налоговых органов является моделирование основных параметров деятельности типовых налогоплательщиков и их взаимоотношений с бюджетом по уплате налогов, которое условно можно назвать «микроимитационным» моделированием.

Микроимитационные модели — это аналитические вычислительные модели, основанные на использовании отчетных данных по налогоплательщикам. Налоговые органы могут применять микроимитационные модели для оценки изменения собираемости налогов по типам налогоплательщиков. Базы данных, построенные для микроимитационных моделей, также могут использоваться для установления критериев выбора налогоплательщиков для проведения налоговых проверок.

Микроимитационные модели могут использоваться для оценки ожидаемых налоговых поступлений, влияния изменений законодательства на уровень налоговой базы, планирования социальных программ, установления зависимости между показателями уплаты различных налогов, анализа влияния налоговых изменений на микроэкономику и, наоборот, расчета «недобора» поступлений налогов в разрезе налогоплательщиков, отраслей и т.д.

Единого подхода к построению микроимитационных моделей не существует, однако все множество микроимитационных моделей можно условно разбить на два класса — статические и динамические модели. Статические модели чаще всего используются для имитации возможных краткосрочных последствий конкретных, детально специфицированных изменений налоговых законов и фискального регулирования. Динамические модели используются главным образом для имитации долгосрочных последствий изменений в налогообложении и фискальном регулировании.

Стандартная микроимитационная модель состоит из трех компонентов:

• база данных микроэкономического уровня. Как правило, это данные по налоговым декларациям юридических и физических лиц за несколько лет;

• программа расчета налогов по этим данным — «налоговый калькулятор», который по исходным данным, указанным в налоговой декларации, рассчитывает причитающиеся с налогоплательщика налоги в условиях действующего и альтернативного законодательства. Данная программа может быть дополнена также блоком «поведенческих реакций» налогоплательщиков на изменения налогового законодательства;

• программа представления результатов, которая формирует выходные данные, показывающие, сколько налогов предстоит заплатить различным группам плательщиков при сохранении действующего законодательства и в условиях принятия нового законодательства, как

ЭКОНОМИЧЕСКИЙ АНАЛИЗ: ЖВОРШ и -НРАХШЪХ*

49

(^СЫик^шсл Яллага&ис ба^и

10 (43)-2005

будет распределяться налоговое бремя, какие категории плательщиков выиграют, а какие проиграют в результате принятия нового законодательства, как изменится общий уровень доходных поступлений. Кдостоинствам микроимитационных моделей следует отнести:

• возможность получения оценки ожидаемых налоговых поступлений по разным категориям плательщиков: по физическим лицам с разными уровнями доходов, по предприятиям разных отраслей, по получателям разных видов доходов и т.д.;

• возможность оценки «недобора» поступлений;

• использование подробной информации о налоговых базах, позволяющей смоделировать изменения в налоговом законодательстве;

• возможность выявления зависимости между разными налогами, в частности между налогами, взимаемыми с доходов (прибыли), акцизами и имущественными налогами;

• потенциальная возможность анализа не только влияния налоговых изменений на макроэкономику, но и обратного эффекта — изменений налоговых поступлений вследствие макроэкономических изменений.

Основным источником данных для микроимитационных моделей служат базы данных по некоторой выборке налогоплательщиков в зависимости от моделируемого налога. Такая база данных должна содержать по возможности полную информацию, необходимую для расчета налоговых обязательств по каждому налогоплательщику. В первую очередь это должны быть сведения, которые сами налогоплательщики указывают в своих налоговых декларациях в качестве исходных данных для расчета налогов, а также сведения из других источников (сведения о стоимости находящейся в собственности плательщиков недвижимости, отчеты о финансовых результатах и т.д.). Выборка налогоплательщиков должна быть представительной, т.е. охватывать разные категории плательщиков (резидентов и нерезидентов, юридических и физических лиц).

Точных методов выборки налоговых деклараций на сегодня нет. В случае однородности множества деклараций вполне допустимо применение обычной случайной выборки. При необходимости обработки множества видов налоговой отчетности юридических и физических лиц используются методы стратификации данных. Метод стратификации зависит от свойств генеральной совокупности изучаемых объектов (налогоплательщиков). Например, в США про-

цент выборки деклараций по подоходному налогу физических лиц, валовой доход которых превышает 200 тыс. дол. в год, в четыре раза выше, чем процент выборки деклараций лиц с более скромными доходами. Большинство стран, применяющих микроимитационные модели для анализа предлагаемых реформ налога на прибыль предприятий, пользуются стратифицированными выборками, причем для разбития генеральной совокупности предприятий на страты используются такие признаки, как отраслевая принадлежность, величина налоговых обязательств, уровень получаемых доходов, стоимость активов на балансе предприятия и др.

Последний компонент базы данных микроуровня — это блок экстраполяции исходных данных на будущее. Чтобы рассчитать налоговые поступления в условиях действующего или альтернативного законодательства, но с учетом экономического роста, эти данные необходимо экстраполировать на будущее. Один из самых простых способов экстраполяции — это разбитие выборки в зависимости от основного источника доходов, потребительского профиля и построение для каждой такой группы прогноза с использованием сложившихся тенденций, учетом прогнозов макроэкономических показателей, полученных из других источников. При этом используются методы регрессионного анализа.

Имея экстраполяцию данных микроуровня на нужный период, можно рассчитать по этим данным причитающиеся с налогоплательщиков налоги и изменить полученные результаты с учетом весовых коэффициентов, чтобы перейти от выборочных данных к данным по генеральной совокупности налогоплательщиков.

Одно из последних достижений в области микроимитационного моделирования заключается в развитии методологии выявления, учета и использования в прогнозировании и планировании имеющихся обратных связей между налоговой сферой и экономическим поведением хозяйствующих субъектов. Оказываемые государством управляющие воздействия на экономику, влияющие на налоговую базу и величину налогового бремени хозяйствующих субъектов, изменяют их экономическое поведение. Проблемой является выявление обратных связей, их точная численная оценка. Для этого необходима максимально подробная и точная исходная информация, позволяющая оценить реакцию экономических субъектов на изменение налоговой политики. Получить подобные оценки поведенческих реакций очень непросто. Однако, если сформированные информационные ресурсы

50

ЭКОНОМИЧЕСКИЙ АНАЛИЗ: жгоръя и -КРАКШСМ

н^ю-гНо^ифоблЯ«^ Яллаго&ой ба^и

10 (43)-2005

позволят решить эту задачу, можно будет говорить о превращении относительно статичной модели в модель динамичную, в полном смысле этого слова имитационную.

Если обратные связи выявлены и включены в микроимитационную модель, расчеты по ней производятся в таком порядке:

• оценивается изменение налогов в результате предлагаемого изменения налогового законодательства;

• задаются различные варианты поведения налогоплательщиков и рассчитывается для каждого из вариантов изменение их налоговой базы;

• это изменение распределяется между всеми налогоплательщиками в выборке, после чего вновь рассчитываются налоговые поступления. Микроимитационная модель является интерактивной, т.е. ей можно задавать новые варианты налогового законодательства, пользоваться старыми, заданными ранее вариантами, внося в них необходимые изменения, а результаты выводить в формате, требуемом для решения конкретной задачи.

Проблема прогнозирования налоговых поступлений в значительной степени может быть сведена к моделированию динамики базы налогообложения в зависимости от различных макро- и микроэкономических параметров, а также управляющих воздействий со стороны государственных органов на экономику.

Прогнозирование налоговых поступлений как временных рядов допустимо в случае, если параметры налоговой и бюджетной политики, а также экономические условия в расчетном периоде неизменны. Прогноз формируется либо с помощью стандартных статистических процедур прогнозирования временных рядов (трендовые модели, модели авторегрессии, модели статистического сглаживания различных типов), либо путем экстраполяции сложившихся и рассчитанных в ретроспективном периоде темпов прироста налоговых поступлений по отношению к выбранному базовому периоду. Данный метод применим в основном при разработке проектов заданий по сбору налогов на краткосрочный период (от одного месяца до одного квартала текущего финансового года), а полученные данным методом прогнозы можно использовать только как ориентиры для формирования плановых заданий.

Прогнозирование динамических рядов с использованием трендовых моделей предполагает их предварительный анализ. Если анализ динамики временного ряда позволяет обнаружить какие-то

закономерности, которые можно экстраполировать на будущее, учет этих закономерностей в модели позволит сделать прогноз более точным. Прогноз стохастического временного ряда можно в некоторых случаях улучшить за счет включения в модель авторегрессионной составляющей и скользящих средних. Для применения этой методологии необходимо установить, является ли интересующий нас временной ряд стационарным. С другой стороны, многие нестационарные ряды приводятся к стационарному виду.

Оценка точности сформированных математических моделей поступлений налогов и сборов производится путем расчета ряда стандартных статистических характеристик и сравнения модельного ряда с фактическим поступлением налогов в ретроспективном периоде.

Использование факторных моделей предполагает прогнозирование налоговых поступлений с учетом возможных изменений показателей социально-экономического положения в регионах Российской Федерации, основных отраслях экономики, на мировых товарных и финансовых рынках. Параметры бюджетной политики принимаются неизменными. Факторные модели представляют собой стохастические уравнения, которые устанавливают зависимость между моделируемой переменной и некоторым набором экономических показателей. Основная идея этого подхода заключается в том, что динамика временного ряда, прогноз которого требуется построить, может зависеть от поведения некоторых других переменных, ретроспективные данные по которым доступны.

При использовании структурных моделей неявно предполагается наличие причинно-следственных связей между зависимой и независимыми переменными. Направление причинно-следственных связей при этом идет от независимых переменных к зависимой (моделируемой) переменной. Подобная интерпретация позволяет подбирать объясняющие переменные исходя из качественных, содержательных соображений.

Основным математическим инструментом для структурных моделей являются модели регрессии. Оценка качества регрессионных моделей производится путем расчета ряда стандартных статистических характеристик (средняя и максимальная абсолютная ошибка, статистика Дарбина — Уотсона, коэффициенты множественной корреляции и детерминации и др.), а также формирования прогноза налоговых поступлений в ретроспективном периоде и сравнения его с фактическими данными.

ЭКОНОМИЧЕСКИЙ АНАЛИЗ: жгорш -к тержтсм

51

/Кемь^икл ^ю-гНо^и^лбаНи^ Нсыагобаи блуи

10 (43)-2005

У структурных регрессионных моделей есть ряд достоинств для использования при прогнозировании. Во-первых, они нередко позволяют получить хорошие результаты даже при моделировании переменных, которые, казалось бы, ведут себя чисто случайным образом. С помощью однофакторных (динамических) моделей хорошего прогноза таких переменных построить не удается. Однако, если, например, между поступлениями налога на прибыль и индексом промышленного производства существует устойчивая зависимость, то включение в модель этого индекса может существенно улучшить ее прогнозные свойства. Методы макроимитационного моделирования предназначены для прогнозирования поступления налогов в целях оценки возможных изменений налоговых поступлений вследствие как изменений социально-экономических условий, так и параметров налоговой и бюджетной политики на федеральном и региональном уровнях. Метод имитационного моделирования состоит в математическом описании динамических процессов, воспроизводящих функционирование изучаемой системы

Важное место в научно-методологическом плане здесь занимает сценарный подход, позволяющий проводить многовариантный ситуационный анализ различных управляющих и внешних воздействий на систему. Каждый сценарий связывает изменение внешних условий с результирующими переменными.

Применение имитационного моделирования и сценарного подхода нацелено на решение задач прогнозирования и анализа последствий различных управляющих воздействий со стороны налоговых и других государственных органов, а также оценку возможных последствий различных изменений внешней среды (экономической ситуации в отраслях и регионах, конъюнктуры цен на российских и мировых рынках и др.).

Наиболее результативно имитационное моделирование в информационно-аналитических системах, поддерживающих концепции хранилищ данных, что позволяет проводить оперативный многомерный анализ за счет интеграции информации из различных источников.

Предварительно необходимо создать модели расчета сумм поступлений для каждого вида налогов на основе набора нормативных показателей (ставки налогов, нормативы распределения доходов по видам налогов), показателей налоговой базы, социально-экономических показателей, а также других параметров. Базовым вариантом данной модели могут служить расчеты поступлений по статьям бюджетной классификации доходов, со-

держащиеся в приложениях к законам о федеральном бюджете соответствующего финансового года.

Имитационная модель налоговых поступлений математически описывает зависимость доходов по каждому виду налога как функцию от его индивидуальных факторов. Такими факторами являются:

• нормативы государственной налоговой и бюджетной политики (ставки налогов и сборов, нормативы распределения доходов между бюджетами различных уровней);

• уровень собираемости основных видов налогов и сборов;

• показатели социально-экономического развития (прибыль, облагаемые обороты товаров и услуг, объемы производства подакцизных товаров, денежные доходы населения, объемы производства в отраслях, осуществляющих природопользование, стоимость имущества юридических и физических лиц и др.);

• ключевые финансовые индикаторы (курсы валют, цены на мировых товарных рынках на основные виды российского экспорта и др.). Значения показателей-факторов в прогнозном

периоде могут задаваться экспертно (например, значения ставок и нормативов, предлагаемые проектами законов о бюджете, изменениями Налогового кодекса) или формироваться расчетным путем. Как и в микроимитационных моделях, многообразные обратные связи между государственной налоговой, бюджетной и экономической политикой и поведением хозяйствующих субъектов требуют выявления, количественной оценки и учета.

Результатами расчета имитационной модели являются прогнозы ожидаемого объема и структуры налоговых поступлений для каждой совокупности значений сценарных факторов.

Важным достоинством методов имитационного моделирования является возможность сравнительной оценки ожидаемых налоговых поступлений при различных вариантах управляющих воздействий со стороны государства, а также при различных сценариях микро- и макроэкономических условий деятельности налогоплательщиков и исполнения бюджетов. Результаты расчетов могут быть наглядно сопоставлены между собой с использованием деловой графики. Применение имитационных подходов наиболее целесообразно при разработке и оценке обоснованности проектов доходных частей бюджетов, заданий по мобилизации налогов и сборов в федеральный бюджет, бюджеты субъектов Российской Федерации, государственные бюджетные и внебюджетные фонды.

52

ЭКОНОМИЧЕСКИЙ АНАЛИЗ: жго?>ъя и кр#К№съ4