Научная статья на тему 'ПРОГНОЗИРОВАНИЕ ПОСТУПЛЕНИЙ ФЕДЕРАЛЬНЫХ НАЛОГОВ И СБОРОВ ПРИ ПОМОЩИ ЭКОНОМЕТРИЧЕСКОГО МОДЕЛИРОВАНИЯ'

ПРОГНОЗИРОВАНИЕ ПОСТУПЛЕНИЙ ФЕДЕРАЛЬНЫХ НАЛОГОВ И СБОРОВ ПРИ ПОМОЩИ ЭКОНОМЕТРИЧЕСКОГО МОДЕЛИРОВАНИЯ Текст научной статьи по специальности «Экономика и бизнес»

CC BY
126
24
i Надоели баннеры? Вы всегда можете отключить рекламу.
Ключевые слова
НАЛОГИ / СБОРЫ / ПРОГНОЗИРОВАНИЕ / ДОХОДЫ ФЕДЕРАЛЬНОГО БЮДЖЕТА / БЮДЖЕТНАЯ СИСТЕМА / МУЛЬТИПЛИКАТИВНАЯ МОДЕЛЬ / ФИКТИВНЫЕ ПЕРЕМЕННЫЕ / TAXES / FEES / FORECASTING / FEDERAL BUDGET REVENUES / BUDGET SYSTEM / MULTIPLICATIVE MODEL / DUMMY VARIABLES

Аннотация научной статьи по экономике и бизнесу, автор научной работы — Графова Т. О., Колесникова К. В.

Рассматривается проблема экономического прогнозирования объёмов поступлений федеральных налогов и сборов на примере Южного федерального округа. Была построена эконометрическая модель ряда с введением фиктивных переменных. По данным с 01.01.2018 по 31.03.2020 гг. осуществлен прогноз на два последующих месяца.

i Надоели баннеры? Вы всегда можете отключить рекламу.
iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

FORECASTING FEDERAL TAX REVENUE AND FEES USING ECONOMETRIC MODELING

The article considers the problem of economic forecasting of the volume of federal taxes and fees by the example of the Southern Federal District. To make a forecast, an econometric model was constructed with the introduction of dummy variables.The main objective of the study is the implementation of a short-term forecast using an econometric model. According to data from 01/01/2018 to 03/31/2020. an economic forecast of federal tax revenues was made and for the next two months.In conclusion, the proposed forecasting technique has such advantages as efficiency and simplicity.

Текст научной работы на тему «ПРОГНОЗИРОВАНИЕ ПОСТУПЛЕНИЙ ФЕДЕРАЛЬНЫХ НАЛОГОВ И СБОРОВ ПРИ ПОМОЩИ ЭКОНОМЕТРИЧЕСКОГО МОДЕЛИРОВАНИЯ»

Прогнозирование поступлений федеральных налогов и сборов при помощи эконометрического моделирования

Т.О. Графова, К.В. Колесникова Российская таможенная академия (Ростовский филиал), Ростов-на-Дону

Аннотация: Рассматривается проблема э кономического прогнозирования объёмов поступлений федеральных налогов и с боров на примере Южного федерального округа. Была построена э конометрическая модель ряда с введение м фиктивных переменных. По данным с 01.01.2018 по 31.03.2020 гг. осуществлен прогноз на два последующих месяца. Ключевые слова: налоги, сборы, прогнозирование, доходы федерального бюджета, юджетна систе а, ульти ликативна одель, фиктивные ере енные.

В настоящее время можно говорить о применении экономических прогнозов как о б одном из основных спосо бов определения приоритетных направлений раз вития э коном ических систем [1,2]. Так, оценка эффективности принятых экономических решений в о бласти налогоо бложения становится возможной благодаря экономико-математическим прогнозам поступлений налогов и с боров в бюджетную систему государства.

Формирование доходной части федерального бюджета выступает одной и осново ола ающих целей функционировани Федеральной налоговой службы. Среди федеральных налогов и с боров выделяют: налог на при б ыль организ аций, налог на доходы физ ических лиц (НДФЛ), государственная пошлина, налог на до бавленную стоимость (НДС), акциз, налог на до бычу полезных ископаемых, водный налог, и другие налоги и с б оры [3].

По своей сути доходы федерального бюджета являются экономическими отношениями м ежду государством и налогоплательщиками ( лательщика и с оров), которы и ри наютс как юридические организации, так и физические лица. А потому, ведение статистики поступлений федеральных налогов и с б оров и, в частности, прогнозирование

о бъем ов налоговых с боров з аним ает одну из ключевых ролей в деятельности налоговых органов.

Налоговое прогнозирование является оценкой поступлений налогов и с б оров в бюджетную систему [4]. Для сферы налогоо бложения актуальной является про блем а э ффективного проведения прогнозирования для наи более точного составления плана налоговых п оступлений.

Основной целью данного исследования является осуществление краткосрочного прогноза с использованием эконометрической модели и вводом фиктивных переменных о бъемов поступлений федеральных налогов и с боров в регионе деятельности Южного федерального округа (далее -ЮФО). Для получения качественных и количественных оценок нео бходимо учитывать ножественные факторы и св и [5,6].

В рамках проводимого исследования нео бходимо подчеркнуть его новаторскую составляющую, поскольку прогнозирование по данным поступлений федеральных налогов и с б оров при п ом ощи э коном етрических оделей недостаточно активно ис оль уетс в рактике де тельности налоговых органов.

В ходе данной ра оты осуществл етс коно етрическое оделирование вре енно о р да ри о ощи введени фиктивных переменных [7,8]. Благодаря введению фиктивных перем енных м ожно существенно улучшить э коном етрическую м одель. Фиктивные перем енные могут быть равны только 0 или 1, таким о браз ом характеризуя всплески динамичных рядов [9]. Эффективность описанного м етода м ожно проиллюстрировать в процессе прогнозирования поступлений федеральных налогов и сборов.

Дл осуществлени краткосрочно о ро но а осту лений федеральных налогов и с боров нео бходимо о братиться к статистическим данным по о бъемам поступлений федеральных налогов и с боров, а именно,

осуществить вы б орку п о региону деятельности Южного федерального округа и в виде помесячных данных [10] с 01.01.2018 по 31.03.2020 г. Поскольку исходные данные предоставляются нарастающим итогом, нео бходим о так же посчитать их в чистом виде (табл. 1).

Таблица № 1

О бъемы поступлений федеральных налогов и с боров в Южном федеральном

округе, млрд. руб.

Месяц 2018 2019 2020

01 58,61115 61,79969 66,93413

02 31,53222 37,94343 47,99643

03 92,14735 93,17075 99,50835

04 71,30810 91,11556 -

05 61,71677 42,85397 -

06 79,05761 70,61285 -

07 100,30072 113,52680 -

08 45,24131 57,45158 -

09 85,74790 78,76581 -

10 88,95783 92,00446 -

11 56,66927 64,11950 -

12 91,31929 107,97540 -

Первы та о оделировани вре енно о р да высту ает остроение е о рафика (рис. 1).

У1

0 5 10 15 20 25 30

Рис. 1. - Динамика поступлений федеральных налогов и с б оров ЮФО,

млрд. ру б.

Исследовав графическое представление врем енного ряда на рис.1, делаем вывод о том, что присутствует сезонная составляющая с периодом 1 =12 и линейного тренда. Далее переходим к исп ольз ованию мультипликативной модели временного ряда. Таким о бразом, начинаем построение м одели:

У = Т*Б*Е, (1)

где Т - трендовая компонента, Б - сезонная компонента, Е - случайная компонента. Для начала методом скользящей средней производим выравнивание изначальных уровней ряда. Вторым этапом исчисляем центрированные скользящие средние. Затем делим на них фактические уровни ряда Уъ и получаем оценки сез онной ком поненты. Последним шагом исчисли начени се онных ко онент, рини а во вни ание, что суммарное значение за все 12 периодов о бязана равняться 12 (таблица 2). В данном случае корректирующий коэ ффициент равен 1,0137.

Таблица № 2

Скорректированная сез онная компонента

Показате ль Год Номер квартала

1 2 3 4 5 6 7 8 9 10 11 12

2018 1,39 0,62 1,18 1,21 0,77 1,26

2019 0,85 0,51 1,26 1,23 0,58 0,94 1,49 0,75 1,02

£ 0,85 0,51 1,26 1,23 0,58 0,94 2,88 1,37 2,20 1,21 0,77 1,26

5 •-"ср 0,85 0,51 1,26 1,23 0,58 0,94 1,44 0,69 1,10 1,21 0,77 1,26

0,86 0,52 1,28 1,25 0,59 0,95 1,46 0,70 1,11 1,23 0,78 1,28

Для получения десез онализированного ряда каждый уровень исходного ряда нужно разделить на соответствующее значение сез онной компоненты Графически представим десезонализированный ряд Б ) на рис. 2.

У/Б

110

70

90

у = 0,431х + 69,224 R2 = 0,1315

50

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27

ис. 2. - Поведение линейно о тренда десе онали ированно о р да

Регрессионный анализ показывает, что фактическое значение F-критерия Фишера данной м одели (у = 0,4311+ 69,224) равно 12 и больше Fтабл = 3,34. Кром е того, м ожно говорить о з начимости 1-статистики оценок параметров м одели. Однако коэ ффициент детерминации Я2 = 0,1315 говорит о не ри одности данной одели дл качественно о ро но ировани . Дл подтверждения этой мысли целесоо бразно вычислить процент ошибки прогноз ирования по формуле:

где Уг- среднее арифм етическое з начение уровней ряда ус, уг - расчетные з начения линейного тренда построенной м одели.

Так, расчёт доли ошибки составил 21%. Данный процент позволяет у едитьс в то , что одель не ожет ис оль оватьс дл ро но а.

Нео бходимо проанализировать структуру полученного ряда. На рисунке 2 наглядно видно, что наи б олее сильные отклонения у1 от линейного тренда происходят, когда 1=2, 4, 5, 26. Произвести сглаживание данный отклонений рекомендуется путём ввода фиктивных перем енных.

Улучшение модели тренда после до бавления фиктивных переменных подразумевает трудоемкий процесс, включающий постепенные многочисленные из м енения модели. В конечном итоге б ыло получено уравнение тренда с фиктивными п еременными 24, 25, 726, приним ающими з начение 1 для рассм атриваем ого периода t и 0 - для остальных:

ЕСэъ-Ю2

(2)

М Инженерный вестник Дона, №7 (2020) ivdon.ru/ru/magazine/arcliive/n7y2020/6540

= ( '

(3)

69,15 + 0,371 * t - 9,427 * ,65 * + 13,479 * 25 + 13,24 * 226,

С целью проверки п олученной м одели (3) на адекватность рассм отрим

показ атели регрессионной статистики и дисп ерсионного анализ а (рис. 3).

Регрессионная статистика

Множественный Я 0.909824868

К.аадрат 0,82778129

Нормированный Я-квадрат 0.786776835

Стандартная ошибка 4.355877828

Наблюдения 27

Дисперсионный анализ

Ш МЭ Я Значимость Р

Регрессия 5 1915,163906 383.0327812 20.18759406 2.231596-07

Остаток 21 398.4471047 18.97367165

Итого 26 2313.611011

Коэффициенты Стандартная ошибка ¡-статистика Р-Значение Нижние 95%

У-пе ре сечение 69.15057453 2.107417769 32,81294081 1.57673Е-19 64,76795936

1 0.371041207 0.128263689 2,892800066 0.008705466 0.104302264

22 -9.426509518 4.743947485 -2,987060259 0.040116074 •19.29208839

24 -13.65011886 4.661202288 -2.92845451 0,008029487 -23,34361968

25 34,47887485 4.624613066 7,455515599 2.50139Е-07 24,8614655

226 13.24024903 4.674686843 2 832328555 0.009978226 3.518705553

Рис. 3. - Показ атели регрессионной статистики и дисперсионного анализ а

Из рис. 3 мы видим, что фактическое F-з начение равно 20,18759. Кром е того Я2= 0,82778. О братимся к таблице распределения Фишера и увидим, что Ртабл = 3,34. Также нео бходим о о братиться к таблице критических з начений 1;-критерия Стьюдента, а именно значения ^статистик для коэффициентов модели (2) нео бходимо соп оставить с табличным значением t при з аданном уровне з начим ости 0,05. Таким о браз ом, м ы видим, что 1табл = 2,06. Делаем вывод о том, что все 1-статистики являются значимыми, поскольку по модулю они - больше та бличного з начения.

Мультипликативную м одель для прогноз а представим в виде формулы:

У = Т*Б, (3)

где Т представлен формулой (2), з начения Б в табл. 2. Осуществив ввод фиктивных перем енных, получим:

150 100 50 0

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27

y(t) y-теор

Рис. 4. - Графическое из о бражение практических и теоретических уровней

ряда

В целях наглядной демонстрации эффективности данного метода в таблице 3 сравним первоначальные результаты регрессионной статистики до и результаты после введения фиктивных перем енных.

Таблица № 3

Сравнительный анализ регрессионной статистики

Ре грессионная статистика С использованием метода фиктивных переменных Без использования метода фиктивных переменных

Множественный R 0,9098 0,2002

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

R-квадрат 0,8278 0,0401

Нормированный R-квадрат 0,7868 0,0017

F-критерий 20,19 12

Ошибка прогноз а, % 3,04 21

Из табл. 3 видно, что применяемая методика эффективна, так как качественно улучшает прогноз и п оказ атели ре грессионной статистики. Кром е того, б ыла достигнута оши б ка прогноз ирования, равная 3,04%. Данное значение является допустимым, поскольку характер полученных данных, а так же сам и результаты прогноз а являются действительным и, т.е. они соотносятся с реальностью.

На основе полученной модели представляется возможным сделать прогноз. Так, в апреле 2020 г., прогнозное значение о бъемов поступлений

федеральных налоговых с боров составило 99,53 млрд. руб., а в мае 2020 г. прогнозное значение - 46,75 млн. ру б.

Данный прогноз был совершен по данным, датирующимся до чрез вычайной ситуации, связ анной с пандемией COVID-19, когда Правительством был принят ряд временных экономических мер по части налогоо бложения. Ввиду этого, после публикации официальных данных за ай и а рель, ожно удет роследить вли ние не редвиденных о бстоятельств на налоги и с б оры и оценить, насколько их о бъ ёмы спосо бны оказ аться ниже прогноз ных з начений.

В аключение, ожно сделать вывод о то , что етодика краткосрочно о ро но ировани на основе ввода фиктивных ере енных высту ает ффективны етодо в ро но ировании о е ов федеральных налогов и с б оров. В данной ра боте б ыло осуществлено э коном етрическое оделирование с ри енение фиктивных ере енных дл учета выраженных коле аний с целью о ределени ро но ов осту лений федеральных налогов и с боров, что о буславливает несомненные плюсы данного метода, а им енно: простоту его реализации и э ффективность.

Литература

1. Фирсова М.А. К сущности налогового планирования и прогнозирования // Молодой ученый, 2020, № 11. URL: moluch.ru/archive/301/68096.

2. Сайфутдинова Н.А. Моделирование смены технологий // Инженерный вестник Дона, 2013, № 4. URL: ivdon.ru/ru/magazine/archive/n4y2013/213 8/.

3. Гончаренко Л.И. Налоги и налоговая система Российской Федерации. М.: Издательство Юрайт, 2020. 524 с.

4. Карм окова Х.Б. Модель прогноз а налоговых с боров и повышения со бираемости налоговых платежей // Экономический анализ: теория и

М Инженерный вестник Дона, №7 (2020) ivdon.ru/ru/magazine/arcliive/n7y2020/6540

практика, 2014, № 17. URL: cyberleninka.ru/article/n/model-prognoza-nalogovyh-sborov-i-povysheniya-sobiraemosti-nalogovyh-platezhey.

5. Цвиль М.М., Великанова Е.С. Прогнозирование о бъём ов таможенных платежей с использованием фиктивных переменных // Инженерный вестник Дона, 2020, № 3. URL: ivdon.ru/ru/magazine/archive/N4y2020/6401.

6. Wooldridge J.M. Introductory Econometrics: A Modern Approach. South Western: Cengage Learning, 2013. 912 р.

7. Лукашин Ю.П. Адаптивные м етоды краткосрочного прогноз ирования врем енных рядов. М.: Финансы и статистика, 2003. 416 с.

8. Stock J.H., Watson M.W. Introduction to Econometrics. Harvard: Harvard University, 2019. 622 p.

9. Елисеева И.И. Эконометрика. М.: Издательство Юрайт, 2012. 453 с.

10. Официальный сайт Федеральной налоговой службы. URL: nalog.ru.

References

1. Firsova M.A. Molodoy Uchenvy, 2020, № 11. URL: moluch.ru/archive/301/68096.

2. Saifutdinova N.A. Inzhenernyj vestnik Dona, 2013, № 4. URL: ivdon.ru/ru/magazine/archive/n4y2013/2138.

3. Goncharenko L.I. Nalogi I nalogovaya sistema Rossiyskoy Federacii [Taxes and tax system of the Russian Federation]. M.: Izdatelstvo Yurayt, 2020. 524 p.

4. Karmakova H.B. Economicheskiy analiz: theoriya i praktika, 2014, № 17. URL: cyberleninka.ru/article/n/model-prognoza-nalogovyh-sborov-i-povysheniya-sobiraemosti-nalogovyh-platezhey.

5. Csvil' M.M., Velikanova E.S. Inzhenernyj vestnik Dona, 2020, № 3. URL: ivdon.ru/ru/magazine/archive/N4y2020/6401.

М Инженерный вестник Дона, №7 (2020) ivdon.ru/ru/magazine/arcliive/n7y2020/6540

6. Wooldridge J.M. Introductory Econometrics: A Modern Approach. South Western: Cengage Learning, 2013. 912 р.

7. Lukashin U.P. Adaptivniye metodi kratkosroshnogo prognozirovania vremennih ryadov [Adaptive methods for short-term time series forecasting]. M.: Finansi i statistika, 2003. 416 p

8. Stock J.H., Watson M.W. Introduction to Econometrics. Harvard: Harvard University, 2019. 622 p.

9. Eliseeva I.I. Ekonometrika [Econometrics]. M.: Izdatelstvo Yurayt, 2012.

453 p.

10. Ofitsial'nyy sayt Federalnoy nalogovoy slujbi [Official website of the The Federal Tax Service] URL: nalog.ru (accessed 01/07/20).

i Надоели баннеры? Вы всегда можете отключить рекламу.