© о
о; <
О О
Е. В. Астафьева,
научный сотрудник Института экономики переходного периода, кандидат экономических наук
Р. А. Саакян,
начальник Управления анализа и планирования Федеральной налоговой службы, кандидат экономических наук
П
югнозирование — неотъемлемый элемент изучения системы общественных отношений хозяйствующих субъектов и общества в его глобальном масштабе. Сегодня нет ни одной составляющей хозяйственной жизни, которая бы не нуждалась в многовариантных прогнозах развития.
Уровень прогнозирования в различных областях экономики не однозначен по масштабам и качественным параметрам.
Возможные методы прогнозирования налоговых поступлений
УДК 336.221
На этом фоне одной из важнейших сфер для разработки и использования прогнозов является налогово-бюджетная система страны, в которой пересекаются все уровни социально-экономической жизни. Моделирование и прогнозирование поступлений налогов и сборов занимает важное место при разработке эффективной бюджетной политики и в оценке последствий принятия различных ее вариантов.
Существует множество методов построения прогнозов экономических показателей, каждый из которых характеризуется своими требованиями к исходным данным, свойствам прогноза, способам построения и применимости метода на основе имеющейся информационной базы.
В первую очередь, при выборе метода следует руководствоваться не только целью, но и объемом исходных данных. Наиболее точны методы прогнозирования объема налоговых поступлений на базе данных микроуровня (физических лиц, домохозяйств, фирм и т. д.). Микроимитационные модели позволяют получить детальные оценки доходов налогоплательщиков, сгруппированных по уровню отраслевой (видовой) принадлежности и другим признакам. На их основе можно проанализировать недопоступления, определить детализированную структуру налоговых баз, рассмотреть влияние различных направлений налоговых реформ на объемы поступлений, изучить взаимосвязи между различными налогами.
Микроимитационные модели основываются на выборке налоговых деклараций за определенный период, дополненных социально-экономическими характеристиками налогоплательщика, что достигается методами регрессионного анализа.
Микроимитационные модели могут быть статическими или динамическими. Первые используются в построении прогнозов, учитывающих краткосрочные эффекты изменений в налоговом законодательстве. Вторые рассматривают долгосрочные реакции. Отличие между этими моделями состоит в том, что при построении статических моделей поведенческие стратегии налогоплательщиков остаются постоянными и не зависящими от произошедших изменений в налоговом законодательстве. Динамические модели, напротив, учитывают поведенческие реакции на изменения законодательства, а также индуцированные этими изменениями сдвиги в структуре спроса на рынке факторов и товаров.
Микроимитационные модели широко используются для прогнозирования налоговых поступлений в развитых странах: в США, Канаде, Великобритании, Франции, Германии и др. Эффективному применению этих моделей в России препятствует недостаток информации.
При доступности данных индивидуальных налоговых отчетов налогоплательщиков в процессе моделирования и прогнозирования налоговых поступлений может применяться метод «налоговых калькуляторов». При этом обычно используют метод репрезентативного налогоплательщика и метод агрегирования.
Метод репрезентативного налогоплательщика предполагает выделение типичного представителя для каждой группировочной категории. Затем на основе индивидуальной налоговой декларации исчисляются текущие налоговые обязательства этого налогоплательщика. Данный метод позволяет моделировать влияние изменений налогового законодательства на различные категории налогоплательщиков.
Метод агрегирования позволяет прогнозировать суммарные налоговые поступления при наличии базы индивидуальных налоговых отчетов за несколько лет, значений темпов экономического роста и дефлятора. Налогоплательщиков разбивают на несколько групп, каждой из которых присваивают определенный вес. Затем для каждого отдельного налогоплательщика исчисляются налоговые обязательства, что вместе с данными о значениях темпов роста позволяет построить прогноз налоговых
поступлений на следующий период. Такой метод используется для прогнозирования налоговых поступлений Казначейством США. На его основе Казначейство рассчитывает средние значения предельных налоговых ставок для определения выравнивающего действия налоговой системы.
С точки зрения наличия исходных данных более доступными для реализации представляются подходы к моделированию и прогнозированию налоговых поступлений, основанные на данных макроуровня или уровня секторов экономики. Как правило, в этом случае используются экономико-математические и статистические методы анализа (экстраполяционные методы, методы регрессионного моделирования, структурные модели).
При выборе того или иного метода, во-первых, руководствуются объемом исходных данных, так как длина и доминирующие составляющие динамики (трендовая, сезонная, цикличная, случайная) исследуемого временного ряда могут существенно повлиять на эффективность прогнозных оценок.
Во-вторых, на выбор метода прогнозирования влияет задача построения прогноза. Так, если цель исследования состоит в оценке ожидаемого уровня показателя при известных прогнозных значениях влияющих на него факторов, то методы экстраполяции неприменимы — следует использовать методы выявления причинно-следственной связи между показателями.
В-третьих, к факторам, влияющим на выбор методов, следует отнести горизонт прогнозирования. Так, при использовании авторегрессионых моделей можно говорить о прогнозах на краткосрочную (в некоторых случаях — среднесрочную) перспективу. Решение же задач долгосрочного прогнозирования, как правило, связано с изучением конечных эффектов воздействия экономической (налоговой) политики на экономические показатели (уровень налоговых поступлений, собираемость и т. д.). Причем эти эффекты могут определяться уже сложившимися, учтенными в модели зависимостями, либо быть экзогенными по отношению к системе (например, связанными с проводимыми реформами). Решение таких задач часто осуществляется на основе вычислительных или прикладных моделей общего равновесия либо с привлечением различных (в том числе статистических) технологий сбора и анализа экспертных оценок.
К экстраполяционным относятся все экономико-математические методы анализа и прогнозирования показателей, которые в качестве исходной информации используют только данный показатель за предыдущие периоды. Построение прогноза переменной осуществляется в данном случае на базе модели ее динамики, построенной на основе значений этой переменной в ретроспективном периоде.
Основной недостаток, ограничивающий использование методов экстраполяции, — их «автономность». Прогнозы, полученные этими методами, базируются на предположении неизменности выявленных тенденций в будущем и не зависят от сценарных условий социально-экономического развития. Очевидно, что моделирование таких показателей, как налоговые поступления, налоговые базы, налоговые ставки, уровни собираемости налогов для большинства бюджетообразующих налогов, невозможно без использования факторов социально-экономического развития. Вместе с тем, учитывая ограниченность российской статистики, экстраполяционное моделирование можно рассматривать как один из возмож-
ных методов построения краткосрочных прогнозов g налоговых доходов бюджета РФ, которые затем не- ^ обходимо корректировать с учетом известных изме- о нений в налоговом законодательстве и собираемо- к сти налогов. □=
Для моделирования фискальных показателей тра- х диционно используются экстраполяционные методы: 5 экспоненциальное сглаживание; трендовые модели; v авторегрессионные и модели скользящего среднего. о
Методы экспоненциального сглаживания являются ™ одним из наиболее распространенных приемов вы- ^ равнивания и прогнозирования широкого класса вре- < менных рядов, в основе которого лежит расчет экс- х поненциальных средних. При выборе конкретного е метода для оценки значений временного ряда в будущем обычно руководствуются его динамическими свойствами. Главное достоинство прогнозной модели, основанной на экспоненциальной средней, состоит в том, что она способна последовательно адаптироваться к новому уровню процесса без значительного реагирования на случайные отклонения.
При прогнозировании налоговых поступлений с помощью трендового метода используется средний темп роста ретроспективных данных за определенный временной интервал. Этот подход является наиболее простым и в развитых странах редко применяется для прогнозирования поступления налогов, но часто используется для прогнозирования уровня их собираемости. Такая оценка собираемости обычно используется для корректировки прогнозов налоговых поступлений, полученных каким-либо другим методом.
Методы построения моделей авторегрессии с ошибками в форме скользящего среднего (ARIMA) основаны на более сложных по сравнению с методами экспоненциального сглаживания функциональных формах и методах оценки и предполагают наличие данных достаточно длинных временных рядов. Правильная спецификация модели ARIMA во многом определяется классификацией анализируемого временного ряда: является ли он стационарным около детерминированного тренда (TS — trend stationary) или содержит стохастический тренд (DS — difference stationary). В первом случае производится оценка модели ряда в уровнях с включением детерминированного тренда в оцениваемую спецификацию, во втором переходят к первым (или, если есть такая необходимость, ко вторым и далее) разностям (дифференцированному ряду). Отметим, что в случае наличия детерминированного тренда в рядах данных возможны вариации в спецификации модели.
Выбор той или иной модели ARIMA для прогнозирования налоговых поступлений основывается на анализе точности получаемых точечных прогнозов. При этом, как отмечается в работах, посвященных анализу точности макроэкономических прогнозов, переход к разностям предпочтителен в случаях, когда разм
Для дальнейшего прочтения статьи необходимо приобрести полный текст. Статьи высылаются в формате PDF на указанную при оплате почту. Время доставки составляет менее 10 минут. Стоимость одной статьи — 150 рублей.