Моделирование налогового потенциала региона

Шемякина Марина Сергеевна ORCID: 0000-0003-3515-2680 кандидат экономических наук доцент, кафедра бухгалтерского учета, налогов и экономической безопасности, Поволжский государственный технологический университет 424000, Россия, г. Йошкар-Ола, пл. Ленина, 3 Shemyakina Marina Sergeevna PhD in Economics Associate Professor, Department of Accounting, Taxes and Economic Security, Volga State Technological University 424000, Russia, Yoshkar-Ola, Lenin Square, 3 sh.marina.s@gmail.com Другие публикации этого автора

Анализ структуры налоговых доходов консолидированного бюджета РФ позволяет выявить динамику поступления налогов и сборов, исследовать их совокупность на равномерность и определить вектор дальнейшего развития работы налоговых органов по их собираемости.

Исследование налоговых доходов проведено на примере консолидированного бюджета Республики Марий Эл, а его результаты позволили сделать вывод об их стабильной положительной динамике. При этом доля трех основных налогов (налог на доходы физических лиц, налог на прибыль организаций, налог на имущество организаций) в среднем составляла с 2010 по 2014 г. 84%, а коэффициент равномерности с 2012 по 2014 г. 0,85. Исходные данные представлены в таблице 1, расчет коэффициента равномерности – в таблице 2.

Таблица 1.

Поступление налоговых доходов в консолидированный бюджет Республики Марий Эл

Таблица 2.

Расчет коэффициента равномерности налоговых поступлений

Проведенное исследование позволяет сделать вывод о том, что оценку консолидированного бюджета Республики Марий Эл и прогнозирование налогового потенциала региона можно осуществлять по трем основным налогам: налогу на доходы физических лиц, налогу на прибыль организаций и налогу на имущество организаций.

Для построения модели нами использован корреляционно-регрессионный анализ.

Рассмотрим поступления по налогу на доходы физических лиц в консолидированный бюджет Республики Марий Эл. С 2006 по 2013 гг. наблюдается их стабильный рост. Рабочей гипотезой исследования выступает положение о том, что существует зависимость между поступлениями НДФЛ и показателем средняя номинальная начисленная заработная плата.

Рисунок 1. Поступления НДФЛ в консолидированный бюджет Республики Марий Эл в 2006-2013 гг.

Исходные данные для расчета приведены в таблице.

Таблица 3.

Исходные данные для построения модели

Построим корреляционное поле между поступлениями НДФЛ и выделенным нами зависимым показателем- средней номинальной начисленной заработной платы.

Рисунок 2. Корреляционное поле зависимости НДФЛ от средней номинальной начислено заработной платы.

Анализ графика показывает наличие линейной связи между исследуемыми параметрами.

На следующем этапе необходимо построить матрицу парных коэффициентов корреляции .

Таблица 4

Матрица парных коэффициентов корреляции

Коэффициент корреляции (множественный R) стремится к 1, что означает сильную взаимосвязь между зависимой и независимой переменной.

Проведем регрессионный анализ исходных данных.

Таблица 5

Регрессионная статистика

Коэффициент детерминации (R-квадрат) показывает, что в 99 % случаях изменчивость y (поступления по налогу на доходу физических лиц) можно объяснить с помощью прогнозного значения средней номинальной начисленной заработной платы.

Нормированный R-квадрат практически не отличается от коэффициента детерминации, что свидетельствует о качестве предложенной модели.

Таблица 6

Коэффициенты, полученной модели

В результате анализа t-статистики Стьюдента (t_{расчетное}=27,5 > t_{табличное}=2,36) , оценивающей отношение величины линейного коэффициента корреляции к среднему квадратическому отклонению, сделан вывод, что между переменными существует зависимость и найденный коэффициент корреляции значим.

P-Значение составило менее 0,05, что также свидетельствует о значимости полученного уравнения.

Оценка статистической значимости уравнения произведено с помощью F-критерия Фишера. Табличное значение F-критерия (для уровня значимости α = 0,05) составляет 5,32, что меньше F = 759,3. Отсюда следует вывод о статистической значимости уравнения регрессии. Следовательно, связь налога на доходы физических лиц с включенным в модель фактором существенна.

Таким образом, получено следующее уравнение, описывающее прогноз поступлений НДФЛ:

y=457,42+0,31x

Для дальнейшего прогноза необходимо составить уравнение, описывающее зависимость между значениями х. Для этого в модель введем фактор времени t, построим график, определим зависимость, выделим тренд и оценим значение R-квадрат. Результаты представлены на рисунке.

Рисунок 3. Прогноз средней номинальной начисленной заработной платы

Таким образом, получено следующее уравнение, описывающее прогноз средней номинальной начисленной заработной платы:

y = 1672,3t + 4796,4

Произведем прогноз поступлений НДФЛ на основе приведенных зависимостей. Результаты представлены в таблице:

Таблица 7

Полученные результаты

Аналогичное исследование проведено для налога на прибыль.

Рисунок 4. Поступления налога на прибыль организаций в консолидированный бюджет Республики Марий Эл в 2006-2013 гг

Рабочей гипотезой исследования выступило следующее положение: построение прогнозной модели по налогу на прибыль должно строится на основе таких показателей как: инвестиции в основной капитал, оборот организаций, сальдированный финансовый результат. Проверка гипотезы осуществлялась на основе выявления корреляционной зависимости между факторами.

Таблица 8.

Исходные данные для построения модели

Полученные значения представлены в матрице парных коэффициентов корреляции:

Таблица 9

Матрица парных коэффициентов корреляции

Значение парного коэффициента корреляции менее 0,5 свидетельствует о слабой связи с результативным признаком, в связи с чем фактор x₁ следует исключить из модели. Применение алгоритма Фаррара-Глобера, позволило сделать вывод о наличии мультиколлинеарности между факторами. В связи с чем мы пришли к выводу, что модель целесообразнее строить с фактором x₃. При этом, учитывая, что основные поступления налога на прибыль приходятся в Республике Марий Эл на обрабатывающие производства, то целесообразнее использовать показатель сальдированного финансового результата именно по этому виду деятельности.

Таблица 10.

Исходные данные для построения модели

Построим корреляционное поле зависимости между поступлениями налога на прибыль и сальдированным финансовым результатом по виду деятельности «обрабатывающие производства».

Рисунок 5. Корреляционное поле зависимости НДФЛ от средней номинальной начислено заработной платы.

Анализ графика показывает наличие линейной связи между исследуемыми параметрами.

Проведем регрессионный анализ исходных данных.

Таблица 11.

Регрессионная статистика

Коэффициент корреляции (множественный R) стремится к 1, что означает сильную взаимосвязь между зависимой и независимой переменной.

Коэффициент детерминации (R-квадрат) показывает, что в 97 % случаях изменчивость y (поступления по налогу на прибыль) можно объяснить с помощью прогнозного значения сальдированного финансового результата организаций, относящихся к виду деятельности обрабатывающие производства.

Нормированный R-квадрат практически не отличается от коэффициента детерминации, что свидетельствует о качестве предложенной модели.

В среднем, расчетные значения отклоняются от фактических на 6.02%. Поскольку ошибка меньше 7%, то данное уравнение можно использовать в качестве регрессии.

Таблица 12.

Полученные результаты

В результате анализа t-статистики Стьюдента (t_{расчетное}=9,72 > t_{табличное}=3,182) сделан вывод, что между переменными существует зависимость и найденный коэффициент корреляции значим.

P-Значение составило менее 0,05, что также свидетельствует о значимости полученного уравнения.

Оценка статистической значимости уравнения произведено с помощью F-критерия Фишера. Табличное значение F-критерия (для уровня значимости α = 0,05) составляет 10,1, что меньше F = 94,5. Отсюда следует вывод о статистической значимости уравнения регрессии. Следовательно, связь налога на доходы физических лиц с включенным в модель фактором существенна.

Таким образом, получено следующее уравнение, описывающее прогноз поступлений налога на прибыль:

у= 821,12+0,54x

Прогноз показателя сальдированного финансового результата осуществлялся на основе метода Хольта-Винтерса. Результаты приведены в приложении1.

Прогноз сальдированного финансового результата по виду деятельности «обрабатывающие производства» методом Хольта-Винтерса. При этом коэффициент сглаживания ряда составляет 0,1 (α), коэффициент сглаживания тренда (β) –0,9.

Рисунок 6. Графическое представление решения

Таблица 13.

Методика прогноза

Аналогичное исследование проведено для налога на имущество организаций.

Таблица 14

Исходные данные о поступлении налога на имущество организаций.

Представим данные графически и методом аналитического выравнивания выделим тренд.

Рисунок 7. График поступлений налога на имущество организаций

Построим корреляционное поле зависимости между поступлениями налога на имущество организаций и инвестициями в основной капитал.

Рисунок 8. Корреляционное поле зависимости НДФЛ от средней номинальной начислено заработной платы.

Анализ графика показывает наличие линейной связи между исследуемыми параметрами.

Произведем регрессионный анализ.

Таблица 15

Регрессионная статистика

Коэффициент корреляции (множественный R) стремится к 1, что означает сильную взаимосвязь между зависимой и независимой переменной.

Коэффициент детерминации (R-квадрат) показывает, что в 95 % случаях изменчивость y (поступления по налогу на имущество организаций) можно объяснить с помощью прогнозного значения инвестиций в основной капитал.

Нормированный R-квадрат практически не отличается от коэффициента детерминации, что свидетельствует о качестве предложенной модели.

Таблица 16

Полученные результаты

В результате анализа t-статистики Стьюдента сделан вывод, что между переменными существует зависимость и найденный коэффициент корреляции значим.

P-Значение составило менее 0,05, что также свидетельствует о значимости полученного уравнения.

Оценка статистической значимости уравнения произведено с помощью F-критерия Фишера. Табличное значение F-критерия меньше F = 94,5. Отсюда следует вывод о статистической значимости уравнения регрессии. Следовательно, связь налога на имущество организаций с включенным в модель фактором существенна.

Таким образом, получено следующее уравнение, описывающее прогноз поступлений налога на имущество организаций:

у=570,4+0,016x

Таблица 17

Исходные данные для прогноз инвестиций в основной капитал

Прогноз зависимого фактора осуществляется методом аналитического выравнивания. В результате графического представления выявлен линейный тренд.

Рисунок 9. Инвестиции в основной капитал.

На основании полученного уравнения осуществлен прогноз зависимого фактора. Результаты представлены в таблице.

Таблица 18

Полученные результаты

Используя полученные значения осуществлен прогноз налога на имущество организаций. Результаты представлены в таблице.

Таблица 19

Полученные результаты

Таким образом прогнозная величина налогового потенциала региона представляет собой:

В настоящее время автоматизированная информационная система «Налог» ( в том числе и внедряющаяся в работу территориальных налоговых органов АИС «Налог–3») и ее аналитические подсистемы обладают необходимыми для представленного выше анализа ресурсами (система содержит базу данных по социально-экономическим показателям и детализированные данные в разрезе всех налоговых доходов), но в ней отсутствует необходимый функционал проведения такого анализа и прогноза. Представленный в статье алгоритм может быть успешно реализован в ПАК «Аналитика», «Аналитика-Регион», входящих в систему АИС «Налог», а его автоматизация позволит снизить трудовые затраты и повысить качество прогнозирования и планирования, анализа и мониторинга налогового потенциала. В связи с чем предлагается дополнить Блок «Аналитическая и прогнозная деятельность налогового органа» процессом «Эконометрическое моделирование налоговых доходов», включающим следующие инструменты:

–формирование реестра социально-экономических показателей, имеющих статистическую связь с налоговыми доходами (в разрезе их видов);

–формирование реестра социально-экономических показателей, имеющих высокую корреляционной связь с налоговыми доходами (в разрезе их видов);

–формирование эконометрических моделей;

–анализ полученных моделей;

–прогнозирование налогового потенциала;

–мониторинг прогнозных данных (сравнение с основными показателями, отраженными в статистической отчетности, формируемой налоговыми органами).

Следует отметить, что внедрение в структуру системы предложенного инструментария соответствует основным целям реализуемого в настоящее время «проекта модернизации налоговых органов»: комплексное использование накопленной в ФНС информации; оптимизация и снижение трудоемкости выполнения бизнес-процессов; повышение открытости налоговых органов; повышение уровня внутреннего контроля над деятельностью налоговых органов.