Моделирование налогового потенциала региона

Размещено на http://www.allbest.ru/

Поволжский государственный технологический университет 424000, Россия, г. Йошкар-Ола, пл. Ленина, 3

Кафедра бухгалтерского учета, налогов и экономической безопасности

Моделирование налогового потенциала региона

Шемякина Марина Сергеевна

кандидат экономических наук

доцент



Аннотация

налоговый бюджет макроэкономический информационный

В статье проведено исследование структуры налоговых доходов консолидированного бюджета Республики Марий Эл. Обоснована ее равномерность. Определено, что доля трех основных налогов (налога на доходы физических лиц, налога на прибыль организаций и налога на имущество организаций) в общем объеме налоговых доходов консолидированного бюджета практически не изменяется. С использованием корреляционно-регрессионного анализа построены модели, описывающие зависимость макроэкономических показателей и основных источников налоговых доходов. Построена модель, с помощью которой определяется налоговый потенциал региона. В работе использованы такие общенаучные методы исследования как: анализ, синтез, индукция, дедукция, абстрагирование, моделирование, эксперимент. Новизна исследования заключается в развитии методического инструментария прогнозирования налогового потенциала региона, а также предложениях по изменению процессов автоматизированной информационной системы «Налог» ( в том числе и внедряющаяся в работу территориальных налоговых органов АИС «Налог-3») и ее аналитических подсистем с позиции проекта модернизации налоговых органов.

Ключевые слова: налоги, налоговый потенциал, моделирование, прогнозирование, методика оценки, налоговые поступления, консолидированный бюджет, налоговые доходы бюджета, АИС "Налог", налоговое администрирование



Abstract

The article analyzes the structure of tax revenues of the consolidated budget of Mari El (an autonomous republic within Russia). The author tries to substantiate the uniformity of this structure. He states that the share of the three basic taxes (the tax on individuals' incomes, the tax on organizations' incomes and the tax on organizations' properties) practically undergoes no changes in the entire volume of the tax revenue of the consolidated budget. The author, using correlative and regressive analysis, creates models describing the dependence of the macroeconomic performance upon the main sources of tax revenues. He also creates a model with the use of which he estimates the taxable capacity of the region.The article uses such general scientific methods as analysis, synthesis, induction, deduction, abstraction, modelling, experiment.The novelty of the study is a development of a methodological instrumentarium for forecasting the taxable capacity of a region. The author also offers some means for changing the processes of the “Tax” automated information system (including the system “Tax-3”, which is now being implemented in the work of the region's tax services) and its analytic subsystems from the point of view of modernization of tax services.

Keywords: automatic information system “Tax”, taxable capacity, modelling, forecasting, methods of estimation, tax revenue, consolidated budget, tax, tax revenue of the budget, tax administration



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

Год	Поступило всего, тыс. руб. и %:	в том числе:
		Налог на прибыль организаций	Налог на доходы физических лиц	Акцизы	Налоги, взимаемые в связи с применением специальных налоговых режимов	Налог на имущество организаций	Остальные налоги и сборы
2008	8215,8	1699,1	3987,6	476,8	593,9	757,9	700,5
	100%	20,68%	48,54%	5,8%	7,23%	9,22%	8,53%
2009	7518,1	1215,4	4098,1	386,8	528,6	840,3	448,9
	100%	16,17%	54,51%	5,14%	7,03%	11,18%	5,97%
2010	8524,3	1822	4454,8	207,1	650,8	915	474,6
	100%	21,37%	52,26%	2,43%	7,63%	10,73%	5,57%
2011	9594,4	2296,2	4774,7	284,5	783,7	977,2	478,1
	100%	23,93%	49,77%	2,97%	8,17%	10,19%	4,98%
2012	11085,1	2578,6	5432,9	414,3	984,7	1150,2	524,4
	100%	23,26%	49,01%	3,74%	8,88%	10,38%	4,73%
2013	11454903	1914793	6357278	248707	1029412	1281275	623438
	100%	16,72%	55,5%	2,17%	8,99%	11,19%	5,44%
2014	12629811	2526906	6703321	247727	1130817	1391386	629654
	100%	20,01%	53,08%	1,96%	8,95%	11,02%	4,99%

Таблица 2. Расчет коэффициента равномерности налоговых поступлений

Показатель	2010	2011	2012	2013	2014
Размах вариации	0,50	0,47	0,45	0,53	0,51
Среднее линейное отклонение	0,13	0,13	0,13	0,13	0,13
Среднее квадратическое отклонение	0,05	0,05	0,05	0,05	0,05
Коэффициент равномерности налоговых поступлений	0,84	0,84	0,85	0,85	0,85

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

Год:	2006	2007	2008	2009	2010	2011	2012	2013	2014
Показатель:
Средняя номинальная заработная плата в месяц, руб.	6344	8404	10535	11357,1	12669,4	14128,4	16075,4	18558,3	20350
Поступление НДФЛ, млн. руб.	2215,09	3123,792	3987,61	4098,12	4454,79	4774,69	5432,88	6357,27	6705,129

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

	y	x
y	1
x	0,9944	1

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

Множественный R	0,995422605
R-квадрат	0,990866163
Нормированный R-квадрат	0,98956133
Стандартная ошибка	147,8455189
Наблюдения	9

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

	Коэффициенты
Y-пересечение	457,4246056
Переменная X 1	0,312718053

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 б = 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

сценарий	Показатель	2015	2016	2017
инерционный	Средняя номинальная начисленная заработная плата в месяц, руб.	21519,4	23191,7	24864
	НДФЛ, млн. руб.	7128,434	7646,847	8165,26
оптимистический	Средняя номинальная начисленная заработная плата в месяц, руб.	22595,37	24351,285	26107,2
	НДФЛ млн. руб.	7461,985	8006,31835	8550,652
пессимистический	Средняя номинальная начисленная заработная плата в месяц, руб.	20443,43	22032,115	23620,8
	НДФЛ млн. руб.	6794,883	7287,37565	7779,868

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

год	Поступления налога на прибыль, млн. руб	Инвестиции в основной капитал, млн. руб	Оборот организаций, млн. руб	Сальдировнный финансовый результат, млн. руб
	y	x1	x2	x3
2009	1 318	16576,2	133260,6	1582
2010	1 940	22304,2	166770	2655
2011	2 429	26860,8	199084,3	3892
2012	2 731	31656,5	226110,8	5299
2013	2 065	45126	228974,5	4268,7

Полученные значения представлены в матрице парных коэффициентов корреляции:

Таблица 9. Матрица парных коэффициентов корреляции

	y	x1	x2	x3
y	1
x1	0,482928258	1
x2	0,830720584	0,886272427	1
x3	0,984509811	0,406244112	0,780318	1

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

год	Поступления налога на прибыль, млн. руб	Сальдировнный финансовый результат, млн. руб (обрабатывающие производства)
	у	х1
2009	1 318	1062,5
2010	1 940	2049,8
2011	2 429	2745,9
2012	2 731	3673,4
2013	2 065	2121,9

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

Множественный R	0,984509811
R-квадрат	0,969259568
Нормированный R-квадрат	0,959012757
Стандартная ошибка	108,3153492
Наблюдения	5

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

	Коэффициенты	Стандартная ошибка	t-статистика
Y-пересечение	821,1277977	139,796	5,873758
Переменная X 1	0,547216288	0,056264	9,725808

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 б = 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 (б), коэффициент сглаживания тренда (в) -0,9.

Рисунок 6. Графическое представление решения



Таблица 13. Методика прогноза

	Показатель	б=0,1	в=0,9
		Lt	Tt	St-s	Yt+p = Lt + p *Tt
2005	804,4	804		1,00
2006	1274,8	851	42	1,00
2007	2164	1 021	157	1,00
2008	2276,9	1 287	256	1,00
2009	1062,5	1 495	212	0,36
2010	2049,8	1 742	243	0,59
2011	2745,9	2 061	312	0,67
2012	3673,4	2 503	429	1,38
2013	2121,9	2 850	356	0,78
2014					2 373
2015					5 401
2016					3 350

Аналогичное исследование проведено для налога на имущество организаций.

Таблица 14. Исходные данные о поступлении налога на имущество организаций.

Поступление, тыс.руб.	Период
	2008	2009	2010	2011	2012	2013	2014
Налог на имущество организаций	757,9	840,3	915	977,2	1150,2	1 281	1 391

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

Множественный R	0,976670782
R-квадрат	0,953885816
Нормированный R-квадрат	0,938514421
Стандартная ошибка	44,62419326
Наблюдения	5

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

	Коэффициенты	Стандартная ошибка	t-статистика	P-Значение
Y-пересечение	570,4173216	61,99542983	9,200957605	0,002715221
Переменная X 1	0,01622108	0,002059151	7,877557053	0,004262442

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

Год	инвестиции в основной капитал, млн. руб
2009	16576,2
2010	22304,2
2011	26860,8
2012	31656,5
2013	45126
2014	48353,6

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

год	инвестиции в основной капитал, млн. руб.
2015	55027,7
2016	61660,5

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

Таблица 19. Полученные результаты

год	налог на имущество организаций, тыс. руб.
2015	1450,8432
2016	1556,968

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.



Библиография

1. Пархоменко, А.В. Статистика финансов : учебное пособие / А.В. Пархоменко, А.Н. Пчелинцев. - Тамбов : Изд-во Тамб. гос. техн. ун-та, 2010. -80 с.

2. Отчеты о начислении и поступлении налогов, сборов и иных обязательных платежей в бюджетную систему Российской Федерации за 2000-2014 гг. [Электронный ресурс] / Официальный сайт Федеральной налоговой службы. -- Режим доступа: http://www.nalog.ru.

3. Электронный бюджет. [Электронный ресурс]-Режим доступа: http://budget.gov.ru/regions/index

4. Федеральная служба государственной статистики[Электронный ресурс]-Режим доступа: http://www.gks.ru/

5. ФГУП ГНИВЦ ФНС России Проект модернизации налоговых органов АИС «Налог 3». [Электронный ресурс]-Режим доступа: http://www.gnivc.ru/power_home/working_fns/tax_3/

6. Шемякина М.С. Генезис категории «налоговый потенциал» // Налоги и налогообложение. - 2013. - 9. - C. 689 - 704. DOI: 10.7256/1812-8688.2013.9.9654.

Размещено на Allbest.ru

...