Налоговое планирование и прогнозирование

С помощью  динамических моделей учитывается  не только прямой эффект воздействия  налогооблагаемой базы на объем поступлений, но и косвенные эффекты, такие  как реакция базы налогообложения  на изменение структуры налоговой  системы и др. Динамические модели рассматривают ожидаемую реакцию  секторов экономики на изменение налогового законодательства. В силу этого базы налогообложения не являются фиксированной величиной при построении прогнозов налоговых поступлений и на них отражаются изменения налоговой системы. Использование динамических моделей требует большого количества достоверной информации, что для большинства стран с рыночной экономикой является неосуществимым, в том числе для современной России.

Метод «налогового  калькулятора» как один из методов  детерминистического подхода построения прогнозов налоговых поступлений используется тогда, когда доступна база данных с индивидуальными налоговыми отчетами налогоплательщиков. Он особенно распространен при моделировании подоходного налога и налога на прибыль. При построении налоговых калькуляторов обычно используются модель типичного налогоплательщика и модель агрегирования. Применение модели типичного налогоплательщика предполагает, во-первых, поиск типичного представителя для каждой группировочной категории; во-вторых, на основе индивидуальной налоговой декларации расчет текущих налоговых обязательств. Эта модель позволяет рассматривать влияние изменений налогового законодательства на разные категории налогоплательщиков.

С помощью  модели агрегирования можно при  наличии базы индивидуальных налоговых отчетов за несколько лет, значений темпов экономического роста и дефлятора прогнозировать суммарные налоговые поступления. Применение этой модели предполагает, во-первых, разбивку налогоплательщиков на несколько групп, каждой из которых присваиваются определенные веса; во-вторых, расчет налоговых обязательств для каждого отдельного налогоплательщика; в-третьих, построение прогноза налоговых поступлений на следующий период на основании значений темпов экономического роста и расчета индивидуальных налоговых обязательств по группам налогоплательщиков. Модель агрегирования используется для прогнозирования налоговых поступлений казначейством США. На основании модели агрегирования казначейство США рассчитывает также средние значения предельных налоговых ставок для определения выравнивающего действия налоговой системы.

Прогнозы  временных рядов налоговых поступлений  осуществляются на основании их собственной  динамики с использованием метода взвешенного  скользящего среднего (ВСС), метода двойного экспоненциального сглаживания, метода Хольта—Винтерса, модели авторегрессии  и скользящего среднего (ARMA). Все эти методы и модели с одной переменной. Прогноз строится на основе использования только предыдущего значения переменной, в данном случае показателя налоговых поступлений. Эти простые модели с одной переменной считаются более надежными по сравнению со сложными структурными моделями. Например, модель временного ряда может использовать месячные данные о прошлых поступлениях подоходного налога и на основании прошлых закономерностей в поведении этой переменной она предскажет будущие значения поступлений из этого источника. Поэтому для использования моделей временных рядов необходимо иметь только прошлые значения самой прогнозируемой переменной. Сдвиги в динамике временных рядов, связанные с реформами в налоговом законодательстве (структуре налога) или с какими-то иными крупными изменениями, могут быть учтены в модели с помощью специального статистического приема - учета так называемой фиктивной переменной.

Суть прогнозирования  переменной по прошлой ее динамике заключается в выявлении корреляции будущих значений этой переменной с ее прошлыми. Если такую корреляцию можно определить и разложить ее на составляющие, придав ей структуру, то получатся достаточно точные прогнозы. Наиболее простым методом прогнозирования считается метод ВСС. Метод двойного экспоненциального сглаживания, в соответствии со своим названием, предполагает применение экспоненциального сглаживания к изначальному ряду дважды и продление временного ряда вдоль линейного тренда. Более сложным методом прогнозирования на основе экспоненциального сглаживания считается метод Хольта-Винтерса.

Наиболее  часто используемой моделью с  одной переменной, в частности, считается модель авторегрессии и скользящего среднего (ARMA)* .

 Обычно для случая  нормально распределенных данных  оценки коэффициента модели ARMA осуществляются на основании метода максимального правдоподобия.

Следует отметить, что очень  часто используют чисто авторегрессионые модели. Это правомерно постольку, поскольку  модель ARMA может быть представлена в виде модели чистой авторегрессии (в общем случае с бесконечным числом переменных). Параметры для таких моделей предлагается оценивать методом наименьших квадратов, а максимальный порядок лагов с помощью критерия Шварца. В условиях макроэкономической стабильности, как правило, авторегрессионые процессы и процессы скользящего среднего помогают достаточно хорошо описать динамику многих макроэкономических рядов, в том числе и рядов налоговых поступлений. Конечной целью моделирования динамики налоговых поступлений является построение прогнозов, поэтому использование модели ARMA наряду с другими моделями экстраполяции позволяет также по отдельному виду налога оценить уровень точности прогнозирования поступлений.

Прогнозы  налоговых поступлений с использованием нескольких переменных создаются потому, что информация в таком многомерном временном ряде может улучшить качество прогноза исследуемого показателя. В частности, при прогнозе налога на прибыль в качестве переменных, связанных с налоговой базой, можно использовать зарплату, прибыль, ставку процента. В настоящее время существует несколько типов моделей прогнозирования с несколькими переменными: структурные эконометрические модели; линейные и нелинейные уравнения; модели, основанные на построении опережающих экономических индикаторов.

Структурные эконометрические модели представляют собой как крупные системы  одновременных уравнений, так и  небольшие эконометрические модели (типа соотношений для кривой Филипса для отражения зависимости изменения инфляции от изменения уровня занятости и др.). Определяющим в этих моделях является использование предположений экономической теории для задания априорных ограничений.

Типичным  примером замкнутых линейных уравнений, используемых для прогнозирования, может служить векторная авторегрессия. Модель векторной авторегрессии имеет три часто встречающихся представления: векторная авторегрессия в приведенной форме, в рекурсивной и структурной формах.

Векторная авторегрессия  в приведенной форме обобщает модель авторегрессии на случай многомерной  случайной величины.

Основываясь на теории одновременных уравнений, на компоненты каждой матрицы при  их оценке необходимо наложить определенные связи. В ресурсном представлении  векторной авторегрессии эти  связи накладываются механически: предполагается опосредованное влияние  компонент многомерного временного ряда друг на друга, т. е. на первую компоненту не влияет никакая другая, на вторую компоненту влияет только первая, на третью — только первые две и т. д. В противоположность этому в структурной форме векторной авторегрессии связи на компоненты матрицы  накладываются исходя из результатов экономической теории.

Прогнозирование на основе опережающих экономических  индикаторов предполагает создание агрегатной величины, ход тренда которой опережает во времени ход исследуемого показателя. Как известно из экономической теории, изменения одних переменных объективно должны предшествовать изменениям других. Выбирается несколько переменных, опережающих исследуемую величину. Далее из выбранных переменных строится некоторый индекс, по значению которого строится прогноз исследуемого показателя.

Типичным  примером прогнозных моделей с несколькими  переменными являются макроэкономические модели налоговых поступлений.

При построении прогнозных значений налоговых поступлений, как правило, приходится предварительно прогнозировать объясняющие переменные с использованием различных методик, включая экономические методы, и только потом прогнозировать сами налоговые поступления. При этом можно использовать прогнозы объясняющих переменных, построенные определенными организациями, или же существующие экспертные оценки.

Эконометрические  модели, основанные на авторегрессионных  процессах, следует, на наш взгляд, рассматривать наряду с моделями для процессов со стохастическим трендом (TS-модели) и моделями для процессов с детерминистическим трендом (DS-модели).

Модель оценки поступлений (Revenue Estimating Model, REM) представляет собой модель-калькулятор, для прогнозирования налоговых поступлений исходя из информации о налоговых поступлениях за предыдущие месяцы. В REM-модели расчет прогнозных значений проводится в постоянных ценах и основывается на значениях поступлений за соответствующий период базового года с учетом возможных изменений ставок и базы налогов. Имевшие место изменения учитываются простой корректировкой на соответствующий множитель. Кроме того, в REM-модели осуществляется дополнительная корректировка прогнозных значений на относительное изменение поступлений текущего года по сравнению с предыдущим годом. Чем ближе прогноз поступлений к концу текущего года, тем в большей степени он опирается на информацию о поступлениях текущего года.

Замечено, что  TS-модели по сравнению с DS-моделями дают более качественный одношаговый прогноз для поступлений по подоходному налогу. Прогнозы подоходного налога, полученные с помощью этих эконометрических моделей (TS- и DS-моделей), лучше прогнозов, построенных по модели оценки поступлений (REM). Для прогноза поступлений налога на прибыль эконометрические модели (в данном случае TS- и DS-модели считаются равнозначными) уступают REM-модели. Для прогноза поступления налога на добавленную стоимость, как и в случае прогноза подоходного налога, качество прогнозов с применением TS-моделей также считается несколько выше прогнозов с применением DS- и REM-моделей. Для расчета прогнозных значений суммарных налоговых поступлений в консолидированный бюджет Российской Федерации REM-модель дает существенно более качественный прогноз, чем эконометрические модели. Наконец, для суммарных налоговых поступлений в федеральный бюджет Российской Федерации наилучшие характеристики дает прогноз на основе эконометрических моделей, а не REM-модели.

Качество  одношаговых прогнозов налоговых  обязательств с помощью макроэкономических моделей улучшится, если в уравнение добавить значимые объясняющие переменные.

Среди рассмотренных  методов построения одношаговых  прогнозов налоговых обязательств наиболее точные результаты дает метод, в котором на каждом шаге производится переоценка коэффициентов уравнения.

Наиболее  точными считаются результаты прогнозов  налоговых обязательств для налога на прибыль и подоходного налога. Они не хуже прогнозов соответствующих налоговых поступлений, полученных на основании ARMA и REM-моделей.

Точный прогноз  налоговых поступлений в бюджетную  систему страны — это одно из главных условий успешной работы налоговых органов. В налоговых органах наиболее часто приходится иметь дело с текущим регулярным прогнозом, используемым также при формировании месячных заданий подчиненным территориальным инспекциям. Прогнозные значения на окончание предстоящего периода определяются обычно по предыстории с помощью различных типов прогнозов. Предшествующие прогнозному значению величины зависят в значительной степени от ряда случайных событий. К сожалению, в настоящее время в территориальных налоговых органах отсутствуют обоснованные методы прогноза в условиях случайных искажений анализируемой информации, а применяемые методы прогноза налоговых поступлений не учитывают специфику работы конкретных налоговых органов. 

1.2.  Методы оценки налогового потенциала  регионов.

Оценка и  прогнозирование налогового потенциала позволяют совершенствовать процессы планирования налоговых поступлений на различных уровнях бюджетной системы, выявлять и сравнивать налоговые возможности и уровень налоговой активности регионов и тем самым могут стать одним из факторов, характеризующих социально-экономическое развитие субъектов Российской Федерации.

Под налоговым  потенциалом понимают максимально  возможную сумму начисленных  налогов и сборов в условиях действующего налогового законодательства. Согласно такой же трактовке налогового потенциала определяются его аддитивные свойства, т. е. «слагаемость»: общий налоговый потенциал складывается из потенциалов отдельных налогов.

В целях структурного анализа возможно выделить потенциал  косвенных, прямых, имущественных и прочих групп налогов.

Налоговый потенциал  региона рассматривают в двух различных аспектах. С точки зрения налоговой компетенции разных уровней власти, когда ставится вопрос о региональном потенциале налогов, устанавливаемом федеральными (региональными, местными) органами власти. С точки зрения фактического поступления налоговых платежей в разные уровни бюджетов, когда речь идет о потенциале налогов (или их распределяемых долей) в качестве источника дохода конкретных бюджетных звеньев на территории данного региона: например, «налоговый потенциал федерального бюджета на территории Московской области».

Налоговый потенциал  региона (НПР) страны представляет собой сумму налогового потенциала федерального бюджета по каждому региону, налогового потенциала каждого регионального бюджета и налоговых потенциалов муниципальных образований, входящих регион.

Эти аспекты  взаимосвязаны и в совокупности обеспечивают универсальный подход к налоговому потенциалу региона на федеральном, региональном и местном уровнях.

В практических целях под налоговым потенциалом  региона понимают сумму потенциалов всех действующих в данном регионе отдельных налогов, а под потенциалом конкретного налога — максимально возможную за определенный период сумму поступлений по данному налогу, исходя из установленных федеральным законодательством налоговой базы и ставки (ставок).

Налоговый потенциал  региона рассматривается за календарный  год как суммарный налоговый  потенциал по всем налогам, собираемым в регионе, безотносительно к  налоговой компетенции или зачислению в бюджеты. Это связано прежде всего с тем, что анализ межбюджетных отношений неизбежно требует  сопоставлений налогового потенциала регионального бюджета (НПРа) с общим  потенциалом региона (НПР). Тем самым  выявляется специфичность, «особенность»  отношений федерального центра с конкретными регионами как в целом по году, так и в течение календарного года.

При оценках  налогового потенциала региона (НПР) и  налогового потенциала консолидированного регионального бюджета (НПРа + НПМа) не рекомендуется учитывать региональные и местные льготы, в то время как учитываются льготы федерального бюджета. И соответственно при оценке налогового потенциала муниципального образования учитываются льготы по федеральному и региональному законодательству и исключаются местные льготы. Хотя методологически спорным является учет федеральных льгот при расчете НПР, а также учет федеральных и региональных льгот при оценке налогового потенциала муниципального образования (НПМа). Поэтому исключение учета федеральных льгот из расчета НПР и региональных льгот из расчета НПМа позволило бы вскрыть настоящую цену существующих и будущих льгот, а следовательно, полнее раскрыть картину межбюджетных отношений.