Статья 'Моделирование налогового потенциала региона ' - журнал 'Финансы и управление' - NotaBene.ru
по
Journal Menu
> Issues > Rubrics > About journal > Authors > About the Journal > Requirements for publication > Editorial collegium > Editorial board > Peer-review process > Policy of publication. Aims & Scope. > Article retraction > Ethics > Online First Pre-Publication > Copyright & Licensing Policy > Digital archiving policy > Open Access Policy > Article Processing Charge > Article Identification Policy > Plagiarism check policy
Journals in science databases
About the Journal

MAIN PAGE > Back to contents
Finance and Management
Reference:

Modelling of a region’s tax potentials

Shemyakina Marina Sergeevna

ORCID: 0000-0003-3515-2680

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
Other publications by this author
 

 

DOI:

10.7256/2409-7802.2015.2.14544

Received:

22-02-2015


Published:

12-04-2015


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

This article written in Russian. You can find original text of the article here .

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.

1_01

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.

2_01

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 (tрасчетное=27,5 > tтабличное=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.

3_01

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.

4_01

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».

5_01

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 (tрасчетное=9,72 > tтабличное=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.

6

Рисунок 6. Графическое представление решения

Таблица 13.

Методика прогноза

Показатель

α=0,1

β=0,9

Lt

Tt

St-s

Ŷt+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.

7
Рисунок 7. График поступлений налога на имущество организаций

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

8

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.

9

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:

11

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.

References
1.
2.
3.
4.
5.
6.
Link to this article

You can simply select and copy link from below text field.


Other our sites:
Official Website of NOTA BENE / Aurora Group s.r.o.