WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 || 3 |

«Министерство образования и науки Российской Федерации Федеральное агентство по образованию Государственное образовательное учреждение высшего профессионального образования «Дальневосточный государственный ...»

-- [ Страница 2 ] --

Таким образом, можно рассчитать возможные доходы региона по известным характеристикам его налоговой базы, которые можно интерпретировать как налоговый потенциал региона. Возможные отклонения фактических значений бюджетных поступлений от рассчитанных с помощью модели объясняются различной результативностью работы налоговых органов. Преимуществом регрессионного метода, позволяющего осуществить отбор совокупности экономических характеристик, в максимальной степени влияющих на потенциальные налоговые доходы, является его меньшая трудоемкость в сравнении с расчётным методом репрезентативной налоговой системы и большая объективность, поскольку регрессионное уравнение само выдаёт информацию о зависимостях между фактическими поступлениями и налоговыми базами в ходе процедуры статистической оценки. Недостатком регрессионного метода является его сложность. К тому же полученные показатели налогового потенциала регионов могут значительно различаться в зависимости от используемого набора экономических характеристик. Поэтому рациональный выбор тех или иных показателей налогового потенциала требует проведения дополнительного анализа. Кроме того, количество точек наблюдения, используемых в уравнении регрессии, равно количеству регионов, а результаты регрессионной оценки тем точнее, чем больше точек наблюдения. В условиях Российской Федерации эта проблема стоит не так остро, поскольку регионов достаточно много. Наконец, наиболее сложная группа методов — это методы, основанные на использовании для оценки макроэкономических показателей с той или иной степенью их корректировки. Данные методы основаны, в противоположность методу репрезентативной налоговой системы, на оценке способности региональных властей мобилизовать налоговые доходы, исходя из способности налогоплательщиков уплачивать определённые суммы налогов, исчисленных на основании средней доли налоговых изъятий в конечном доходе на территории субнациональных административно-территориальных образований. Валовая добавленная стоимость, произведённая в регионе, является показателем доходов, наилучшим образом, в агрегированном виде, характеризующим уровень экономической активности в регионе. Рассмотрим несколько вариантов оценки налогового потенциала на основе этого показателя. Простейшей оценкой в данном случае может быть средняя налоговая нагрузка на валовую добавленную стоимость, произведённую в регионе [см. 77]:

= TA Y i i i, (10) i где — средняя ( эффективная) ставка налогообложения добавленной стоимости в среднем по стране, %;

TAi — сумма налоговых обязательств i -го региона, (налоговые поступления плюс прирост задолженности), ден. ед.;

Yi — валовой региональный продукт i -го региона, ден. ед.

Таким образом, оценка налогового потенциала может быть представлена следующим образом:

TAi* = Yi где (11) TAi* — оценка налоговых обязательств i -го региона (налоговые поступления плюс прирост задолженности), ден. ед.

Под налоговыми обязательствами здесь и далее понимается совокупность фактических налоговых доходов региона и прироста накопленной задолженности перед бюджетом (недоимка и отсроченные платежи). Это показатель, характеризующий начисленные налоги региона (налоговые обязательства). Это позволяет не учитывать различие усилий регионов по сбору налогов и выравнивать различие налоговых ставок. В любом случае оценки, как для налоговых обязательств, так и для собранных налогов отличаются лишь на (среднюю) долю задолженности по регионам. В обоих случаях производится выравнивание налоговых усилий. Но в случае использования фактических налоговых сборов необъясненная дисперсия будет больше на величину различия налоговых усилий по собранным налогам, что повлияет на точность оценивания коэффициентов. Следует отметить, что использование такой оценки базируются на ряде допущений. Вопервых, предполагается постоянство налогового бремени на единицу добавленной стоимости для всех отраслей. Кроме того, такая оценка ставит регионы в неравные условия, т.к. является чувствительной к масштабу. Другими словами, больший (в экономическом смысле) регион входит в эту оценку с большим весом. Достоинством такого метода является то, что суммарная абсолютная ошибка прогноза будет равна нулю, т.е. суммы оценок по регионам будут равны фактическим налоговым сборам. Это может быть удобно для бюджетного планирования, но надо иметь ввиду, что качество оценки (стандартная ошибка, погрешность) налогового потенциала будет неодинаковым по регионам. Для крупных регионов оценка будет значительно точнее. Если различия в налоговом бремени мелких и крупных регионов обусловлены объективными экономическими причинами и их следует учитывать при оценке налогового потенциала территорий, то оценка на основе абсолютной средней ставки по стране будет смещённой. Для оценки налогового потенциала конкретных регионов, целью которого является выравнивание, данный факт может быть неприемлем. Указанные выше недостатки исправлены в следующей методике посредствам использования линейной регрессионной модели и такого макроэкономического показателя как валовой региональный продукт. Предпосылкой, лежащей в основе линейной модели, является единая налоговая нагрузка на единицу добавленной стоимости по регионам. Это справедливо если структура налоговых баз экономических агентов, принимающих участие в производстве ВРП, одинакова для всех регионов, либо налоговая ставка одинакова для всех налоговых баз, входящих в ВРП. В целом, данный подход может быть представлен формулой вида [см. 167]:

TAi = c 0 + c1 Yi + i, где (12) TAi — сумма налоговых обязательств i -го региона, (налоговые поступления плюс прирост задолженности) на душу населения, ден. ед.;

Yi — валовой региональный продукт i -го региона (на душу населения), ден. ед.;

i — ошибка, необъясненный остаток регрессии, ед.;

c0 и c1 — коэффициенты, параметры уравнения регрессии, ед.

Сопоставляя две последние методики, стоит отметить, что их использование зависит от задачи оценки. Если задача состоит в том, чтобы оценить налоговый потенциал Российской Федерации в целом, то «вес» регионов в национальных доходах необходимо учитывать (см. уравнение 10), иначе оценка будет смещённой. В целях межбюджетного выравнивания необходимо оценить возможности регионов в получении доходов. Суммарная ошибка по России здесь менее важна. Более важным является оценка потенциала для данного региона. Поэтому приоритетом в оценке является равенство регионов (см. уравнение 12). Если же ориентироваться на суммарную оценку, то она будет более «точной» (в смысле более близкой к факту) для высокодоходных регионов, фактически являющихся донорами (а для них оценка потенциала менее важна), и менее «точной» (удаленной от факта) для низко доходных регионов-реципиентов (получателей федеральной финансовой помощи). Для выравнивания в рамках данных методик предлагается использовать взвешенный метод наименьших квадратов, где в качестве весов принимают значения обратные объясняемой переменной:

wi = Z i1, где (13) w i — веса, используемые для оценки взвешенным методом наименьших квадратов, ед.;

Z i — объясняемая переменная в регрессиях, ед.

В этом случае, оценка на основе уравнения (11) даёт в сумме нулевую ошибку для России в целом, но максимальную дисперсию (стандартную ошибку) относительных ошибок по регионам. Оценка на основе линейного регрессионного уравнения (12) даёт минимальную дисперсию абсолютных ошибок по регионам. Использование же весов (см. уравнение 13) в оценке коэффициентов даёт возможность минимизировать относительную ошибку, добиться минимальной дисперсии относительных ошибок регионов. Возвращаясь к методу репрезентативной налоговой системы, следует отметить, что при использовании косвенных оценок метод репрезентативной налоговой системы по своей сути становится близок методу использования макроэкономических показателей к оценке налогового потенциала. Основное различие между ними состоит в следующем: при использовании метода макроэкономических показателей моделирование потенциальных налоговых поступлений осуществляется без учёта особенностей налоговых баз и ставок отдельных налогов, в то время как метод оценки с помощью репрезентативной налоговой системы исходит из необходимости как можно более точной оценки налоговой базы по каждому из основных бюджетообразующих налоговых источников с учётом соответствующих особенностей взимания данных налогов и налоговых ставок. С другой стороны, существует определённая условность в разграничении указанных двух методов. Оценка налогового потенциала по методу репрезентативной налоговой системы исходит из расчёта налоговой базы с постепенным агрегированием показателей, характеризующих налоговую базу при переходе к косвенной оценке потенциальных налоговых обязательств. В то же время, оценка с применением макроэкономических показателей основывается на использовании единственного макропоказателя в качестве характеристики базы для всех налогов в регионе с постепенным дезагрегированием используемой характеристики с учётом особенностей взимания отдельных налогов в случае получения неудовлетворительных результатов оценок на основании агрегированного показателя. В связи с этим, на наш взгляд, необходимо рассмотреть следующий метод оценки налогового потенциала, который комбинирует в себе черты указанных выше подходов — метод расчёта регионального налогового потенциала, основанный на косвенной оценке потенциальных налоговых обязательств налогоплательщиков региона при условии применения региональными властями средних по стране налоговых усилий. Такой расчёт основывается на оценке налоговой базы как составляющей от одного или нескольких макроэкономических показателей, характеризующих конечный доход в регионе. Другими словами, оценка налогового потенциала с применением данного метода базируется на том, что «все налоговые платежи, несмотря на используемую базу налогообложения, в конечном итоге выплачиваются из доходов налогоплательщиков, и налоговой базой в регионе в широком понимании этого термина (т.е. для всей совокупности региональных налогов либо налогов, зачисляемых в региональные бюджеты) является совокупный региональный доход — независимо от того, взимаются ли налоги с дохода в момент его получения (налоги на прибыль и доход) или его использования (налоги с продаж и акцизы)» [см. 77]. Данный метод, таким образом, включает в себя как элементы метода репрезентативной налоговой системы (принимает к расчётам базу по налогам), так и метода оценки налогового потенциала на базе макроэкономических показателей (оценка базы налогов опирается на независимые от местных властей макроэкономические показатели). В наиболее общем виде данный метод можно представить как сумму оценок налогового потенциала по отдельным налогам и налоговым группам (причем каждая из оценок отдельного налога или группы производится на основе макроэкономических показателей, объясняющих ту или иную базу налога), выраженных следующим уравнением:

TAi** = VATi * + TPi* + TSTi* + ITi * + PTi* + Aialc* + RPi* + Aigas + Aioil + OTi*, где (14) TAi** — оценка налогового потенциала i -го региона (налоговые поступления плюс прирост задолженности в бюджетную систему РФ) на основе репрезентативной налоговой системы, ден. ед.;

VATi * — оценка потенциала по налогу на добавленную стоимость, ден. ед.;

TPi* — оценка потенциала по налогу на прибыль организаций, ден. ед.;

TSTi* — оценка налогового потенциала по единому социальному налогу, ден. ед.;

ITi* — оценка потенциала по налогу на доходы физических лиц, ден. ед.;

PTi* — оценка налогового потенциала по налогам на имущество, ден. ед.;

Aialc* — оценка налогового потенциала по акцизам на алкогольную продукцию, ден. ед.;

RPi* — оценка платежей за пользование природными ресурсами в i -том регионе, ден. ед.;

Aigaz и Aioil — фактические сборы от акцизов на нефть (включая газовый конденсат) и газ соответственно, ден. ед.;

OTi * — оценка налогового потенциала для всех «остальных налогов», по которым не производилась персональная оценка потенциала ( i -го региона), ден. ед.

Данная оценка производится с применением методов регрессионного анализа на основании данных о характеристиках налоговых баз (макроэкономические показатели, предположительно имеющие связь с фактической базой или определяющие её величину). Полученная в результате построения регрессии оценка налогового потенциала усредняет как объективные (устанавливаемые федеральным законодательством), так и субъективные различия (налоговые усилия территориальных властей) в налоговой базе. Ввиду этого, полученные результаты с помощью расширенного метода репрезентативной налоговой системы не следует рассматривать как строгую оценку налогового потенциала. Очевидно, что с ростом степени искажений в используемых характеристиках налоговой базы (вызванных как объективными, так и субъективными причинами), повышается отличие итоговых оценок налогового потенциала от фактических налоговых сборов (обязательств). Другими словами, в терминах эконометрического анализа, построенные модели регионального налогового потенциала будут в меньшей степени объяснять процент дисперсии налоговых обязательств. Таким образом, если используется не фактическая база, а её характеристика, то ошибка регрессии, интерпретируемая как отклонение налоговых усилий от средних по стране, будет обусловливаться, во-первых, межрегиональным различием налоговых усилий территориальных властей, и, во-вторых, объективным различием структур налоговых баз по регионам:

= + (15) где — ошибка, вызванная объективными различиями структуры налоговой базы (например, дисперсия по регионам), не учитываемыми используемым показателем характеристики налоговой базы;

если используется фактическая база, то = 0 ;

— ошибка, вызванная различиями (например, дисперсия по регионам) в налоговых усилиях территориальных властей;

в случае, если степень налоговых полномочий региональных властей в отношении моделируемого налога низка, то =0;

— суммарная ошибка, вызванная как неучтенным различием в структуре налоговой базы (при использовании конкретного показателя — характеристики налоговой базы), так и различием в налоговых усилиях территориальных властей.

Таким образом, задача состоит в поиске таких характеристик налоговых баз, которые не зависят от налоговых усилий территориальных властей, но максимально хорошо характеризуют базу, и следствием использования которых является минимальная ошибка в объективных различиях налоговых баз. Если при этом используется показатель базы, не зависящий от налоговых усилий территориальных властей, то величина будет экзогенной (постоянной, ) и цель построения модели будет состоять в минимизации, что эквивалентно минимизации :

min ( ) min ( + ) = min ( ) (16) где — вектор параметров.

Преимущество регрессионного метода над простым усреднением эффективной налоговой ставки (отношение налоговых обязательств к характеристике базы), в данном случае состоит в том, что он позволяет оценить, насколько хорошо данный показатель характеризует базу данного налога. Если процент (доля) объясненной дисперсии ( R 2 ) большой ( принимает малые значения), то это означает, что используемый показатель хорошо характеризует базу, т.к.. Поэтому можно утверждать, что при оценивании регрессионных моделей проверяется гипотеза о возможности использования данного показателя в качестве характеристики налоговой базы. Нулевая гипотеза здесь состоит в том, что используемый показатель не характеризует базу. Она отвергается, если обнаруживается статистически значимая зависимость. Отсутствие такой зависимости не позволяет отвергнуть нулевую гипотезу. Однако это не означает, что данный показатель не характеризует базу, т.к. отсутствие явной статистической зависимости может быть вызвано высокой степенью межрегиональной дифференциации прилагаемых налоговых усилий ( принимает большие значения). Необходимо отметить, что регрессионный метод позволяет учесть и субъективные различия в сборе налогов, определяемые как различия в налоговых усилиях территориальных властей, с целью повышения качества оценок. Проведённый анализ позволяет утверждать, что наиболее приемлемыми в российских условиях для целей оценки налогового потенциала региона являются методы репрезентативной налоговой системы и оценки потенциала на основе макроэкономических показателей. Их сравнительная характеристика приведёна в Приложении Ж. Исходя из сопоставительного анализа, мы считаем, что наиболее приемлемым для российских условий методом оценки является метод построения репрезентативной налоговой системы с использованием регрессионного анализа, содержащий косвенные оценки налоговых баз на основе макроэкономических показателей.

Информационно-статистическая база данных по принятому нами методу включает и последовательно накапливает: отчетные данные финансовых и налоговых служб, органов статистики, других официальных источников муниципальных образований;

оценки параметров статистических динамических моделей, получаемые в результате решения задачи идентификации и периодического решения задач адаптации;

оценки значений репрезентативных налогооблагаемых баз;

другие результаты, получаемые в процессе функционирования системы. Идентификация, т.е. структурно-параметрическое построение модели производится на основе статистических регрессионных моделей прогнозирования значений репрезентативных налогооблагаемых баз и соответствующих им макроэкономических показателей. Формирование системы на основе адаптации всех статистических моделей, её образующих, производится по завершению очередного финансового года. Концептуальные положения принятой нами системы детализируются построением моделей формирования и пополнения базы данных;

оценивания репрезентативного набора налогооблагаемых баз;

идентификации статистических моделей;

прогнозирования оценки налогового потенциала;

функционирования системы в целом.

Федеральный уровень обработки статистических данных Репрезентативный состав налогов Данные РНС, ОГС, ДОИ Региональный уровень обработки оперативных данных Оценка Модель оценивания СНРР РСНРР Репрезентативные ставки налогообложения Условные обозначения: РНС –региональные налоговые службы. ОГС –органы государственной статистики. ДОИ –других официальные источники. СНРР – совокупные налоговые ресурсы региона. РСНРР – репрезентативные совокупные налоговые ресурсы региона. Рисунок 1 — Концептуальная модель реализации репрезентативной налоговой системы на федеральном и региональном уровнях Исходя из сказанного выше, нами определена концептуальная модель реализации репрезентативной налоговой системы на федеральном и территориальном (региональном) уровнях. Она представлена на рис. 1. Метод репрезентативной налоговой системы будет применён нами в дальнейшем для определения налогового потенциала в тактическом аспекте — для расчёта возможности ресурсной базы региона при сложившихся условиях использования всех фактически вовлечённых в общественное производство налоговых источников приносить реальные налоговые доходы в виде налогов и сборов, исчисленные в условиях действующего законодательства, в бюджетную систему государства. Далее, в главе 2 работы, рассмотрены теоретико-методологические проблемы оценки налогового потенциала территории и предложены подходы к разработке методики прогнозирования налогового потенциала субъекта Российской Федерации.

2 Методический подход к комплексной оценке и прогнозу налогового потенциала субъекта федерации 2.1 Теоретико-методические основы и особенности оценки и прогнозирования налогового потенциала субъекта федерации Большинство объектов, изучаемых экономической наукой, в том числе и налоговые отношения, могут быть охарактеризованы кибернетическим понятием сложная система, поскольку, важным качеством любой системы является эмерджентность, при изучении систем недостаточно пользоваться методом их расчленения на элементы с последующим изучением этих элементов в отдельности как арифметических составляющих. Одна из трудностей экономических исследований состоит в том, что почти не существует экономических объектов, которые можно было бы рассматривать как отдельные элементы. Так как сложность системы определяется количеством входящих в неё элементов, связями между этими элементами, а также взаимоотношениями между системой и средой, можно с уверенностью сказать, что экономика страны и отдельных её субъектов обладает всеми признаками очень сложной системы. Она объединяет огромное число элементов, отличается многообразием внутренних связей и связей с другими системами. Так как именно сложные объекты представляют наибольший интерес для моделирования, оно может дать результаты, которые нельзя получить другими способами исследования. Об эффективности применения методов моделирования в области экономики можно говорить по двум причинам. Во-первых, экономические объекты различного уровня можно рассматривать с позиций системного подхода;

Во-вторых, такие характеристики поведения экономических систем как динамичность, противоречивость поведения, тенденции к ухудшению характеристик, подверженность воздействию окружающей среды предопределяют выбор метода их исследования [см. 166, С. 38]. Поскольку налоговый потенциал, как говорилось ранее, является категорией, характеризующей определённую часть финансово-экономических отношений, и, как следствие, отражает состояние сложной системы, одной из наиболее эффективных методик оценки и прогнозирования в данном случае служит моделирование. Моделирование (в широком смысле) является одним из основных методов исследований во всех областях знаний и научно обоснованным методом оценок характеристик сложных систем, используемым для принятия решений в различных сферах экономики. Остановимся на философских аспектах моделирования [см. 23, С. 24 — 29]. Выработка методологии направлена на упорядочение получения и обработки информации об объектах, которые существуют вне нашего сознания и взаимодействуют между собой и внешней средой. Таким образом, в общем смысле, моделирование представляет собой замещение одного объекта другим с целью получения информации о важнейших свойствах объекта-оригинала с помощью объекта-модели. Таким образом, моделирование может быть определено как представление объекта моделью для получения информации об этом объекте путём проведения экспериментов с его моделью. Определяя гносеологическую роль моделирования, необходимо, прежде всего, отвлечься от имеющегося в науке многообразия моделей и выделить то общее, что присуще моделям различных по своей природе объектов реального мира. Это общее заключается в наличии некоторой структуры, которая подобна структуре данного объекта. В процессе изучения модель выступает в роли относительного самостоятельного квазиобъекта, позволяющего получить при исследовании некоторые знания о самом объекте. Если результаты моделирования подтверждаются и могут служить основой для прогнозирования процессов, протекающих в исследуемых объектах, то говорят, что модель адекватна объекту. При этом адекватность модели зависит от цели моделирования и принятых критериев. Обобщённо моделирование можно определить как метод опосредованного познания, при котором изучаемый объект-оригинал находится в некотором соответствии с другим объектом-моделью, причем модель способна в том или ином отношении замещать оригинал на некоторых стадиях познавательного процесса. Стадии познания, на которых происходит такая замена, а также формы соответствия модели и оригинала могут быть различными [см. 23, С.29]: — моделирование как познавательный процесс, содержащий переработку информации, поступающей из внешней среды, о происходящих в ней явлениях, в результате чего в сознании появляются образы, соответствующие объектам;

— моделирование, заключающееся в построении некоторой системы-модели, связанной определёнными соотношениями подобия с системой-оригиналом, причем в этом случае отображение одной системы в другую является средством выявления зависимостей между двумя системами, отраженными в соотношениях подобия, а не результатом непосредственного изучения поступающей информации. Познавательные возможности модели обусловливаются тем, что модель отражает какиелибо существенные черты объекта-оригинала. Очевидно, модель утрачивает свой смысл как в случае тождества с оригиналом, так и в случае чрезмерного во всех существенных отношениях отличия от оригинала. Таким образом, изучение одних сторон моделируемого объекта осуществляется ценой отказа от отражения других сторон. Поэтому любая модель замещает оригинал лишь в строго ограниченном смысле. Таким образом, можно подытожить сказанное выше и определить модель как материальный или мысленно представляемый объект, который в процессе исследования замешает объект-оригинал так, что его непосредственное изучение даёт новые знания об объекте-оригинале. Тогда моделирование — это процесс построения, изучения и применения моделей. Главная особенность моделирования в науке состоит в том, что это метод опосредованного познания с помощью объектов-заместителей. Модель конструируется субъектом исследования так, чтобы операции отображали характеристики объекта, существенные для цели исследования. Поэтому вопрос о качестве такого отображения — адекватности модели объекту — правомерно решать лишь относительно определённой цели. В нашем случае целью построения модели является оценка и прогноз налогового потенциала региона на основе взаимосвязи налогового потенциала с косвенными макроэкономическими показателями развития группы субъектов федерации и, в частности, Хабаровского края как субъекта федерации. Для оценки и прогноза налогового потенциала субъекта федерации одним из наиболее эффективных методов моделирования, на наш взгляд, является метод математического моделирования. Под экономико-математической моделью чаще всего понимается «методика доведения до полного описания процесса получения, обработки исходной информации и оценки решения рассматриваемой задачи в достаточно широком классе случаев» [см. 158, С.40]. Сущность математического моделирования состоит в замене исходного объекта его математической моделью и дальнейшем изучении модели с помощью вычислительнологических алгоритмов. Этот метод познания, конструирования, проектирования сочетает в себе многие достоинства как теории, так и эксперимента. Работа не с самим объектом, а с его моделью даёт возможность безболезненно, относительно быстро и без существенных затрат исследовать его свойства и поведение в любых мыслимых ситуациях (преимущества теории). В то же время вычислительные эксперименты с моделями объектов позволяют, подробно и глубоко изучать объекты в достаточной полноте, недоступной чисто теоретическим подходам (преимущества эксперимента) [см. 158, С.41 46]. Исходной информацией при построении математических моделей процессов функционирования экономических систем служат данные о назначении и условиях работы исследуемой системы. Эта информация определяет основную цель моделирования объекта и позволяет сформулировать требования к разрабатываемой математической модели. Причем уровень абстрагирования зависит от круга тех вопросов, на которые требуется получить ответ с помощью модели, и в какой-то степени определяет выбор математической схемы. Введение понятия «математическая схема» позволяет рассматривать математику не как метод расчёта, а как метод мышления, как средство формулирования понятий, что является наиболее важным при переходе от словесного описания системы к формальному представлению процесса её функционирования в виде некоторой математической модели. При пользовании математической схемой основным вопросом является вопрос об адекватности отображения в виде конкретных схем реальных процессов в исследуемой системе, а не возможность получения результата решения. Математическую схему можно определить как звено при переходе от содержательного к формальному описанию процесса функционирования системы с учётом воздействия внешней среды, т. е. имеет место следующая цепочка: «описательная модель — математическая схема — математическая модель» [цит. по: 166, С. 45 — 47]. Для формализации экономической системы существуют определённые правила. Согласно им модель объекта моделирования можно представить в виде множества величин, описывающих процесс функционирования реальной системы и образующих в общем случае следующие подмножества: — совокупность входных воздействий на систему: х i X, i = 1, n X ;

— совокупность воздействий внешней среды: v l V, l = 1, n V ;

— совокупность внутренних параметров системы: h k H, k = 1, n H ;

— совокупность выходных характеристик системы: y j Y, j = 1, n Y При этом в перечисленных подмножествах можно выделить управляемые и неуправляемые переменные. В общем случае x i, v l, h k, y j являются элементами непересекающихся подмножеств и содержат как детерминированные, так и стохастические составляющие. При моделировании экономической системы входные воздействия, воздействия внешней среды и внутренние параметры системы являются независимыми переменными, которые в векторной форме имеют соответственно вид r r r x (t ) = ( x1 (t ), x 2 (t ),..., x nX (t ));

v (t ) = ( v1 (t ), v 2 (t ),..., v nV (t ));

, h (t ) = (h1 (t ), h2 (t ),..., hnH (t )) а выходные характеристики системы являются зависимыми переменными и в векторной r форме имеют вид y (t ) = ( y 1 (t ), y 2 (t ),..., y nY (t )). Применительно к оценке и прогнозу налогового потенциала региона в данном контексте в качестве зависимой переменной будет выступать налоговый потенциал, независимые же переменные будут представлены макроэкономическими показателями, влияющими на формирование налогового потенциала посредствам внутрисистемного и внешнего воздействия.

Весьма важным для описания и исследования экономической системы является понятие алгоритма функционирования, под которым понимается «метод получения выходных характеристик с учётом входных воздействий, воздействий внешней среды и собственных параметров системы» [цит. по: 166, С. 46]. Очевидно, что один и тот же закон функционирования системы может быть реализован различными способами, т. е. с помощью множества различных алгоритмов функционирования. Процесс функционирования системы описывается во времени оператором FS, который в общем случае преобразует экзогенные переменные в эндогенные в соответствии с соотношениями вида:

r rrr y (t ) = F S x, v, h, t ( ) (17) Уравнение (17) является «математическим описанием поведения объекта моделирования во времени, т. е. отражают его динамические свойства. Поэтому математические модели такого вида принято называть динамическими моделями» [цит. по: 166, С.46]. В таких моделях совокупность зависимостей выходных характеристик системы от времени y j (t ) для всех видов j = 1, nY является выходной траекторией (t ). Уравнение (17) — это закон функционирования системы,— в общем случае задан в виде функции, функционала, логических условий, в алгоритмической и табличной формах или в виде словесного правила соответствия. Таким образом, под математической моделью объекта (реальной системы) понимают r r r конечное подмножество переменных x (t ), v (t ), h (t ) вместе с математическими r связями между ними и характеристиками y (t ) [см. 166, С.47]. Если математическое описание объекта моделирования не содержит элементов случайности или они не учитываются, т. е. если можно считать, что в этом случае r стохастические воздействия внешней среды v (t ) и стохастические внутренние r параметры h (t ) отсутствуют, то модель является детерминированной в том смысле, что характеристики однозначно определяются детерминированными входными воздействиями:

{ } r r y (t ) = f ( x, t ).

(18) На наш взгляд, очевидно, что детерминированная модель является частным случаем стохастической модели. Приведённые математические соотношения позволяют описать широкий класс систем. Сама постановка вопроса о математическом моделировании какого-либо объекта порождает чёткий алгоритм действий. В экономике, этапы моделирования приобретают свои специфические черты. В частности, для моделирования налогового потенциала субъекта федерации может быть предложен следующий алгоритм (см. рис. 2).

Постановка экономической проблемы Построение математической модели Математический анализ модели Подготовка исходной информации Численное решение Анализ численных результатов.

Применение результатов Рисунок 2 — Алгоритм экономико-математического моделирования налогового потенциала субъекта федерации Для экономико-математического моделирования специфичны следующие этапы алгоритма [см. 160, С. 49]: а) постановка экономической проблемы и её качественный анализ. Главное здесь — чётко сформулировать сущность проблемы, принимаемые допущения и те вопросы, на которые требуется получить ответы. Этот этап включает выделение важнейших черт и свойств моделируемого объекта и абстрагирование от второстепенных;

изучение структуры объекта и основных зависимостей, связывающих его элементы;

формулирование гипотез, объясняющих поведение и развитие объекта. б) построение математической модели. Этап формализации экономической проблемы, выражения её в виде конкретных математических зависимостей и отношений. Обычно сначала определяется основная конструкция математической модели, а затем уточняются детали этой конструкции. Одна из важных особенностей математических моделей, выделяемая в данном русле, — потенциальная возможность их использования для решения разнокачественных проблем. В процессе построения модели осуществляется взаимосопоставление двух систем научных знаний — экономических и математических. На данной стадии разработки модели необходимо получить модель, принадлежащую хорошо изученному классу математических задач. Часто это удаётся сделать путем некоторого упрощения исходных предпосылок модели, не искажающих существенных черт моделируемого объекта. Однако возможна и такая ситуация, когда формализация экономической проблемы приводит к неизвестной ранее математической структуре. в) математический анализ модели. Целью этого этапа является выяснение общих свойств модели. Здесь применяются чисто математические приемы исследования. Наиболее важный момент — доказательство существования решений в сформулированной модели. Если удастся доказать, что математическая задача не имеет решения, то необходимость в последующей работе по первоначальному варианту модели отпадает и следует скорректировать либо постановку экономической задачи, либо способы её математической формализации. При аналитическом исследовании модели выясняются такие вопросы, как, например, единственно ли решение, какие переменные (неизвестные) могут входить в решение, каковы будут соотношения между ними, в каких пределах и в зависимости от каких исходных условий они изменяются, каковы тенденции их изменения и т.д. Аналитическое исследование модели по сравнению с эмпирическим имеет то преимущество, что получаемые выводы сохраняют свою силу при различных конкретных значениях внешних и внутренних параметров модели. И всё же модели сложных экономических объектов с большим трудом поддаются аналитическому исследованию. В тех случаях, когда аналитическими методами не удаётся выяснить общих свойств модели, а упрощения модели приводят к недопустимым результатам, имеет смысл переходить к численным методам исследования. г) подготовка исходной информации. Моделирование предъявляет жесткие требования к системе информации. В то же время реальные возможности получения информации ограничивают выбор моделей, предназначаемых для практического использования. При этом принимается во внимание не только принципиальная возможность подготовки информации, но и затраты на подготовку соответствующих информационных массивов. Эти затраты не должны превышать эффект от использования дополнительной информации. В процессе подготовки информации широко используются методы теории вероятностей, теоретической и математической статистики. При системном экономикоматематическом моделировании исходная информация, используемая в одних моделях, является результатом функционирования других моделей. д) численное решение. Этот этап включает разработку алгоритмов для численного решения задачи, составления программ на ЭВМ и непосредственное проведение расчётов. Трудности этого этапа обусловлены, прежде всего, большой размерностью экономических задач, необходимостью обработки значительных массивов информации. Обычно расчёты по экономико-математической модели носят многовариантный характер. Благодаря высокому быстродействию современных ЭВМ удаётся проводить многочисленные «модельные» эксперименты, изучая «поведение» модели при различных изменениях некоторых условий. Исследование, проводимое численными методами, может существенно дополнить результаты аналитического исследования, а для многих моделей оно является единственно осуществимым. Класс экономических задач, которые можно решать численными методами, значительно шире, чем класс задач, доступных аналитическому исследованию. е) анализ численных результатов и их применение. На этом заключительном этапе цикла встает вопрос о правильности и полноте результатов моделирования, о степени практической применимости последних. Математические методы проверки могут выявлять некорректные построения модели и тем самым сужать класс потенциально правильных моделей. Неформальный анализ теоретических выводов и численных результатов, получаемых посредством модели, сопоставление их с имеющимися знаниями и фактами действительности также позволяют обнаруживать недостатки постановки экономической задачи, сконструированной математической модели, её информационного и математического обеспечения. Следует обратить внимание на возвратные связи этапов, возникающие вследствие того, что в процессе исследования обнаруживаются недостатки предшествующих этапов моделирования (см. рис. 2). Уже на этапе построения модели может выясниться, что постановка задачи противоречива или приводит к слишком сложной математической модели. В соответствии с этим исходная постановка задачи корректируется. Далее математический анализ модели может показать, что небольшая модификация постановки задачи или её формализации даёт интересный аналитический результат. Наиболее часто необходимость возврата к предшествующим этапам моделирования возникает при подготовке исходной информации. Может обнаружиться, что необходимая информация отсутствует или же затраты на её подготовку слишком велики. Тогда приходится возвращаться к постановке задачи и её формализации, изменяя их так, чтобы приспособиться к имеющейся информации. Подводя итоги, можно обобщить вышесказанное и отметить, что в экономике как сложной системе метод математического моделирования является одним из немногих методов, которые позволяют с достаточно высокой степенью вероятности описать тот или иной экономический процесс, а также выявить основные свойства системы, отбросив второстепенные. Данный метод позволяет не только раскрыть сущностные характеристики исследуемого объекта, но и создаёт предпосылки для прогнозирования исследуемого объекты в будущем. Прогнозирование налогового потенциала субъекта федерации, на наш взгляд, является научно обоснованным предвидением направлений развития налоговой системы региона, отдельных финансовых институтов или региональных фискальных органов, возможного состояния экономики региона в будущем, а также альтернативных путей и сроков достижения параметров социально-экономического развития. Необходимость совершенствования прогнозирования налогового потенциала не вызывает сомнения. Прогноз позволяет уменьшить степень неопределённости при принятии экономических и политических решений. Прогнозные показатели, позволяют проводить анализ результативности принятых решений, осуществлять, в случае необходимости, корректировку траекторий развития налоговой системы. Прогнозирование становится неотъемлемой составляющей всей системы общественных отношений, начиная с функционирования хозяйственных субъектов и заканчивая обществом в его глобальном масштабе [см.133, С.118]. Можно с уверенностью утверждать, что на сегодня не существует ни одной составляющей хозяйственной деятельности, которая бы не нуждалась в глубоких, многовариантных прогнозах своего развития. Некоторые факторы удаётся предугадать с достаточно высокой степенью точности, однако отдельные моменты так и остаются неучтенными. Предусмотреть все возможные эффекты и учесть их как переменные при подготовке соответствующего прогноза, — одна из самых сложных задач прогнозирования. В Приложении И нами приведена структура процесса прогнозирования, которая выявляет и подчёркивает её социально-экономическую основу. Формы предвидения тесно связаны в своих проявлениях друг с другом и с исследуемым объектом в системе управления и планирования, представляя собой последовательные в своей конкретности ступени познания поведения объекта в будущем. Исходное начало этого процесса — общенаучное предвидение состояний объекта, завершающий этап — составление плана перевода объекта в новое, заданное для него состояние. Важнейшим средством для этого служит прогноз как связующее звено между общенаучным предвидением и планом. Соответственно проблема научного предвидения охватывает теоретико-познавательный аспект, связанный с исследованием прогнозов как функции, определённой законами диалектики, частными экономическими и социальными законами и теоретическими обоснованиями других наук;

и практический аспект, выражающийся, в частности, в непосредственной связи прогнозирования с планированием и управлением. На основании вышесказанного следует вывод о том, что уровень определённости информации изменяется в зависимости от выбранной формы предвидения развития прогнозируемого объекта. В связи с этим основной целью прогнозирования является создание научных предпосылок для принятия и практического осуществления управляющих решений. Эти предпосылки включают [см. 131, С. 48 — 49]: — научный анализ тенденций развития системы;

— вариантное предвидение предстоящего развития системы, учитывающее как сложившиеся тенденции, так и намеченные цели;

— оценку возможных последствий принимаемых решений;

— обоснование направлений развития. Таким образом, на наш взгляд, задача экономического прогнозирования, с одной стороны, сводится к выяснению перспектив ближайшего или более отдалённого будущего в исследуемой области, руководствуясь реальными процессами действительности, а с другой — способствованию выработке оптимальных текущих и перспективных планов, опираясь на результаты различных вариантов прогноза и оценку принятого решения с позиций его последствий. Сегодня в литературе под методами прогнозирования понимается «совокупность приемов и способов мышления, позволяющих на основе анализа ретроспективных данных, экзогенных (внешних) и эндогенных (внутренних) связей объекта прогнозирования, а также их измерений в рамках рассматриваемого явления или процесса вывести суждения определённой достоверности относительно будущего развития объекта прогнозирования» [цит. по: 193, С. 29]. Прогнозирование налогового потенциала является частью макроэкономического прогнозирования и важным инструментом для проведения и мониторинга налоговой политики. Точная оценка данного показателя в будущие периоды позволяет своевременно принимать те или иные меры по улучшению эффективности регулирования налоговой политики государства. Поскольку выбор метода прогноза налогового потенциала территории, по нашему мнению, должен исходить из соображений точности и достоверности, следует рассмотреть различные методы, которые так или иначе могут быть применены для его прогнозирования. К настоящему времени известно более ста различных методов макроэкономического прогнозирования. В обобщённом виде совокупность всех методов макроэкономического прогнозирования можно представить в виде иерархического дерева [см. 135, С. 260]. Классификация методов прогнозирования приведена в Приложении К. Данная классификация позволяет ориентироваться в существующем многообразии методов прогнозирования и предлагает широкие возможности для прогнозирования налогового потенциала субъекта федерации. Общепризнано, что «в экономике всё зависит от всего». Однако на практике не всегда целесообразно ставить задачу прогнозирования всеобъемлюще, т.к. могут возникнуть трудности методологического характера. Это объясняется тем, что модель должна быть не только достаточно операциональна и достаточно прозрачна, но и понятна. В связи с этим в практике прогнозирования используются различного рода упрощения и ограничения. Для решения глобальной задачи прогнозирования налогового потенциала субъекта федерации можно выделить следующие группы упрощений: — упрощение анализа и расчётов за счёт уменьшения степени точности и полноты решения задачи;

— снижение размерности задачи путем агрегирования информации;

— разделение глобальной задачи на ряд подзадач. Первый способ упрощения глобальной задачи — способ упрощения анализа и расчётов за счёт снижения точности и полноты решения задачи является достаточно часто используемым. Существует множество причин, вынуждающих принимать решения на основе неполного анализа ситуации. Такие причины связаны с существованием определённых пределов в познании и предвидении, с ограниченными возможностями наблюдения, с недостатком времени для анализа и вычислений, а также для использования информации с целью принятия управленческих решений и т.д. Однако при данном способе упрощения задачи прогнозирования возникают проблемы оптимальности соотношения между степенью точности и полноты решения задачи и степенью её упрощения. В литературе [см., например, 132, С.56] подобные проблемы относятся к так называемым границам рациональности, а плановые решения, учитывающие ограничения, приводящие к неполноте анализа, относят к так называемой ограниченной рациональности. Таким образом, можно сделать вывод, что аналитических методов достижения оптимального соотношения между точностью и простотой решения задач прогнозирования не существует. Здесь решение должно приниматься на основе интуиции, подкрепленной теоретическими знаниями и практическим опытом. Степень точности и полноты решения задачи может быть уменьшена, например, за счёт исключения ряда недостаточно существенных показателей, если точность прогноза при этом не падает ниже предела, установленного разработчиком прогноза и его пользователем. Размерность задачи может быть снижена также за счёт игнорирования каких-либо аспектов, а также сужения набора возможностей, подлежащих рассмотрению. Это касается, прежде всего, количества разрабатываемых вариантов прогноза. Главная задача исследователя, в данном случае, заключается, кроме всего прочего, в определении интервала изменения экзогенных показателей, а точнее тех их значений, которые наиболее вероятны в прогнозируемом периоде. Вторым способом упрощения задачи прогнозирования налогового потенциала является агрегирование информации. Агрегирование информации, позволяет снижать размерность задач прогнозирования без изменения их постановки. Наиболее простым примером агрегирования является сложение отдельных элементов прогнозируемой системы. Например, рассматривая налоговый потенциал региона, имеет смысл суммировать различные виды налогов. Часто используются средние величины, а в ряде случаев — не простые суммы, а взвешенные показатели. Если формируется агрегированная модель, то следует оперировать только с агрегированной информацией (например, модель налогового потенциала субъекта федерации по налогу на добавленную стоимость может опираться на показатель добавленной стоимости, что приводит к необходимости выбора между чистой добавленной стоимостью и показателем, характеризующим добавленную стоимость, например, валовым региональным продуктом). При этом агрегирование может помешать выявлению прогрессивных структурных сдвигов в налогообложении данным видом налога различных секторов экономики. Наконец, комплексный метод упрощения задачи прогнозирования — разделение глобальной задачи на ряд подзадач. Этот метод упрощения предполагает условие, при котором возможно подобное разделение: связи между выделенными задачами должны быть относительно слабыми, что позволяет ими пренебречь и решать задачи автономно, или связи должны быть достаточно просты и легко регулируемы [см. 132, С.62]. Таким образом, в процессе систематизированного научно обоснованного прогнозирования налогового потенциала, имеет место развитие методологии прогнозирования, как совокупности методов, приемов и способов мышления, позволяющих на основе анализа ретроспективных данных, экзогенных и эндогенных связей объекта прогнозирования, а также их измерений в рамках рассматриваемого явления или процесса вывести суждения определённой достоверности относительно его будущего развития. Построение относительно точных прогнозов налогового потенциала территории может быть периодическим или случайным, при этом прогресс в прогнозировании предполагает наличие существенных и инерционных регулярностей и взаимосвязей, которые можно надлежащим образом идентифицировать и использовать. В связи с крайней изменчивостью налоговой системы в Российской Федерации, построение прогнозов налогового потенциала на основе длинных (более 10 лет) временных рядов, по нашему мнению, не целесообразно, так как оно не может реально отразить возможный уровень налогового потенциала даже на краткосрочный период, прежде всего, в связи с заложенной в них инертностью и прошлыми тенденциями. В связи с этим особое внимание хотелось бы обратить на регрессионные методы прогнозирования, которые имеют важное прикладное значение именно в краткосрочный период. Регрессионный анализ используется для исследования форм связи, устанавливающих качественные соотношения между случайными величинами изучаемого случайного процесса. Иными словами, связь между случайной и неслучайной величинами называется регрессионной, а метод анализа таких связей — регрессионным анализом. Достоинством регрессионного метода следует считать его универсальность, широкий выбор функциональных зависимостей, возможность включения в статистическую модель в качестве самостоятельной переменной фактора времени. В таких моделях зависимая (объясняемая) переменная y представляется в виде функции:

f(x,y) = f(x1,...,xk, y1,..., yp), где x1,...,xk — независимые (объясняющие переменные);

y1,..., yp — параметры.

(19) В подобных моделях прогноз не опирается на временные качества изучаемого объекта и своей целью ставит установление связей и взаимозависимостей между изучаемыми параметрами, например, между налоговым потенциалом и социально-экономической системой Российской Федерации. В связи с этим, по нашему мнению, прогноз налогового потенциала нужно и возможно проводить с использованием регрессионных методов. Алгоритм прогнозирования в данном случае включает следующие этапы. На первом этапе формулируется цель исследования, выполняется содержательный анализ налогового потенциала;

обосновываются теоретические предположения, являющиеся исходными для составления прогноза;

решается вопрос о выборе показателя, характеризующего его наиболее полно;

определяются показатели, оказывающие влияние на ход развития основного показателя;

выбирается период упреждения прогноза. Оптимальный горизонт прогнозирования задаётся отдельно для каждого показателя на основе содержательного суждения об его стабильности и с учётом статистической колеблемости данных. Каждый показатель должен иметь экономическое содержание, отражать конкретный процесс и быть количественно измеримым. На втором этапе проводится предварительный анализ исходных рядов данных. В практике финансово-экономического моделирования наибольшее распространение получили простые однофакторные и многофакторные линейные регрессионные модели. Это обусловлено не столько простотой вычислительного процесса, сколько ясностью их экономической интерпретации. Качество модели определяется её адекватностью исследуемому процессу и точностью. Адекватность характеризуется наличием определённых статистических свойств, а точность — степенью близости к фактическим данным. Модель считается хорошей со статистической точки зрения, если она является адекватной и достаточно точной. Третий этап прогнозирования заключается в формировании модели прогнозирования. Для прогноза налогового потенциала вследствие вышеуказанных причин наиболее подходящими являются регрессионные модели. Связь между зависимой переменной Y(t) и m независимыми факторами можно охарактеризовать функцией регрессии Y(t)=f(X1, X2,..., Xm), которая показывает, каким будет среднее значение переменной Y, если переменные X примут конкретное значение. Это обстоятельство позволяет применять модель регрессии и для анализа, и для прогнозирования. Множественная корреляция и регрессия определяют форму связи переменных, выявляют тесноту их связи и устанавливают влияние отдельных факторов. Выбор факторов, влияющих на исследуемый показатель, производится, прежде всего, исходя из содержательного экономического анализа. Для получения надёжных оценок в модель не следует включать слишком много факторов. Их число не должно превышать одной трети объёма имеющихся данных (т.е. m N/3). Для определения наиболее существенных факторов могут быть использованы коэффициенты линейной и множественной корреляции, коэффициенты детерминации и частные коэффициенты корреляции.

Коэффициенты парной (линейной) корреляции особенно полезны при построении простых моделей. При наличии двух факторов они вычисляются по формулам:

r(y,x1) = [(Y*X1)ср - X1ср* Yср]/(Sy* Sx1) r(x2,x1) = [(X2* X1)ср - X1ср* X2ср]/(Sx2* Sx1) где (21) (20) Yср — среднее значение зависимой переменной, ед.;

Xcp — среднее значение фактора j, ед.;

(Y*X1)ср — среднее значение из суммы произведений двух переменных, ед.;

Sy — среднее квадратическое отклонение Y, ед.;

Sx - среднее квадратическое отклонение X, ед.

Значение коэффициентов парной корреляции лежит в интервале от –1 до +1. Его положительное значение свидетельствует о прямой связи, отрицательное — об обратной, т.е. когда растет одна переменная, другая уменьшается. Чем ближе его значение к 1, тем теснее связь. Считается, что связь достаточно сильная, если коэффициент корреляции по абсолютной величине превышает 0,7, и слабой — если он меньше 0,3. При равенстве его нулю связь полностью отсутствует. Этот коэффициент даёт объективную оценку тесноты связи лишь при линейной зависимости переменных. Коэффициент множественной корреляции, который принимает значение от 0 до 1, более универсальный: чем ближе его значение к 1, тем в большей степени учтены факторы, влияющие на зависимую переменную, тем более точной может быть модель. Рассмотренные показатели во многих случаях не дают однозначного ответа на вопрос о наборе факторов. Поэтому в практической работе осуществляется отбор факторов непосредственно в ходе построения модели методом пошаговой регрессии. Суть метода состоит в последовательном включении факторов. На первом шаге строится однофакторная модель с фактором, имеющим максимальный коэффициент парной корреляции с результативным признаком. Для каждой переменной регрессии, за исключением тех, которые уже включены в модель, рассчитывается величина C(j), равная относительному уменьшению суммы квадратов зависимой переменной при включении фактора в модель. Эта величина интерпретируется как доля оставшейся дисперсии независимой переменной, которую объясняет переменная j. Пусть на очередном шаге k номер переменной, имеющей максимальное значение, соответствует j. Если Ck меньше заранее заданной константы, характеризующей уровень отбора, то построение модели прекращается. В противном случае k-ая переменная вводится в модель. Для отображения зависимости переменных могут использоваться показательная, параболическая и многие другие функции. Однако в практической работе наибольшее распространение получили модели линейной взаимосвязи, т.е. когда факторы входят в модель линейно. Линейная модель множественной регрессии, имеет вид:

Y(t) = a0 + a(1)X1(t) + a(2)X2(t) +...+ a(m)Xm(t) + E(t), где (22) Y(t) — зависимая переменная (основной показатель), ед.;

X(t) —независимые переменные (факторы), ед.;

t — порядковый номер наблюдения временного ряда (t=1,2,...N);

a(j) — коэффициенты регрессии (j=0,..m), подлежащие численному оцениванию на основе N наблюдений и m факторов, ед.;

E(t) — остаточная компонента, дисперсия которой также должна быть оценена, ед.

Следующий, четвёртый, этап включает численное оценивание параметров моделей с помощью специальных процедур. Во всех случаях основная идея оценки параметров заключается в максимальном приближении модели к исходным данным. Указанные модели используют лишь один фактор — «время», который условно представляет всю совокупность причинных факторов, влияющих на интересующий показатель. Для регрессионной модели параметры оцениваются по взвешенному методу наименьших квадратов (ВМНК). Для двухпараметрической модели система уравнений, из которой определяются коэффициенты регрессии, имеет вид:

(23) Здесь и далее суммирование ведётся по числу наблюдений N. Для парной регрессии система уравнений сильно упрощается, и оценки коэффициентов рассчитываются следующим способом: (24) a0 = Ycp - a1Xcp Если записать выражение для определения коэффициентов регрессии в матричной форме, то становится очевидным, что решение задачи возможно лишь тогда, когда столбцы и строки матрицы исходных данных линейно независимы. Для экономических показателей это условие выполняется не всегда. Линейная или близкая к ней связь между факторами называется коллиниарностью и приводит к линейной зависимости нормальных уравнений, что делает вычисление параметров либо невозможным, либо затрудняет содержательную интерпретацию параметров модели. Чтобы избавиться от коллиниарности, в модель включают лишь один из линейно связанных между собой факторов, причем тот, который в большей степени связан с зависимой переменной. На пятом этапе определяется качество модели. Качество модели определяется её адекватностью исследуемому процессу и точностью. Адекватность характеризуется наличием определённых статистических свойств, а точность — степенью близости к фактическим данным. Модель считается хорошей со статистической точки зрения, если она является адекватной и достаточно точной. Далее производится выбор лучшей модели. При выборе лучшей модели следует учитывать не только формальные статистические характеристики, но и интерпретируемость их траектории развития с содержательной точки зрения. В случае несовпадения результатов выбора по статистическому и содержательному критериям предпочтение отдаётся последнему. Лучшая из числа построенных, либо построенная обобщённая модель выбирается в качестве прогнозной модели. Наконец, на последнем этапе делается непосредственный прогноз и даётся экономическая интерпретация (например, налогового потенциала территории). При использовании построенной регрессионной модели для прогнозирования делается предположение о сохранении в период прогнозирования существовавших ранее взаимосвязей переменных. Для прогнозирования зависимой переменной на k шагов вперед необходимо знать прогнозные значения всех входящих в неё факторов. Их оценки могут быть получены на основе временных экстраполяционных моделей или заданы пользователем. Эти оценки подставляются в модель и получаются прогнозные оценки. При использовании построенной модели регрессии для прогнозирования делается предположение о сохранении в период прогнозирования существовавших ранее взаимосвязей переменных.

Для того чтобы определить область возможных значений результативного показателя, при рассчитанных значениях факторов следует учитывать два возможных источника ошибок: рассеивание наблюдений относительно линии регрессии и ошибки, обусловленные математическим аппаратом построения самой линии регрессии. Ошибки первого рода измеряются с помощью характеристик точности, в частности, величиной Sе. Ошибки второго рода обусловлены фиксацией численного значения коэффициентов регрессии, в то время как они в действительности являются случайными, нормально распределенными. Для линейной модели регрессии доверительный интервал рассчитывается следующим образом. Оценивается величина отклонения от линии регрессии (обозначим её U): (25) Коэффициент Кр является табличным значением t-статистики Стьюдента при заданном уровне значимости и числа наблюдений. Как видно из формулы (25) величина U прямо пропорционально зависит от точности модели, коэффициента доверительной вероятности Кр, степени удаления прогнозной оценки фактора X и обратно пропорциональна объёму наблюдений. В результате получаем следующий интервал прогноза для шага прогнозирования k: верхняя граница прогноза = Y(N+k)+U(k), нижняя граница прогноза = Y(N+k)-U(k). Если построенная регрессионная модель адекватна и прогнозные оценки факторов достаточно надёжны, то с выбранной вероятностью можно утверждать, что при сохранении сложившихся закономерностей развития прогнозируемая величина попадет в интервал, образованный нижней и верхней границами. Изложенная выше методика и алгоритм её применения будет использована нами для прогноза налогового потенциала субъекта федерации на 2005 — 2006 гг.

2.2 Совершенствование системы требований к комплексной оценке налогового потенциала субъекта федерации Методика оценки налогового потенциала территории предполагает соответствие определённой системе требований, отвечая которым, данная методика может давать достоверную информацию о величине потенциала. Попытаемся выявить ряд моментов, которые, на наш взгляд, нужно учитывать в процессе построения методики оценки налогового потенциала и систематизировать (см. рис. 3). Следует отметить, прежде всего, что эффективность и результативность той или иной концепции измерения налогового потенциала зависит от возможности избранной методики к измерению способности региона к мобилизации налоговых доходов без учёта фактического выбора региональных властей в области решений, определяющих налоговую политику в регионе. С другой стороны, результаты оценки регионального налогового потенциала должны быть независимы от структуры потребления и инвестиций в регионе. Мы считаем, что оценка налогового потенциала должна проводиться по каждому виду налогов в региональном разрезе с учётом экономической специфики региона и должна быть основана на расчёте агрегированной налоговой базы. При определении уровня налогового потенциала в первую очередь должны учитываться экономические показатели, оказывающие определяющее воздействие на формирование налоговой базы региона. Хотя, эти показатели характеризуют систему факторов, влияющих на экономику субъекта федерации (см. рис. 3) необходимо отметить, что ресурсы, формирующие налоговый потенциал, являются ресурсами экономическими. Именно в связи с этим, на наш взгляд, их учёт необходим. Среди таковых показателей можно выделить отраслевую специализацию региона;

численность населения;

соотношение городского и сельского населения;

объём валового регионального продукта;

количество и отраслевой состав предприятий региона;

число крупнейших налогоплательщиков;

показатели, характеризующие внешнеэкономическую деятельность в отраслевом разрезе;

уровень оплаты труда и наличие задолженности по заработной плате;

а также некоторые другие макроэкономические показатели.

Факторы и эффекты, влияющие на налоговый потенциал региона Факторы и эффекты, влияющие на экономику региона Экономика региона 3 1 — Фактический налоговый потенциал региона 2 — Пессимистический прогноз налогового потенциала региона 3 — Оптимистический прогноз налогового потенциала региона Методы оценки и прогноза налогового потенциала субъекта федерации Система требований к методам оценки и прогноза налогового потенциала Непротиворечивость Репрезентативность Оптимальность соотношения простоты и качества полученного результата Система требований к входящей информации Своевременность Достаточность учёта налоговых ресурсов Полнота и точность учёта Учёт факторов, формирующих налоговую базу региона Рисунок 3 — Система влияния факторов и эффектов на экономику и налоговый потенциал региона и система требований к методам его оценки и прогнозирования При анализе подходов к оценке налогового потенциала необходимо принимать во внимание и тот факт, что соответствующие методики оценки налогового потенциала в случае их внедрения на региональном уровне могут создавать стимулы для выбора региональными властями определённых стратегий поведения в отношении уровней налогообложения и бюджетных расходов. Данные стимулы выражаются эффектами, влияющими на оценку экономики региона и его налоговый потенциал (см. рис. 3). Можно выделить три вида стимулов: стимулы по применению налоговых ставок, стимулы по оказанию влияния на налоговые базы и стимулы по принятию стратегии недобросовестного поведения. Объём финансовой помощи региону в рамках эффективно построенной системы межбюджетного выравнивания не должен находиться в зависимости от изменения каким-либо регионом собственных налоговых ставок, в части сумм, поступающих в региональный бюджет. Между тем, если в регионе сконцентрирована значительная часть налоговой базы и вес данного региона в итоговом значении применяемой для оценки налогового потенциала стандартной (средней) налоговой ставки велик, то для данного региона появляются стимулы к снижению собственной налоговой ставки (в рамках налогов, с долевым распределением налоговых ставок) в целях оказания влияния на используемый для расчёта налогового потенциала средний показатель по стране и соответственно — на величину выделяемой финансовой помощи. С другой стороны, эффективно построенная система межбюджетных отношений должна принимать во внимание увеличение налоговой базы в регионах (путем соответствующего снижения размеров финансовой помощи), что может создать отрицательные стимулы к развитию собственной налоговой базы. Степень влияния методики оценки налогового потенциала на поведение региональных властей зависит, среди прочего, и от детализации используемых показателей (в части формирования). В случае если региональные власти видят, что путем принятия тех или иных решений они могут оказать прямое влияние на величину показателей, участвующих в расчёте налогового потенциала, то интенсивность отрицательных стимулов возрастает [см. 78;

С. 33]. Таким образом, анализ косвенных показателей, рассчитываемых путем агрегирования данных по региональной экономике, снижает риск создания стимулов для выбора стратегии поведения региональных властей, однако, в силу своей низкой достоверности, они далеко не всегда могут в чистом виде применяться для оценки. Влияние переложения (экспорта) налогового бремени также характеризует адекватность методики оценки налогового потенциала. Проблему переложения налогового бремени, на наш взгляд, следует рассматриваться в двух аспектах: горизонтальном (межрегиональном и межхозяйственном) и вертикальном (по уровням бюджетной системы). В горизонтальном разрезе переложение налогового бремени определяется как прямое или косвенное налогообложение нерезидентов того или иного региона. Под налоговыми резидентами региона, в данном случае, понимаются юридические лица, местом нахождения (управления) которых является данный регион. Место нахождения (управления) определяется местом государственной регистрации и постановки на налоговый учёт. Согласно данной позиции, налогообложению в регионах может подлежать экономическая активность, связанная с осуществлением межрегиональных операций либо с участием предприятий-резидентов (экономических агентов) иных регионов [см. 77;

С. 55]. В данном случае налоговое бремя переносится на экономических агентов из других регионов. Примером данного способа может служить налогообложение товаров, реализуемых нерезидентам, взимание налогов с доходов, выплаченных нерезидентам, налогообложение недвижимости, Более сложным случаем межрегионального экспорта налогового бремени является взимание налогов на корпорации, продукция которых реализуется, в том числе и нерезидентам. Особенно характерен последний пример для региональных налогов на природные ресурсы, большая часть налогового бремени в отношении которых, как правило, переносится на нерезидентов.

Если вести речь о горизонтальном переложении налогового бремени, то в России наиболее понятным и известным фактом является существовавшая до середины 2002 г. практика взимания акцизов. Так, акциз, к примеру, на алкоголь, уплачивался производителями подакцизной продукции частично в бюджет тех субъектов РФ, на территории которых осуществлялась деятельность этого производителя. В то же время, как иной косвенный налог, акциз фактически оплачивался покупателями этой продукции, находящимися, в том числе, и в иных субъектах РФ. В этом случае явно наблюдался межрегиональный эффект переложения налогового бремени. Не случайны, в связи с этим, и имевшие место попытки властей к прямому или косвенному запрету реализации подакцизной продукции, произведённой в других регионах. Другой аспект проявления эффекта переложения налогового бремени связан с особенностями бюджетного устройства. Для федеративного государства характерны вертикальные фискальные внешние эффекты, состоящие в стремлении региональных властей к переложению налогового бремени на национальные власти. Причем, чем менее централизована бюджетно-налоговая система государства, тем сильнее выражен данный эффект [см. 77;

С. 57]. Экспорт налогового бремени, согласно данной теории, может осуществляться следующим способом: региональные власти могут взимать собственные налоги, на сумму которых предоставляется кредит по федеральным (национальным) налогам. Применение данного варианта не возможно в российских условиях, т.к. в России не применяются вычитаемые налоги в явном виде. Необходимо отметить, что в неявном виде такое явление, как вычитаемость одних налогов из других, существует: в частности — повышение региональными властями ставок оборотных налогов ведёт к сокращению базы федерального налога на прибыль. В этом случае налоговое бремя переносится на федеральный (национальный) бюджет. В последнее время, в связи с политикой постепенной отмены оборотных налогов, возможности использования такой практики уменьшаются. В России, как известно, функционирует трёхуровневая бюджетная система: федеральный бюджет, бюджеты субъектов Российской Федерации и местные бюджеты. В этом случае можно наблюдать вертикальные эффекты, состоящие в стремлении федеральных, региональных и местных властей к перераспределению налогового бремени. Экспорт налогового бремени, в данном случае, действует следующим образом. К компетенции, к примеру, органов государственной власти субъектов РФ относится назначение ставок региональных налогов в пределах, установленных федеральным законодательством РФ налоговых ставок, что, разумеется, влияет на величину этих налогов. Между тем часть таких налогов (налог на имущество организации, транспортный налог) влияет на налоговую базу налога на прибыль организации. Таким образом, повышение налоговых ставок региональных, местных налогов, как следствие, снижает налог на прибыль организации. Существуют и менее очевидные, отдалённые эффекты. Следует отметить, что ни один из методов оценки налогового потенциала не в состоянии полностью учесть экспорт налогового бремени. Тем не менее, можно утверждать, что оценка, основанная на использовании налоговых баз как первичного показателя, в большей степени способна учесть подобный экспорт, так как при оценке налоговой базы используются данные налоговой отчетности, позволяющие выделить экспортируемое налоговое бремя из общей суммы налога. Например, экспорт налогового бремени учитывается в методике оценки налогового потенциала с помощью таких показателей, как реализация товаров и услуг нерезидентам, сведения об имуществе, находящемся в собственности резидентов других регионов, сведения о прибыли, распределенной между акционерами — резидентами других регионов, а также сведения о налогооблагаемом доходе нерезидентов, полученном в регионе. Учёт экспорта налогового бремени в показателях налогового потенциала, по нашему мнению, необходимо осуществлять по результатам оценки масштабов данного экспорта в экономике страны, т.к. при относительно небольших объёмах переложения налогового бремени соответствующая погрешность расчётов с помощью любого из методов оценки налогового потенциала может оказаться пренебрежимо мала. При оценке налогового потенциала, использующей показатели налоговых баз, моделируются налоговые поступления по каждому виду налоговых доходов региональных бюджетов. Единственной переменной, таким образом, при использовании этого подхода является величина региональной налоговой базы. В данной ситуации стоит учесть тот факт, что при этом не принимается во внимание взаимосвязь налоговых баз, которая также должна быть учтена в оценке. Например, налоговая база налога на доходы физических имеет значение для поступлений в бюджет не только этого налога, но также и других налогов и платежей. В случае если население региона «А» получает больший доход, чем население региона «Б», то для бюджета региона «А» будет характерен более высокий уровень доходов не только от налога на доходы физических лиц, но также и налогов на имущество, налогов с продаж, акцизов и прочих налогов. Таким образом, не учитывается то, что потенциальные доходы от взимания конкретного налога являются также функцией от базы других налогов. Наконец, мы считаем, что при выборе методики оценки налогового потенциала следует учитывать фактор потребительских предпочтений (хотя в России влияние его в целом незначительно вследствие низких доходов основной массы населения и высоких транспортных издержек). При высокой доле налогов с продаж и акцизов в составе источников региональных бюджетных доходов использование для оценки налогового потенциала налоговой базы может привести к зависимости итоговой оценки от потребительских предпочтений. Если, к примеру, структура потребления в двух регионах с одинаковым уровнем среднедушевых доходов такова, что население первого региона потребляет большее (в стоимостном выражении) количество налогооблагаемых товаров, то и оценка налогового потенциала для этого региона будет выше, чем для региона с аналогичным уровнем доходов. Более общим примером искажений в налоговой системе с преобладанием налогов на потребление является зависимость значений оценки налогового потенциала от распределения дохода между потреблением и сбережениями — в регионе с большей долей сбережений налоговый потенциал будет ниже, несмотря на то, что способность платить за государственные услуги в обоих регионах одинакова. Помимо учёта переложения налогового бремени следует выделить целый ряд требований как к методике оценки и прогноза налогового потенциала субъекта федерации, так и к информации, используемой для оценки и прогноза (см. рис. 3). Среди них: — полнота и точность учёта налогов, их своевременность;

— непротиворечивость (с действующими подходами и перспективой в общеметодологическом плане);

— достаточности учёта (90 — 95 %) налогового потенциала региона;

— учёт максимального количества факторов, формирующих налоговую базу;

— верификация подхода;

— возможность моделирования и прогнозирования налогового потенциала. В данном ракурсе возникают следующие проблемы. На территории Российской Федерации действует множество налогов, которые можно условно объединить в несколько групп (см. Приложение Л). В соответствии с принципом множественности налогов и объектов налогообложения, видов налогов должно быть достаточно много, чтобы сбор налогов был стабильным, а налоговое бремя — равномерным. Эффективное функционирование множественности налоговых форм предполагает умеренность обложения каждым из налогов и всей их совокупностью, а также стабильность и полноту охвата налогово-бюджетных проблем. Любая налоговая система только тогда эффективна, когда она предусматривает множественность налогов, функционирование единого налога нарушает принцип эластичности налоговой системы. В связи с этим, мы считаем необходимым отметить, что методика оценки и прогнозирования налогового потенциала должна иметь возможность гибко и своевременно подстраиваться под изменения налоговой системы государства, легко включая в себя и исключая из себя различные виды налогов и их группы, обеспечивая тем самым принцип множественности. Своевременность адаптации методики к изменяемости среды, должно достигаться в данном случае относительной её простотой. С учётом этого, подход, строящийся на построении репрезентативной налоговой системы, на наш взгляд, наиболее точно и полно отражают структуру налогов и наиболее чётко соответствуют выбранным ограничениям. Поскольку для оценки налогового потенциала территории нами выбрана методика построения репрезентативной системы с использованием регрессионного анализа, целесообразность применения которого обоснована выше, нужно, прежде всего, выделить ряд требований, касающихся именно данного метода моделирования и прогнозирования. К ним можно, в частности, отнести следующие. 1. Моделирование должно опираться на массовые статистические наблюдения, так как в налогообложении практически все процессы являются массовыми. Они характеризуются закономерностями, которые не обнаруживаются на основании лишь одного или нескольких статистических наблюдений. 2. Следующее требование порождается динамичностью налоговых процессов, изменчивостью их параметров и структурных отношений. Вследствие этого налоговые процессы приходится постоянно держать под наблюдением, необходимо иметь устойчивый поток новых данных. Поскольку наблюдения за динамикой налоговых отношений и обработка эмпирических данных обычно занимают довольно много времени, то при построении математических моделей налогового потенциала требуется корректировать исходную информацию с учётом её запаздывания. 3. Познание количественных отношений налоговых процессов и явлений опирается на экономические измерения. Точность измерений в значительной степени предопределяет и точность конечных результатов количественного анализа посредством моделирования. Поэтому необходимым условием эффектного использования математического моделирования для оценки налогового потенциала в рамках выбранной методики является совершенствование экономических измерителей. Применение математического моделирования в нашем случае поднимает проблему измерений и количественных сопоставлений различных аспектов и явлений социально-экономического характера, достоверности и полноты получаемых данных, их защиты от намеренных и технических искажений. 4. В процессе моделирования возникает взаимодействие «первичных» и «вторичных» экономических измерителей. Поскольку модель оценки налогового потенциала посредствам построения репрезентативной налоговой системы опирается на определённую систему экономических измерителей — ресурсов,— и в то же время одним из важных результатов моделирования является получение вторичных экономических измерителей — экономически обоснованных оценок эффективности разнокачественных налоговых ресурсов,— эти измерители могут испытывать влияние недостаточно обоснованных первичных измерителей, что вынуждает исследователей разрабатывать для налоговых моделей особую методику корректировки первичных измерителей [см. 131, С.148 — 150]. Для прогнозирования налогового потенциала также большое значение имеет понятие неопределённости и подвижности налоговых отношений. В данном аспекте можно выделить два типа неопределённости и подвижности: «истинную»,— обусловленную свойствами налоговых процессов, и «информационную»,— связанную с неполнотой и неточностью имеющейся информации об этих процессах. Истинную неопределённость нельзя смешивать с объективным существованием различных вариантов динамики налогообложения и возможностью сознательного выбора поведения налоговых агентов (например, выбор различных вариантов налогообложения субъектами налоговой системы). Речь идет о принципиальной невозможности точного выбора единственного варианта налоговой системы.

В развитии налогообложения неопределённость вызывается двумя основными причинами. Во-первых, ход планируемых и управляемых налоговых процессов, а также внешние воздействия на эти процессы не могут быть точно предсказуемы из-за действия случайных факторов и ограниченности человеческого познания в каждый момент. Особенно характерно это для прогнозирования показателя структуры налогоплательщиков, обусловливаемой социально-экономическими, географическими, политическими и др. факторами. Во-вторых, общегосударственное планирование и управление не только не всеобъемлющи, но и не всесильны, а наличие множества самостоятельных налоговых субъектов с особыми интересами не позволяет точно предвидеть результаты их взаимодействий [см. 131, С.156]. Неполнота и неточность информации об объективных процессах и поведении участников налоговых отношений усиливают истинную неопределённость. В целях минимизации данного эффекта можно выделить два основных направления. Вопервых, усовершенствование методики использования моделей жестко детерминистского типа: проведение многовариантных расчётов и модельных экспериментов с вариацией конструкции модели и её исходных данных;

изучение устойчивости и надёжности получаемых решений, выделение зоны неопределённости;

включение в модель резервов, применение приемов, повышающих приспособляемость решений к вероятным и непредвидимым ситуациям. Во-вторых, получение модели, непосредственно отражающей стохастику и неопределённость налоговых процессов и использующей соответствующий математический аппарат: теорию вероятностей и математическую статистику, теорию игр и статистических решений, теорию массового обслуживания, стохастическое программирование, теорию случайных процессов. Сложность налоговых отношений и другие отмеченные выше особенности налоговых систем затрудняют не только построение математических моделей, но и проверку их адекватности, истинности получаемых результатов. Оценивая современное состояние проблемы адекватности математических моделей налоговому потенциалу, следует признать, что создание конструктивной комплексной методики верификации моделей, учитывающей как объективные особенности моделируемых объектов, так и особенности их познания, по-прежнему является одной из наиболее актуальных задач экономикоматематических исследований. В естественных науках достаточным условием истинности результатов моделирования и любых других форм познания является совпадение результатов исследования с наблюдаемыми фактами. Категория «практика» совпадает здесь с категорией «действительность». В экономике и налогообложении в частности понимаемые таким образом принцип «практика — критерий истины» в большей степени применим к простым дескриптивным моделям, используемым для пассивного описания и объяснения действительности (анализа прошлого развития, краткосрочного прогнозирования неуправляемых экономических процессов и т.п.) [см. 23, С. 20 — 28]. Однако главная задача, по нашему мнению, более конструктивна: разработка научных методов планирования и управления налоговым потенциалом. Поэтому распространенный тип математических моделей оценки налогового потенциала — это модели управляемых и регулируемых экономических процессов, используемые для преобразования экономической действительности. Специфика верификации нормативных моделей состоит в том, что они, как правило, «конкурируют» с другими, уже нашедшими практическое применение методами оценки налогового потенциала. При этом далеко не всегда можно поставить так называемый «чистый» эксперимент по верификации модели, устранив влияние других управляющих воздействий на моделируемый объект. Особенно данная проблема актуальна в том случае, когда ставится вопрос о верификации моделей долгосрочного прогнозирования, поскольку невозможно 10 —15 лет и более пассивно ожидать наступления событий, чтобы проверить правильность предпосылок модели. Несмотря на отмеченные усложняющие обстоятельства, соответствие модели фактам и тенденциям реальной жизни остается, на наш взгляд, важнейшим требованием, определяющим направления совершенствования моделей. Всесторонний анализ выявляемых расхождений между действительностью и моделью, сопоставление результатов по модели с результатами, полученными иными методами, помогают выработать пути коррекции моделей. При этом значительная роль в проверке моделей принадлежит логическому анализу, в том числе средствами самого математического моделирования. Такие формализованные приемы верификации моделей, как доказательство существования решения в модели, проверка истинности статистических гипотез о связях между параметрами и переменными модели, сопоставления размерности величин и т.д., позволяют сузить класс потенциально «правильных» моделей. Внутренняя непротиворечивость предпосылок модели проверяется также путем сравнения друг с другом получаемых с её помощью следствий, а также со следствиями «конкурирующих» моделей. Наконец, необходимо отметить, что эффективная, или «идеальная» методика оценки налогового потенциала субъекта Российской Федерации должна включать в себя не только возможности оценки текущего его состояния, но и иметь возможность использовать собственные инструменты для прогнозирования на будущие периоды. Поскольку конечной целью моделирования обычно является оценка и прогнозирование моделируемого показателя в зависимости от значений факторных признаков или условий, для регрессионных моделей в качестве оценки или прогноза моделируемого показателя для конкретного фактора важную роль играет возможность построения интервального прогноза. Поскольку интервальный прогноз значительно нивелирует влияние проблем, связанных с построением моделей, и учитывает отклонения от выявленной закономерности в результате воздействия случайных и не учтенных в модели факторов (что положительно сказывается на достоверности и верификации модели), мы предприняли попытку усовершенствовать выбранную нами методику оценки и прогнозирования, построив интервальный прогноз налогового потенциала одного из субъектов федерации Дальневосточного федерального округа — Хабаровского края. В интервальном прогнозе отклонение от закономерности в результате случайных воздействий определяется границами доверительных интервалов. Под последним в данном случае понимается такой «интервал, которому с заданной степенью вероятности (называемой доверительной) принадлежат истинные значения показателя при условии, что закономерности, отраженные в модели, не противоречат развитию как на участке наблюдения, так и на участке оценки (или в периоде упреждения прогноза)» [цит. по: 186, С. 239]. Случайные отклонения от модели проявляются в виде ошибок. Поэтому при определении границ доверительных интервалов необходимо определить, из чего складываются возможные ошибки моделирования, оценки и прогнозирования. При условии, что модель адекватна и возможные ошибки носят только случайный характер, следует различать два основных источника ошибок [см. 186, С. 242]: ошибки аппроксимации (рассеяние наблюдений относительно модели) и ошибки оценок параметров модели. Наличие ошибок первого типа очевидно: даже визуально видно рассеяние исходных данных относительно модели и, конечно, нельзя предполагать, что за границами периода наблюдений фактические значения вдруг подтянутся к модели. Величина ошибок аппроксимации характеризуется остаточной дисперсией или среднеквадратической ошибкой. Распределение этих ошибок для адекватных моделей нормально (нормальность ошибок, как уже отмечалось, — одно из условий адекватности).

Ошибки оценок параметров моделей обусловлены тем, что их параметры, фиксированные в модели как однозначные, в действительности являются случайными величинами, так как они оцениваются на основе фактических данных, в которых присутствуют как закономерная, так и случайная составляющие. Средние значения этих оценок при выполнении предпосылок регрессионного анализа соответствуют истинным значениям параметров. В заключении, отметим, что при моделировании на основе регрессионного анализа и построении интервального прогноза, мы будем учитывать широкий спектр фактора случайности, что позволит с высокой степенью достоверности использовать данные модели, как для оценки, так и в целях прогнозирования налогового потенциала субъекта федерации в краткосрочной перспективе.

3 Разработка прогноза налогового потенциала субъекта федерации (на примере Хабаровского края) 3.1 Состояние и тенденции развития экономики Хабаровского края Сложившаяся к настоящему времени глубокая дифференциация социальноэкономического развития российских регионов, а также достаточно противоречивые тенденции их современного генезиса обусловливают важность объективной интегрированной оценки указанных процессов, включая и сравнительный уровень их функционирования, анализ текущего социально-экономического положения. Соответствующие им структурные и динамические базовые показатели создают, на наш взгляд, основу для формирования налогового потенциала субъекта федерации. Такая интегрированная оценка охватывает различные аспекты территориального развития, включая состояние природно-географической и демографической среды, экономики, социальной сферы, поскольку они формируют систему факторов и показателей, которые будут заложены нами в методику оценки и прогнозирования налогового потенциала региона. Поскольку, как указывалось ранее, природно-географические, экономические, социальные и демографические факторы опосредованно влияют на формирование налогового потенциала субъекта федерации, то, на наш взгляд, целесообразно проанализировать их применительно и к Хабаровскому краю. Как и большинство регионов Дальнего Востока, Хабаровский край пространственно чрезвычайно неоднороден. Территория края, вытянутая вдоль побережья Охотского моря на многие сотни километров, по транспортной доступности, уровню освоенности и характеру расселения чётко разделяется на три зоны, сильно различающиеся по природным условиям. В наиболее освоенной и густонаселенной южной зоне (плотность населения в пригородном ареале более 50 человек / км2.) [см. 20;

С. 7] роль градообразующей выполняет Транссибирская железнодорожная магистраль, к которой тяготеет более 60 % населения Хабаровского края. Ядро этой зоны — город Хабаровск (617,8 тыс. чел.). В нём проживает половина городского населения края. Второй крупный город — Комсомольск-на-Амуре (280 тыс. чел.) — расположен в срединной зоне, где по сравнению с южной частью преобладает мелкоселённость и дисперсность расселения, распространены небольшие поселения золотодобытчиков и временные посёлки леспромхозов. Север края — это территория очагового освоения (плотность населения в среднем составляет 0,02 человек / км2), где основную часть населенных пунктов составляют поселения золотодобытчиков и рыбацкие поселки на побережье Охотского моря. Средняя плотность населения в Хабаровском крае составляет всего 1,82 человек / км2, что, впрочем, выше среднего уровня по Дальневосточному федеральному округу. Физико-географические условия на большей части территории края неблагоприятны для ведения сельского хозяйства, заселение было в основном индустриальным, поэтому процессы урбанизации начались давно. В крае высока доля городского населения (около 80%), которое концентрируется в двух указанных выше крупных городах. Сеть городских поселений развита слабо и представлена в основном не городами (их только 7, в том числе 5 малых), а 24 поселками городского типа. Современное сокращение численности населения Хабаровского края — это результат наложения двух факторов: миграционного оттока и естественной убыли. В начале 1990-х гг. в большинстве районов края ещё сохранялся небольшой естественный прирост (табл. 1), обеспечиваемый пониженной смертностью из-за более молодой возрастной структуры населения, поэтому причиной сокращения численности был только миграционный отток, начавшийся вслед за резким ухудшением социально-экономической ситуации в регионе. Но к настоящему времени соотношение изменилось: в отличие от большинства других регионов Дальнего Востока, Хабаровский край теряет своё население преимущественно по причине естественной убыли, которая из-за роста смертности увеличилась до – 5,4 промилле (максимальный показатель на Дальнем Востоке), в то время как миграционный отток из региона значительно сократился. Таблица 1 — Сравнительная характеристика основных демографических показателей Хабаровского края и России в 1992 – 1994 гг. Годы Показатель Рождаемость, % Смертность, % Естественный прирост (убыль),% Миграционный прирост (убыль), % 1992 Хабаровский край 10,8 10,4 0,4 –6,7 РФ 10,7 12,2 –1,5 1,2 2004 Хабаровский край 9,7 15,1 –5,4 –0,9 РФ 9,8 16,3 –6,5 0, Со второй половины 1990-х гг. Хабаровский край отличается наименьшей миграционной убылью населения на фоне остальных регионов Дальнего Востока. Однако в ряде районов, преимущественно северных, и сейчас продолжается сильнейший миграционный отток населения. Большая часть этого потока направлена в южные районы края, где природные условия более благоприятны, а стоимость жизни ниже по сравнению с севером. Переселение в г. Хабаровск сопряжено с большими затратами, поэтому часть мигрантов оседает в пригородном районе, что позволяет работать в краевом центре. За 1991–2004 гг. доля населения, живущего в г. Хабаровске, увеличилась незначительно — всего на 3 % (с 38 до 41% от всего населения края). В северных районах, теряющих население, сокращается численность экономически активного населения и возрастает демографическая нагрузка на занятых. Как показывает практика, при проведении анализа социально-экономического развития регионов большое значение имеет обоснование конкретных применяемых индикаторов для тех или иных целей. Наряду с этим следует учитывать, что наибольшая глубина анализа достигается при построении иерархически соподчиненной системы индикаторов с использованием соответствующих интегральных показателей. При этом обоснование и возможное ограничение состава используемых базовых индикаторов должно предусматривать относительную устойчивость во времени сравнительных оценок уровней развития регионов как ключевой составляющей оценки их социально-экономического положения. С учётом изложенного, на наш взгляд, необходимо руководствоваться следующими основными методологическими принципами [см. 136], так как они через указанные выше индикаторы характеризуют в известной степени и состояние налогового потенциала субъекта федерации. Среди них: — комплексность оценки, обеспечивающая учёт дифференциации всех важнейших аспектов социально-экономического положения Хабаровского края как макроэкономической характеристики ресурсов, образующих налогооблагаемые базы региона;

— системность оценки, предполагающая учёт взаимосвязей базовых показателей и использование иерархически упорядоченной структуры частных и интегральной характеристик регионального развития, поскольку зависимость налогового потенциала и уровня регионального развития может быть оценена лишь с использованием комплекса макроэкономических показателей показателей;

— обеспечение максимальной репрезентативности показателей для оценки различных аспектов социально-экономического положения регионов и ресурсов, влияющих на величину налогового потенциала региона;

— учёт фактора сравнительной достоверности исходных данных при выборе базовых показателей регионального развития;

— наиболее полная адаптация системы используемых индикаторов к возможностям существующей статистической и налоговой отчетности;

— максимальное соответствие системы индикаторов задачам оценки и прогнозирования налогового потенциала региона;

— обеспечение максимальной информативности выходных результатов сравнительной оценки социально-экономического положения регионов с позиций формирования базовой информации для оценки и прогнозирования налогового потенциала субъекта федерации;

Проблема наиболее адекватной оценки социально-экономического положения регионов, с учётом реализации вышеизложенных принципов, имеет ряд важных аспектов. Во-первых, необходимо обосновать и осуществить выбор важнейших базовых составляющих данной оценки, имея ввиду их сравнительную предпочтительность по отношению к ресурсам, определяющим величину налогового потенциала региона. Несмотря на то, что наилучшим вариантом был бы охват максимального числа различных аспектов регионального развития, мы считаем, практическая целесообразность такого выбора, учитывающая возможности целенаправленного и эффективного использования результатов данной оценки в модели оценки и прогноза налогового потенциала, обусловливает необходимость ограничения состава исходных компонентов и их соответствия общей нацеленности результирующего интегрального показателя. Во-вторых, для адекватного отражения соответствующих компонентов социальноэкономического положения регионов в оценке и прогнозе налогового потенциала Хабаровского края должна быть использована репрезентативная система оценочных индикаторов, отражающая всю полноту налогового потенциала региона. В данном случае, по нашему мнению наиболее предпочтительным будет выбор и анализ системы таких индикаторов, которые бы наиболее оптимально отражали соответствующие компоненты, влияющие на формирование налогового потенциала как количественно, так и качественно. Наконец, крайне важным является вопрос о достоверности тех или иных базовых оценочных индикаторов, характеризующих отдельные компоненты социальноэкономического положения региона [см. 136]. В связи с этим, остановимся на основных макроэкономических показателях, которые, на наш взгляд, наиболее полно отражают структуру налоговых баз региона, и проанализируем их динамику. Среди таковых показателей, на наш взгляд, следует выделить: — валовой региональный продукт и его структуру;

— оборот розничной торговли;

— численность и структуру занятости населения, его доходы и расходы;

— основные показатели финансового состояния предприятий и организаций, показатели инвестиционной деятельности;

— отраслевую структуру производства. Наиболее общим показателем, характеризующим экономическую ситуацию в регионе, является валовой региональный продукт (далее ВРП).

По своему экономическому содержанию ВРП примерно соответствует показателю валового внутреннего продукта (далее ВВП), рассчитанному производственным методом на федеральном уровне. ВРП определяется как сумма добавленной стоимости единицрезидентов данного региона. Резидентные единицы в данном случае определяются, исходя из тех же принципов, что и на федеральном уровне. То есть к резидентам региональной экономики относятся все корпорации, квазикорпорации или домашние хозяйства, имеющие центр экономического интереса на экономической территории данного региона. Если предприятие, осуществляющеё экономическую деятельность на территории данного региона, является филиалом головной корпорации, находящейся в другом регионе, то оно является резидентом данного региона. Сумма ВРП и ВВП в рыночных ценах различаются на величину налогов на импортноэкспортные операции, которые невозможно объективно распределить между регионами. Кроме этого суммарный ВРП отличается от ВВП России на величину добавленной стоимости, созданной при производстве: — нерыночных коллективных и индивидуальных услуг, оказываемых органами государственного управления;

— услуг финансовых посредников, деятельность которых охватывает более одного региона;

— услуг внешней торговли. Таблица 2 — Динамика ВРП Хабаровского края и его структура в 2000 — 2004 гг. Годы 2000 2001 2002 2003 Показатели Валовой региональный продукт, млн руб. в процентах к предыдущему году в сопоставимых ценах, % Валовой региональный продукт на душу населения, тыс. руб. Валовой региональный продукт — всего, % в том числе: производство товаров промышленность сельское и лесное хозяйство строительство производство услуг из них: транспорт 67 835,00 111, 81 960,90 108, 101 848,00 122 550,00 140 147,00 106,40 104,10 103, 44,90 100, 54,60 100, 68,10 100, 85,70 100, 98,50 100, 56,50 46,40 3,80 5,70 39,00 14, 56,00 44,10 4,50 6,90 41,50 13, 50,60 39,10 4,30 6,60 48,60 13, 47,10 35,10 3,90 7,60 49,90 13, 45,60 32,50 4,00 8,60 51,80 14, связь торговля чистые налоги на продукты 1,20 8,70 4, 1,50 9,30 2, 1,70 10,30 0, 1,50 10,00 3, 1,60 10,40 2, Динамика ВРП Хабаровского края и его структура представлены в табл. 2. Из неё видно, что в целом в крае наблюдается рост ВРП, однако, при снижающемся его темпе. Таблица 3 — Отраслевая структура промышленности Хабаровского края в 2000 — 2004 гг. Годы Показатели 2000 2001 2002 2003 Продукция промышленности — всего, % в том числе: Электроэнергетика топливная черная металлургия цветная металлургия машиностроение химическая и нефтехимическая лесная, деревообрабатывающая промстройматериалы легкая промышленность пищевая промышленность в том числе рыбная медицинская промышленность 100, 100, 100, 100, 100, 8,5 7,9 3,3 8,4 50,4 0,1 8,0 1,3 0,3 9,3 3,1 1, 9,6 6,4 2,7 9,8 47,2 0,1 9,7 1,9 0,3 10,1 3,6 1, 12,8 5,7 3,4 9,8 43,1 0,2 11,1 2,0 0,2 10,0 3,5 0, 14,0 3,9 4,1 10,9 40,1 0,2 11,0 2,2 0,2 11,9 3,9 0, 15,2 4,1 7,5 13,0 28,5 0,2 12,5 3,4 0,2 14,0 4,2 0, При этом структурные изменения заключаются в перемещении ВРП из отраслей промышленности в отрасли сырьевой направленности и строительство, а также в сферу оказания услуг. Для того чтобы определить, с чем связаны эти структурные изменения, проанализируем отраслевую структуру промышленности края в динамике (см. табл. 3). Наглядно изменение структуры промышленности Хабаровского края представим на рис. 4 Из данных табл. 3 и рис. 4 видно, что структура промышленности края с 2002 г. претерпела некоторые изменения. Несмотря на то, что процент произведённой продукции в машиностроении существенно снизился, данная отрасль по-прежнему остаётся ведущей. Машиностроение сегодня даёт около 25 % промышленного производства. Снижение доли данной отрасли в экономике края связано, прежде всего, с неустойчивой работой крупнейшего машиностроительного предприятия — Комсомольского-на-Амуре авиазавода (КнААПО), которое обеспечивает около 40% налоговых поступлений в краевой бюджет. Ухудшение работы КнААПО вызвано усложнением процедуры заключения экспортных контрактов с иностранными покупателями продукции через Москву, высокими тарифами на электроэнергию и большой удаленностью от поставщиков и заводов-смежников.

2002 г.

2003 г.

2004 г.

Д оля в в ы п уске п родукц и и,% 50 45 40 35 30 25 20 15 10 5 хи пи ле цв ме ле ма в че пр Рисунок 4 — Отраслевая структура промышленности Хабаровского края в 2002 — 2004 годах На фоне снижения удельного веса и объёмов производства готовой продукции в крае объёмы производства наращивают сырьевые отрасли: лесная промышленность, цветная и чёрная металлургия,— а также пищевая промышленность и электроэнергетика. Такая структурная перестройка отраслей хозяйствования на территории края объясняет ситуацию с ВРП. Следующий важный индикатор экономического развития региона — оборот розничной торговли. Данный показатель характеризует налоговую базу оборотных налогов, которые, в свою очередь, приносят более 22 % налоговых доходов в бюджет (см. Приложение Л). Динамика данного показателя представлена нами в табл. 4. Таблица 4 — Оборот розничной торговли в Хабаровском крае в 2000 — 2004 гг. Годы 2000 2001 2002 2003 Показатели Оборот розничной торговли, млн руб. Оборот розничной торговли на душу населения, тыс. руб.

эл ек тр то пл ив рг ет ик а не оэ то ми щ гк ет на я сн ом рн ая ме ди ш ин ос ев м ая с че ая ци ст чи ая пр на я ро,д ка нс ка м ет ал г ур ия е сл пр тр ом йм ер я Вид промышленности та лл ое ни е ом ыш и не я ев оо ат ер ры пр ыш 20 129,70 25 795,10 33 012,90 39 440,50 13,30 17,20 22,10 27, лу ия рг ле бн ом ф те хи иа лы бр аб ат че а ск я ле нн нн ть ос ая ы ш ле ми ть ос ы ю ва щ ая нн ос ть 47 596,20 33, Поступления налогов на товары и услуги, млн руб. Индексы оборота розничной торговли, % к предыдущему году 3 692, 3 516, 5 603, 6 606, 8 340, 103, 106, 111, 106, 108, По данному показателю, как видно из таблицы наблюдается относительно стабильный и устойчивый рост, что даёт предпосылки предполагать увеличение налогового потенциала по оборотным налогам. Поскольку очень важной статьёй налоговых доходов являются налоги на прибыль (в частности налог на доходы физических лиц составляет около 21% от всех налоговых поступлений в крае, см. Приложение Л), крайне важно проанализировать динамику численности, структуры и доходов населения края. Основные показатели, дающие соответствующую аналитическую базу по этим показателям представлены нами в табл. 5. Хотя, как уже отмечалось выше, демографическая ситуация в крае ухудшается, с уменьшением уровня безработицы, наметилась тенденция роста экономически активного населения, что благоприятно сказывается на формировании налоговой базы налогов с дохода (см. табл. 5). Так, несмотря на заметное сокращение общего количества населения края в 2004 г. по сравнению с 2000 г., численность занятых в экономике увеличилось на 6 %. Таблица 5 — Динамика численности и структуры занятости населения Хабаровского края, его доходов и расходов в 2000 — 2004 гг. Годы Показатели 2000 2001 2002 2003 Численность постоянного населения (среднегодовая), тыс. чел. Занято в экономике — всего, тыс. чел. Среднедушевые денежные доходы в месяц, руб. Реальные денежные доходы, % Среднемесячная номинальная начисленная заработная плата, руб. Реальная начисленная заработная плата, % Средний размер назначенных месячных пенсий, руб.

1 459,10 1 448,80 1 439,00 1 430,70 1 423,40 692,50 701,70 718,00 729,50 737, 2 425,60 3 285,70 4 693,00 6 205,30 7 438,00 106,30 108,10 114,00 113,10 104, 2 800,00 3 997,40 5 612,20 7 368,50 8 991,40 118,30 114,80 116,90 113,00 107, 794,50 1 126,50 1 533,90 1 833,70 2 136, Реальный размер начисленной пенсии, % Поступления по налогу на доходы физических лиц, млн руб. Прожиточный минимум в целом по краю, руб.

122, 114, 113, 102, 102, 685,83 1 631,10 2 605,18 6 974,91 8 581,86 1 584,20 1 895,60 2 301,70 3 015,40 3 533, Кроме того, в крае наблюдается тенденция существенного увеличения денежных доходов населения и некоторого общего роста благосостояния граждан. В связи с этим можно предположить, что потенциал налогов на доходы также имеет тенденцию к повышению. Наконец, очень важной для целей оценки налогового потенциала региона группой показателей экономического развития края являются показатели финансового состояния предприятий и организаций и показатели их инвестиционной деятельности. Их динамика представлена в табл. 6. Необходимым представляется отметить относительную стабилизацию и общую тенденцию к повышению за указанный период доли прибыльных предприятий края. Так, например, доля прибыльных предприятий достаточно высока в цветной металлургии (83,3 %), лесной и деревообрабатывающей промышленности (77,8 %), электроэнергетики (68,4 %), морского и внутреннего водного транспорта (75 %), связи (66,7 %), в строительстве (61,5 %). Таблица 6 — Динамика финансового состояния предприятий и организаций Хабаровского края и показатели инвестиционной деятельности в 2000 — 2004 гг. Годы 2000 2001 2002 2003 Показатели Прибыль предприятий и организаций, млн рублей Поступления налога на прибыль предприятий и организаций, млн руб. Прирост прибыли к предыдущему году, % Инвестиции в основной капитал, млн руб. Поступления налога на имущество предприятий и организаций, млн руб. Темп роста к предыдущему году (в сопоставимых условиях), % 10 379,70 20 873,00 12 204,40 12 799,50 12 953,30 1 257,66 6,00 2 795,04 101,10 3 377,29 -41,50 5 004,05 4,90 6 111,85 1, 11 605,00 14 584,30 20 095,10 25 113,00 28 480,80 402,39 556,29 939,15 1 309,55 1 705, 139, 122, 118, 110, 101, Динамика прибыли, полученной в 2001 — 2004 гг. организациями в производственной сфере, отражает изменения экономических условий деятельности. Так, в частности, в 2002 г. по сравнению с предыдущим периодом было отмечено значительное снижение прибыли (на 41,5 %), что было обусловлено, прежде всего, снижением массы прибыли на ОАО «КнААПО», а также изменениями, произошедшими в этот период в налогово-бюджетном законодательстве. За 2002 — 2004 гг. прибыль, полученная по результатам деятельности крупными бюджетообразующими предприятиями, выросла незначительно: в 2003 г. — на 4,9 % и в 2004 г. — на 1,2 % по сравнению с предшествующими годами. Динамика инвестиций в основной капитал также имеет в крае положительную направленность, что связано со стабилизацией экономики и правильно выбранными стратегиями развития отраслей региона. Данный момент особенно важен для формирования и поступления в бюджет имущественных налогов, поскольку инвестирование в основные фонды увеличивает среднегодовую стоимость имущества, являющуюся налоговой базой для этой группы налогов.

140 000,00 120 000,00 Республика Саха (Якутия) Приморский край Хабаровский край Амурская область Камчатская область Магаданская область Валовой региональный продукт, млн.руб. Оборот розничной торговли, млн.руб. Инвестиции в основной капитал, млн.руб.

Значение показателя в 2004 г.

100 000,00 80 000,00 60 000,00 40 000,00 20 000,00 0, Сахалинская область Еврейская автономная область Экономические показатели Рисунок 5 — Сравнительный анализ основных экономических показателей субъектов федерации Дальневосточного федерального округа в 2004 г. В целом по основным экономическим и социальным показателям в 2004 г. Хабаровский край занимал вполне достойное место в экономике Дальневосточного экономического региона (см. рис. 5 и 6).

14 000,00 12 000, Республика Саха (Якутия) Приморский край Хабаровский край Амурская область Камчатская область Магаданская область Среднедушевые Среднемесячная денежные доходы номинальная населения, руб. начисленная заработная плата, руб. Численность постоянного населения, тыс.чел.

Значение показателя 10 000,00 8 000,00 6 000,00 4 000,00 2 000,00 0, Сахалинская область Еврейская автономная область Наименование показателя Рисунок 6 — Сравнительный анализ основных социальных показателей субъектов федерации Дальневосточного федерального округа в 2004 г. Что же касается макроэкономических показателей, в частности, динамики ВРП Хабаровского края и налоговых поступлений в консолидированный бюджет, то положительные тенденции здесь за 2000 — 2004 гг. очевидны (см. рис. 7). Таким образом, устойчивая динамика роста основных макроэкономических и социальноэкономических показателей в Хабаровском крае, на наш взгляд, закладывает надёжные материальные основы для формирования налоговых поступлений в соответствующие бюджеты, а, следовательно, и для формирования налогового потенциала региона.

160000 140000 120000 100000 80000 60000 40000 20000 0 Поступления Поступления по Валовой Поступления региональный налогов на товары налогу на доходы налога на прибыль предприятий и физических лиц, продукт, млн. руб. и услуги, млн. организаций млн.руб. руб. Поступления налога на имущество предприятий и организаций, млн.руб.

2000 г. 2002 г. 2004 г.

2001 г. 2003 г.

Рисунок 7 — Сравнительная динамика валового регионального продукта Хабаровского края и налоговых поступлений по основным налогам в 2000 — 2004 гг. Увязанная с налаженной системой статистического и налогового учёта эта связка создаёт вполне удовлетворительные условия для проведения работы по краткосрочному моделированию основных параметров и самого налогового потенциала субъекта федерации. Методические и теоретические основы этой работы на уровне субъектов федерации Дальневосточного федерального округа в целом рассмотрены нами в следующем параграфе.

3.2 Краткосрочное моделирование показателей налогового потенциала субъектов федерации Дальневосточного федерального округа Ставки налогов, уровень налоговых поступлений и налоговый потенциал региона существенно влияют на возможности и качество экономического роста региона. Поэтому формирование бюджетов всех уровней должно базироваться на научном прогнозе доходной части бюджета, основанном на экономических реалиях и объективных экономических законах. Такое прогнозирование, учитывающее разнообразные связи между экономическим ростом, которого пытаются достичь власти, и фискальной политикой, реализуемой властями, может сделать бюджет реально исполнимым, а ставки региональных налогов и региональную фискальную политику превратить из инструмента давления на экономику в инструмент стимулирования её роста.

Проведём оценку налогового потенциала Хабаровского края на основе метода репрезентативной налоговой системы с использованием регрессионного анализа взаимосвязей налоговых поступлений и макроэкономических показателей субъекта федерации. Для этого определим структуру налогового потенциала по основным группам и видам налогов, действующих на территории региона (см. Приложение Л и М). Как видно из Приложения М налоги на прибыль составляют около 40% всех налоговых поступлений Хабаровского края в бюджетную систему Российской Федерации. В свою очередь, эта группа налогов формируется из налога на прибыль организации, составляющего около 41 % от всех налогов на прибыль, налога на доходы физических лиц, составляющего 58 % от налогов на прибыль, и налога на игорный бизнес — менее 1 % от налогов на прибыль. Таким образом, по данной группе налогов оценка налогового потенциала будет отвечать критериям репрезентативности в случае моделирования налога на прибыль организаций и налога на доходы физических лиц, при этом данные модели будут описывать более 99 % налогового потенциала налогов на прибыль. Налог на доходы физических лиц является наиболее значимым налогом в группе налогов на прибыль и существенно влияет на процесс формирования доходной части бюджетной системы Российской Федерации. В соответствии с налоговым законодательством РФ налогоплательщиками налога на доходы физических лиц признаются физические лица, являющиеся налоговыми резидентами Российской Федерации, а также физические лица, получающие доходы от источников в Российской Федерации, не являющиеся налоговыми резидентами Российской Федерации [см. 4, ст. 207]. При определении налоговой базы учитываются все доходы налогоплательщика, полученные им как в денежной, так и в натуральной формах, или право на распоряжение которыми у него возникло, а также доходы в виде материальной выгоды. При определении налоговой базы учитываются все доходы налогоплательщика, полученные им как в денежной, так и в натуральной формах, или право на распоряжение которыми у него возникло, а также доходы в виде материальной выгоды [см. 4, ст. 210]. Налоговая ставка устанавливается в размере 13 % для всех видов доходов за исключением [см. 4, ст. 224]: 1) 35 % в отношении следующих доходов: стоимости любых выигрышей и призов, получаемых в проводимых конкурсах, играх и других мероприятиях в целях рекламы товаров, работ и услуг;

страховых выплат по договорам добровольного страхования в части превышения размеров, указанных в п. 2 ст. 213 Налогового Кодекса РФ;

процентных доходов по вкладам в банках в части превышения суммы, рассчитанной исходя из действующей ставки рефинансирования Центрального банка Российской Федерации, в течение периода, за который начислены проценты, по рублевым вкладам (за исключением срочных пенсионных вкладов, внесенных на срок не менее шести месяцев) и 9 % годовых по вкладам в иностранной валюте;

суммы экономии на процентах при получении налогоплательщиками заемных (кредитных) средств в части превышения размеров, указанных в п. 2 ст. 212 Налогового Кодекса РФ, за исключением доходов в виде материальной выгоды, полученной от экономии на процентах за пользование налогоплательщиками целевыми займами (кредитами), полученными от кредитных и иных организаций Российской Федерации и фактически израсходованными ими на новое строительство либо приобретение на территории Российской Федерации жилого дома, квартиры или доли (долей) в них, на основании документов, подтверждающих целевое использование таких средств. 2) 30 % в отношении всех доходов, получаемых физическими лицами, не являющимися налоговыми резидентами Российской Федерации. 3) 9 % в отношении доходов от долевого участия в деятельности организаций, полученных в виде дивидендов. 4) 9 % в отношении доходов в виде процентов по облигациям с ипотечным покрытием, эмитированным до 1 января 2007 г., а также по доходам учредителей доверительного управления ипотечным покрытием, полученным на основании приобретения ипотечных сертификатов участия, выданных управляющим ипотечным покрытием до 1 января 2007 г.. Рассмотрев законодательно установленную налогооблагаемую базу по налогу на доходы физических лиц, выдвинем гипотезу, что потенциал налога на доходы физических лиц зависит от показателей среднедушевых денежных доходов населения и номинальной начисленной заработной платы, поскольку данные показатели более или менее близки по своему содержанию налоговой базе данного налога. Для выяснения причинной зависимости между данными переменными отобразим данные в табл. 7. Из представленных в табл. 7 данных видно, что более высокому значению показателей среднедушевых доходов населения, также как и показателю номинальной начисленной заработной платы соответствует более высокие значения показателей налоговых поступлений по налогу на доходы физических лиц. Это согласуется с гипотезой о взаимосвязи данных показателей. Проверим регрессионную зависимость налоговых поступлений по налогу на доходы физических лиц от значений показателя среднедушевых денежных доходов населения и номинальной начисленной заработной платы. Денежные доходы населения включают заработную плату наемных работников, доходы лиц, занятых предпринимательской деятельностью, пенсии, пособия, стипендии и другие социальные трансферты, доходы от собственности в виде процентов по вкладам, ценным бумагам, дивидендов и другие доходы, в т.ч. скрытую заработную плату, укрываемую предприятиями и организациями от налогообложения и выплачиваемую в различных формах: из денежной выручки без оформления платежной ведомости, в виде покупки своим работникам недвижимости и предметов длительного пользования, денежной помощи, кредитов, выплат заработной платы через систему страхования и открытие депозитных счетов в банках и т.п. Таблица 7 — Исходные данные для анализа взаимосвязей между показателем среднедушевых денежных доходов населения, показателем номинальной начисленной заработной платы и налогом на доходы физических лиц по субъектам федерации ДВФО, за 2004 г. Показатель Налоговые поступления по налогу на доходы физических лиц на душу населения, тыс.руб.( ITi ) Среднедушевые денежные доходы населения, тыс. руб. ( MRi ) Номинальная начисленная заработная плата, тыс. руб. ( Wi ) Субъект РФ Республика Саха (Якутия) Приморский край Хабаровский край Амурская область Камчатская область Магаданская область Сахалинская область Еврейская АО Корякский АО 6,84257 4,03730 6,01391 4,11569 7,22721 8,17920 8,70197 3,15021 11, 14,08950 8,18180 11,21870 8,22580 11,24560 11,88950 14,32500 6,77940 10, 11,74700 7,51690 9,23960 7,79210 12,27820 11,89480 12,53330 6,81150 18, Поскольку законодательно установлено, что налогоплательщиками по налогу на доходы физических лиц являются все физические лица, проживающие и осуществляющие свою деятельность на территории Российской Федерации, а также, исходя из законодательного определения налоговой базы по данному налогу, можно предположить, что показатель среднедушевых денежных доходов населения наиболее полно отражает налоговую базу по этому налогу. Однако, наличие в данном показателе таких составляющих как социальные трансферты, скрытая заработная плата, доходы лиц, занятых предпринимательской деятельностью и находящихся под специальными налоговыми режимами (например, плательщики единого налога на вмененный доход или плательщики единого налога, взимаемого в связи с применением упрощенной системы налогообложения), а также ряда других, не попадающих под налогообложение налогом на доходы физических лиц и не являющихся ресурсами, определяющими налоговый потенциал данного налога, ставит под сомнение возможность достаточно тесной связи показателя среднедушевых денежных доходов населения с налоговыми поступлениями по оцениваемому налогу. В свою очередь, показатель номинальной начисленной заработной платы лишён данных недостатков и, вероятнее всего, находится в весьма сильной регрессионной зависимости с поступлениями данного налога в бюджетную систему Российской Федерации. Проверим гипотезу графически. Для более наглядного представления о корреляционной зависимости построим поля распределения частот статистических наблюдений рис. 8 и рис. 9, где точки графика соответствуют значениям показателей: абсцисса — независимой переменной MRi, Wi, ордината — зависимой переменной ITi. Сравнивая приведённые рисунки, можно с уверенностью констатировать тот факт, что связи между показателем номинальной начисленной заработной платой и поступлениями налога на доходы физических лиц значительно сильнее выражены, нежели аналогичные связи между показателем среднедушевых доходов и поступлениями этого же налога.

15 14 IT, тыс. руб.

12 11 10 9 8 7 6 0 5 10 MR, тыс. руб. РисРисунок 8 — Корреляционное поле 3.3. Корреляционное поле IT, тыс. руб.

5 5 10 W, тыс. руб.

Рис 3.4. 9 — Корреляционное поле Рисунок Корреляционное поле В связи с этим, дальнейшую оценку налогового потенциала по налогу на доходы физических лиц проводим на основе показателя номинальной начисленной заработной платы. Второй важной составляющей налогов на прибыль является налог на прибыль (доход) организаций. Налогоплательщиками налога на прибыль организаций признаются: «российские организации;

иностранные организации, осуществляющие свою деятельность в Российской Федерации через постоянные представительства и (или) получающие доходы от источников в Российской Федерации» [цит. по: 4, ст. 246]. Объектом налогообложения по налогу на прибыль организаций признается прибыль, полученная налогоплательщиком. Прибылью в целях признается: 1) для российских организаций — полученные доходы, уменьшенные на величину произведенных расходов, которые определяются в соответствии с гл. 25 Налогового Кодекса РФ;

2) для иностранных организаций, осуществляющих деятельность в Российской Федерации через постоянные представительства, — полученные через эти постоянные представительства доходы, уменьшенные на величину произведенных этими постоянными представительствами расходов, которые определяются в соответствии с гл. 25 Налогового Кодекса РФ;

3) для иных иностранных организаций — доходы, полученные от источников в Российской Федерации. Доходы указанных налогоплательщиков определяются в соответствии со ст. 309 Налогового Кодекса РФ [см. 4, ст. 246]. Налоговой базой налога на прибыль организации признается денежное выражение прибыли, подлежащей налогообложению [см. 3, ст. 274]. Основная налоговая ставка устанавливается в размере 24 %. При этом сумма налога, исчисленная по налоговой ставке в размере 6,5 %, зачисляется в федеральный бюджет, а сумма налога, исчисленная по налоговой ставке в размере 17,5 %, зачисляется в бюджеты субъектов Российской Федерации [см. 4, ст. 284].

Помимо основной ставки налога для отдельных категорий налогоплательщиков устанавливаются ставки, отличные от основной. Так налоговые ставки устанавливаются в следующих размерах [см. 4, ст. 284]: 1) 20 % — со всех доходов, за исключением доходов от использования, содержания или сдачи в аренду (фрахта) судов, самолетов или других подвижных транспортных средств или контейнеров (включая трейлеры и вспомогательное оборудование, необходимое для транспортировки) в связи с осуществлением международных перевозок (ставка 10 %);

2) 9 % — по доходам, полученным в виде дивидендов от российских организаций российскими организациями и физическими лицами — налоговыми резидентами Российской Федерации;

3) 15 % — по доходам, полученным в виде дивидендов от российских организаций иностранными организациями, а также по доходам, полученным в виде дивидендов российскими организациями от иностранных организаций;

по доходу в виде процентов по государственным и муниципальным ценным бумагам условиями выпуска и обращения которых предусмотрено получение дохода в виде процентов, а также по доходам в виде процентов по облигациям с ипотечным покрытием, эмитированным после 1 января 2007 года, и доходам учредителей доверительного управления ипотечным покрытием, полученным на основании приобретения ипотечных сертификатов участия, выданных управляющим ипотечным покрытием после 1 января 2007 года. Исключение составляют доходы в виде процентов по муниципальным ценным бумагам, эмитированным на срок не менее трёх лет до 1 января 2007 года, а также по доходам в виде процентов по облигациям с ипотечным покрытием, эмитированным до 1 января 2007 года, и доходам учредителей доверительного управления ипотечным покрытием, полученным на основании приобретения ипотечных сертификатов участия, выданных управляющим ипотечным покрытием до 1 января 2007 года (для них налоговая ставка составляет 9%). 4) 0 % — по доходу в виде процентов по государственным и муниципальным облигациям, эмитированным до 20 января 1997 года включительно, а также по доходу в виде процентов по облигациям государственного валютного облигационного займа 1999 года, эмитированным при осуществлении новации облигаций внутреннего государственного валютного займа серии III, эмитированных в целях обеспечения условий, необходимых для урегулирования внутреннего валютного долга бывшего Союза ССР и внутреннего и внешнего валютного долга Российской Федерации. Для определения существования причинно-следственной связи между этими показателями выстроим исходные данные в табл. 8. Проведя анализ данных табл. 8, можно выявить закономерность того, что более высокому значению показателей валовой прибыли предприятия соответствует более высокие значения налоговых поступлений по налогу на прибыль предприятий. Это согласуется с гипотезой о взаимосвязи данных показателей. Проверим эту закономерность графически, для чего построим корреляционное поле, на котором точки данных будут соответствовать по оси ординат — значениям поступлений по налогу на прибыль предприятий, а по оси абсцисс — значениям показателей валовой прибыли субъектов Российской Федерации. Данное корреляционное поле изображено на рис.10. Анализируя налоговую базу по данному виду налога, уместно будет предположить, что наиболее сильное влияние на величину налоговых поступлений по налогу на прибыль предприятий оказывает агрегированный показатель валовой прибыли предприятий в субъекте Российской Федерации. Графическая интерпретация данных позволяет с высокой долей уверенности подтвердить выдвинутую выше гипотезу и предположить наличие весьма тесной линейной зависимости между рассматриваемыми показателями, что позволяет проводить дальнейшую оценку на базе данного показателя.

Таблица 8 — Исходные данные для анализа взаимосвязей между показателем валовой прибыли предприятий (организаций) и налогом на прибыль организаций по субъектам федерации ДВФО в 2004 г. Показатель Субъект РФ Поступления по налогу на прибыль в 2004 г., млн руб. ( TPi ) 5 160,80 3 049,00 5 004,10 1 025,91 621,81 607,51 1 905,10 93,11 236,80 Валовая прибыль предприятий и организаций, в 2004 г., млн руб. ( PRi ) 11 433,80 7 067,50 11 827,40 1 836,50 1 410,00 1 171,60 3 911,10 97,00 575, Республика Саха (Якутия) Приморский край Хабаровский край Амурская область Камчатская область Магаданская область Сахалинская область Еврейская АО Корякский АО 6000 TP, млн. руб.

4000 3000 2000 1000 0 5000 10000 PR, млн. руб.

Рисунок 10 — Корреляционное поле Рис. 3.5. Корреляционное поле Следующим налогом, доля которого в налоговых доходах бюджетной системы Российской Федерации следует за долей группы налогов на прибыль, является единый социальный налог. Из данных Приложения Л видно, что поступления по данному налогу составляют более 23 % от всех налоговых поступлений субъекта Российской Федерации. Плательщиками данного налога являются лица, производящие выплаты физическим лицам. К таковым относятся организации, индивидуальные предприниматели, физические лица, не признаваемые индивидуальными предпринимателями, индивидуальные предприниматели, адвокаты [см. 4, ст. 235]. Объектами налогообложения для данного налога признаются выплаты и иные вознаграждения, начисляемые налогоплательщиками в пользу физических лиц по трудовым и гражданско-правовым договорам, предметом которых является выполнение работ, оказание услуг, а также по авторским договорам;

выплаты и иные вознаграждения по трудовым и гражданско-правовым договорам, предметом которых является выполнение работ, оказание услуг, выплачиваемые налогоплательщиками в пользу физических лиц;

Pages:     | 1 || 3 |



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.