Навигация
Исходные данные для осуществления прогноза
50837
знаков
3
таблицы
4
изображения
1. Исходные данные для осуществления прогноза
В первую очередь необходимо отметить, что прогнозирование на основе микропоказателей требует изменения подхода к самой организации этого процесса. В настоящее время прогнозирование происходит по уже обобщенным показателям на уровне инспекции или даже региональном уровне. Разработка прогноза осуществляется на основании показателей налоговой отчетности о базе налогообложения, о поступлении и задолженности по налогам, показателей социально-экономического развития региона, полученных от УФНС России по субъекту РФ, статистических органов, а также из других внешних источников.[3]
Данная статья предлагает разрабатывать прогнозы на уровне инспекций, но не по всем поступлениям в рамках инспекции, а по каждому отдельному налогоплательщику. Источник информации для осуществления такого прогноза – налоговые декларации. Указанные документы и сведения являются закрытыми и запрещены к распространению, но налоговые инспекции располагают данными по плательщикам, которые им подотчетны и могут применять их для внутреннего пользования.
Отсутствие необходимости предварительного сбора и обработки информации, так как достаточно единственного источника – налоговых деклараций, которые кроме прочего уже обработаны и занесены в базу данных инспекции (система ЭОД), положительно характеризует выдвинутое в статье предложение.
Для анализа и прогноза налоговых поступлений принято рассматривать не совокупное поступление всех налогов, а поступления по отдельным видам. Такой подход позволяет провести не только общую оценку наполняемости бюджета, но и проанализировать эффективность работы налоговой системы, выявить проблемы, расставить приоритеты и предложить доступные пути решения. Количество информации, подлежащей обработке можно значительно снизить путем отказа от прогнозирования поступлений тех налогов, доля которых в общей сумме невелика.
Практически по всем видам налогов и сборов наблюдается спад, что дает общую отрицательную динамику, о которой было сказано ранее. Степень влияния кризисных явлений на поступления администрируемых ФНС доходов проанализирована на основе сравнения показателей за первые 7 месяцев 2008 и 2009 годов. Поступления налога на прибыль организаций в федеральный бюджет в январе-июле 2009 года по сравнению с аналогичным периодом прошлого года снизились в 3,9 раза. Поступления единого социального налога сократились на 3,3%. Сокращение налога на добавленную стоимость на товары (работы, услуги), реализуемые на территории РФ составило 19,8%, НДС на товары, ввозимые на территорию РФ из Республики Беларусь в январе-июле 2009 года в 1,4 меньше, чем в 2008. Поступления по сводной группе акцизов в федеральный бюджет снизились в 1,6 раза. Налога на добычу полезных ископаемых – в 2 раза. Страховых взносов, зачисляемых в Пенсионный фонд РФ на 3% больше, в Фонд социального страхования на 9,2% меньше, в Федеральный фонд обязательного медицинского страхования 3,7% больше, в территориальные фонды обязательного медицинского страхования на 2,7% больше.
При этом необходимо отметить, что в рассматриваемых периодах, как и в более широких временных рамках, соотношение долей различных налоговых поступлений в совокупном объеме примерно одинаковое.. Так основная масса администрируемых ФНС доходов федерального бюджета обеспечена поступлениями НДС (на июль 2009 года - 31%), НДПИ (29%), ЕСН (18%) и налога на прибыль (8%).
Поскольку сумма поступлений от перечисленных четырех видов платежей составляет более 70% от общей суммы налоговых поступлений, то можно провести анализ динамики обязательств по уплате основных налогов, а затем моделировать динамику налоговых суммарных поступлений и обязательств с использованием полученных результатов. Полученную прогнозную сумму поступлений налогов и сборов необходимо согласно используемой в настоящее время методике скорректировать на коэффициент собираемости, который намечается с определенным ростом к предыдущим периодам и с учетом ранее сложившейся динамики данного коэффициента. К прогнозной сумме в счет текущих начислений прибавляются дополнительные поступления: поступления в счет погашения недоимки прошлых периодов, поступления по реструктурированной задолженности, поступления по результатам контрольной работы налоговых органов, штрафов, пеней и т.д.
2. Методологическая база построения прогнозов
Прогнозирование налоговых поступлений предлагается производить с использованием адаптивных методов[4]. Адаптивное прогнозирование – одно из современных направлений статистического анализа и прогнозирования временных рядов. Необходимость решения соответствующих задач с помощью данных методов возникает именно в условиях нестабильности и кардинально меняющейся динамики.
Предпосылкой использования адаптивных методов является существование наряду с детерминированными (предопределенными) и случайными величинами (статистически устойчивыми) неопределенных величин. Математическая модель может содержать величины только первых двух видов, а неопределенные величины, с которыми приходится иметь дело на практике, необходимо приближенно представить через их комбинацию, что значительно затрудняет экономическое прогнозирование.
Экономическое прогнозирование характеризует будущее развитие, исходя из гипотезы, что основные факторы и тенденции прошлого периода сохранятся на период прогноза или что можно обосновать и учесть направление их изменений в рассматриваемой перспективе, то есть оно опирается на инерционность экономических систем. Макроэкономические характеристики обладают наибольшей инерционностью, однако в современных условиях подвижность и этих явлений значительно возрастает, о чем уже было сказано ранее. В условиях кардинальных изменений, происходящих в хозяйстве приходится имеет дело с новыми экономическими явлениями с короткими статистическими рядами или со старыми явлениями, претерпевающими коренные изменения, поэтому при построении моделей встает вопрос о преемственности данных. Устаревшие данные при моделировании могут оказаться бесполезными и даже вредными.
Направленное развитие экономической системы происходит через единичные явления в условиях изменяющейся среды и обычно предполагается стохастическим процессом. Экономические процессы, как правило, являются нестационарными (не обладают свойством неизменности основных характеристик: математического ожидания, дисперсии, автокорреляционной функции) и чем больше период прогноза, тем больше возможностей для изменения тенденций экономического развития, особенно в современных условиях, так как в исследуемом периоде могут произойти непредви-денные, непредсказуемые события, существенно деформирующие изучаемый процесс.
Таким образом, адаптивные методы прогнозирования играют важную роль для увеличения точности прогнозов экономического развития в изменяющихся условиях, в условиях неопределенности или неполной информации. Отличие адаптивных моделей от других прогностических моделей состоит в том, что они отражают текущие свойства ряда и способны непрерывно учитывать эволюцию динамических характеристик. Цель адаптивных методов заключается в построении самокор-ректирующихся экономико-математических моделей, которые способны отражать изменяющиеся во времени условия, учитывать информационную ценность различных членов временной последовательности и давать достаточно точные оценки будущих членов данного ряда. Именно поэтому такие модели предназначаются прежде всего для краткосрочного прогнозирования в статистическом смысле, они оказываются весьма грубыми при прогнозировании на большое число шагов вперед. Эксперимент Ч. Нельсона, в котором сравнивалась точность прогнозов, полученных на основе эконометрической модели, состоящей из нескольких уравнений, и достаточно простых адаптивных моделей, применявшихся для прогнозирования нескольких временных рядов подтверждает это.
Адаптивное прогнозирование не требует большого объема информации, оно базируется на интенсивном анализе информации, содержащейся в отдельных временных рядах. На временной ряд воздействуют в разное время различные факторы, одни из которых по тем или иным причинам ослабляют свое влияние, другие воздействуют активнее. То есть реальный процесс протекает в изменяющихся условиях, составляющих его внешнюю среду, к которой он приспосабливается, адаптируется, а модель, в свою очередь, адаптируется к ряду. Неоднородность временных рядов и их связей находит отражение в адаптивной эволюции параметров или даже структуры моделей. Поскольку рассматриваются варьирующие, нестационарные ряды, модель будет всегда находиться в движении.
Последовательность процесса адаптации выглядит следующим образом. Пусть модель находится в некотором исходном состоянии и по ней делается прогноз. По истечению одного шага моделирования анализируем, насколько далек полученный результат от фактического значения ряда. Ошибка прогнозирования через обратную связь поступает на вход системы и используется моделью в соответствии с ее логикой для перехода из одного состояния в другое с целью лучшего согласования своего поведения с динамикой ряда. На изменения ряда модель должна отвечать компенсирующими изменениями. Затем делается прогноз на следующий момент времени, и весь процесс повторяется. Таким образом, адаптация осуществляется итеративно с получением каждой новой фактической точки ряда.
Логика механизма адаптации задается априорно, а затем проверяется эмпирически. Быстроту реакции модели на изменения в динамике процесса характеризует так называемый параметр адаптации. Процесс обучения модели состоит, в выборе наилучшего параметра адаптации. По тому, насколько хорошо модель поддается обучению, можно судить о ее способности адекватно отражать закономерности временного ряда. После выбора параметра адаптации самообучение модели происходит в процессе переработки новых статистических данных.
Адаптивные метода прогнозирования весьма разнообразны и отличаются различной степенью теоретической проработки математического аппарата, к ним относятся такие методы, как процесс Тейла и Вейджа, аппроксимация полиномиальных трендов с помощью многократного сглаживания, обобщенная модель Брауна, модель Бокса-Джикинса и т.д. Наиболее простыми и распространенными приемом адаптивного прогнозирования являются метод экспоненциального сглаживания. Для более сложных процессов модель может быть развита путем включения в нее большего количества полиномиальных членов.
Экспоненциальное сглаживание является простейшим вариантом самообучающейся модели: вычисления выполняются итеративно, требуют малого количества арифметических операций, массив прошлой информации, требующей хранения составляет одно значение – непосредственно данные о величине прогнозируемой характеристики за некоторое количество прошлых периодов. Процесс машинного счета и построения алгоритма прогнозирования также значительно облегчает возможность использования рекуррентной формулы. Кроме того существует возможность обнаружения неадекватности модели реальному процессу на каждом шаге прогнозирования. Один из способов – подсчет величины следящего контрольного сигнала Р. Брауна. Браун указывает значения критических уровней контрольного сигнала, превышение которых говорит о необходимости дополнительного изучения и изменения модели. Это значительно оптимизирует работу по затрачиваемому времени и ресурсам.
Таким образом, предложенный метод характеризуется простотой алгоритма, небольшим количеством требуемых элементарных операций, небольшой величина промежуточной расчетной информации, а значит относительно небольшой величиной затрачиваемого машинного времени.
На этапе приближенной оценки реализация предложенного подхода к прогнозированию налоговых поступлений является возможной, даже при учете большого массива данных, требующих обработки. Для того чтобы сделать более точные выводы необходимо провести дополнительное исследование как количества данных, концентрирующихся в рамках каждой налоговой инспекции, с учетом особенностей, связанных с расчетом и определением налоговой базы отдельных видов налогов, так и информационно-технологических ресурсов, которыми инспекции располагают.
Похожие работы
... также не носят директивного характера. Также просматривается легкое государственное регулирование экономики в Венгрии и Польше. 2. Совершенствование бюджетного планирования и прогнозирования в развитых странах мира 2.1 Долгосрочное макроэкономическое прогнозирование: опыт стран ЕС (Европейского Союза) В последние годы страны ЕС перешли к разработке собственного ежегодного бюджетного ...
... , распределённого по программному принципу Год 2006 г. 2007 г. 2008 г. 2009 г. 2010 г. Доля программных расходов, % 50 55 60 65 70 Применение того или иного из рассмотренных методов бюджетного планирования и прогнозирования определяется спецификой задач, стоящих перед соответствующим уровнем управления. Для планирования текущих расходов используется нормативный метод, а для решения ...
... на системе целей, задач и показателей деятельности субъектов бюджетного планирования и отражаются в докладах о результатах и основных направлениях деятельности субъектов бюджетного планирования. Сумма расходов, предусмотренных в бюджете города Калининград, на финансирование ведомственных целевых программ в 2010 году составляет более 140 млн. руб. Таблица 2.3.Финансирование ведомственных ...
... ]. Таким образом, рассмотрев значение программно-целевого метода планирования расходов бюджета, можно сделать вывод, программно-целевой метод бюджетного планирования обеспечивает прямую взаимосвязь между распределением бюджетных ресурсов и фактическими или планируемыми результатами их использования в соответствии установленными приоритетами государственной политики. Программно-целевое бюджетное ...
0 комментариев