Прогнозирование доходов федерального бюджета (на примере налога на прибыль)

В части налога на прибыль, максимальная ошибка прогноза была допущена в 1997 году: -1,7% ВВП и 2000 году – 1,6% ВВП в связи с неправильной оценкой тенденций развития экономии страны, так как других факторов, имевших сильное влияние на поступление налога, таких как изменение законодательства или структуры налога, в данные периоды времени, не отмечено. Минимальная ошибка прогноза налога на прибыль зафиксирована 2007 году и равна -0,02% ВВП.

Одной из причин сокращения ошибки прогнозирования данного налога стало снижение его ставки с 35% до 24%. Реализация данной меры привела к сокращению MAPE (средней абсолютной ошибки) в период с 2003 по 2008 года до 19,4%, что не так уж и плохо по сравнению с 36,1% за весь пятнадцатилетний период наблюдения.

Основными факторами, обуславливающими возникновение ошибки прогноза доходов в целом и  налога на прибыль, в частности, являются:

• Изменение показателей социально-экономического развития;
• Изменение законодательства;
• Изменение внешних факторов;
• Качество применяемой методики;
• Консервативность в оценках ключевых параметров, влияющих на прогноз;

Говоря об ошибке прогнозирования, важно различать понятии ошибка и искажение. Ошибка – это результат неточности, а искажение – результат недостоверности или, по-другому, преднамеренная ошибка. Зачастую очень трудно различить, где специально сделана ошибка, а где она допущена. Принято считать, что незначительное отклонение от фактического значения, находящиеся в рамках «допуска», - случайные ошибки. Большие же отличия трактуются как искажения. В этой связи возникает проблема оценки границы «допуска».

Косвенное определение  данной границы можно найти в первой части Налогового кодекса РФ. Статья 40 гласит: «Налоговые органы при осуществлении контроля за полнотой исчисления налогов вправе проверять правильность применения цен по сделкам <…> при отклонении более чем на 20 процентов в сторону повышения или в сторону понижения от уровня цен, применяемых налогоплательщиком по идентичным (однородным) товарам (работам, услугам) в пределах непродолжительного периода времени». Таким образом, за рубеж, после которого ошибка становится искажением, целесообразно принять величину равную 20%.

Исходя из проанализированных данных за пятнадцатилетний период видно, что величина ошибки прогнозирования преобладающей части прогнозов как налога на прибыль, так и доходов в целом превышает 20%. Исходя из этого, можно с уверенностью утверждать о наличии не ошибки, а искажения прогноза. Также, учитывая то, что ошибка, зачастую, носит положительный характер, соответственно, и искажение будет являться положительной величиной. А, в свою очередь, преднамеренное занижение прогноза доходов бюджета принято считать консервативным прогнозом.

Предложена  модель, обеспечивающая высокое качество прогнозирования поступлений от налога на прибыль в бюджеты бюджетной системы Российской Федерации.

Налог на прибыль  является примером применения микроэкономического моделирования. Его использование обусловлено большим числом элементов, влияющих на формирование налога.

Основными недостатками применяемой в России методики прогнозирования поступлений от налога на прибыль является невозможность точного определения прогнозной величины прибыли для целей налогообложения, а также отсутствие оперативно обновляемой отчетной информации о компонентах налоговой базы.

Выходом из сложившейся  ситуации может стать построение регрессионной модели зависимости прибыли для целей налогообложения от независимых переменных: прибыли организаций без учета полученных убытков и мировых цен на нефть марки «Urals».

                     (12)

a, b - оцениваемые коэффициенты уравнения;

Pt_f – прогнозируемый объем прибыли для целей налогообложения;

P_f – прогноз прибыли организаций без учета полученных убытков на очередной финансовый год и на плановый период;

O_f – цена на нефть марки «Urals» текущего года (прогноз);

В модели величина прибыли для целей налогообложения является функцией объема прибыли прибыльных организаций и цены на нефть. Введение в модель других переменных приводит к незначимости оцениваемых коэффициентов. Кроме того, согласно исследованию Р. Эшли, использование многофакторных моделей не всегда приводит к более точным результатам, чем при использовании одно- двухфакторных моделей.

R = 0,99 R2 = 0,988 Скорректированный R2 = 0,985 Число наблюдений: 9 F = 269,2 p =  0,000001 df =   2,6

Стандартная ошибка оценки: 338,0 Свободный член: -478,19 Стандартная ошибка: 241,0 Oil price =0,704  Profit_pr =0,315 t(6) = 7,49; 3,35

Итоговое уравнение  регрессии с учетом полученных коэффициентов  будет выглядеть следующим образом:

                 (1)

В данной модели все коэффициенты уравнения значимы на 5% уровне. Коэффициент детерминации (R²) близок к 1 (равен 0,988), что свидетельствует о том, что наблюдаемые значения лежат близко к регрессионной кривой, описывающей зависимость прибыли для целей налогообложения от выбранных факторов. Высокое качество полученного уравнения регрессии также подтверждается значением скорректированного R² = 0,985.

Коэффициенты  имеют правильные знаки – рост прибыли и цен на нефть приводит к росту прибыли для целей  налогообложения. Данный факт подтверждается значениями t-статистики, которые для первого коэффициента равны 7,49, а для второго – 3,35. Критическое значение t-статистики для 5% уровня значимости с 6 степенями свободы равно t_кр = 1,943. Значения t-статистики обоих коэффициентов больше t_кр, что согласуется с выдвинутыми предположениями.

Проведем диагностику  гетероскедастичности ошибки случайного остатка при помощи теста Бреуша – Пагана (Breusch – Pagan test), позволяющего проверить ответственность за гетероскедастичность нескольких факторов пропорциональности одновременно одним тестом.

Последовательность  выполнения теста следующая:

1. Вычисляются  остатки оцененного уравнения  (1);

2. Оценивается  регрессия квадратов полученных  остатков на все переменные:

                 (2)

3. Тестируется  общая значимость оценки уравнения;

Наблюдаемое значение статистики вычисляется по формуле:

 

,                              (3)

где ESS – объясненная  сумма квадратов уравнения;

e – остатки;

n – число  наблюдений;

Распределение BP асимптотически стремится к распределению χ2 с числом степеней свободы m.

Если BP превышает  критическое значение, делают вывод о том, что оценка уравнения в целом значима, нулевая гипотеза отвергается в пользу альтернативной. Если BP меньше критичекого значения, наблюдения не дают оснований отвергнуть нулевую гипотезу о гомоскедастичности.

В нашем случае параметры теста Бреуша – Пагана равны:

 

 

 

ESS	58389006952
n	9
Сумма квадратов  ошибок	685571
ВР	5,03
m	2
χ2-критическое значение	5,991464547

 Как видно BP < критического значения χ². Данный факт дает основание считать, что случайный остаток гомоскедастичен, что свидетельствует о хорошем качестве модели.

 

Рисунок. 1 - Соответствие прогнозных данных фактическим, млрд. рублей

Источник: данные ФНС России.

Убедившись  в том, что полученная функция  хорошо справляется с описанием  фактически сложившихся значений, спрогнозируем  с помощью нее величину прибыли  для целей налогообложения на период до 2013 года. Показатели прибыли организаций без учета полученных убытков и цены на нефть марки «Urals» возьмем из уточненного прогноза социально-экономического развития на 2011-2013 гг. (см. рис. 2,3).

 

Рисунок 2 - Прибыль для целей налогообложения, млрд. рублей

Источник: Расчеты автора на основе данных Росстата и ФНС

Рисунок 3 - Доля прибыли для целей налогообложегния в прибыли прибыльных организаций

Источник: Расчеты автора на основе данных Росстата и ФНС

 

Таким образом, введение в модель прогнозирования  налога на прибыль уравнения регрессии  для определения прибыли для целей налогообложения видится целесообразным. Данный шаг позволит снизить долю существующей ошибки прогноза, связанную с неточностью определения прибыли для целей налогообложения.

Сформулированы  альтернативные подходы по повышению  качества бюджетных прогнозов.

Перечень альтернативных подходов по повышению качества бюджетных  прогнозов охватывает меры, начиная  от совершенствования системы обработки  и предоставления статистической информации о формировании основных социально-экономических показателей, участвующих в прогнозе отдельных налоговых и неналоговых поступлений в консолидированный бюджет Российской Федерации, и, заканчивая применением альтернативных моделей и методов прогнозирования.

К таким методам  можно отнести, к примеру, построение регрессионных уравнений, моделирующих поступления налога на прибыль, в которых неизменным показателем будет величина поступлений данного налога, а зависимыми, к примеру, прибыль для целей  налогообложения, объем убытков, изменение законодательства и объем доходов, облагаемых по ставкам, отличающимся от общеустановленных. Данное уравнение выглядело бы следующим образом:

 

                (4)

 

CT – поступления налога на прибыль;

a, b, c, d – оцениваемые коэффициенты уравнения;

Pt_f – прибыль для целей налогообложения;

L – объем убытков;

CT_rev – налог на доходы, облагаемые по ставкам, отличающимися от общеустановленных;

T_leg – оценка изменения налогового законодательства по налогу на прибыль;

Другим методом  прогнозирования налога на прибыль может стать применение композитного или составного подхода к прогнозированию. Данный подход способен значительно повысить качество и точность подготовки прогноза, как по отдельным видам налоговых поступлений, так и доходов в целом. Его рассмотрению посвящено большое количество работ зарубежных авторов.

Модели консенус-прогноза представляют собой сочетание двух или более различных прогнозов. Использование прогнозов, подготовленных различными ведомствами либо по различным методикам, позволяет снизить величину неопределенности в отношении рассматриваемых величин. Ошибка прогноза в случае применения составного подхода также будет меньше, чем если бы использовался прогноз на основе одной модели.

Составную модель прогнозирования проще всего описать линейным уравнением регрессии, в которой будут определены веса n-различных прогнозов:

             (5)

F_f – окончательный вариант прогноза;

F₁,F_n – отдельно взятый прогноз;

C₁,C_n – вес каждого прогноза

Простота применения композитного подхода позволит вводить его в действие в любой момент подготовки проекта бюджета. Кроме того, данный подход одинаково эффективен как в периоды экономической стабильности, так и во время неопределенности дальнейших перспектив развития экономики страны.

Композитный подход в виде регрессионной модели с использованием весов n-различных прогнозов в какой-то мере существует и в России. Только весами выступают не параметры, определенные посредством уравнения, а авторитет и должность руководителя ведомства, озвучивающего свой прогноз.

Какой из предложенных методов повышения качества прогнозных показателей является наиболее приемлемым должно ответить время, но их применение на данном этапе развития системы государственного прогнозирования в России более чем целесообразно.

 

3. ОБЩИЕ  ВЫВОДЫ И ПРЕДЛОЖЕНИЯ

1. Рассмотрены  основные подходы прогнозирования государственных доходов, существующие в мире. Среди них выделены те, в которых особое внимание уделено техническим аспектам прогнозирования и анализу возникающих в процессе прогнозирования ошибок и приводящих к ним факторов.

2. Проанализированы  существующие модели прогнозирования прямых и косвенных налогов,  с выделением основных методов прогнозирования к которым относятся: метод предпоследнего года, метод скользящей средней, метод прямых оценок. Отдельное внимание уделено особенностям существующих систем прогнозирования доходов в ведущих странах мира, с выделением основного метода, играющего ключевую роль в процессе прогнозирования государственных доходов.

3. Рассмотрена  наиболее полная на данный момент классификация методов прогнозирования доходов, в основу которой заложено разделение моделей по использованию макро и микро подходов. По итогам проведенного анализа существующих моделей прогнозирования доходов, сделан вывод о том, что наиболее продуктивным и точным методом прогнозирования бюджетных доходов по отдельным видам налоговых поступлений является симбиоз методов микромоделирования и эластичности.