Микроимитационное моделирование

Методология микроимитационного моделирования

Микроимитационная модель прекрасно подходит как средство оценки ожидаемых поступлений доходов в бюджет. Используя данные микроуровня, т.е. данные по экономическим субъектам - предприятиям и населению, образующим представительную выборку, эти модели показывают, как скажется принятие того или иного решения в области налогового законодательства на населении, предприятиях, получателях финансирования в рамках государственных программ, и т.д. Как будет показано ниже, эти модели можно использовать также для прогнозирования. Для этого необходимо построить экстраполяцию имеющихся данных на будущее и рассчитать ожидаемые налоговые поступления по этой новой, «состарившейся» выборке.

Применение микроимитационных моделей для анализа последствий изменения налоговых законов имеет достаточно долгую историю. Методология микроимитационного моделирования в своем первоначальном варианте была сформулирована в работах Г.Х. Оркутта и Г.Х. Оркутта, М. Гринберга, М. Корбала и А. Ривлин. За последние три десятилетия применение моделей этого типа было распространено на анализ самых разных вопросов экономической и фискальной политики. Среди конкретных вопросов, для анализа которых применялось микроимитационное моделирование, можно назвать оценку возможных эффектов перераспределения налоговой нагрузки между разными группами населения в результате внесения изменений в налогообложение пенсионного обеспечения, моделирование спроса на услуги учреждений дневного пребывания детей, анализ возможных последствий реформы налога с продаж в Канаде.

Единого подхода к построению микроимитационных моделей не существует, однако все множество микроимитационных моделей можно условно разбить на два класса - статические и динамические модели. Статические модели чаще всего используются для имитации возможных краткосрочных последствий неких конкретных, детально специфицированных изменений налоговых законов и фискального регулирования. Динамические модели используются главным образом для имитации долгосрочных последствий изменений в налогообложении и фискальном регулировании. Главное различие между этими подходами заключается в том, что статические модели исходят из предположения, что поведение физических и юридических лиц в результате принятия новых законов не меняется: каковы бы ни были новые налоговые законы, экономические субъекты не изменят ни сферу деятельности, ни иные параметры своего экономического поведения. В частности, в статических моделях предполагается, что уровень платежной дисциплины или ухода от налогов будет оставаться прежним независимо от того, как изменятся ставки налогообложения.Динамические микроимитационные модели отражают реакцию экономических субъектов на изменившиеся условия, т.е. изменение спроса потребителей и производителей в ответ на изменения структуры налогов и фискального регулирования.

Стандартная микроимитационная модель состоит из трех компонентов:

1) базы данных микроэкономического уровня (данных по выборке экономических субъектов); как правило, это данные по налоговым декларациям предприятий и физических лиц, охватывающие несколько лет; 
2) программы расчета налогов по этим данным - своего рода «налогового калькулятора», который по исходным данным, указанным в налоговой декларации, может рассчитать причитающиеся с налогоплательщика налоги в условиях действующего и альтернативного законодательства; данная программа может быть дополнена также блоком «поведенческих реакций» налогоплательщиков в ответ на изменения налогового законодательства; 
3) программы представления результатов, которая формирует и выводит на экран или на печать таблицы, показывающие, сколько налогов предстоит заплатить различным группам плательщиков при сохранении действующего законодательства и в условиях принятия нового законодательства, как будет распределяться налоговое бремя, какие категории плательщиков выиграют, а какие - проиграют в результате принятия нового законодательства, как изменится общий уровень доходных поступлений.

Базовая схема микроимитационной модели для анализа последствий внесения изменений в законодательство о налоге на прибыль предприятий представлена на рисунке.

Примерная структура  модели для расчета налога на прибыль  предприятий

Хотя микроимитационные модели могут использоваться для анализа возможных последствий решений, принимаемых в самых разных областях государственной политики, в данной книге мы будет говорить только об их применении для анализа предложений по внесению изменений в налоговое законодательство (налоговую политику). К достоинствам микроимитационных моделей следует отнести то, что они предоставляют пользователю следующие возможности:

1) позволяют получить оценки ожидаемых налоговых поступлений по разным категориям плательщиков: по физическим лица с разными уровнями доходов, по предприятиям разных отраслей, по получателям разных видов доходов и т.д.; 
2) позволяют примерно оценивать «недобор» поступлений по отраслям, плательщикам с разными уровнями доходов; 
3) содержат подробную информацию о налоговых базах, поэтому с их помощью можно легко смоделировать любые изменения в налоговом законодательстве; 
4) позволяют установить зависимость между разными налогами, в частности между налогами, взимаемыми в зависимости от доходов (прибыли), акцизами, налогом с продаж и имущественными налогами; 
5) будучи дополнены макроэкономической моделью и обратными связями между налоговой сферой и экономикой, они позволяют анализировать влияние налоговых изменений на макроэкономику и наоборот.

Как видно из рисунка, одним  из основных компонентов модели является массив данных по экономическим субъектам  микроуровня (предприятиям или физическим лицам). Эти данные поступают в программу расчета налогов - «налоговый калькулятор», который по исходным данным о плательщиках и их налоговой базе делает расчет налогов, причитающихся с каждого плательщика в условиях действующего и альтернативного законодательства (параметры этих расчетов задаются пользователем). В модель можно также ввести предположения о том, как изменится поведение плательщиков в ответ на принятие тех или иных решений в области налоговой политики, в результате чего модель из статической превратится в динамическую. После того как расчёты по всем налогоплательщикам будут выполнены, модель доумножает полученные результаты на коэффициенты, позволяющие перейти от результатов по имеющейся выборке плательщиков к ожидаемым результатам по всей генеральной совокупности, и формирует ряд выходных таблиц (отчетов), в которых представлены результаты расчетов. В правой части рисунка представлен блок прогнозирования. Он не является обязательным компонентом микроимитационной модели, однако сегодня он стал использоваться чаще, чем лет десять назад. Ниже мы остановимся на каждом из этих компонентов подробнее.

База  данных микроуровня. Источником данных для микроимитационных моделей служит база данных по некоторой выборке налогоплательщиков - физическим или юридическим лицам в зависимости от моделируемого налога. Такая база данных должна содержать по возможности полную информацию, необходимую для расчета налоговых обязательств по каждому налогоплательщику. В первую очередь это должны быть сведения, которые сами налогоплательщики указывают в своих налоговых декларациях в качестве исходных данных для расчета налогов, а также сведения из других источников, например сведения о стоимости находящейся в собственности плательщиков недвижимости, отчеты о финансовых результатах и т.д. (Использование вместо сплошной переписи налогоплательщиков данных по случайной их выборке позволяет существенно снизить требования к емкости постоянной памяти и быстродействию компьютеров. При этом, если выборка репрезентативна, полученные результаты по своей надежности приближаются к тем, которые могли бы быть получены при работе с данными по генеральной совокупности.)

Выборка налогоплательщиков должна быть по возможности представительной, т.е. охватывать самые разные категории  плательщиков, как налоговых резидентов, так и нерезидентов, представителей юридических и физических лиц, являющихся плательщиками моделируемого налога или налогов. Чтобы выборка получилась представительной, процедуры ее должны быть тщательно продуманы.

К сожалению, никаких единых научно обоснованных правил построения выборки налоговых деклараций или других документов учета не существует. Если множество, из которого делается выборка, относительно однородно, то можно ограничиться построением обычной случайной выборки. Однако если доходы в обществе распределены неравномерно (допустим, предприятия, относящиеся к некоторой отрасли, приносят значительно больше налогов, чем предприятия других отраслей, или если имеются крупные предприятия, приносящие львиную долю бюджетных доходов), т.е. если изучаемая совокупность неоднородна, то прежде, чем строить выборку, необходимо стратифицировать данные. Какие методы стратификации следует применять в каждом конкретном случае, будет зависеть от свойств генеральной совокупности изучаемых объектов (налогоплательщиков). Например, в США процент выборки деклараций по подоходному налогу с физических лиц, валовой доход которых превышает 200 тыс. долл. в год, в четыре раза выше, чем процент выборки деклараций лиц с более скромными доходами. Большинство стран, применяющих микроимитационные модели для анализа предлагаемых реформ налога на прибыль предприятий, также пользуется стратифицированными выборками, причем для разбиения генеральной совокупности предприятий на страты используются такие признаки, как отраслевая принадлежность, величина налоговых обязательств, уровень получаемых доходов, стоимость активов на балансе предприятия и др.

Данные из налоговых деклараций желательно дополнить сведениями, полученными  из других источников. Например, помимо данных, необходимых для расчета  причитающегося подоходного налога, полезно иметь информацию о структуре  потребления домохозяйствами, поскольку  с помощью этих сведений можно  оценить последствия внесения изменений  не только в прямые налоги, которыми облагаются физические лица, но и в  налоги, которыми облагается их потребление.

На практике добавление к  записям данных по конкретным налогоплательщикам дополнительной информации может быть осуществлено двумя способами. Во-первых, можно каждой записи из базы данных по налогоплательщикам поставить в  соответствие запись из другой базы данных, которая содержит данные по потребительским  расходам. Поскольку мы не знаем, к  кому конкретно относятся записи в обеих базах данных, привязка одних записей к другим должна производиться с использованием характеристик, данные по которым имеются  и в той, и в другой базе данных, например возраст, размер получаемого  дохода и т.д. В результате мы получим  базу данных по налогоплательщикам, которая  содержит не только информацию, необходимую  для расчета подоходного налога, но также и данные о структуре  потребления налогоплательщиков.

Во-вторых, установить зависимость  между переменными, включаемыми  в налоговую декларацию (например, размер полученного дохода, количество иждивенцев, семейное положение), и  структурой потребления можно с  помощью регрессионного анализа. Для  всех основных статей расходов семейного  бюджета можно построить регрессионное  уравнение, которое в общем виде записывается так:

RASHOD_i = β_0i + β_1i DOHOD + β_2i RAZMERSEM + β_3i SEMPOLOZHENIE + ξ _i,

где RASHOD_i - сумма расходов по i-й статье потребительского бюджета; 
DOHOD - сумма полученных за год доходов; 
RAZMERSEM - размер семьи; 
SEMPOLOZHENIE - семейное положение,

и оценить коэффициенты этого  уравнения по данным обследования потребителей (обследования семейных бюджетов). Полученные оценки коэффициентов можно применить  затем к аналогичным показателям, содержащимся в налоговых декларациях, и рассчитать расходы каждого  налогоплательщика по всем основным элементам потребительской корзины. Таким образом, этим методом также  можно получить базу данных, содержащую по каждому налогоплательщику налоговые  данные и данные о потребительских  расходах.

Последний компонент базы данных микроуровня - экстраполяция исходных данных на будущее. Данные микроуровня всегда относятся к какому-то временному срезу в прошлом. Чтобы иметь возможность рассчитать налоговые поступления в условиях действующего или альтернативного законодательства, но с учетом экономического роста, эти данные необходимо «состарить», т.е. экстраполировать их на будущее.

Один из самых простых  способов «состарить» данные - разбить  имеющуюся выборку в зависимости  от основного источника доходов, потребительского профиля (по составу  потребительской корзины) и т.д. и  для каждой такой группы построить  свою экстраполяцию, используя сложившиеся  тенденции, прогнозы макроэкономических показателей (инфляция, курс рубля, рост промышленного производства и др.), полученных из других источников и  регрессионного анализа. В России, например, основная часть доходов физических лиц приходится на заработную плату. Можно построить регрессию заработной платы от валового внутреннего продукта (ВВП), инфляции и занятости и посмотреть, носит ли эта зависимость стабильный характер. Если зависимость носит статистически устойчивый характер, полученное уравнение можно использовать для прогнозирования заработной платы, подставив в уравнение данные официальных прогнозов ВВП, инфляции и безработицы. Точно так же можно построить прогнозы и по другим видам доходов. Затем полученный показатель прироста заработной платы следует распределить по доходным группам в файле данных микроуровня.