Налоговое планирование и прогнозирование
Дипломная работа - Экономика
Другие дипломы по предмету Экономика
?о роста и дефлятора прогнозировать суммарные налоговые поступления. Применение этой модели предполагает, во-первых, разбивку налогоплательщиков на несколько групп, каждой из которых присваиваются определенные веса; во-вторых, расчет налоговых обязательств для каждого отдельного налогоплательщика; в-третьих, построение прогноза налоговых поступлений на следующий период на основании значений темпов экономического роста и расчета индивидуальных налоговых обязательств по группам налогоплательщиков. Модель агрегирования используется для прогнозирования налоговых поступлений казначейством США. На основании модели агрегирования казначейство США рассчитывает также средние значения предельных налоговых ставок для определения выравнивающего действия налоговой системы.
Прогнозы временных рядов налоговых поступлений осуществляются на основании их собственной динамики с использованием метода взвешенного скользящего среднего (ВСС), метода двойного экспоненциального сглаживания, метода Хольта-Винтерса, модели авторегрессии и скользящего среднего (ARMA). Все эти методы и модели с одной переменной. Прогноз строится на основе использования только предыдущего значения переменной, в данном случае показателя налоговых поступлений. Эти простые модели с одной переменной считаются более надежными по сравнению со сложными структурными моделями. Например, модель временного ряда может использовать месячные данные о прошлых поступлениях подоходного налога и на основании прошлых закономерностей в поведении этой переменной она предскажет будущие значения поступлений из этого источника. Поэтому для использования моделей временных рядов необходимо иметь только прошлые значения самой прогнозируемой переменной. Сдвиги в динамике временных рядов, связанные с реформами в налоговом законодательстве (структуре налога) или с какими-то иными крупными изменениями, могут быть учтены в модели с помощью специального статистического приема - учета так называемой фиктивной переменной.
Суть прогнозирования переменной по прошлой ее динамике заключается в выявлении корреляции будущих значений этой переменной с ее прошлыми. Если такую корреляцию можно определить и разложить ее на составляющие, придав ей структуру, то получатся достаточно точные прогнозы. Наиболее простым методом прогнозирования считается метод ВСС. Метод двойного экспоненциального сглаживания, в соответствии со своим названием, предполагает применение экспоненциального сглаживания к изначальному ряду дважды и продление временного ряда вдоль линейного тренда. Более сложным методом прогнозирования на основе экспоненциального сглаживания считается метод Хольта-Винтерса.
Наиболее часто используемой моделью с одной переменной, в частности, считается модель авторегрессии и скользящего среднего (ARMA)* .
Обычно для случая нормально распределенных данных оценки коэффициента модели ARMA осуществляются на основании метода максимального правдоподобия.
Следует отметить, что очень часто используют чисто авторегрессионые модели. Это правомерно постольку, поскольку модель ARMA может быть представлена в виде модели чистой авторегрессии (в общем случае с бесконечным числом переменных). Параметры для таких моделей предлагается оценивать методом наименьших квадратов, а максимальный порядок лагов с помощью критерия Шварца. В условиях макроэкономической стабильности, как правило, авторегрессионые процессы и процессы скользящего среднего помогают достаточно хорошо описать динамику многих макроэкономических рядов, в том числе и рядов налоговых поступлений. Конечной целью моделирования динамики налоговых поступлений является построение прогнозов, поэтому использование модели ARMA наряду с другими моделями экстраполяции позволяет также по отдельному виду налога оценить уровень точности прогнозирования поступлений.[16]
Прогнозы налоговых поступлений с использованием нескольких переменных создаются потому, что информация в таком многомерном временном ряде может улучшить качество прогноза исследуемого показателя. В частности, при прогнозе налога на прибыль в качестве переменных, связанных с налоговой базой, можно использовать зарплату, прибыль, ставку процента. В настоящее время существует несколько типов моделей прогнозирования с несколькими переменными: структурные эконометрические модели; линейные и нелинейные уравнения; модели, основанные на построении опережающих экономических индикаторов.
Структурные эконометрические модели представляют собой как крупные системы одновременных уравнений, так и небольшие эконометрические модели (типа соотношений для кривой Филипса для отражения зависимости изменения инфляции от изменения уровня занятости и др.). Определяющим в этих моделях является использование предположений экономической теории для задания априорных ограничений.
Типичным примером замкнутых линейных уравнений, используемых для прогнозирования, может служить векторная авторегрессия. Модель векторной авторегрессии имеет три часто встречающихся представления: векторная авторегрессия в приведенной форме, в рекурсивной и структурной формах.
Векторная авторегрессия в приведенной форме обобщает модель авторегрессии на случай многомерной случайной величины.
Основываясь на теории одновременных уравнений, на компоненты каждой матрицы при их оценке необходимо наложить определенные связи. В ресурсном представлении векторной авторегрессии эти связ