Пн Вт Ср Чт Пт Сб Вс
28 29 30 1 2 3 4
5 6 7 8 9 10 11
12 13 14 15 16 17 18
19 20 21 22 23 24 25
26 27 28 29 30 31 1

К вопросу о разработке прогнозов в работе налоговых органов


К вопросу о разработке прогнозов в работе налоговых органов

     

В.К. Реш,
руководитель УМНС России по Тульской области,
государственный советник налоговой службы II ранга,

С.Н. Алехин,
зам. руководителя, государственный
советник налоговой службы III ранга

     Одним из условий успешной работы региональных налоговых органов является обоснованный прогноз значений ряда параметров, используемых при формировании плановых заданий подчиненным территориальным инспекциям.
     
     Острота вопроса заключается в том, что некорректно представленные задания влекут их естественное невыполнение и ставят под угрозу исполнение бюджетных назначений по региону в целом. Кроме этого, к территориальным налоговым органам по результатам работы могут быть применены несправедливые финансовые санкции.
     
     Разработка прогнозов обычно осуществляется согласно экспертным оценкам в соответствии с ожидаемым на предстоящий период объемом налогооблагаемой базы. Размер этой базы рассчитывается на основании сведений о ее текущем объеме и тенденции изменения, определенной по ряду предшествующих состояний. Необходимо отметить, что значения рассматриваемых данных, кроме закономерной составляющей (выделение которой и является основной задачей анализа), содержат случайную, зависящую от конкретных, часто малопредсказуемых событий, отражающихся на экономическом состоянии предприятий (нерегулярность финансирования, поставок, "зависание" платежей в кредитных организациях и т.д.). Таким образом, процесс прогнозной оценки может быть представлен как выявление полезной информационной составляющей на фоне "помех". Уровень неточности прогноза определяется в значительной степени выбором типа прогнозного планирования.
     
     В настоящее время получили распространение четыре типа прогнозного планирования*:
     _____
     * Федорова Е. А., Шелопаев Ф. М. Финансовое планирование и контроль. — Тула: ТГУ, 1998. С. 24.

          
     - реактивное (осреднение по предыстории - пессимистический прогноз);
     
     - инактивное (ожидание достигнутого - приспосабливание только к настоящему);
     
     - преактивное (ориентирующееся только на будущее - оптимистический прогноз по приросту исследуемой величины);
     
     - интерактивное (комбинированный вариант на базе вышеперечисленных).
     

     Математическим анализом установлено, что из-вестные типы прогнозов при достаточно быстром изменении анализируемой информации (с темпом изменения более 10 % в течение анализируемого периода длительностью То) и наличии вышеуказанных "помех" не дают приемлемой точности прогнозных значений.
     
     Повышение точности прогноза может быть обеспечено применением методов фильтрации (обработки) помех анализируемой информации с использованием соответствующего математического аппарата. Одним из наиболее простых и эффективных методов является сглаживание экспериментальных зависимостей по методу наименьших квадратов*.
     _____
     * Вентцель Е. С. Теория вероятностей. — М.: Наука. 1969 г. — С. 614.

          
     Рассмотрим процесс сглаживания функции V(t) по нескольким точкам, предшествующим моменту составления прогноза (t - текущее время).
     
     Аппроксимирующая (осредненная) зависимость, рассчитанная по совокупности анализируемых состояний системы, в общем случае имеет вид:
     

                           A 
   V(t) - Mv = (t - Mt) · ---- ,
                           B
     

     где: Mv и Mt - математические ожидания приведенных значений, соответственно, V(t) и t.     


; (j = 1,2,...n)



     
     где: n - число анализируемых состояний V(t); минимальное число анализируемых состояний равно трем (при n = 2 аппроксимирующая прямая проходит, естественно, через имеющиеся значения, и сглаживание по методу наименьших квадратов сводится к применению известных типов планирования).
     
     Учитывая, что анализируемые значения V(t) соответствуют последовательным, равноудаленным временным интервалам, применение метода существенно упрощается. В частности, как следует из результатов проведенного математического анализа, при различных числах анализируемых состояний системы V(-То), V(-2То)… (последовательные предыдущие состояния анализируемого параметра) аппроксимирующие зависимости будут иметь вид:
     
     при сглаживании по трем точкам

            5 · V(0) + 2 · V(-To) - V(-2 · To)                           t
     V(t) = ---------------------------------- + [V(0) - V (-2 · To)] х ---    (1.1);
                          6                                             2·To

     при сглаживании по четырем точкам

            7·V(0) + 4·V(-To) + V(-2·To) - 2·V(-3·To)
     V(t) = ------------------------------------------ + 
                              10
                                                        
                                                      t
       + [3·V(0) + V(-To) - V (-2· To) - 3 · V(To)] ·-----  (1.2);
                                                     10·To      

     при сглаживании по пяти точкам
     

            3 · V(0) + 2 · V(-To) + V(-2 · To) - V(-4 · To)   
     V(t) = ----------------------------------------------- +
                                 5
                                                              t
           + [2 · V(0) + V(-To) - V (-3 · To) - 2 · V(To)] ·-----      (1.3).
                                                            10·To                     

          
     Дальнейшее увеличение числа анализируемых состояний системы нецелесообразно, так как приводит к усложнению расчетов при практически не повышающейся точности прогноза. Использование зависимостей (1.1) - (1.3) наиболее целесообразно при перспективном планировании.
     
     Прогнозные значения на предстоящий период То будут при этом определяться следующими выражениями (в нижепредставленных зависимостях символом Vb(n) обозначено прогнозное значение по n состояниям):
     

             4 · V(0) + V(-To) - 2 · V (-2To) 
     Vb(3) = ---------------------------------   (2.1);
                            3
                    V(-To) - V (-3To)
     Vb(4) = V(0) + ------------------   (2.2);
                            2 
             8 · V(0 ) + 5 · V(-To) + 2 · V(-2To) - V (-3To) - 4 · V(-4To)
     Vb(5) = -------------------------------------------------------------- (2.3).
                                               10 
     

     Как свидетельствуют приведенные при поквартальном (То = 3 месяца) анализе данные, "сезонные" (с периодом в 6 месяцев) помехи ослабляются соответственно в 3 и 5 раз в случае, если число анализируемых состояний равно трем или пяти. При прогнозе по четырем точкам указанные помехи присутствуют в прогнозе, не изменяясь по уровню. Указанное обстоятельство имеет весьма важное значение в случае, если имеются основания предполагать, что реальная налоговая база имеет тенденцию сезонных изменений и ее учет целесообразен.
     
     Возможности метода могут быть проиллюстрированы на конкретном примере в предположении, что V(t) - линейно изменяющаяся функция времени:
     

                   0,1 · t
     V(t)in = (1 + -------)· Vo ,
                     To
     

     на которую наложена одна из наиболее неблагоприятных - cинусоидальная составляющая с амплитудой, равной, например, 10 % от V(t)in.
     
     По результатам расчетов (при Vо = 1) прогнозное значение для различных реализаций составляет 1,05-1,12, что весьма незначительно (менее чем на 5 %) отличается от идеального значения - 1,1 (в рассмотренном случае использование реактивного, инактивного, преактивного, интерактивного типов прогноза дает для вышеприведенных данных значения от 0,9 до 1,3).
     
     Применительно к работе налоговых органов использование предложенного способа прогнозирования, в частности для расчета месячных бюджетных заданий по сбору налогов для городов и районов области, выглядит следующим образом:
     

     1) на основании имеющихся сведений о налогооблагаемой базе в предыдущих месяцах рассчитывается с использованием зависимостей (2.1) - (2.3) ее ожидаемая величина в предстоящем периоде и затем осуществляется прогноз налоговых поступлений;
     
     2) осуществляется экспертная оценка полученного результата. Полученные данные отражают общую тенденцию всего анализируемого периода, при этом внутриквартальные отличия месяцев не учитываются. Для учета этих отличий приходится привлекать опытные сведения о примерном процентном соотношении поступлений по месяцам квартала. В случае если анализ свидетельствует о наличии ярко выраженных сезонных колебаний поступлений, расчет целесообразно вести по четырем точкам (так как при этом "сезонная" составляющая практически не изменяется);
     
     3) расчетная сумма по региону определяется посредством суммирования полученных ожидаемых поступлений;
     
     4) коэффициент отличия требуемых и ожидаемых поступлений (обычно этот коэффициент несколько больше единицы) определяется сравнением с доведенными до региона бюджетными назначениями;
     
     5) в соответствии с полученным коэффициентом корректируются ожидаемые по городам и районам региона поступления, которые доводятся до местных налоговых органов в виде месячных бюджетных назначений.