Главная

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.

Имея экстраполяцию данных микроуровня на нужный период, можно рассчитать по этим данным причитающиеся с налогоплательщиков налоги и доумножить полученные результаты на весовые коэффициенты, чтобы перейти от выборочных данных к данным по генеральной совокупности налогоплательщиков. «Налоговой калькулятор» при этом, как обычно, выполняет расчеты в двух вариантах: исходя из предположения, что налоговые законы останутся неизменными, и для альтернативного варианта налогового законодательства.

Налоговый калькулятор. Эта часть модели представляет собой компьютерную программу, которая по некоторым заданным правилам рассчитывает причитающийся с каждого налогоплательщика налог. По существу эта программа есть некая совокупность формул расчета, в точности повторяющих порядок расчетов, который проделывает каждый налогоплательщик, выполняя налоговый расчет при заполнении налоговой декларации. Заменяя одни формулы расчета другими, отражающими предлагаемые изменения в налоговом законодательстве, можно рассчитать последствия любых предлагаемых изменений в налоговом законодательстве.

Налоговый калькулятор можно построить с учетом и более сложных взаимосвязей, таких, как ответная реакция предприятий на изменения в налоговом законодательстве. Например, если имеющиеся данные свидетельствуют о том, что при увеличении предельной ставки налогообложения прибыли предприятий реальная зарплата сокращается (вследствие эффекта перекладывания налога на прибыль на плечи работников), подобную закономерность поведения (эластичность) можно «встроить» в налоговый калькулятор, и при попытках увеличить предельную норму налогообложения прибыли в модели будет падать заработная плата. Другими примерами поведенческих реакций предприятий на изменения налогового законодательства могут быть изменение уровня капиталовложений, объема выпуска или объема расходов, принимаемых к вычету.

Трудность с учетом подобных ответных реакций состоит в том, что даже в странах, налоговые системы которых достаточно стабильны и временные ряды данных накоплены за достаточно длинный период, специалистам бывает нелегко прийти к единому мнению о том, в каком направлении и с какой силой действуют эти факторы, поскольку действуют они одновременно и в разных направлениях. Так, важность учета поведенческих реакций компаний в ответ на налоговые реформы показана в работе на примере реформы налогообложения потребительских товаров в Австралии. Авторы на конкретных примерах показывают, в чем заключается трудность учета подобных взаимосвязей в модели, и подчеркивают, насколько важно сохранить прослеживаемость всех взаимосвязей и ответных реакций в модели. В работе дается примерная оценка потенциального масштаба влияния подобных реакций на собираемость налогов на примере реформы подоходных налогов в Швеции. Авторы приходят к выводу, что хотя усилия, затраченные на учет подобных эффектов, были потрачены не зря, полученные оценки влияния поведенческих факторов на уровень бюджетных поступлений оказались относительно небольшими, хотя влияние подобных факторов на распределение доходов в обществе может быть весьма существенным.

В России, где данных, необходимых для оценки подобных ответных реакций, практически не существует, включить подобные взаимосвязи в модель невозможно, а если это будет сделано, полученные выводы могут оказаться ошибочными. Со временем, когда удастся накопить более длинные временные ряды, в модель можно будет включить и ответные реакции плательщиков на изменение налогов. В принципе возможно также использование коэффициентов эластичности, характеризующих подобные взаимосвязи в других странах, однако в этом случае придется проводить дополнительное исследование, чтобы установить применимость подобной «внешней» информации к России.

В таблице представлен пример расчетов ожидаемого изменения в налоговых поступлениях вследствие изменения ставки подоходного налога с физических лиц с помощью налогового калькулятора.

Имитационный расчет последствий снижения ставки налогообложения дохода физических лиц

Анализируемое изменение предполагает снижение не облагаемого налогом минимума заработной платы с 3 500 до 1 500 в сочетании со снижением налоговой ставки с 30 до 20 процентов. Программа налогового калькулятора просто берет исходные данные по налогоплательщикам и рассчитывает причитающиеся с них налоги в условиях действующего налогового законодательства и принятия предлагаемых изменений. Главная идея микроимитационного моделирования заключается в том, чтобы, используя одни и те же исходные данные, рассчитать, сколько налогов причитается с репрезентативной выборки налогоплательщиков в условиях действующего законодательства и в случае принятия предлагаемых изменений налогового законодательства. Эта методология может применяться к расчету предлагаемых изменений по любым налогам - налогу на прибыль предприятий, налогу на добавленную стоимость и т.д., лишь бы исходные данные содержали все необходимые показатели, на основе которых рассчитывается налоговая база.

Настоящие микроимитационные модели гораздо сложней, чем тот вариант, который представлен в таблице. Во всяком случае, чтобы реально рассчитать подоходный налог по российскому законодательству, необходимо произвести гораздо более сложный расчет, чем тот, который представлен в этой таблице. В частности, российское законодательство по подоходному налогу предусматривает использование прогрессивной шкалы налогообложения, целый ряд вычетов из налогооблагаемой базы и налоговых освобождений, относящихся к определенным источникам доходов. Программа, которая буквально повторяла бы производимые налогоплательщиком вычисления по одному налогу, получается достаточно длинной, а если ее необходимо сделать еще и удобной в работе, то количество строк программного кода возрастает во много раз. Модели, в которых пользователь имеет возможность вводить необходимые изменения в налоговом законодательстве в диалоговом режиме и которые позволяют оперативно менять такие параметры действующего налогового законодательства, как ставки налогообложения, вычеты из налоговой базы, льготы и т.д., получаются достаточно громоздкими.

Требования к структуре и программному обеспечению микроимитационных моделей во многом зависят от потребностей конечного пользователя и от возможностей программиста. Модель должна быть написана на таком языке программирования, с которым знакомо большинство программистов, и должна быть построена так, чтобы при передаче ее в эксплуатацию другому пользователю у новых программистов не возникало трудностей. Если же в будущем возникнут новые потребности, ни база данных, ни программный код не должны меняться радикальным образом. Модель должна быть достаточно гибкой, чтобы с ее помощью можно было анализировать не только те изменения, которые предлагается внести в налоговое законодательство сегодня, но и проблемы, которые могут представлять интерес в будущем.

Представление результатов. Поскольку все расчеты по модели производятся на уровне отдельных налогоплательщиков, группировать полученные результаты расчетов можно по любому принципу. Чаще всего используются группировки налогоплательщиков по уровню доходов, размеру (размер предприятия может определяться валовым доходом или размером основных фондов или по любому другому параметру, заданному пользователем), или по коду отраслевой принадлежности. При этом рассчитываются следующие показатели:

1) распределение налоговых платежей между плательщиками в условиях существующего законодательства;
2) то же в условиях альтернативного законодательства;
3) «выигравшие» (плательщики, налоговые обязательства которых сократились в результате перехода от действующего налогового законодательства на альтернативное);
4) «проигравшие» (налогоплательщики, обязательства которых выросли).

В таблицу сводных результатов обычно включаются следующие показатели: суммарное изменение налоговых обязательств в результате такого перехода в отсутствие экономического роста, прогноз бюджетных доходов и их приростов в условиях экономического роста (обычно на пять лет вперед, но этот период может быть продлен) и суммарные показатели по доходным группам (включая сумму налоговых платежей, вычеты, льготы и т.д.). Как правило, программа, формирующая отчеты по результатам расчетов, пишется на том же языке программирования, что и налоговый калькулятор.

Расширение базовой модели. Одно из последних достижений в области микроимитационного моделирования заключается в более широком использовании обратных связей между налоговой сферой и экономическим поведением. Предположим, например, что предлагаемое изменение в налоговом законодательстве приведет к снижению налога на прибыль предприятий на 10%. Поскольку это снижение, по сути, означает удешевление капитала, можно ожидать роста инвестиций и выпуска. Если подобные обратные связи действительно сработают, произойдет оживление экономической деятельности, и в результате поступления в бюджет могут вырасти. Этот цикл может продолжаться и дальше: рост экономической активности, рост налоговых поступлений, рост занятости и так далее по всей экономике. Если подобные обратные связи включены в микроимитационную модель, расчеты по ней производятся так: вначале оценивается рост или сокращение налогов в качестве прямого результата предлагаемого изменения налогового законодательства, т.е. рассчитывается рост или сокращение налоговых поступлений в условиях неизменности экономического поведения налогоплательщиков, затем вводятся изменения в поведении налогоплательщиков и рассчитывается прирост или сокращение доходов, полученных экономическими субъектами в результате такого изменения поведения, затем этот прирост или сокращение распределяется между всеми налогоплательщиками в выборке, после чего заново пересчитываются налоговые поступления.

Для моделей такого типа необходимо иметь очень хорошие, детальные исходные данные, которые позволили бы оценить реакцию экономических субъектов на изменение налоговой политики. Получить подобные оценки поведенческих реакций очень непросто, особенно если речь идет о странах с переходной экономикой, к числу которых относится и Россия. В принципе модель подобного типа можно построить и для России, однако скорее всего при этом окажется, что выдаваемые ею результаты будут слишком сильно зависеть от используемых предположений относительно ответной реакции налогоплательщиков на изменения налогообложения. Тем не менее возможность превращения относительно статичной модели в модель более динамичную, пусть не сегодня, а когда-нибудь в будущем, не следует упускать из виду.

Что же представляет собой работающая микроимитационная модель? На рисунке состав микроимитационной модели представлен в более подробном виде.

Прототип микроимитационной модели

Базовая ее структура практически ничем не отличается от той, которая была изображена на предыдущем рисунке: исходные данные, налоговый калькулятор и параметры прогноза, собственно расчет и выдача результатов (отчеты). На данном рисунке больший акцент сделан на взаимодействии между компонентами модели. Например, мы видим, что данные по выборке налогоплательщиков могут храниться внутри самой модели. Стрелки показывают, что модель является интерактивной, т.е. ей можно задавать новые варианты налогового законодательства, пользоваться старыми, заданными ранее вариантами, внося в них необходимые изменения, а результаты выводить в таком формате, в каком это необходимо для решения конкретной задачи.