Методология исследования

В работе проведена оценка причинно-следственной зависимости налоговых поступлений в респу- бликанский бюджет Казахстана.

В структуре общих доходов государственного бюджета (налоговые поступления, неналоговые по- ступления, поступления от продажи основного капитала, поступления трансфертов) наиболее значи- мыми в общем объеме за 14 лет (2000-2013) являются налоговые поступления – более 77%, а менее значимыми – поступления от продажи основного капитала, за 14 лет – 1,7% [2].

Поступлениями трансфертов являются средства из одного уровня бюджета в другой, из Нацио- нального фонда Республики Казахстан в республиканский бюджет. Они составляют 17,2% в структуре доходов бюджета. Источниками средств НФ РК являются доходы нефтегазового сектора, доходы от продажи казахстанских стратегических объектов и предприятий, образующих отрасль [11].

Неналоговыми поступлениями являются обязательные, невозвратные платежи в бюджет, установ- ленные бюджетным кодексом и другими законодательными актами Республики Казахстан. Первым общим показателем, характеризующим их роль в экономике страны, служит их доля в валовом вну- треннем продукте (ВВП).

За период 2000-2013 гг. уровень налоговой нагрузки как отношение доходов бюджета к ВВП вы- глядит следующим образом (таблица 1).

Таблица 1 – Уровень налоговой нагрузки в Республике Казахстан

Годы Рост ВВП в % к предыдущему

году Дефлятор ВВП в % к предыдущему

году Доходы бюджета, % к ВВП

2000 109.8 117.4 18.79

2001 113.5 110.1 19.56

2002 109.5 105.3 19.93

2003 109.2 111.7 16.27

2004 109.4 116.1 16.13

2005 109.7 117.9 26.32

2006 110.7 121.5 21.62

2007 108.9 115.5 18.33

2008 103.3 121 17.56

2009 101.2 104.7 21,8

2010 105.0 119.6 20,0

2011 105.5 117.8 19,7

2012 105,4 104,9 19,2

2013 106,0 106,2 19,0

Примечание – составлено авторами на основе источника [5]

С 1999 г. в республике был внедрен мони торинг наиболее крупных налогоплательщиков. Результатом внедрения мониторинга явился рост поступлений налогов от данной категории плательщиков и увеличение их доли в бюджете. Так, доля налогов от крупных налогоплательщиков в бюджете ВВП выросла в два раза за анализируемый период, в то время как доля налогов от отрасли «добыча нефти и попутного газа» в об- щих поступлениях возросла в 4,3 раза, металлургической промышленности – в 14,3 раза [5].

В результате сокращения объемов налоговых поступлений в государственный бюджет Республики Казахстан в 2008 г. произошло снижение их доли на 4% [5]. Вследствие мирового финансового кризиса и сокращения темпов экономического роста наблюдается снижение собираемости налогов в государ- ственный бюджет, в частности, по таким видам налогов, как корпоративный подоходный налог (КПН), налог на добавленную стоимость (НДС), таможенные платежи.

Сокращение сумм платежей в бюджет обусловлено, во-первых, влиянием мирового финансово- го кризиса, вследствие которого произошло снижение объемов налоговых поступлений в результате сокращения темпов экономического роста, во-вторых, изменением налогового законодательства. В Налоговый кодекс Республики Казахстан 2009 г. были внесены следующие изменения: отменена про- грессивная шкала ставок по социальному налогу, снижены индивидуальный подоходный налог (ИПН), НДС. Налоговая политика по либерализации налоговых режимов принесла в 2010 г. положительные результаты. Так, наблюдается увеличение сумм налоговых поступлений в 2011 г. в 1,3 раза по сравне- нию с предыдущим годом, за 2012 г. – 1,04 раза, в 2013 г. – в 1,05 раза по сравнению с предыдущим годом [2].

Вместе с тем, значительно улучшились показатели собираемости налогов. Если за 1998-2002 гг. толь- ко в 2 раза была уменьшена недоимка в целом по республике, то на начало 2012 г. она составила 8,7%

к налоговым поступлениям за аналогичный период 2003 г. [5]. В частности, это объясняется тем, что в течение 2007-2009 гг. приняты такие законодательные меры, как исключение из вычетов по КПН и из зачета по НДС суммы по сделкам с лжепредприятиями, установление обязанности налогоплательщиков по представлению в налоговые органы данных обо всех покупках и продажах (реестр счетов-фактур).

Коэффициент взыскания, рассчитанный как отношение суммы дополнительно взысканных налогов и платежей ко всей начисленной сумме, увеличился в два раза за рассматриваемый период.

В условиях современного развития существующий уровень налоговой нагрузки на экономику на- иболее благоприятно способствует экономическому росту страны и укреплению стабильности отече- ственных предприятий.

Данные и методология

Рассмотрим на примере экономики Казахстана, какие причины оказывают существенное влияние на изменение налоговых поступлений в государственный бюджет.

Корреляционные связи не ограничиваются зависимостью между двумя признаками: результатив- ным и факторным [12]. В действительности результативный признак зависит от нескольких факторов.

Поэтому наиболее оптимальным вариантом является применение модели множественной регрессии.

Все переменные ряда были трансформированы в логарифмические. Такая трансформация позво- ляет более наглядно представить связь между рассматриваемыми показателями, так как логарифмиче- ские ряды обладают одним средним значением, и все они расположены в пределах единого диапазона.

Первые разности логарифмов являются аппроксимацией темпов прироста соответствующих перемен- ных. Первая буква L в обозначении говорит о том, что взят натуральный логарифм показателя, DL – первая разность логарифмов показателя (таблица 2).

Таблица 2 – Условные обозначения показателей

Переменные Показатель Условное

обозначение Логарифм Первые разности

y Доходы государственного бюджета (млн тг.) GB L(GB) DL(GB)

х₁ Инфляция (%)  L( DL(

х₂ Объем экспорта (млн долл. США) E L(E) DL(E)

x₃ Среднемесячная номинальная заработная

плата (тг.) L() DL()

x₄ Цена на нефть PO L(PO) DL(PO)

x₅ Объем промышленного производства (млн тг.) IP L(IP) DL(IP)

x₆ Среднегодовой обменный курс доллара США ER L(ER) DL(ER)

х₇ Уровень безработицы (%) u L(u) DL(u)

х₈ Инвестиции в основной капитал (млн тенге) IK L(IK) DL(IK) х₉ Валовый приток иностранных прямых

инвестиций (млн долл. США) FDI L(FDI) DL(FDI)

Примечание – составлено авторами

На первом этапе исследования проведен корреляционный анализ. Информация о наличии линей- ной зависимости между показателями послужила базой для дальнейшего выявления типа и формы существующих связей.

На следующем шаге были изучены причинно-следственные связи между показателями. Был при- менен каузальный анализ с помощью теста Грейнджера в соответствии с регрессией (1).



^



^



 _{i k ik k ik i}

i y x

y

   

, (1) где, у_i – значение переменной у в момент времени i;

х_i – значение переменной х в момент времени i;

k – временная задержка.

Сущность метода в том, что нулевая гипотеза «х не влияет на у» заключается в одновременном равенстве нулю всех коэффициентов β. Для ее тестирования применяется обычный F-тест. Альтерна-

тивная гипотеза «у не влияет на х» тестируется аналогично, только необходимо поменять местами х и у. Для того чтобы прийти к заключению, что «х влияет на у» надо, чтобы гипотеза «х не влияет на у»

была отвергнута, а гипотеза «у не влияет на х» – принята. Если обе гипотезы отвергаются, то между рассматриваемыми переменными существует взаимосвязь, т.е. x↔у. Если же нулевые гипотезы не от- вергаются, то каузальная связь между переменными отсутствует.

Для построения уравнения регрессии использована многофакторная линейная модель (2).

n

n x

b x

b x b a

y  ₁ ₁ ₂ ₂...  , (2) При определении числовых значений параметров модели регрессии применен двухшаговый метод наименьших квадратов (2ШМНК). Сущность метода заключается в нахождении таких значений пара- метров а, b функции, при которых сумма квадратов отклонений фактических значений у_i от значений, найденных по уравнению регрессии, окажется наименьшей (3) [12].

min )

(

2 1

1 



 n

i

y

y . (3)

До начала моделирования временные ряды приведены к стационарному виду. Проверка времен- ных рядов исследуемых показателей на стационарность проведена двумя методами: построения гра- фиков автокорреляционной (коррелограммы) и частной автокорреляционной функций и визуализации.

Автокорреляционная функция показывает степень тесноты связи между наблюдениями временно- го ряда, разбросанными по времени на t отсчетов. Она вычисляется по аналогии с парным коэффици- ентом корреляции (4).

 



 





















n

i

n

i i i

n

i

i i n

y y x

x

y y x x r

1 1

2 1

) ( ) (

) )(

(

. (4)

Были исследованы характеристики отдельных признаков, а именно рассчитаны оценки основных параметров распределения и получена гистограмма частот как механизм аппроксимации.

Гистограмма – ступенчатая фигура, состоящая из прямоугольников, основаниями которых явля- ются отрезки длиной x_i-x_i-1, а их высоты равны (5):

) ( i i1

i

x x n

n _.

(5)

Модель была исследована на гетероскедантичность и автокорреляцию с помощью теста Уайта.

Тест Уайта – универсальная процедура тестирования гетероскедастичности случайных ошибок линей- ной регрессионной модели, не налагающая особых ограничений на структуру гетероскедастичности.

Тест является асимптотическим и использует остатки регрессии, оценённой с помощью обычного ме- тода наименьших квадратов. Для теста оценивается (также обычным методом наименьших квадратов) вспомогательная регрессия квадратов этих остатков на все регрессоры (включая константу, даже если её не было в исходной модели), их квадраты и попарные произведения (6):

, (6)

e_t – остатки регрессии;

x_t – факторы исходной регрессии;

a₀, a, A – параметры вспомогательной регрессии — соответственно константа, вектор линейных коэффициентов и матрица коэффициентов при квадратах и попарных произведениях факторов;

u_t – случайная ошибка вспомогательной модели [12].

На последнем этапе эконометрического моделирования было сделано прогнозирование исследуе- мого процесса.

Результаты исследования

В результате проведения корреляционно-регрессионного анализа с использованием модели мно- жественной регрессии, из девяти макроэкономических показателей, таких как: инфляция (Х₁), величи- на экспорта (Х₂), средняя заработная плата (Х₃), цена на нефть (Х₄), объем промышленного производ- ства (Х₅), обменный курс доллара (Х₆), безработица (Х₇), инвестиции в основной капитал (Х₈), прямые иностранные инвестиции (Х₉) выделим основные факторы, которые будут включены далее в модель.

Таблица 3 – Корреляционная матрица макроэкономических показателей

ER E GB IP  IK FDI OP SAL u

ER 1.00 -0.15 -0.04 0.01 -0.63 -0.08 -0.17 -0.23 0.04 0.08

E -0.11 1.00 0.98 0.97 0.08 0.94 0.93 0.99 0.95 -0.86

GB -0.04 0.98 1.00 0.99 0.01 0.97 0.94 0.97 0.98 -0.88

IP 0.01 0.97 0.99 1.00 -0.01 0.96 0.92 0.96 0.99 -0.88

 -0.63 0.08 0.01 -0.01 1.00 0.03 0.19 0.12 -0.01 0.02

IK -0.08 0.94 0.97 0.96 0.03 1.00 0.97 0.94 0.97 -0.92

FDI -0.17 0.93 0.94 0.92 0.19 0.97 1.00 0.92 0.94 -0.88

OP -0.23 0.99 0.97 0.96 0.12 0.94 0.92 1.00 0.93 -0.87

SAL 0.04 0.95 0.98 0.99 -0.01 0.97 0.94 0.93 1.00 -0.89

u 0.08 -0.86 -0.88 -0.88 0.02 -0.92 -0.88 -0.87 -0.89 1.00

Примечание – составлено авторами

Таблица 3 отражает наличие сильной линейной зависимости между показателями. Наибольшие трудности в использовании аппарата множественной регрессии возникают при наличии мультиколли- ниарности факторов, когда более чем два фактора связаны между собой линейной зависимостью, т.е.

имеет место совокупное воздействие факторов друг на друга. По результатам таблицы 3 мы наблюдаем мультиколлинеарность факторов. В результате вариация в исходных данных перестает быть полно- стью независимой, и нельзя оценить воздействие каждого фактора в отдельности [13].

Высокое значение парного коэффициента корреляции между переменными может быть обусловлено кроме тесной связи между исследуемыми величинами присутствием третьей переменной, которая ока- зывает сильное влияние на любые две из переменных или наличием повышающего тренда, что и служит, в конечном счете, причиной их высокой коррелированности. Таким образом, результаты классического корреляционного анализа, представленные в таблице 3, являются ложными. Со статистической точки зрения этот факт объясняется нестационарностью исходных временных рядов. Обычно стационарность достигается посредством одного из методов устранения тренда, например метода первых разностей.

Первоначально была проведена пошаговая замена результирующего показателя и пошаговое исключение из модели факторов с последующим анализом определителей матриц межфакторной кор- реляции [13].

В сравнении между собой коэффициентов множественной детерминации R², были выделены пе- ременные, ответственные за мультиколлинеарность. Такими переменными оказались Х₁, Х₂, Х₃, Х₆, Х₇, Х₈ и были исключены из дальнейшего анализа, как несущественные. В модели остались факторы с минимальной величиной коэффициента множественной детерминации – Х₄ (PO), Х₅ (IP), Х₉ (FDI), следовательно, данные факторы остаются для проведения дальнейшего анализа. Для проведения даль- нейшего анализа показатели были трансформированы методом первых разниц (DL).

Проведем анализ причинно-следственной зависимости между выделенными факторами за период 2000-2013 гг. Если в полученной регрессии коэффициентами β_k можно пренебречь, то считается, что прошлые значения X не помогают предсказывать Y и, стало быть, X не является причиной по Грейн- джеру для Y. И наоборот, если в данном выражении коэффициенты β_k статистически значимы и ими пренебречь нельзя, то мы считаем что X является причиной по Грейнджеру для Y. Интерпретация результатов теста Грейнджера представлена в таблице 4.

Таблица 4 – Интерпретация результатов теста Грейнджера

№ Число

лагов Нулевая гипотеза Количество

наблюдений F-статистика Р-значение

1 m=1

FDI не является причиной по Грейнджеру для GB GB не является причиной по Грейнджеру для FDI

12

2.19863 1.86355

0.2723 0.2054 IP не является причиной по Грейнджеру для GB

GB не является причиной по Грейнджеру для IP

1.98393 0.14363

0.0926 0.7135 OP не является причиной по Грейнджеру для GB

GB не является причиной по Грейнджеру для OP

0.35433 2.03588

0.0663 0.1874

2 m=2

FDI не является причиной по Грейнджеру для GB GB не является причиной по Грейнджеру для FDI

11

0.89035 1.98615

0.0086 0.2178 IP не является причиной по Грейнджеру для GB

GB не является причиной по Грейнджеру для IP

0.84633 0.42292

0.4745 0.6732 OP не является причиной по Грейнджеру для GB

GB не является причиной по Грейнджеру для OP

0.02226 0.52199

0.1001 0.6180

3 m=3

FDI не является причиной по Грейнджеру для GB GB не является причиной по Грейнджеру для FDI

10

1.36426 0.61456

0.0023 0.6505 IP не является причиной по Грейнджеру для GB

GB не является причиной по Грейнджеру для IP

0.43601 0.76976

0.1034 0.5826 OP не является причиной по Грейнджеру для GB

GB не является причиной по Грейнджеру для OP

0.17811 0.23556

0.1049 0.8671 Примечание – составлено авторами

При анализе теста Грейнджера на каузальность мы исходили из того, что для отклонения нулевой гипотезы на 10% уровне значимости необходимо, чтобы р-значение для соответствующей пары пока- зателей находилось в пределах до 0,1 (т.е. один из показателей должен находиться в данном пределе, а если оба показателя находятся в пределах до 0,1, то речь идет об их взаимном влиянии.

Влияние OP на GB – на протяжении 1-го, 2-х и 3-х лет. Как мы отмечали, все доходы от компаний нефтяного сектора, которые занимаются добычей и реализацией сырой нефти и газового конденсата, поступают в НФРК. Активы НФРК в форме государственных трансфертов активно используются для поддержки республиканского бюджета. Доля доходов НФРК в общих консолидированных доходах неуклонно росла, и в последние годы стабилизировалась на уровне 46% (12,5% ВВП). Таким образом, нефтяные доходы оказывают существенное влияние на государственные финансы. Так, с учетом всех поступивших в НФРК доходов профицит консолидированного бюджета достиг 3,7% ВВП в 2012 г. и 4,5% ВВП по итогам 2013 г. Если же рассчитывать не нефтяной бюджет, то нефтяные доходы составля- ют порядка 51% консолидированных доходов государства, а дефицит бюджета без учета этих доходов достигает 9,3% ВВП [18]. Таким образом, темпы роста казахстанской экономики решающим образом зависят от поступлений от нефтяного сектора, а, следовательно, от экспортных цен на нефть.

Ниже представлена диаграмма (рисунок 1), наглядно доказывающая динамику изменения цен на нефть и объема налоговых поступлений. Увеличение поступлений налогов в бюджет характеризуется аналогичной динамикой роста цен на нефть за исследуемый период.

Рисунок 1 – Цены на нефть и налоговые поступления в государственный бюджет [5]

Влияние IP на GB прослеживается на протяжении t+1и t+3 отсчетов, или 1 и 3 года. Отсюда, изме- нение объемов промышленного производства находится в динамическом взаимодействии с объемами налоговых поступлений в государственный бюджет на протяжении 1 года и 3-х лет. Это говорит о том, что с одной стороны, рост объемов промышленного производства оказывает влияние на рост налого- вых поступлений в бюджет, с другой – изменение ставки налогов подтверждает наличие прямой связи с объемом поступлений.

По результатам теста Грейнджера на казуальность было выявлено влияние FDI на GB на протяже- нии t+2, t+3 отсчетов, что указывает на их динамическое взаимодействие на протяжении 2-х и 3-х лет.

Привлечение ПИИ позволит сбалансировать платежный баланс (выплатить внешний госдолг) и нарастить золотовалютные резервы Национального банка. Привлечение ПИИ дает экономике двойной эффект: первое – это новые технологии, соответственно – повышение конкурентоспособности эконо- мики страны, второе – балансировка платежного баланса. Таким образом, привлечение ПИИ приводит к оптимизации и повышению эффективности бюджетной политики РК.

Все переменные, использованные в модели, являются стационарными, и невозможно появление ложной регрессии. МНК-оценки модели представлены в таблице 5.

Таблица 5 – МНК-оценки модели регрессии

Variable Коэффициент Стандартная

ошибка t-Статистика Вероятная ошибка

FDI 335.7256 0.215152 1.515587 0.0639

Industry_Production 0.259222 0.044663 5.803918 0.0003

Oil_Prices 7960.642 0.190809 1.152746 0.1787

C -191448.9 14.17543 -1.350569 0.2098

R-squared 0.890817 Mean dependent var 2637548.

Adjusted R-squared 0.887757 S.D. dependent var 18.40607

S.E. of regression 203663.8 Akaike info criterion -2.753399

Sum squared resid 3.73E+11 Schwarz criterion -2.770782

Log likelihood -174.9709 Hannan-Quinn criter. 27.49826

F-statistic 323.7040

Durbin-Watson stat 2.004606 Prob(F-statistic) 0.000000

Примечание – составлено авторами

Отобранные коэффициенты являются статистически значимыми. Значение R² высоко, что подтвер- ждает качество уравнения регрессии, p-значение для F-статистики позволяет утверждать, что коэффици- ент детерминации статистически значим, следовательно, регрессоры уравнения статистически значимы.

Это подтверждается высоким значением t-статистик для переменных DL(FDI), DL(OP), DL(IP). Значение статистики Дурбона-Ватсона также подтверждает значимость регрессии, оно приближенно к 2.

Проверим исследуемый ряд на стационарность (рисунок 2, 3).

Рисунок 2 – Автокорреляционная АС и частная автокорреляционная РАС функции переменной

LOG(GB)

Рисунок 3 – Автокорреляционная АС и частная автокорреляционная РАС функции переменной

DLOG(GB)

Рисунки 2 и 3 наглядно демонстрируют, что исследуемый временной ряд L(GB) не является стаци- онарным, а ряд DL(GB), напротив стационарен. Аналогичная ситуация наблюдается со всеми осталь- ными временными рядами, т.е. они нестационарны в логарифмическом измерении и стационарны при их переводе на первые разности.

Поскольку все коэффициенты в модели статистически значимы, а коэффициент детерминации достаточно высок, проверим выполнимость предпосылок МНК, в частности нормальность ошибок, отсутствие автокорреляции и гетероскедантичности остатков.

Результаты теста на нормальность ошибок модели регрессии представлены на рисунке 4.

Рисунок 4 – Гистограмма ошибок исследуемой модели

Значения коэффициентов асимметрии (Skewness), эксцесса (Kurtosis), статистики Жарка-Беры (Jarque-Bera) и соответствующее p-значение говорят о нормальности ошибок рассматриваемой мо- дели. Статистика Дарбина-Ватсона близка к двум (таблица МНК), что говорит об отсутствии авто-

корреляции. Таким образом, отсутствие автокорреляции случайных ошибок регрессионной модели не приводит к ухудшению качества МНК-оценок параметров регрессии, а также к завышению тестовых статистик, по которым проверяется качество модели.

Для проверки гипотезы об отсутствии гетероскедантичности воспользуемся тестом Уайта [14].

Таблица 6 – Результаты проверки гипотезы об отсутствии гетероскедантичности

White Heteroskedasticity Test:

F-statistic 247.1251 Probability 0.0000 Obs*R-squared 494.2503 Probability 0.0000

В соответствии с таблицей 6, вероятность ошибки первого рода равна 0,0000, меньше чем уровень значимости 0,05. Следовательно, нулевая гипотеза об отсутствии гетероскедантичности отвергается.

На основе полученного уравнения регрессии:

У = 335,7FDI +0,26IP+7960,64OP – 191448,9 (7), был рассчитан прогноз GB в зависимости от выделенных нами с помощью проведенного анализа факторов – FDI, IP, PO. Коэффициенты при переменных FDI, IP, PO указывают на характер связи меж- ду зависимой и независимой переменной.

Прогнозные значения указанных показателей были рассчитаны на основании выявления тенден- ции средних темпов прироста, которые составили для первого показателя FDI – 18,7%, PO – 11,29%, а второго IP – 22,71%. Отсюда, полученные прогнозные значения темпов прироста налоговых посту- плений в бюджет относительно показателя 2013 г. составят в 2014 г. – 24,4% (7821568 млн тг.). При построении прогноза были учтены цепные темпы прироста.

In document «ҚазЭУ хабаршысы» – «Вестник КазЭУ» (бет 146-154)