назад Оглавление вперед


[Старт] [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] [32] [33] [34] [35] [36] [37] [38] [39] [40] [41] [42]


16

Прогнозирование денежных потоков. Налоговые поступления

Денежные потоки в любой организации, без преувеличения, можно назвать ее кровеносной системой. В то же время этот показатель, как никакой другой, труден для прогнозирования. Эта глава посвящена проблеме управления активами и пассивами Министерства финансов Голландии (далее - MoF). Особое внимание будет уделено оценке суммы ежемесячного валового сбора налогов. Мы рассмотрим и сравним различные методы, в том числе, и модель ARIMA - собственную разработку MoF. Так как нейронные сети превосходят другие методы по показателю среднеквадратичной ошибки (MSE) на вновь предъявляемых образцах, мы будем выделять различные типы индивидуального и совместного поведения переменньгх с помощью анализа первичных весов, тестов на чувствительность и выделения кластеров среди векторов весов-состояния.

ГОЛЛАНДСКАЯ НОРМАТИВНАЯ БАЗА

Во времена спада была типичной ситуация, когда правительства испытывали большой дефицит бюджета. Присутствие в бюджете не фиксированных заранее статей расходов, например, на социальные выплаты, - с одной стороны, и уменьшение прямых поступлений налогов вследствие снижения темпов экономического развития - с другой, - вынуждало правительства проводить политику финансовых пирамид, которую деликатно назвали «расходованием дефицита». Недостачу в бюджете обычно покрывали путем выпуска долговых обязательств, увеличением ставок налогов или тем и другим сразу. При этом всякий раз, когда правительство принимает решение о привлечении капитала, встает вопрос об объемах и сроках.

Традиционно MoF брало ежегодный кредит в 5.7 миллиардов гульденов через центральный банк по льготной ставке. Значение кредита еще более возросло после введения в сентябре 1991 г. новых правил расчета- Primacheque. Действовавший до этого режим Algemene Termijnenwet (АТУ) позволял производить платежи не позднее последнего дня месяца включительно при условии, что этот день - рабочий. Если же этот день приходился на выходной, то платежи разрешалось отложить до первого рабочего дня следующего месяца. Чтобы избежать штрафов за просрочку, налогоплательщики

обычно платили вперед, т.е. до последнего рабочего дня. Новое правило Primacheque облегчало для налогоплательщиков работу с наличностью: теперь им гарантировалось, что платежи, сделанные в последний рабочий день месяца, будут оприходованы налоговыми службами до начала первого рабочего дня следующего месяца. Это новшество привело к тому, что, начиная с октября 1991 г., платежи стали совершаться, как правило, в последний день месяца, а не в течение его, как раньше. Такая концентрация платежей резко усилила месячные пики поступления налогов, что, в свою очередь, вызвало увеличение кредитных возможностей центрального банка.

С переходом к единому общеевропейскому рынку подобное «сотрудничество» MoF с центральным банком должно прекратиться. К началу 1994 г. привлечение кредитов должно быть поэтапно сведено к нулю, после чего MoF будет вынуждено действовать на рынке кредитов, подчиняясь законам спроса и предложения. Предвидя возможные неувязки в бюджете, MoF пересматривает имеющиеся у него системы прогноза и ищет новые методы, в частности, связанные с применением нейронных сетей.

Перейдем теперь к обзору традиционных методов оценки налоговых поступлений, а также тех методов, которыми пользуется в своей работе MoF.

ТРАДИЦИОННЫЕ МЕТОДЫ ОЦЕНКИ

Для оценки общего объема поступлений в бюджет широко применяются различные методы, в том числе: эконометрическое моделирование, множественная регрессия, анализ временных рядов.

При эконометрическом подходе оцениваются параметры, входящие в заранее известные уравнения модели экономического поведения. В рамках этого подхода Центральное плановое управление Голландии разработало модель FKSEC [57]. Эта объемная экономет-рическая модель предназначена для ежеквартального прогноза ряда общеэкономических показателей. В свою очередь, по этим показателям можно прогнозировать сумму валовьгх налоговых поступлений. Ежегодно правительство публикует эту оценку (так называемая Мильонен-нота), и она является плановой цифрой для MoF.

Очевидно, что эконометрические модели, будь то FKSEC или модель, предложенная Отеном и Роббом [18], надежны лишь постольку, поскольку надежны и качественны данные о значениях переменных. Подчас в сооответствующих рядах имеются пропуски - главным образом, потому, что официальные цифры часто запаздывают или являются предварительными. Пробелы в данньгх затрудняют прогнозирование, и приходится прибегать к экстраполя-



ции с помощью модели ARIMA, чтобы получить недостающие значения (см. [27]).

Однако, основная трудность здесь состоит в том, что экономические данные (в особенности, в периоды, когда ситуация быстро меняется) содержат гораздо меньше степеней свободы, чем это требуется для оценки параметров модели. Поэтому специалисты, занимающиеся анализом временных рядов, пользуются хорошо специфицированными статистическими моделями со всего одной или двумя переменными. Кроме этого, методы ARIMA и VAR успешно применялись и для непосредственной оценки поступления налогов (см. [24], [202]). Реально MoF Голландии оценивает ежемесячные поступления с помощью модели ARIMA(0,0,0)(0,l,l)i2- Для прогнозов задним числом модели временных рядов типа ARIMA-MoF часто оказываются не хуже эконометрических, но у них есть тот недостаток, что эти модели не содержат переменных и соотношений, и, следовательно, по результатам расчетов трудно сделать какие-либо выводы относительно экономической политики.

Фуллертон [117] показал, что хороший результат может получиться при сочетании разных методов. Годовой сбор налогов в штате Айдахо лучше всего прогнозируется с помощью модели, в которой берется взвешенное среднее оценок, полученных по модели ARIMA и по эконометрической модели. Но здесь опять необходимо заранее установить вид уравнений, описывающих связи между переменными, а это непросто в условиях, когда происходят быстрые изменения в экономической обстановке. С учетом всего сказанного, для MoF представляет интерес разработка новых адаптивных методов, которые:

•могли бы работать в условиях, когда ряды значений переменных содержат пропуски;

•не требовали бы априорной спецификации модели;

•могли бы выдавать прогноз быстро меняющихся во врЩШ. процессов.

ВЫБОР ПЕРЕМЕННЫХ

Задача состоит в том, чтобы построить модель помесячного прогноза валового сбора налогов (RECEIPT) на период с января 1989 г. по март 1993 г. Брутто-показатель равен нетто-показателю плюс сумма взносов на государственное страхование, которые начисляются на пропорциональной основе из расчета 27% от общей суммы налогов за рассматриваемый период.

Для модели были выбраны 13 переменных, которые описываются ниже. После того, как все они были перемасштабированы так, чтобы

их значения лежали в интервале [0,1], с помощью кросс-корреляционного анализа были исследованы связи целевой переменной (общей суммы налогов) со сдвинутыми назад во времени значениями каждой из переменных.

VI: Календарный эффект (CAL)>»с

Мы уже говорили о том, что пики в конце или в начале месяца объясняются действием закона ATW и правила Primacheque. В модели каждому месяцу приписывается свой код для учета календарного эффекта:

если последний день этого месяца - нерабочий и, следовательно, в этом месяце собирается только часть положенных налогов; обычный месяц (без календарньгх эффектов); месяц, в начале которого происходят поступления от предыдущего месяца, потому что у того последний день был нерабочим, и при этом последний день данного месяца - также нерабочий; месяц, у которого последний день- рабочий, и происходит полный сбор, а в предыдущем месяце - нерабочий.

3 -,

V2: Официальная оценка валовой годовой брутто-суммы налогов (ANNUAL)

MoF считает официальный правительственный прогноз своим целевым показателем. Помесячную оценку MoF получает так: делит годовую сумму на 12, а затем вносит поправки, отражающие изменения в фискальных правилах и ставках, которые не учитывались в прогнозе правительства. Этот показатель очень важен, и MoF старается уточнить свои помесячные прогнозы.

V3: Сезонность (SEA)

Эта переменная отражает мультипликативную сезонную закономерность, полученную из анализа реальных налоговых поступлений за период с 1978 г. по 1992 г. Здесь используется величина чистых (нетто) поступлений, равная брутто-сумме минус 27% от нее, составляющих взносы в систему государственного страхования. Нетто-по-казатель используется потому, что именно в этом виде данные публикуются.

V4: Число рабочих дней в месяце (DAY)

Месяцы с большим количеством рабочих дней (23) обычно соответствуют пикам во временньгх рядах налоговых поступлений, а в месяцы, где число рабочих дней мало (18), сумма налогов бывает



меньше. Кроме того, в «длинные» месяцы больше оборот и, соответственно, комиссионные. Переменная перемасштабируется так, чтобы минимальное значение (18) соответствовало О, а максимальное (23) - 1 .

V5: Совокупное потребление (CON) г» . tv

Совокупное потребление в частном и общественном секторах влияет на оборот и, следовательно, на суммы акцизных и гербовых сборов. Заметная трехмесячная кросс-корреляция между потреблением и чистым сбором налогов указывает на то, что здесь разумно взять временной лаг в три месяца. Объясняться это может тем, что малые и средние компании перечисляют полученные комиссионные сборы поквартально.,

V6: Ставка МБК (AIBOR),Г

В модель должны быть включены изменения по предполагаемым ежемесячным ставкам предложения на межбанковском рынке Амстердама, поскольку ожидаемая ставка частично определяет потенциальную прибыльность инвестиций (NPV-анализ), а рост ставок может вызвать рост потребления. Мы вычисляли ожидаемое изменение ставки, вычитая ее текущее значение из прогноза на месяц вперед, сделанного по модели ARIMA(0,1,1). Положительное значение означает тенденцию к росту ставок, а отрицательное - к их понижению.

V7: Совокупные вложения в ценные бумаги с фиксированным доходом (INV)

Инвестиции приводят к увеличению комиссионных и поступлений от налогов на доходы по ценным бумагам. Хотя связь между инвестициями и налогом на корпорации с трудом поддается количественному описанию, можно считать, что инвестиции положительно влияют на прибыль и, тем самым, на сумму налогов с корпораций. Наоборот, амортизация может привести к временному снижению доходов, облагаемых налогом. Кросс-корреляционный анализ вьыв-ляет большой месячный лаг между инвестициями и чистой суммой собранных налогов (инвестиции берутся со сдвигом один месяц назад).

V8: Уровень безработицы (UNEM)

Эта переменная отражает уровень экономической активности, а также предполагаемые суммы налогов на доходы корпораций и частных лиц.

V9: Амстердамский индекс курсов акций (CBS)

Индекс курсов обыкновенных акций выражает уровень доходов корпораций (и соответствующих налогов). Очевидно, в списке представлена лишь малая часть из всех компаний, действующих в Голландии.

V10: предложение денег (Ml) ? «Р

Этот узкий показатель денежной массы в обращении влияет на уровень процентных ставок и на потребление. Предполагается, что повышение Ml вызывает увеличение расходов с соответствующим ростом налоговых поступлений.

Vll: Показатель фазы цикла деловой активности (CYC)

Валовый национальный продукт с удаленным трендом. Показывает повышения и понижения конъюнктуры.

V12-t-V13: Погода: осадки + температура (RAIN+TEM)

В модель включены помесячные оценки для выпавших осадков и температуры, поскольку они прямо влияют на потребление энергии и соответствующие комиссионные сборы и косвенно- на склонность потребителей к затратам. Метеорологические факторы вызывают некоторые колебания в налоговых поступлениях, а на абсолютный уровень влияют мало.

НЕЙРОННО-СЕТЕВАЯ МОДЕЛЬ

Эта модель была построена на материале 45 ежемесячных промас-штабированных наблюдений за период с января 1989 г. по сентябрь 1992 г. Оставшиеся 6 наблюдений (с октября 1992 г. по март 1993 г.) использовались для проверки модели. К сожалению, MoF не смогло получить более объемную базу данных. В связи с тем, что относительно малый объем данных не позволял использовать подтверждающее множество, результаты, показанные на тестовом множест-

[Старт] [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] [32] [33] [34] [35] [36] [37] [38] [39] [40] [41] [42]