|
106 анализа отпадает необходимость в группировке доходных статей по налоговым компонентам и создании собственной налоговой базы для каждого компонента налоговой системы. Включение большего количества переменных повышает точность регрессионного варианта РНС за счет более эффективного анализа данных. Собрав данные по переменным, отражающим размер налоговых баз регионов, а также данные по фактически собранным во всех регионах платежах можно оценить налоговый потенциал регионов с помощью регрессионного анализа. Для оценки налогового потенциала регионов с помощью регрессионного анализа, посредством оптимальных оценок случайных факторов В], В2 и т.д. используется уравнение следующего вида: у = Е + х В} + Х2 х В2 + т.д. где у фактически собранные в регионе платежи в бюджет; X показатели налоговой базы, косвенно или непосредственно отражающие величину совокупной налоговой базы данного региона или отдельных ее компонентов; Е случайная ошибка измерений. Таким образом, можно рассчитать возможные доходы региона по известным характеристикам его налоговой базы, которые можно интерпретировать как налоговый потенциал региона. Возможные отклонения фактических значений бюджетных поступлений от рассчитанных с помощью модели объясняются различной результативностью работы налоговых органов. Например, если фактические платежи оказались выше предсказанного моделью уровня, то можно сказать, что данный регион приложил для сбора налогов больше усилий, чем регионы в среднем. Преимуществом регрессионного метода, позволяющего осуществить отбор совокупности экономических характеристик, в максимальной степени влияющих на потенциальные налоговые доходы, является его меньшая трудоемкость в сравнении с расчетным методом РНС и большая объективность, поскольку регрессионные уравнение само выдает информацию о зависимостях |
ицпильзусмыл в к ачаж кисвспиы\ илмериц^еи ншилиных оаз региипи» ^ма~ пример, таких как доходы населения, объем розничного товарооборота, валовой региональный продукт или объем промышленной продукции, сельского хозяйства на душу населения). При использовании рсфессионного анализа отпадает необходимость в группировке доходных статей по налоговым компонентам я создании собственной налоговой базы для каждого компонента налоговой системы. Включение большего количества переменных повышает точность регрессионного варианта РНС за счет более эффективного анализа данных. Собрав данные по переменным, отражающим размер налоговых баз регионов, а также данные по фактически собранным в всех регионах платежах можно оценить налоговый потенциал регионов с помощью регрессионного анализа. Для оценки налогового потенциала регионов с помощью регрессионного анализа, посредством оптимальных оценок случайных факторов Bi, В2и т.д. используется уравнение следующего вида: у = Е + Xj •В] + Х2•Вг + т. д., где (4) у фактически собранные в регионе платежи в бюджет; X показатели налоговой базы, косвенно или непосредственно отражающие величину совокупной налоговой базы данного региона или отдельных ее компонентов; Е случайная ошибка измерений. Таким образом, можно рассчитать возможные доходы региона по известным характеристикам его налоговой базы, которые можно интерпретировать как налоговый потенциал региона. Возможные отклонения фастичсских значений бюджетных поступлений от рассчитанных с помощью модели объясняются различной результативностью работы налоговых органов. Например, если фактические платежи оказались выше предсказанного моделью уровня, то можно сказать, что данный регион приложил для сбора налогов больше усилий, чем регионы всреднем. Преимуществом регрессионного метода, позволяющего осуществить отбор совокупносги экономических хараюеристик, в максимальной степени влияющих на потенциальные налоговые доходы, является его меньшая трудоемкость |