Методика оценки влияния некоторых факторов на уровень налогового администрирования в России при переходе к цифровой экономике

Яблоков Дмитрий Юрьевич аспирант, Высшая инженерно-экономическая школа, федеральное государственное автономное образовательное учреждение высшего образования «Санкт-Петербургский политехнический университет Петра Великого» 195276, Россия, г. Санкт-Петербург, ул. Демьяна Бедного, 22 Iablokov Dmitrii Yur'evich post-graduate student at Higher School of Engineering and Economics, leading engineer at Peter the Great St. Petersburg Polytechnic University 195276, Russia, g. Saint Petersburg, ul. Dem'yana Bednogo, 22 dmitrij-yablokov@yandex.ru Другие публикации этого автора

В условиях внешнеполитической напряженности и экономической нестабильности масштабные преобразования в управлении являются насущной потребностью любого государства. Одна из традиционно применяемых мер в этом случая — увеличение собираемости налогов, а это уже результат налогового администрирования – комплекса мероприятий со стороны государства, направленных на полную и своевременную уплату налогоплательщиками налогов в бюджет. В условиях развития цифровой экономики именно эта сфера деятельности государства претерпевает многочисленные технологические изменения. Эффективность работы налоговых органов оценивается с помощью сложившейся системы показателей. Эти показатели выработаны как на государственном уровне, так и учеными-налоговедами.

В первом случае необходимо отметить их постоянную актуализацию. Методика, раскрывающая оценку эффективности работы налоговых органов, была внедрена еще в 1993 г. и имела последующие корректировки (2003, 2004, 2007, 2008, 2011 гг.). Как указывает в своем исследовании Ефремова Т. А. ^[7], методики 1993 и 2003 годов были сосредоточены на оценке контрольной работы налоговой службы. Методика 2004 г. позволяла уже определить качество выполнения работы налоговых органов. А в 2007 г. была принята новая методика, основывающаяся на комплексных оценках ФНС России, которая была изменена в 2008 г.

Методика ФНС 2003 г. ^[1] включала в себя четыре группы основных параметров оценки контрольной работы, в целом описываемых 18 аналитическими показателями. В 2004 г. она заменена на новую ^[2] и расширена до 27 показателей. В этой методике учитывался только один показатель эффективности, который отражал уровень издержек на проведение контрольной работы. Существующие в настоящее время критерии оценки работы налоговых органов, разработанные и внедренные в 2007 г. и дополненные в 2008 г., состоят из 15 аналитических показателей ^[13].

Необходимо отметить, что отобранная группа критериев оценки не является полной и некоторые ученые выделяют другие показатели результативности налоговых органов.

Например, Алиев Г.Х. в своей работе ^[3] предлагает в качестве одного из главных критериев анализа налогового администрирования — «показатель уровня добровольно уплаченных налогов»

Анисимов А.Л., Мельников Ю.Б. считают, что эффективность налоговых органов в целом определяется двумя основными факторами ^[4]. Первый — это поступление в бюджетную систему налоговых платежей, сумма которых максимально приближена к налоговому потенциалу региона. И второй — «отсутствие нарушений (умышленных и неумышленных) налогового законодательства, как со стороны налогоплательщиков, так и налоговых органов, т. е. строгое соблюдение действующего налогового законодательства». В своей работе авторы предлагают комплексный подход для оценки эффективности налогового администрирования, который бы позволял учитывать различные показатели и исключать или добавлять в нее необходимые элементы для обеспечения требуемого уровня точности оценки.

Щербинин А.Т. рассматривает коэффициент начисления налогов, который «рассчитывается как доля самостоятельно начисленных налогоплательщиком налогов в общей сумме начислений»^[10].

Калашникова И.Н. считает, что одними из основных показателей ^[8], характеризующих эффективность налогового администрирования являются: «общее число проверок; число проверок, в результате которых выявлены нарушения налогового законодательства; суммы дополнительно начисленных по результатам проверок налогов; результативность проверок (отношение числа проверок, по которым выявлены нарушения налогового законодательства, к общему числу проверок за определенный период».

Дорофеева А.Н., Суворов А.В. считают, что эффективность налоговых органов можно выразить через показатель, «характеризующий затраты на функционирование налоговых органов» ^[5].

Хафизова А.Р. в своем исследовании указывает, что для реальной оценки эффективности необходима система, состоящая из минимум из пяти показателей ^[9].

Яшина Н.И, Александров Е.Е. предлагают интегральный показатель эффективности налогового контроля, основанный на агрегированном показателе, измеряющем риски, возникающие при принятии решений.

Таким образом, отсутствие единой методики оценки эффективности налогового администрирования в отечественной теории, с одной стороны, и необходимость постоянной ее актуализации на практике, с другой стороны, подтверждают научную и практическую значимость ее совершенствования для определенных целей. А именно, в условиях цифровизации различных общественных процессов, необходимо наряду с традиционными показателями, влияющими на качество работы налоговых органов, рассматривать и инфотелекоммуникационные.

Попробуем разобраться, насколько значимо применение ИКТ в налоговых процедурах для выполнения налоговыми органами фискального предназначения с элементами клиентоориентированности. Для этого построим следующую экономико-математическую модель, используя для ее описания корреляционно-регрессионный анализ.

Как было сказано выше, одним из главных показателей, подтверждающих успешность реализуемого в стране налогового администрирования, выступает количество собранных налоговых платежей в бюджеты различных уровней. Именно этот показатель определим в качестве эндогенной переменной Y. Отобранные нами для анализа факторы-показатели, влияющие на собираемость налогов, представим в виде экзогенных переменных:

• задолженность перед бюджетом по налогам и сборам, в тыс. руб. (X₁);
• дополнительно начислено платежей по выездным проверкам организаций и физических лиц (включая налоговые санкции и пени), в тыс. руб. (X₂);
• дополнительно начислено платежей по камеральным проверкам (включая налоговые санкции и пени), в тыс. руб. (X₃);
• дополнительно начислено пени за несвоевременную уплату налогов, взносов, сборов и штрафные санкции по результатам проверок соблюдения банками требований, установленных статьями 46, 60, 76, 86 НК РФ, в тыс. руб. (X₄);
• предъявлено штрафных санкций за нарушение законодательства Российской Федерации о применении контрольно-кассовой техники, в тыс. руб. (X₅);
• количество хозяйствующих субъектов, в ед. (X₆);
• количество проведенных выездных проверок организаций и физических лиц, выявивших нарушения, в ед. (X₇);
• количество проведенных камеральных проверок, выявивших нарушения, в ед. (X₈);
• число активных абонентов сети Интернет, в ед. (X₉).

Переменные X₁ – X₅ являются качественными показателями, а X₆ – X₉ количественными. В результате агрегации данных и уменьшения количества переменных показатель «количество хозяйствующих субъектов» был сформирован из двух: зарегистрированных в ЕГРЮЛ юридических лиц и в ЕГРИП индивидуальных предпринимателей и крестьянских (фермерских) хозяйств.

Инфотелекоммуникационный показатель (X₉ – число активных абонентов сети Интернет, в ед.) включает в себя:

• число активных абонентов беспроводного наземного доступа к сети Интернет на конец отчетного периода, в ед.;
• число активных абонентов беспроводного наземного подвижного доступа к сети Интернет на конец отчетного периода, в ед.;
• число активных абонентов беспроводного наземного фиксированного доступа к сети Интернет на конец отчетного периода, в ед.;
• число активных абонентов спутникового доступа к сети Интернет на конец отчетного периода, в ед.;
• число активных абонентов фиксированного доступа в Интернет на конец отчетного периода, в ед.

Несмотря на то, что этот фактор напрямую не связан с налогообложением и, по сути, является характеристикой развития информационного общества, мы его используем в исследовании. Аргумент следующий: налоговые органы в своей деятельности активно применяют электронный документооборот, онлайн-сервисы, технологии Big Data, Open Data, Web 2.0 & 3.0 и другие ^{[6, 12]}. Одним из условий их реализации является наличие сети Интернет у участников налоговых отношений. И чем больше активных пользователей в сети, тем налогоплательщикам исполнять свою налоговую обязанность. Понятно, что в число активных абонентов попадают те лица (юридические и физические), которые официально подключены к интернету. И не факт, что все они обязаны платить налоги. Однако для нашей модели введем следующее допущение: эти субъекты – налогоплательщики, поскольку официальной статистики по конкретным ИКТ-показателям в налоговой сфере либо нет, либо отсутствует достаточная для построения модели выборка данных.

Модель будем строить по всем федеральным округам (Центральный федеральный округ (ЦФО), Северо-Западный федеральный округ (СЗФО), Южный федеральный округ (ЮФО), Северо-Кавказский федеральный округ (СКФО), Приволжский федеральный округ (ПФО), Уральский федеральный округ (УФО), Сибирский федеральный округ (СФО), Дальневосточный федеральный округ (ДФО)), чтобы посмотреть влияние отобранных факторов на уровень налогового администрирования определенной территории (в дальнейшем корректно распространить подобное исследование на субъекты РФ), а также применительно к России (в перспективе целесообразно проанализировать таким образом и другие страны для сравнения). По всем показателям модели возьмем поквартальную информацию за период с 2012 г. по 2-квартал 2017 г. ^[14,15]. Таким образом, у нас будет достаточная выборка для построения модели – 22 значения в каждом показателе. Все качественные показатели представлены (пересчитаны) в постоянных ценах 1 квартала 2012 г., для исключения влияния инфляционных процессов. При этомиспользован индекс потребительских цен.

Для отбора факторов модели выбран шаговый регрессионный анализ или метод исключения. Он наиболее экономичен при обработке данных на вычислительных устройствах, к тому же он помогает избежать манипуляций с большим числом предикторов.

Такой метод позволил построить наиболее полное уравнение регрессии зависимости Y, включающее все переменные (показатели X) и состоящее в последовательном уменьшении числа переменных, а также проанализировать наличие коллинеарности.

Для этого находим матрицу парных коэффициентов корреляции. При этом необходимо отметить, что независимые переменные могут признаны коллинеарными, если парный коэффициент корреляции составит 0,7 и более.

Чтобы не перегружать статью цифрами и расчетами для понимания методики приведем пример вычислений только по одному Центральному федеральному округу (ЦФО), а результаты по всем округам и Российской Федерации. Составим матрицу парных коэффициентов (табл. 1).

Таблица 1 — Центральный федеральный округ: матрица парных коэффициентов корреляции между статистическими признаками, определяющими уравнение регрессии

Так как r_x1x7 = -0,95>0,70, то факторы X₁ и X₇, коллинеарны между собой. Значит, они повторяют друг друга и необходимо исключить один из них, также наблюдается коллинеарность между X₅ и X₈. В модели целесообразно оставить X₅, X₆ и X₉, так как у данных факторов отсутствует межфакторная корреляция.

Таким образом, получаем следующие результаты анализа: наблюдается заметная прямая связь Y c X₅ (предъявлено штрафных санкций за нарушение законодательства Российской Федерации о применении контрольно-кассовой техники), умеренная обратная связь c X₆ (количество хозяйствующих субъектов) и сильная связь с X₉ (число активных абонентов сети Интернет).

Линейное уравнение множественной регрессии предполагает следующий вид:

Для нахождения ее параметров решим систему из уравнений:

По результатам вычислений составим уравнение множественной регрессии линейного вида:

Полученное уравнение говорит о том, что с ростом предъявляемых штрафных санкций за нарушение законодательства РФ о применении ККТ на 1% собираемость налогов и сборов в бюджет в среднем увеличивается на 3039,42 тыс. руб., при том же уровне количества хозяйствующих субъектов и числа активных абонентов сети Интернет. Увеличение количества хозяйствующих субъектов на 1% при том же уровне предъявляемых штрафных санкций за нарушение законодательства о применении ККТ и числа активных абонентов сети Интернет предполагает прирост собираемости налогов на 1,35 тыс. руб., а при увеличении числа активных пользователей сети Интернет в среднем на 1%, при неизменных остальных параметрах предполагает дополнительный рост собираемости на 21,56 тыс. руб.

Множественный коэффициент корреляции составляет 0,75. Сопоставляя полученное значение со шкалой Чеддока делаем вывод о наличии сильной связи между факторами и результатом. Коэффициент детерминации R² = 0,56 показывает, что доля равная 56% вариации исследуемой переменной объясняется показателями, используемыми при построении модели, и на 44% – влиянием не в включенных в модель показателей.

Фактор инфляции дисперсии позволяет оценить увеличение дисперсии заданного коэффициента регрессии, происходящее из-за высокой корреляции данных. В нашем исследовании он составляет 2,2, что свидетельствует об отсутствии мультиколлинеарности в предлагаемой модели. Для обнаружения автокорреляции рассчитаем критерий Дарбина – Уотсона, который составил 2,3, что указывает на ее отсутствие. Таким образом, построенная модель пригодна для исследования. Результаты исследования по всем федеральным округам представлены в табл. 2.

Таблица 2 ‒ Регрессионные модели по федеральным округам и РФ

Из таблицы видно, что сильное влияние инфотелекоммуникационного фактора наблюдается в ЦФО, СЗФО, ЮФО, умеренное — в СКФО, ПФО, СФО, ДФО, слабое — в УФО. В целом по России прослеживается умеренное влияние изучаемого признака.

В таблице 3 отмечены факторы, влияющие на уровень налогового администрирования в том или ином федеральном округе. Превалируют факторы «Количество проведенных камеральных проверок, выявивших нарушения» и «Число активных абонентов сети Интернет», они представлены во всех федеральных округах.

Таблица 3 ‒ Сравнительный анализ факторов, влияющих на уровень налогового администрирования

Из табл. 3 видно, что влияние инфотелекоммуникационного фактора на уровень налогового администрирования не прослеживается только в СКФО. Показатель «Задолженность перед бюджетом по налогам и сборам в бюджетную систему РФ» имеет влияние в трех федеральных округах — СЗФО, ПВО, УФО. Фактор «Дополнительно начислено платежей по выездным проверкам организаций и физических лиц (включая налоговые санкции и пени)» представлен также в трех регионах — ЦФО, СКФО и ЮФО. Влияние фактора «Количество проведенных выездных проверок организаций и физических лиц, выявивших нарушения» наблюдается только в одном регионе — СКФО.

Таким образом, в заключение настоящего исследования можно сделать следующие выводы.

1. Понимая происходящие в обществе процессы, следует говорить об изменении качества налогового администрирования, перевод его в цифровой статус, со временем все более и более переходящим в виртуальное пространство с контролем за возможно виртуальными денежными поступлениями налогов (типа биткоин) в виртуальную бюджетную систему государства от виртуальных хозяйствующих субъектов – интернет-бизнеса. Поэтому так важны новые инструменты прогнозирования и планирования налоговых процессов.

2. Стохастическое моделирование зависимости поступления налогов от показателей эффективности налогового администрирования и инфотеллекоммуникационного фактора позволило разработать регрессионные модели для каждого федерального округа и РФ в целом, основанные на трех переменных (табл. 1). Данные модели отражают влияние как каждого фактора в отдельности, так и их совокупное воздействие на величину собираемости налогов. При этом важна оценка ИКТ фактора, поскольку современные процедуры исчисления и уплаты налога, контроля ориентированы на применение облачных, мобильных и иных технологий, наличие сети Интернет. Такая модель может быть использована центральным аппаратом налоговых органов при выработке налоговой политики.

3. Как показывает исследование, официально применяемые в настоящее время показатели оценки эффективности налогового администрирования, характеризуют отдельные направления работы налоговых органов, но не учитывают влияние технологических факторов. В настоящем исследования был проанализирован только один фактор «Число активных абонентов сети Интернет», но их в настоящее время становится больше, а статистики дающей провести комплексный и всесторонний анализ изучаемого явления пока недостаточно. Важными, например, цифровыми показателями могут быть: «Сумма налогов, уплаченных налогоплательщиками через Интернет», «Количество налогоплательщиков, осуществляющих налоговую обязанность через личный кабинет», «Суммы доначислений по результатам онлайн-налоговых проверок (налогового мониторинга».

Таким образом, проведенное исследование предлагает один из возможных подходов к оценке цифровизации налогового администрирования.