Краткосрочное прогнозирование налоговых доходов бюджетов: применяемые методы и их релевантность для России

Статья посвящена выявлению релевантных методов краткосрочного прогнозирования доходов региональных и местных бюджетов для повышения точности прогнозов. Методологическую основу исследования составляет аналитический обзор научных публикаций о способах прогнозирования доходов бюджетов, выявление их отличительных особенностей, ограничений их применения, а также обосновании выбора метода, обеспечивающего высокую точность прогнозирования налоговых доходов субнациональных бюджетов. Аргументировано, что точность прогнозов доходов является важнейшим компонентом экономического планирования правительства, так как позволяет разработать эффективно действующую налогово-бюджетную политику, распределять ресурсы и осуществлять стратегическое финансовое управление. Учитывая, что достижение точного прогноза является сложной задачей, в статье показано, что одним из основных источников ошибок в прогнозировании доходов является выбор метода прогнозировании доходов, в дополнение к множеству политических и институциональных факторов, влияющих на точность прогнозов. На основе компаративного анализа существующих методов прогнозирования отобраны два метода: метод прогнозирования временны х рядов (традиционный метод SARMA/SARIMA) и метод прогнозирования на основе дискретного вейвлет-преобразования. Проведена их апробация на данных агрегированных ежемесячных налоговых доходов консолидированных бюджетов субъектов Российской Федерации за период с января 2011 г. по март 2023 г. Выявлено, что метод прогнозирования на основе вейвлет-преобразований по всем показателям превосходит традиционный метод SARMA/SARIMA и позволяет достичь более высокого уровня точности прогнозов ежемесячных агрегированных налоговых доходов консолидированных бюджетов регионов России. Результаты исследования демонстрируют высокий прогнозный потенциал краткосрочных методов прогнозирования с предварительным разложением временны х рядов на основе вейвлет-преобразований. Полученные результаты позволяют повысить точность классических методов прогнозирования и тем самым способствуют росту эффективности и результативности бюджетного планирования и прогнозирования.

1. Петросян, Г. А., Карапетян, Н. Н., Маргарян, А. А., Соколов, А. Н., Яковлева, И. И., & Вотинов, А. И. (2024). Применение байесовского подхода к прогнозированию налоговых поступлений на примере Республики Армения. Финансовый журнал, 16(3), 51–67. https://doi.org/10.31107/2075-1990-2024-3-51-67

2. Федеральное казначейство. (н.д.). Консолидированные бюджеты субъектов Российской Федерации и бюджетов территориальных государственных внебюджетных фондов. Дата обращения 09.09.2024, https://roskazna.gov.ru/ispolnenie-byudzhetov/konsolidirovannye-byudzhety-subektov/

3. Atwood, B., Haddad, C., Knaust, H., & Merkel, J. (2012). Using Wavelets-Based Time Series Forecasting to Predict Oil Prices. Wavelets in Undergraduate Education. http://math.mscd.edu/metadot/index.pl?iid=2553

4. Babii, A., Ghysels, E., & Striaukas, J. (2021). Machine learning time series regressions with an application to nowcasting. Journal of Business and Economic Statistics, 40(3), 1094–1106. https://doi.org/10.1080/07350015.2021.1899933

5. Barnard, J. R., & Dent, W. T. (1979). State tax revenues-new methods of forecasting. The Annals of Regional Science, 13(3), 1–14. https://doi.org/10.1007/bf01287742

6. Bok, B., Caratelli, D., Giannone, D., Sbordone, A. M., & Tambalotti, A. (2018). Macroeconomic Nowcasting and Forecasting with Big Data. Annual Review of Economics, 10(1), 615–643. https://doi.org/10.1146/annurev-economics-080217-053214

7. Chan-Lau, J. A. (2017). Lasso regressions and forecasting models in applied stress testing. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.3053191

8. Chi, D. (2022). Research on electricity consumption forecasting model based on wavelet transform and multi-layer LSTM model. Energy Reports, 8, 220–228. https://doi.org/10.1016/j.egyr.2022.01.169

9. Chicco, D., Warrens, M. J., & Jurman, G. (2021). The coeffi cient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation. PeerJ Computer Science, 7, e623. https://doi.org/10.7717/peerj-cs.623

10. Chung, I. H., Williams, D. W., & Rok, M., DO. (2022). For Better or Worse? Revenue Forecasting with Machine Learning Approaches. Public Performance & Management Review, 45(5), 1133–1154. https://doi.org/10.1080/15309576.2022.2073551

11. Cirincione, C., Gurrieri, G. A., & Van De Sande, B. (1999). Municipal Government Revenue Forecasting: Issues of Method and data. Public Budgeting &Amp Finance, 19(1), 26–46. https://doi.org/10.1046/j.0275-1100.1999.01155.x

12. Firdawss, T., & Karim, M. (2018). Forecasting Moroccan Tax Revenues: An analysis using international Institutions Methodologies and VECM. Journal of Economics and Public Finance, 4(4), 304. https://doi.org/10.22158/jepf.v4n4p304

13. Greoning, E., Zivanomoyo, J., & Tsaurai, K. (2019). Determinants of Company Tax Revenue in Swaziland (1990–2015). Acta Universitatis Danubius: Oeconomica, 15(5), 7–37.

14. Grizzle, G. A., & Klay, W. E. (1994). Forecasting State Sales Tax Revenues: Comparing the Accuracy of Diff erent Methods. State and Local Government Review, 26 (3),142–152.

15. Gumbo, V., & Dhliwayo, L. (2018). VAT Revenue Modelling: The Case of Zimbabwe. Retrieved September 19, 2024, from https://www.researchgate.net/publication/326517998_VAT_revenue_modelling_the_case_of_zimbabwe

16. Karaev, A. K., Gorlova, O. S., Ponkratov, V. V., Sedova, M. L., Shmigol, N. S., & Vasyunina, M. L. (2022). A comparative analysis of the choice of mother wavelet functions aff ecting the accuracy of forecasts of daily balances in the Treasury single account. Economies, 10(9), 213. https://doi.org/10.3390/economies10090213

17. Krol, R. (2010). Forecasting State Tax Revenue: A Bayesian Vector Autoregression Approach. Retrieved August 30, 2024, from https://www.csun.edu/~hcecn001/published/BVAR_Forecast.pdf

18. Lahiri, K. & Yang, C. (2022). Boosting tax revenues with mixed-frequency data in the aftermath of COVID-19: The case of New York. International Journal of Forecasting, 38(2), 545–566. https://doi.org/10.1016/j.ijforecast.2021.10.005

19. Makananisa, M. P. (2015). Forecasting annual tax revenue of the South African taxes using time series Holt-Winters and ARIMA/SARIMA Models. https://uir.unisa.ac.za/bitstream/10500/19903/1/dissertation_makananisa_mp.pdf

20. Molapo, M. A., Olaomi, J. O., & Ama, N. O. (2019). Bayesian Vector Auto-Regression Method as an alternative technique for forecasting South African tax revenue. Southern African Business Review, 23. https://doi.org/10.25159/1998-8125/4416

21. Nandi, B. K., Chaudhury, M., & Hasan, G. Q. (2015). Univariate Time Series Forecasting: A study on monthly tax revenue of Bangladesh. East West Journal of Business and Social Studies, 4, 1–28. https://doi.org/10.70527/ewjbss.v4i.113

22. Noor, N., Sarlan, A., & Aziz, N. (2022). Revenue Prediction for Malaysian Federal Government Using Machine Learning Technique. (р. 143–148). https://doi.org/10.1145/3524304.3524337

23. Ofori, M. S., Fumey, A., & Nketiah-Amponsah, E. (2020). Forecasting Value Added Tax Revenue in Ghana. Journal of Economics and Financial Analysis, 4(2), 63–99. https://doi.org/10.1991/jefa.v4i2.a37

24. Qasim, M., & Khalid, M. (2016). Accuracy of revenue forecast: Analysis of Pakistan’s federal revenue receipts. Forman Journal of Economic Studies, 12, 41–56. https://doi.org/10.32368/fjes.20161203

25. Reed, D. A. (1983). A Simultaneous Equation Tax Revenue Forecasting Model for the State of indiana. Indiana: University. Retrieved August 30, 2024, from https://file.pide.org.pk/pdfpideresearch/wp-23-12-federal-tax-revenue-forecasting-of-pakistan-alternativeapproaches.pdf

26. Shaikh, W. A., Shah, S. F., Pandhiani, S. M., & Solangi, M. A. (2022). Wavelet Decomposition Impacts on Traditional Forecasting Time Series Models. Computer Modeling in Engineering & Sciences, 130(3), 1517–1532. https://doi.org/10.32604/cmes.2022.017822

27. Simonov, J., & Gligorov, Z. (2021). Customs Revenues Prediction Using Ensemble Methods (Statistical Modelling vs Machine Learning). World Customs Journal, 15(2). https://doi.org/10.55596/001c.116452

28. Streimikiene, D., Ahmed, R. R., Vveinhardt, J., Ghauri, S. P., & Zahid, S. (2018). Forecasting tax revenues using time series techniques — a case of Pakistan. Economic Research-Ekonomska Istraživanja, 31(1), 722–754. https://doi.org/10.1080/1331677x.2018.1442236

29. Sаyeda, U. B. (2023). Federal Tax Revenue Forecasting of Pakistan: Alternative Approaches. PIDE-Working Papers 12, Pakistan Institute of Development Economics. Retrieved July 6, 2024, from https://ideas.repec.org/p/pid/wpaper/202312.html

30. Ticona, W., Figueiredo, K., & Vellasco, M. (2017). Hybrid model based on genetic algorithms and neural networks to forecast tax collection: Application using endogenous and exogenous variables (p. 1–4). https://doi.org/10.1109/intercon.2017.8079660

31. Urrutia, J. D., Mingo, F. L. T., & Balmaceda, C. N. M. (2015). Forecasting income tax revenue of the philippines using autoregressive integrated moving average (ARIMA) Modeling: A time series analysis. [Dataset]. Figshare. https://doi.org/10.6084/m9.figshare.1469539

32. Waciko, K. J., & Ismail, B. (2020). Performance of Shrinkage Methods for Forecasting GDP. International Journal of Advanced Science and Technologie, 29(5), 7792–7799.

33. Wolfram Mathematica.Wolfram Language Documentation Center. (n.d.). ArrayPad. Retrieved July 6, 2024, from https://reference.wolfram.com/language/ref/ArrayPad.html?q=ArrayPad

34. Yousefi , S., Weinreich, I., & Reinarz, D. (2005). Wavelet-based prediction of oil prices. Chaos, Solitons and Fractals, 25(2), 265–275. https://doi.org/10.1016/j.chaos.2004.11.015

35. Zhang, X., Kim, D., & Wang, Y. (2016). Jump Variation Estimation with Noisy High Frequency Financial Data via Wavelets. Econometrics, 4(3), 34. https://doi.org/10.3390/econometrics4030034

36. Zhang, Q., Ni, H., & Xu, H. (2023). Nowcasting ChineseGDP in a data-rich environment: Lessons from machine learning algorithms. Economic Modelling, 122, 106204. https://doiorg/10.1016/j.econmod.2023.106204