ECONOMETRIC MODELING OF INDIVIDUAL ECONOMIC INDICATORS OF THE ACTIVITY OF CUSTOMS AUTHORITIES

Tsvil Mariya; Abramova O.

doi:doi:10.26526/2307-9401-2022-4-26-30

Abstract (English):
The article represents the theoretical, regulatory consolidated information on the effectiveness indicesof the performance of the customs authorities, as well as an econometric modeling of the separate parameters of such economic indicators as customs payments, namely weight and cost. The developed models according to the given parameters are based on the monthly data of the Customs statistics for commodity group 23 «Residues and wastes of the food industry; prepared animal feed» for 2018-2021. By means of the constructed econometric models, the values of the customs value and weight for this category of goods for January 2022 have been predicted.

Keywords:
economic indicators, customs payments, weight, cost, multiplicative model, adaptive methods, forecasting

Text

Text (PDF): Read Download

Экономическое состояние государства зависит от множества различных факторов, одним из которых является формирование доходов бюджетов всех уровней бюджетной системы.

Таможенные органы являются важным элементом в системе администрирования доходов федерального бюджета, администрируя при этом примерно треть его доходов. Таможенная служба, выполняя фискальную и контрольную функцию, способствует обеспечению экономической безопасности государства[1, c. 21].

Постоянный анализ массива статистических данных и выполнение планов, в основе которых лежат показатели, отражающие эффективность экономической деятельности органов таможенной службы Российской Федерации, являются важной составляющей выполняемых ими функций. Система экономических показателей включает в себя показатели эффективности, результативности деятельности и индикативные показатели таможенных органов.

Прогнозирование экономических показателей является одной из первостепенных задач таможенных органов. Прогноз строится при помощи различных методов, одним из которых является применение эконометрического моделирования.

Федеральной таможенной службой 15 февраля 2022 г. Приказом №99 от ФТС России утверждены показатели результативности и эффективности деятельности региональных таможенных управлений (РТУ) для обеспечения совершенствования системы оценивания результатов деятельности органов таможенной службы.

Примером индикативных показателей, характеризующих контрольно-надзорную деятельность, является количество деклараций на товары с выявленными недостоверными сведениями в следствие проверки. Данный показатель рассчитывается по формуле[2, c. 5]:

О=О1+О2 (1)

где О₁– количество деклараций (при импорте) с выявленными недостоверными сведениями;

О₂– количество декларация (при экспорте) с выявленными недостоверными сведениями.

Следующий вид показателей именуется, как «Индикативные показатели, применяемые для оценки качества мероприятий, проводимых с целью устранения потенциального ущерба». Одним из таких показателей является доля оформленных в электронной форме транзитных деклараций, которые рассчитывается следующим образом:

Д=ТЭТ×100% (2)

где Т_Э – оформленных в электронной форме транзитных деклараций за отчетный квартал;

Т – общее количество оформленных в электронной форме транзитных декларацийза отчетный квартал, кроме некоторых деклараций (исключения представлены в Приказе ФТС № 99 от 15.02.2022).

К данной категории показателей относиться и такой показатель, как доля таможенных платежей, начисленных дополнительно в следствие применения системы управления рисками по отношению к субъектам, не имеющим низкий уровень рисков, в общей сумме таможенных платежей, начисленных дополнительно в следствие применения системы управления рисками, рассчитываемый по формуле:

Д=ПВП (3)

где П_В – объем таможенных платежей, начисленных дополнительно в следствие применения системы управления рисками по отношению к субъектам, не имеющим низкий уровень рисковнарушения таможенного законодательства;

П – общая сумма таможенных платежей, начисленных дополнительно в следствие применения системы управления рисками, рассчитываемый.

Данный показатель является частью необходимого анализа таможенных платежей в целом, являющихся одной из ключевых статей доходов федерального бюджета Российской Федерации и составляют примерно треть всех поступлений.

Таможенные платежи представляют собойпошлины, налоги и сборы, взимаемые государственными органами с участников внешнеэкономической деятельности при перемещении грузов, товаров и транспортных средств через таможенную границу Союза.

В соответствии со ст. 46 ТК ЕАЭС к таможенным платежам относятся ввозная и вывозная таможенная пошлины, налог на добавленную стоимость (НДС) и акцизы, взимаемые при ввозе товаров на таможенную территорию Союза, а также таможенные сборы.

Цель данной статьи – провести эконометрический анализ динамики объемов таможенных платежей и их параметров на основании данных о таможенных платежах в регионе деятельности Южного таможенного управления (ЮТУ) по товарной группе 23 «Остатки и отходы пищевой промышленности; готовые корма для животных» (рис .1).

Рис. 1. Объемы таможенных платежей по товарной группе 23 в млн. руб.

Проанализировав данные, можно заметить, что за период с 2018 по 2020 гг. наблюдается заметное снижение объема таможенных платежей по данной группе товаров. Отметим, что в 2021 г. наблюдается заметное увеличение объемов таможенных платежей. Одной из причин такой тенденции можно назвать снятие мер ограничений в связи с улучшением ситуации, вызванной распространением короновирусной инфекции.

Однако на сумму таможенных платежей влияют и другие факторы. Так, величина таможенных платежей напрямую зависит от таможенной стоимости, так как она является базой для расчета таможенных платежей. Также основным параметром таможенных платежей является вес товара, ведь специфическая (или комбинированная) таможенная пошлина, рассчитывается на основании веса (объема) товара.

В системе таможенных органов с целью проведения наиболее эффективной политики, принятия управленческих решений на долгосрочный период, формирования бюджетной политики используется планирование и прогнозирование.Прогноз представляет собой комплекс аргументированных предложений, выраженных в качественных и количественных формах касающиеся будущих параметров развития объекта исследования.

Цель прогнозирования – разработка стратегий и перспективных направлений развития таможенного дела с опорой на сложившиеся тенденции, социально-экономических условия развития государства и учета влияния глобальной экономики.

В настоящее время одним из наиболее перспективных направлений исследования и прогнозирования одномерных временных рядов считаются адаптивные методы [3, c. 89]. Применительно к прогнозированию процесс адаптации состоит в том, что при обработке временных рядов, как правило, наиболее ценной бывает информация последнего периода, так как необходимо знать, как будет развиваться тенденция, существующая в данный момент, а не тенденция, сложившаяся в среднем на всем рассматриваемом периоде. Адаптивные методы позволяют учесть различную информационную ценность уровней временного ряда, степень «устаревания» данных.Важнейшее достоинство адаптивных методов – построение самокорректирующихся моделей, способных учитывать результат прогноза, сделанного на предыдущем шаге.

В данной статье составлен прогноз величин экономических показателей веса и стоимости по товарной группе 23 «Остатки и отходы пищевой промышленности; готовые корма для животных» на январь 2022 года.

За основу прогнозирования были взяты такие параметры таможенных платежей, как стоимость, в млн. руб. (х₁) и вес, в тоннах (х₂) за 2018-2021 гг. по импорту в регионе деятельности ЮТУ. Рассмотрим поэтапно составленный прогноз по параметру х₁. Ниже, в табл.1. представлены помесячные данные за 2018-2021 гг. [4, c. 12]:

Таблица 1.

Стоимость, в млн. руб., х₁ по импорту за 2018-2020 гг.

t	х₁ (млн руб)	t	х₁(млн руб)	t	х₁ (млн руб)	t	х₁ (млн руб)
1	2173,100	13	1237,335	25	1542,795	37	1443,995
2	2904,649	14	2149,597	26	1899,560	38	2116,896
3	2103,921	15	1358,699	27	1986,696	39	2204,931
4	2256,042	16	2272,680	28	1926,811	40	2980,024
5	2362,432	17	2151,947	29	1665,494	41	2869,946
6	1730,827	18	1270,540	30	1487,561	42	2903,201
7	2244,655	19	1710,932	31	1313,393	43	2469,014
8	1573,627	20	1676,483	32	2302,002	44	2182,574
9	1394,445	21	1389,124	33	1443,329	45	1859,424
10	2050,880	22	1405,131	34	1503,220	46	1433,837
11	2484,241	23	1201,522	35	1762,440	47	1810,104
12	2790,505	24	1751,715	36	1364,646	48	1576,022

Произведем построение графика на основе представленных в табл. 1 данных, где предварительно отобразим их в виде временного рядаx_t, при t = 1, 2, ..., 48, где t ‒ номер месяца (рис.2.).

Рис. 2. Графическое представление параметра стоимости по товарной группе 23, млн руб.

Построенный график позволяет сделать вывод, что временной ряд имеет сезонную составляющую с периодом l=12 и полиномиальный тренд второй степени. Также, графический анализ структуры данного ряда подтверждает, что мультипликативная модель будет более адекватной:

Х1=T∙S∙E (4)

где T–трендовая компонента, S–сезонная компонента, Е – случайная компонента.

Далее рассчитаем оценкусезонной компоненты, при помощи выравнивания уровней ряда методом скользящей средней.

Для определения значений скорректированной сезонной компоненты (S) используем рассчитанные ранее оценки [5, c. 7].

Найдем средние значения по каждому месяцу оценки сезонной компоненты (Si ), корректирующий коэффициент с учетом, что сумма значений сезонной компоненты по всем месяцам должна равняться 12. Результаты отражены ниже в табл. 2.

Таблица 2.

Расчет средней оценки сезонной компоненты, а также скорректированного ее значения

Пок-ль	Год	1	2	3	4	5	6	7	8	9	10	11	12
	1							1,05	0,76	0,70	1,04	1,27	1,44	Коэф
	2	0,65	1,15	0,72	1,23	1,21	0,76	1,04	1,02	0,84	0,84	0,73	1,08	0,994
	3	0,95	1,17	1,20	1,16	0,98	0,88	0,78	1,37	0,85	0,86	0,95	0,70
	4	0,70	1,00	1,04	1,40	1,34	1,35
Si		0,77	1,11	0,99	1,26	1,18	1,00	0,96	1,05	0,79	0,91	0,98	1,07	12,07
S		0,76	1,10	0,98	1,25	1,17	0,99	0,95	1,04	0,79	0,91	0,98	1,07	12

Так, на основании проведенных расчетов, был получен десезонализированный ряд Х₁/Sв виде полиномиального тренда IIпорядка(рис.3.).

Рис.3. Десезонализированный ряд Х₁/S

Для улучшения полученной с помощью инструментов Excel «Анализ данных» → «Регрессия», применяем фиктивные переменные.

При этом получим следующие результаты статистического анализа, представленные на рис. 4.

Рис.4. Регрессионный анализ на основе десезонализированного ряда

В итоге, получим уравнение тренда в виде:

T1= 2333,024-62,46t+1,415t2+572,28z1+428,867z2-415,87z8

+721,43z11+830,729z12-330,061z15-417,131z23+

422,794z32-637,996z36+279,529z40+726,095z42-873,51z46

-673,416z47-1116,51z48 (5)

Для прогнозаиспользуем адаптивную полиномиальную модель тренда, применяя процедуру экспоненциального сглаживания.

Прогнозная модель тренда может быть получена с помощью следующего выражения:

T=a1(t)+a2(t)τ+0,5a3(t)τ2 (6)

где:

a1(t) ,a2(t) ,a3(t) – оценки параметров, τ – время упреждения, на которое делается прогноз.

Из уравнения (4) имеем a1(0) = 2333,024, a2(0) =-62,46, a3(0) =1,415. Находим начальные значения экспоненциальных средних. Далее, необходимым является расчет параметры адаптивной модели по следующим формулам при a =0,8, β =0,2:

S0(1)=a1(0)-βa∙a2(0)+β×(2-a)2a2×a3(0) (7)

S0(2)=a1(0)-2βa∙a2(0)+β×(3-2a)a2∙a3(0) (8)

S0(3)=a1(0)-3βa∙a2(0)+3β×(4-3a)2a2∙a3(0) (9)

Получим следующие значения: S₀¹=2348,904, S₀²=2364,873, S₀³=2380,93.

Применяя формулы, представленные ниже, произведем расчет скорректированных параметров параболического тренда по формулам [6, c. 11]:

a1(t)=3∙St1-St2+St(3) (10)

a2(t)=a2×β2∙(6-5a)∙St1-2∙(5-4a)∙St2+(4-3a)∙St(3) (11)

a3(t)=aβ2∙St1-2∙St2+St(3) (12)

a1(48)=1484,852 , a248=-333,42 ,a3(48)=-107,838

Осуществляем прогноз по полученным формулам на январь 2022 г.

T=1484,852-333,42∙τ-107,838∙τ2

Учитывая прогнозное значение тренда и значение сезонной компоненты, вычисляем прогноз на январь 2022 г.: 838,5004 млн. руб.

С другой стороны для прогнозирования данного временного ряда используем экспоненциальное сглаживание по формулам:

St=St-1+a(yt-St-1) (13)

В качестве S₀возьмем среднее значение уровней рассматриваемого ряда (S₀=1910,269). Прогноз согласно данным экспоненциально сглаженного ряда равен 1583,183 млн. руб.

Сравнение фактических и расчетных значений по экспоненциальной средней представлено на рис. 5.

Рис. 5. Фактические и расчетные значения по экспоненциальной средней

Тогда, окончательный прогноз на шаг вперед (то есть на январь 2022 г.) равен среднему значению прогнозов по построенным моделям и составляет 1210,842 млн. руб.

По аналогии составим прогноз по параметру х₂. Нижепредставлены исходные данные:

Таблица 4

Данные по величине параметра х₂(веса) по товарной группе 23 за 2018-2021 гг.

t	х2 (тон)	t	х2 (тон)	t	х2 (тон)	t	х2 (тон)
1	10757,53	13	1737,513	25	3171,703	37	3051,604
2	10446,09	14	3366,297	26	4052,949	38	4560,854
3	10209,41	15	2455,437	27	4285,489	39	5727,444
4	7282,711	16	3395,322	28	5513,458	40	9405,662
5	7965,275	17	3608,674	29	4163,627	41	5080,212
6	7994,374	18	1818,246	30	3610,453	42	6409,39
7	7597,501	19	2809,185	31	2979,066	43	4534,156
8	4112,077	20	3540,989	32	4182,038	44	3974,981
9	3907,905	21	2554,275	33	2870,005	45	3803,308
10	3986,871	22	2934,262	34	2979,446	46	2910,201
11	5201,779	23	3154,899	35	3743,494	47	3195,754
12	3958,492	24	2961,752	36	3202,031	48	2605,716

Произведем построение графика на основе представленных в табл. 1 данных, где предварительно отобразим их в виде временного рядаx₂, при t = 1, 2, ..., 48, где t ‒ номер месяца (рис. 5.).

Рис. 5. Графическое представление о величине параметра веса

Построенный график позволяет сделать вывод, что временной ряд имеет сезонную составляющую с периодом t=12 и полиномиальный тренд второй степени.

Следующим этапом требуется рассчитать оценку сезонной компоненты, при помощи выравнивания уровней ряда методом скользящей средней.

Для определения значений скорректированной сезонной компоненты (S) используем рассчитанные оценки. Найдем средние значения по каждому кварталу оценки сезонной компоненты (Si ). Результаты отражены ниже

Таблица5

Скорректированные значения сезонной компоненты (S)

Пок-ль	Год	1	2	3	4	5	6	7	8	9	10	11	12
	1							1,16	0,70	0,83	1,17	0,98		Коэф
	2	0,49	1,01	0,75	1,07	1,19	0,63	0,96	1,18	0,89	0,93	0,85	0,49	0,994
	3	0,89	1,12	1,18	1,51	1,13	0,97	0,80	1,12	0,74	0,88	0,73	0,89
	4	0,67	0,98	1,23	2,00	1,09	1,38						0,67
Si		0,68	1,04	1,05	1,53	1,14	0,99	0,97	1,00	0,82	0,99	0,85	11,07	12,07
Si		0,69	1,05	1,07	1,55	1,15	1,01	0,99	1,01	0,83	1,01	0,87	11,22	12

Проведем аналитическое выравнивание десезонализированного ряда Х₂/S в виде полиномиального тренда IIпорядка (рис. 6.).

Рис. 6. Десезонализированный ряд Х₂/S

Для улучшения полученной с помощью инструментов Excel «Анализ данных» → «Регрессия», применяем фиктивные переменные [7, c. 43].

При этом получим следующие результаты статистического анализа, представленные на рис. 7.

Рис. 7. Регрессионный анализ на основе десезонализированного ряда

В итоге, получим уравнение тренда в виде:

Т2=8704,132-397,73t+7,202t2+4626,179z1-2-265,78z3-4

+1433,966z7-1309,048z8-9-655,345z10-2233,602z13-2024,386z15-16

-2074,072z18+1332,64z25+785,12z32+1755,369z40+1656,375z42

-2449,196z46-47-3197,895z48 (14)

Для прогноза используем адаптивную полиномиальную модель тренда, применяя процедуру экспоненциального сглаживания [8, c. 13].

Прогнозная модель тренда может быть получена с помощью формулы (6).

Из уравнения (14) имеемa1(0) = 8704,132, a2(0) = -397,730, a3(0) =7,202.Находим начальные значения экспоненциальных средних. Далее, необходимым является расчет параметры адаптивной модели по формулам(7), (8), (9) при a =0,8, β =0,2:

Получим следующие значения: S₀¹=8804,915, S₀²=8906,148, S₀³=9007,831.

Применяя формулы, представленные ниже, произведем расчет скорректированных параметров параболического тренда по формулам (10), (11), (12) получимa1(48)=3007,23 ,a248=-90,152 ,a3(48)=189,228

Аналогично, по формуле (6) и учитывая начальное значение сезонной компоненты (0,6902) прогноз составил 2078,67 млн руб.

Рис. 8. Фактические и расчетные значения по экспоненциальной средней

Тогда, окончательный прогноз на шаг вперед (то есть на январь 2022 г.) равен среднему значению данных прогнозов и составляет 2353,62 млн. руб.

Таким образом, применив адаптивные методы эконометрического прогнозирования, были рассчитаны прогнозные значения величин параметров таможенных платежей (веса и стоимости) на январь 2022 г. Таможенная стоимость, как уже было указано ранее, используется в качестве базы для исчисления таможенных платежей и налогов. От правильности ее определения зависит полнотавзимания таможенных платежей, также важен и вес, ведь таможенная пошлина, исчисляемая по весу (объему) товара, напрямую зависит от величины данного параметра, поэтому так важно производить прогнозирование параметров такого экономического показателя, как таможенные платежи.

References

1. Customs economics: textbook and workshop for universities / G.P. Gerashchenko, V.Yu. Dianova, V.V. Zhoglicheva, T.S. Kudryavitskaya and others. M.: Yurayt, 2023. 356 p.

2. Order of the Federal Customs Service of Russia No. 99 dated February 15, 2022 “On approval of performance indicators and performance indicators of regional customs departments and customs offices”.

3. Econometrics: textbook for universities / E. A. Evseev, V. M. Bure. M.: Yurayt, 2022. 186 p.

4. Official website of the FCS [Electronic resource]. URL: https://customs.gov.ru/

5. Tsvil M. M. Econometrics: lecture notes on academic discipline. Rostov n/a: Russian Customs Academy, Rostov branch, 2012. 86 p..

6. Tsvil M.M., Karapetyan A.A. Forecasting using adaptive methods according to foreign trade data of the Southern Customs Administration // Zh. Academic Bulletin of the Rostov Branch of the Russian Customs Academy/2016. No. 4. pp. 112-117.

7. Tsvil M. M. Analysis of time series and forecasting: textbook. allowance. Rostov n/a: Russian Customs Academy, Rostov branch, 2016. 135 p.

8. Attache M.N. Adaptive Forecasting Methods: Implementation in Excel and Program R: A Tutorial. St. Petersburg: St. Petersburg State University of Economics, 2018. 101 p.

Reviews

1. ECONOMETRIC MODELING OF INDIVIDUAL ECONOMIC INDICATORS OF THE ACTIVITY OF CUSTOMS AUTHORITIES
Authors: Kudryavtsev Oleg

Confirmation

Регистрация