Практичне застосування моделей ARIMA на прикладі аналізу податкового потенціалу підприємства



Зміст

Вступ

  1. Теоретична сутність побудови
  2. Практичне застосування моделей ARIMA на прикладі аналізу податкового потенціалу підприємства

Висновки

Список використаних джерел

Вступ

Економетричні методи і моделі все більше вживають не тільки в моделюванні, однак і для доказу конкретних гіпотез становлення фінансових дій, для емпіричного випробування фінансової доктрини, дослідження і розбору сценаріїв фінансового становлення, моделювання податкового потенціалу на базі оцінки економічного і фінансово-господарського потенціалу компанії, місцевості та прийняття відповідних управлінських рішень.

Макроекономічні моделі різних держав базувалися на системах регресійних рівнянь, які переважали в фінансовому моделюванні в 60-70 роки минулого століття. При зміні інституційного відношення моделі нерідко не здатні правильно захищати імітовані процеси. Наявний недолік наявних програмних продуктів спонукав експертів до дослідження такого дієвого, малозатратного способу, як ARIMA-прогнозування. При цьому відповідний динамічний ряд моделюється лише за допомогою його минулих значень (лагів) і екзогенної випадкової величини.

Теоретичною основою ARIMA-аналізу і методології, вважається порівняно нове поколінням засобів моделювання, заснованих на розборі стохастичних параметрів динамічних рядів, в основу яких стали наукові дослідження Дж. Боксу і Г. Дженкінса, зокрема їх загальна служба, приурочена до розбору моделювання та контролювання часових рядів [1].

У роботах вітчизняних експертів [2] інтерес загострюється на тому, що впровадження традиційних регресійних моделей час від часу некоректний, особливо коли це ведеться у відсутності належної попередньої підготовки часових рядів на стаціонарність. Якщо ряди нестаціонарні, то просто вгодити в пастку «хибної» регресії. Така регресія при коректних значеннях головних критеріїв якості відображає причинно-наслідкові взаємозв'язки між досліджуваними змінними, а тільки резюмує присутність загальної зміни курсу.

  1. Теоретична сутність побудови

В даний момент ARIMA-моделі отримали поширеність в практиці моделювання фінансово-бюджетних дій, що обумовлено, згідно думки дослідників [3], наступними головними факторами:

Впровадження таких економетричних пакетів, як STATA, STATISTICA, TSP, призвело до підйому точності висновків на базі коректного впровадження передових економетричних методів. Однак в взаємозв'язку з динамічними змінами в сфері комп'ютерних технологій особливе місце займає пакет прикладних програм E.VIEWS.

При переході до ринкової економіки все найбільш важливим робиться вивчення і оцінка довготривалих віянь суспільно-фінансового становлення ареалу або певного суб'єкта господарювання в поєднанні з короткостроковими змінами грошової, кредитної, бюджетної, інвестиційної, інноваційної складової політичної діяльності.

Дана проблема знайшла розв’язання в рамках передових моделей, зокрема в моделі виправлення помилки (ЕСМ), де поблизу з відмінностями, що відображають короткострокову динаміку, вводиться пристрій виправлення помилки, що описує довготривалі фінансові результати, і відображена в роботах вітчизняних дослідників [3] .

На сучасному етапі бракує вправи, котра б видавала єдиний специфікацією даних модель, тому на практиці з'являється питання про вибір найкращої з декількох. Для автоматизації цього процесу в практичні реалізації доцільно використовувати пакет прикладних програм E.VIEWS. Фактичне використання моделей ARIMA автором для моделювання податкового потенціалу підприємств і ареалів призводять до позитивних підсумків  вивчення проблеми.

Для того щоб проілюструвати використання ARIMA (p, d, q) - моделей, проведемо моделювання надходжень доЗведеного державного бюджету України податку з прибутку підприємств. Схожий спосіб дозволяє прогнозувати оцінку і положення реалізації податкового потенціалу як окремих компаній, так і їх з'єднань згідно галузевому чи територіальним показникам.Аналогічно можна проаналізувати податковий потенціал і за іншими податками, справляння яких формує дохідну частину бюджетів усіх рівнів.

Податок на прибуток підприємств (ППП) вважається одним з головних податків вітчизняної фіскальної системи, становить близько 25% надходжень до консолідованого держбютжету України. Слідчо, даний податок вважається значущим бюджетоутворюючим податком, і тому чітке і правильне прогнозування і моделювання ППП вважається необхідною умовою коректного прогнозування всієї дохідної частини зведеного бюджету України.

  1. Практичне застосування моделей ARIMA на прикладі аналізу податкового потенціалу підприємства

Для того щоб прокоментувати моделювання на базі ARIMA-моделей на зразку податку на прибуток підприємств, потрібно уникнути інфляційного спотворення інформації, то є перейти з номінальних одиниць до справжніх.

При побудові ARIMA-моделі слід зазначити 3 основні етапи:

  1. На першому етапі потрібно випробувати короткочасні ряди на стаціонарність. Стаціонарні ряди мають нульовий порядок інтеграції. Порядком інтеграції вважається кількість, що показує, наскільки раз часовий розряд вимагає застосування оператора перших різниць, щоб бути стаціонарним. Звичайний зоровий контроль не є необхідним для висновку про стаціонарності часового ряду. Одним з формальних критеріїв для випробування вважається аналіз Божевільні-Фуллера.

У нашому випадку при заданій на першому кроці кількості лагів n = 1 та нульовому порядку інтеграції отримано такі результати за ADF-тестом (табл. 2.1).

Таблиця 2.1

Результати ADF-тесту при n = 1, I = 0

З аналіз виданих результатів можна зробити висновок, що розрахована величина МакКіннона в абсолютному виразі більша за критичну навіть за рівня статистичної значимості 1 %.

Як правило, в практичних дослідженнях, якщо ADF-тест відхиляє гіпотезу стаціонарності ряду із заданим малим числом лагів, він відкидає її і при більшій кількості заданих лагів. З аналізу даних табл. 2.2 видно, що часовий ряд є нестаціонарним.

Таблиця 2.2

Результати ADF-тесту n = 12, I = 0

Випробування часових рядів на стаціонарність є мало потужними інструментами, особливо в маленьких вибірках, тому особливо потрібно перевірити корелограми. Якщо коефіцієнти автокореляції та вибіркової автокорреляции швидко згасають, то це показує, що часовий ряд вважається стаціонарним. В даному випадку підтверджуємо, що ряд вважається нестаціонарним (рис. 2.1).

Модифікуємо ряд, значеннями якого будуть різниці першого порядку. Результати аналізу дозволяють зробити висновок, що порядок інтеграції вказаного часового ряду дорівнює 1 (табл. 2.3, 2.4, рис. 2.2).

Таблиця 2.3

Результати ADF-тесту при n = 1, I = 1

Рис. 2.1. Корелограма першого порядку тестування ADF –тесту при n = 1, I = 0

Таблиця 2.4

Результати ADF –тесту при n=12, I=1

Рис. 2.2. Корелограма першого порядку тестування ADF-тесту n = 12, I = 0

  1. На 2-му етапі, виходячи з розбору автокореляційних параметрів трансформованого ряду, потрібно обрати кілька ARIMA-специфікацій з метою визначення кращого.

Не існує правила для знаходження ідеального порядку (р) авторегресійного процесу. Та навіть за відсутністю теоретично обґрунтованого універсального правила для знаходження ідеальної кількості лагів у моделі застосовуються певні процедури, які з достатньою точністю дозволяють знаходити порядок авторегресійного процесу, наприклад, процедура Хеннона та Ріссанена для визначення порядку p та q ARIMA ( p,q -процесу).

Беручи до уваги усі факти, можна зауважити, що оптимальний порядок AR-складової дорівнює трьом (табл. 2.5).

Таблиця 2.5

Результати оцінки моделі AR(3)

Після проведення аналізу результатів можна зауважити, що порядок складової ковзного середнього дорівнює двом. Загальний вид моделі наведено у табл. 2.6.

E.VIEWS дозволяє опротестувати багато гіпотез на перевірку адекватності моделі (h-тест Дарбіна-Уотсона для перевірки залишків на серійну автокореляцію, LM-тест Бойша-Годфрея, Тест Жарку-Бера – на нормальність розподілу). Ці значення підтвердили, що обрана модель є найкращою.

Зазначимо, що коефіцієнт детермінації залежить тільки від AR-умов, тому цей критерій адекватності моделі є не зовсім придатним для вибору найкращої з декількох моделей.

Таблиця 2.6

Результати оцінки моделі ARIMA (3, 1, 2)

Для того щоб обрати придатну і не надто велику модель, передбачається 2-ві статистики: інформативний аспект Акайка (АІС) і інформативний Шварца (SIC). Дані аспекти можуть бути використані до двох моделей, які оцінюються і аналізуються при знаходженні порядку AR-складової і порядку складової змінного середнього MA. Якщо включення допоміжного лага ніяк не замінює АІС і SIC, тоді можемо взяти рішення не додавати до моделі даний лаг.

  1. На 3-му етапі застосовуємо обрану модель для моделювання податкових надходжень і оцінки податкового потенціалу. Набутий моніторинг каже, що підібрана модель вважається адекватною, більш гарною по зіставленню з іншими. Також вона є коректною щодо основних статистичних тестів, має стійкі статистичні характеристики. Крім того, підсумки розрахунків по ARIMA-моделі порівнювалися з результатами за багатофакторними регресійними моделі, що лише довело гідності даної моделі.

Рис. 2.3. Результати прогнозування податкових надходжень до Держбюджету України від податку на прибуток

Висновки

Проведений аналіз моделювання головних податків на зразку податку на прибуток підприємств України відображає віддачу і ймовірність впровадження ARIMA-моделей в прикладних дослідженнях з метою визначення реальної оцінки податкового потенціалу підприємств. Ці моделі досить прості, однак у той же час стійкі з дуже стійкими прогностичними рисами, які дозволяють шанобливо підійти до проблеми прогнозування податкових дій, а пакет E.Views дозволяє найбільш детально перевірити модель на адекватність.

Список використаних джерел

1. Box G.E.P., Jenkins G.M. Time Series Analysis: Forecasting and Control / Revised Edition. – San Francisco: Holden Day, 1976.

2. Лук’яненко І.Г., Городніченко Ю.О. Прогнозування податкових надходжень за допомогою моделей корегування помилки // Фінанси України. – 2001. – № 7. – С. 89–99.

3. Лук’яненко І.Г., Городніченко Ю.О. Сучасні економетричні методи у фінансах: Навчальний посібник. – К.: Літера ЛТД, 2002. – 352 с.

4. Черняк О.І., Ставицький А.В. Динамічна економетрика. – К.: КВІЦ, 2000. – 120 с.




Похожие работы, которые могут быть Вам интерестны.

1. Аналіз застосування підприємства до процесу диверсифікації та оцінки ризиків на прикладі ТОВ «Нестле»

2. Місце і роль податкового аналізу та планування у системі податкових правовідносин

3. Аналіз використання кадрового потенціалу підприємства

4. Обґрунтування рекомендацій з вдосконалення планування й організації використання економічного потенціалу підприємства

5. Вивчення теоретичних та практичних аспектів фінансової безпеки підприємства, фінансово-економічного розвитку безпеки підприємства

6. Методологія літературознавчого аналізу

7. АНАЛІЗ ЗОВНІШНЬОГО СЕРЕДОВИЩА ВИРОБНИЧОГО ПОТЕНЦІАЛУ ПІДПРИЄМСТВ ЛЕГКОЇ ПРОМИСЛОВОСТІ

8. Основні проблеми та перспективи розвитку виробничого та науково-технічного потенціалу України

9. МЕТОД АНАЛІЗУ РОЗМІРНОСТЕЙ В КУРСІ ФІЗИКИ СЕРЕДНЬОЇ ШКОЛИ

10. НАПРЯМИ УДОСКОНАЛЕННЯ ЕКОНОМІЧНОГО АНАЛІЗУ ФІНАНСОВОГО СТАНУ ТОВ ОЛЕКСАНДРІЯ-ЛІДЕР