• 5

8.3. ПРИМЕР МИКРОИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ

Описанная выше базовая методология может применяться для

построения микроимитационных моделей для любых административно-

территориальных образований в любой стране мира.

Возникает, однако, вопрос, подходят ли такие модели для использования

в странах, где и экономические условия, и законодательство

постоянно меняются. Но микроимитационные модели для

того и строятся, чтобы можно было рассчитать, как скажется внесение

изменений в законодательство на поступлениях бюджетных

доходов и распределении налогового бремени. Кроме того, в условиях,

когда доля частного сектора в экономике растет, а государственного

- сокращается, для оценки последствий принимаемых

на государственном уровне решений необходим новый аналитический

инструментарий. Отсутствие данных микроуровня,

данных о реакции экономических субъектов на изменения в налоговой

системе становится все более серьезной проблемой, и решить

ее можно путем создания адекватной базы данных и построения

соответствующих микроимитационных моделей.

Один из способов проведения микроэкономического анализа,

т.е. анализа на уровне экономических субъектов, заключается

в том, чтобы выбрать одно-два типичных или «представительных

» предприятия из каждой отрасли, провести все расчеты с

использованием данных по этим предприятиям и затем распространить

полученные результаты на все предприятия данной

отрасли или данного типа. Подобный анализ может дать достаточно

содержательные сведения о влиянии предлагаемых изменений

в налоговом законодательстве на некоторые предприятия.

Однако найти «среднее» предприятие в каждой отрасли не так-

то просто, как не просто и распространить результаты, полученные

на примере конкретного предприятия, на всю отрасль в

целом. Кроме того, поскольку постоянно возникают новые предприятия,

не похожие на другие, анализ «средних» предприятий в

соответствующих группах пришлось проводить бы постоянно,

причем в условиях постоянного роста количества этих групп или

подотраслей, что может отнять чрезвычайно много времени.

Хотя формирование базы данных микроуровня потребует

определенных затрат, анализ, который может быть проведен с

использованием этих данных, с лихвой окупит любые затраты.

Агрегированные данные, в которых утрачена информация по

отдельным налогоплательщикам, для такого анализа не годятся,

поскольку они не позволяют воспроизвести налоговую систему

математически. Предположим, что у нас есть данные по трем

^разным предприятиям, получившим примерно одинаковую валовую

прибыль, но при этом у одного предприятия расходы на

командировки составляют 20% валовой прибыли, у второго предприятия

они составляют 10% валовой прибыли, а у третьего предприятия

вообще нет расходов по этой статье. Если изменить налоговое

законодательство таким образом, что расходы на командировки,

не превышающие 10% валовой прибыли, будет

разрешено в целях налогообложения из валовой прибыли вычитать,

мы сможем рассчитать влияние соответствующих вычетов

на каждое из трех предприятий. Для каждого из них налоговое

бремя окажется разным.

Однако если бы мы располагали только усредненными или

агрегированными данными по всем трем предприятиям, мы знали

бы только то, что в среднем расходы на командировки составляют

10% валовой прибыли, т.е. налоговое бремя, рассчитанное

по усредненным данным, совпало бы с действительной

величиной только для одного предприятия из трех. Мы не смогли

бы узнать, какие именно предприятия окажутся в основном

затронуты этой конкретной мерой - крупные или мелкие, в каких

отраслях. Хотя с помощью усредненных данных можно уловить

какие-то средние тенденции, агрегированные данные не

обладают тем богатством деталей, которое необходимо для проведения

микроэкономического анализа.

Разработанная микроимитационная модель предназначена

для расчета того, к каким последствиям с точки зрения налоговых

поступлений может привести внесение изменений в федеральное

законодательство по налогам, и для прогнозирования этих

доходов. В своем нынешнем варианте модель охватывает только

два налога - налог на прибыль предприятий и налог на добавленную

стоимость. Ниже мы будем говорить в основном о

блоке налога на прибыль, хотя большинство из того, что будет

сказано, относится и к блоку НДС.

Модель позволяет прогнозировать бюджетные доходы и налоговые

обязательства в условиях действующего законодательства

и принятия альтернативного законодательства. Пользова-

тели могут легко менять параметры налогового законодательства

» имитируя принятие различных вариантов решений. Так,

например, при работе с моделью можно задавать или изменять:

• показатели» определяющие налоговую базу;

• ставки налогообложения, расходы, принимаемые к вычету,

расходы, засчитываемые в счет будущих налоговых платежей,

доходы, облагаемые по льготным ставкам;

• прогноз роста выпуска продукции в экономике в целом и по

отраслям.

База данных была построена с использованием реальных

данных микроуровня. Вместе с налоговыми декларациями (налоговыми

расчетами) предприятия обязаны представлять в налоговые

инспекции по месту учета свои квартальные и годовые

балансы (Форма №1), отчеты о финансовых результатах (Форма

№2) и другие. Эти отчеты образуют основу всей работы налоговых

органов: по налоговым декларациям проводятся камеральные

проверки, а данные балансовых отчетов служат источником

справочной информации в ходе камеральных проверок.

База данных, построенная по данным Формы №1, насчитывала

30613 записей (одна запись = один отчет), начиная с I квартала

1993 г. по III квартал 1995 г. База данных по Форме № 2

насчитывала 28733 записи, относящихся к тому же периоду. Если

посмотреть на то, как эти записи распределяются по временной

шкале, то результаты для этих двух форм окажутся разными:

балансы предприятий сконцентрированы в основном в IV квартале

1994 г., а отчеты о финансовых результатах распределены

сравнительно более равномерно по всему периоду наблюдений

(табл. 8.2).

В частности, самая высокая концентрация отчетов по Форме

№1 наблюдалась в IV квартале 1994 г., на который приходится

69,55% общего количества записей за весь период наблюдений, а

самая высокая концентрация отчетов по Форме №2 приходится

на III квартал 1995 г. и составляет 25,14 % (табл. 8.3).

Первое, что мы попытались сделать еще до того, как вплотную

заняться разработкой модели, - это проверить логическую

непротиворечивость полученных нами данных. Подобная верификация

должна служить первым шагом при создании базы

данных. Необходимо убедиться в том, что в базу данных по

налогоплательщикам не попадут неверные, непроверенные

данные.

Микроимитационноо моделирование 217

Таблица 8.2

Распределение наблюдений, число имеющихся отчетов

Квартал, год

1-й квартал 1993

2-й квартал 1993

3-й квартал 1993

4-й квартал 1993

1-й квартал 1994

2-й квартал 1994

3-й квартал 1994

4-й квартал 1994

1 -й квартал 1995

2-й квартал 1995

3-й квартал 1995

Итого наблюдений

Балансы

предприятий

(форма № 1)

14

43

2327

2310

1308

873

989

21291

1455

0

3

30613

Отчеты

о финансовых

результатах

(форма № 2)

16 |

27

2024

2149

1869

2146

3027

3827

3346

3079

7223

28733 |

Таблица 8.3

Распределение наблюдений, %

Квартал, год

1-й квартал 1993

2-й квартал 1993

3-й квартал 1993

4-й квартал 1993

1-й квартал 1994

2-й квартал 1994

3-й квартал 1994

4-й квартал 1994

1-й квартал 1995

2-й квартал 1995

3-й квартал 1995

Балансы предприятий, %

(форма № 1)

0,05

0,14

7,66

7,55

4,27

2,85

3,23

69,55

4,75

0,00

0,01

Отчеты j

о финансовых

результатах, %

(форма № 2)

0,06

0,09

7,04

7,48

6,50

7,47

10,53

13,32

11,65

10,72

25,14 J

Процесс верификации позволяет также выявлять предприятия,

которые заслуживают более пристального внимания со стороны

налоговой инспекции. По сути, процедура верификации

сводится к математической проверке данных, указанных налогоплательщиком

в налоговой декларации, т.е. повторяет структуру

производимых налогоплательщиком расчетов. Чтобы проиллюстрировать,

как происходит процесс верификации, обратимся

к базе данных, составленной из отчетов налогоплательщиков

по Форме №2 (табл. 8.4).

Таблица 8.4

Верификация данных по разделу «Финансовые результаты»:

«неочищенные» данные

Квартал, год

1-й квартал 1993

2-й квартал 1993

3-й квартал 1993

4-й квартал 1993

1-й квартал 1994

2-й квартал 1994

3-й квартал 1994

4-й квартал 1994

1 -й квартал 1995

2-й квартал 1995

3-й квартал 1995

Итого ]

Количество

наблюдений,

всего

I 16

27

2024

2149

1869

2146

'3027

3827

3346

3079

7223

28733

Наблюдения,

успешно

прошедшие

верификацию

15

25

1825

2018

1747

1853

1858

1952

1640

1846

1858

16637

i Наблюдения,

не прошедшие

верификацию

0

1

131

55

45

37

54

50

64

41

47 |

525

Бездейст-

| вующие

предприятия

1

1

54

37

57

32

18

35

37

23

146 J

441 J

Помимо налоговых деклараций юридические лица обязаны

представлять в налоговую инспекцию также отчеты о финансовых

результатах своей деятельности и балансы. В налоговую базу

мы включили те предприятия, которые при подаче налоговой отчетности

выполнили все три требования, т.е. представили и налоговую

декларацию, и отчет о финансовых результатах, и баланс.

К сожалению, в настоящее время прямой связи между данными

Формы №1 и Формы №2 и налоговыми декларациями не суще-

ствует, поскольку Формы №1 и №2 заполняются по начислению,

а налоговая декларация заполняется по кассовому исполнению.

Верификацию данных Формы №2 мы разбили на три части:

1) проверка состоятельности финансовых результатов;

2) проверка состоятельности отчета об использовании прибыли;

3) проверка состоятельности заявленных платежей в бюджет.

Теоретически каждый результирующий компонент Формы №2

можно рассчитать самостоятельно, используя указанные в отчете

исходные данные. Мы попытались рассчитать ряд итоговых переменных

самостоятельно, в том числе «Прибыль, всего», «Убытки,

всего» и «Чистая прибыль (убыток)», и сравнить полученные

результаты с теми, которые указали в своих отчетах сами предприятия.

Уровень допустимых отклонений мы приняли за 0,01,

т.е. если расхождение между рассчитанным нами значением и тем

значением, которое предприятие указало в своем отчете, не превышает

одного процента, считалось, что эти показатели совпадают.

Иначе говоря, мы считали, что если 1,01 <= (расчетная чистая

прибыль/чистая прибыль, показанная в отчете) <= 0,99, то предприятие

в своем отчете величину чистой прибыли рассчитало правильно,

поскольку это значение с допустимой точностью совпало

с рассчитанным нами.

Существовала вероятность того, что среди отчетов будут

встречаться и отчеты фактически бездействующих предприятий.

Необходимо было эту возможность учесть, Бездействующее предприятие

мы определили следующим образом: это предприятие,

которое не представило данных (представило нулевые данные)

по следующим показателям:

1) выручка от реализации товаров, работ, услуг;

2) выручка от прочей реализации;

3) прибыль или убыток, всего;

4) чистая прибыль (убыток).

Таким образом, мы попытались рассортировать предприятия

по трем категориям:

1) предприятия, успешно прошедшие верификацию;

2) предприятия, не прошедшие верификацию;

3) бездействующие предприятия.

По разделу «Финансовые результаты» отчета о финансовых

результатах (Форма №2) верификацию успешно прошли порядка

94% предприятий (точек наблюдения). Однако при попытк

проверить правильность расчетов по двум другим разделам отчета

о финансовых результатах такого высокого результата, как

по первому разделу, получить уже не удалось.

Прежде всего мы постарались упорядочить данные, удалив

повторяющиеся наблюдения и объединив наблюдения, относящиеся

к одним и тем же предприятиям. Затем был построен ряд

алгоритмов проверки с целью установить достоверность данных,

успешно прошедших верификацию по первому разделу. Так, один

из алгоритмов предполагал проверку того, лежит ли расчетная

сумма платежей в бюджет в пределах 0,01 (1%) от соответствующей

величины, указанной в отчете. При этом ставилась задача

проверить состоятельность (непротиворечивость) данных по всем

разделам отчета.

Первый тест, проведенный на данных, уже прошедших первоначальную

очистку, заключался в том, чтобы установить, соответствует

ли сумма прибыли (убытков), указанная в первом

разделе отчета, сумме использованной прибыли, указанной во

втором разделе того же отчета (соответствие устанавливалось с

точностью до 1%). Эту проверку успешно выдержали всего лишь

порядка 19,33% от общего числа имеющихся отчетов за весь период

наблюдений (табл. 8.5 и 8.6), причем процент этот колебался

пределах от 34,88% в IV квартале 1993 г. до 9,07% в III квартале

1994 г. Ясно, что здесь имеется серьезная проблема: ведь если

налоговые органы не имеют возможности проверить правильность

уплаты налогов в бюджет по конкретным предприятиям,

то как они смогут выявить истинных неплательщиков?

Второй тест, который мы провели на предварительно очищенных

данных, заключался в проверке того, совпадает ли указанная

в первом разделе отчета о финансовых результатах сумма

НДС с суммой НДС, указанной в справке о платежах в бюджет

к тому же отчету («причитается по расчету» или «фактически

внесено»). По существу, мы проверяли внутреннюю логическую

непротиворечивость подаваемых предприятиями сведений.

Вновь высокий процент отчетов, успешно прошедших первый

тест, был совершенно сведен на нет слишком малым процентом

отчетов, успешно прошедших второй тест. Успешно прошли

проверку на соответствие сумм по НДС только 18,17% предприятий

в выборке (см. табл. 8.5 и 8.6). Если брать временной

аспект, то этот процент колебался от 24,09% в III квартале 1995 г.

до 14,29% в IV квартале 1994 г. Таким образом, проблема за-

Таблица 8.5

Верификация отчетов о финансовых результатах:

проверка по платежам в бюджет и НДС, число предприятий

Квартал, год

1-й квартал 1993

2-й квартал 1993

3-й квартал 1993

4-й квартал 1993

1-й квартал 1994

2-й квартал 1994

3-й квартал 1994

4-й квартал 1994

1-й квартал 1995

[ 2-й квартал 1995

3-й квартал 1995

Итого

Всего

предприятий

16

27

2010

2110

1849

1922

1930

2037

1741

1910

2051

17603

Число предприятий,

успешно

прошедших

проверку

по прибыли

15

25

1825

2018

1747

1853

1858

1952

1640

1846

1858

16637

Число предприятий,

успешно

прошедших

проверку по

платежам в

бюджет

3

4

556

736

362

227

175

582

288

260

355

3548

Число предприятий,

успешно прошедших

проверку

по платежам

НДС

3

5

248

267

398

330

299

291

409

411

494

3155 1

Таблица 8.6

Верификация отчетов о финансовых результатах:

проверка по платежам в бюджет и НДС, %

Квартал, год

1-й квартал 1993

2-й квартал 1993

3-й квартал 1993

4-й квартал 1993

1-й квартал 1994

2-й квартал 1994

3-й квартал 1994

4-й квартал 1994

1-й квартал 1995

2-й квартал 1995

3-й квартал 1995

Всего

предприятий

16

27

2010

2110

1849

1922

1930

2037

1741

1910

2051

[ В среднем | \

Процент

предприятий,

успешно

прошедших

проверку

по прибыли

93,75

92,59

90,80

95,64

94,48

96,41

96,27

95,83

94,20

96,65

90,59

?4>29 J

Процент

предприятий,

успешно

прошедших

проверку

1 по платежам

в бюджет

18,75

14,81

27,66

34,88

19,58

11,81

9,07

28,57

16,54

13,61

17,31

19,33

Процент

предприятий,

успешно

I прошедших

проверку по

платежам НДС

18,75

18,52

12,34

12,65

21,53

17,17

15,49

14,29

23,49

21,52

24,09

_.._.. ...1М7 J

ключается в том, что отчеты о финансовых результатах в огромном

большинстве случаев не являются внутренне согласованными.

Проведение подобной верификации совершенно необходимо,

и наш опыт может служить иллюстрацией тех трудностей, с

которыми могут столкнуться разработчики микроимитационных

моделей. Повышение качества данных - необходимое условие

повышения точности микроимитационных моделей, превращения

их в инструмент практического анализа.

Задав параметры действующего и альтернативного законодательства,

пользователь запускает модель на счет (это также делается

через меню). При этом необходимо указать, в каком виде программа

должна вывести результаты, т.е. налоговые обязательства,

начисленные в условиях действующего и альтернативного законодательства:

по конкретным предприятиям, представленным в

выборке; по отраслям; по предприятиям разного размера (крупным,

мелким, средним) или по предприятиям, сгруппированным

по какому-либо иному признаку. Получение результатов расчетов

в разбивке по разным типам налогоплательщиков чрезвычайно

важно, поскольку для анализа возможных последствий предлагаемых

изменений в законодательстве необходимо знать не только

совокупный прирост или падение налоговых поступлений

вследствие принятия того или иного решения, но и то, какие налогоплательщики

от этого выиграют (т.е. будут платить меньше

налогов), а какие проиграют (должны будут платить больше налогов).

Знать это необходимо потому, что при формировании налоговой

политики может возникнуть задача обеспечения равенства

налогообложения предприятий всех типов или, наоборот,

предоставления льготы для предприятий некоторых отраслей. Не

имея микроимитационной модели, очень трудно заранее решить,

какие предприятия выиграют, а какие проиграют в результате

принятия тех или иных налоговых законов.

Микроимитационная модель по налогу на прибыль предприятий

состоит из восьми блоков, в частности, она включает блок,

в котором пользователь задает параметры действующего или

базового варианта законодательства; блок, в котором задаются

параметры альтернативного законодательства; блок, в который

вводятся задаваемые вне модели экзогенные параметры экономического

развития; блок счета и т.д. В отличие от многих прежних

поколений микроимитационных моделей модель налога на

прибыль предприятий является параметризируемой, т.е. парамет-

ры, определяющие структуру налогообложения, задаются

пользователем с экрана в ходе работы с моделью. При этом не

требуется вносить никаких изменений в программный код или

создавать внешние файлы параметров.

Как отмечалось выше, главной частью программного кода микроимитационной

модели является подпрограмма, вьшолняющая

расчет налогов, которую мы называем «налоговым калькулятором».

Заданные пользователем параметры налогообложения (в частности,

определение валового дохода, расходов, принимаемых к вычету,

льгот, ставки налогообложения и т.д.) поступают в «налоговый

калькулятор», который подставляет их в математическую формулу

для расчета причитающихся с налогоплательщиков налогов и

пропускает через эту формулу все записи с исходными данными по

налогоплательщикам, имеющиеся в базе данных. Чтобы модель в

точности воспроизводила структуру налога, исходные данные по

налогоплательщикам должны быть достаточно подробными, столь

же подробными, как те, которые реальные налогоплательщики указывают

в своих налоговых декларациях.

После того как модель рассчитает налоговые обязательства

всех налогоплательщиков, представленных в выборке, пользователь

может задать экзогенные факторы экономического развития,

которые модель применит к выборке и построит микроэкономический

прогноз. Модель производит также калибровку

выборки, доумножая полученные результаты на весовые коэффициенты,

чтобы максимально приблизить эти результаты к тем,

которые были бы получены при работе с генеральной совокупностью

налогоплательщиков. После этого модель генерирует

заданные пользователем отчеты - таблицы представления результатов,

показывающие, как изменятся распределение налогового

бремени и налоговые поступления в результате предлагаемых

изменений в налоговом законодательстве с учетом или без учета

факторов экономического развития. Способность модели имитировать

и прогнозировать результаты применения налоговых

законов к генеральной совокупности налогоплательщиков зависит

от качества и количества имеющихся данных. Даже самая

лучшая микроимитационная модель не сможет восполнить отсутствие

дезагрегированных (первичных) данных микроуровня.

Как уже отмечалось, для построения математической модели

расчета налогов необходимо иметь те данные о налогоплательщиках,

которые они сами указывают в налоговой декларации в

качестве исходных. Наличие данных из налоговых деклараций в

сочетании с отчетами о финансовых результатах и балансах предприятий

позволяет воспроизвести большую часть расчетов, выполняемых

самими предприятиями при подготовке налоговых

деклараций для представления в налоговую инспекцию.

Как же работает микроимитационная модель? Мы уже упоминали

о том, что микроимитационная модель по налогам на прибыль

предприятий состоит из восьми блоков, представленных соответствующими

пунктами основного меню- от справочного пункта,

который выдает информацию о разработчиках модели, до

пункта, с помощью которого запускается на счет налоговый калькулятор.

Первое, что программа предлагает сделать пользователю

- это выбрать базу микроэкономических данных, с которой

он будет работать. В микроэкономическую базу данных можно

включить данные из самых разных источников, однако главное

требование заключается в том, чтобы в ней были представлены

данные из налоговых деклараций, т.е. те данные, на основе которых

сами налогоплательщики производят свои налоговые расчеты.

Из имеющегося массива микроэкономических данных необходимо

затем построить выборку записей и «отфильтровать» эту

информацию. Полученная после всех этих манипуляций база данных

служит источником входной информации для микроимитационной

модели.

После того как пользователь в ответ на запрос модели укажет

базу данных, с которой он хочет работать, микроимитационная

модель считывает из базы данных структуру записей данных и держит

ее в памяти до тех пор, пока она не понадобится. Следует

подчеркнуть, что в этот момент модель считывает из базы данных

не сами записи данных, а лишь запись, отражающую их структуру,

т.е. запись, в которой указаны названия переменных, представленных

в базе данных, и в каком именно месте базы данных

они хранятся. Микроимитационная модель хранит эту информацию

в памяти до тех пор, пока не понадобится считывать сами

записи данных.

Запись, отражающая состав базы данных, имеет в модели и

другое назначение - именно из этой записи пользователь выбирает

названия переменных при задании параметров базового и альтернативного

налоговых законодательств. Поскольку обычно базу

данных для микроимитационной модели формирует сам пользователь,

можно предположить, что состав переменных, представ-

ленных в базе данных, ему знаком и выбрать нужные переменные

по их названиям не составит для него большого труда.

Затем пользователь должен указать переменные, по которым

рассчитывается налогооблагаемый доход. Названия этих переменных

модель записывает в файл параметров, который может

быть использован при расчетах в ходе того же сеанса работы с

моделью или сохранен на диске для использования в будущем.

Пользователь должен задать все параметры для расчета налогов:

названия переменных, включаемых в валовой доход; переменные,

отражающие расходы, принимаемые к вычету; освобождения;

льготы; доходные интервалы и применяемые к ним ставки

налогообложения; классификационные коды, используемые

для группировки предприятий, и т.д. Все эти параметры задаются

в диалоговом режиме и сохраняются программой во внешнем

файле параметров в виде отдельной записи. Еще раз подчеркнем,

что сохраняются не сами значения показателей, а только

названия переменных, причем их место в записи определяет то, с

каким знаком или каким арифметическим оператором они будут

использоваться затем в математической формуле для расчета

налогооблагаемого дохода и его компонентов.

Другим компонентом файла параметров является запись эк-

зогенно задаваемых экономических параметров, которые используются

либо для калибровки микроэкономической базы данных,

чтобы довести ее до генеральной совокупности налогоплательщиков,

либо для построения микроэкономического прогноза,

либо для того и другого вместе. Калибровку исходной выборки

можно выполнить так, чтобы довести ее до фактически собранных

налоговых поступлений или до фактического числа реальных

налогоплательщиков, имеющихся на той ли иной территории,

с учетом их состава. Можно задать прогноз инфляции, темпы

роста валового внутреннего продукта в целом по экономике

или рассматриваемому региону, или по отраслям, указать, как

изменится отраслевая структура предприятий, задав ожидаемый

прирост числа предприятий, относящихся к разным отраслям,

за рассматриваемый период. Иными словами, модель позволяет

не просто рассчитать последствия внесения тех или иных изменений

в налоговое законодательство при неизменной экономике,

но и оценить, к чему это может привести через несколько лет

при разных сценариях экономического развития. В отличие от

параметров, определяющих базовую или альтернативную струк-

туру законодательств, которые записываются в файл параметров

в виде списка названий, экономические параметры записываются

в этот файл в виде самих значений. Было решено, что

каждому файлу параметров должен соответствовать свой собственный

неповторяющийся набор экзогенно задаваемых экономических

параметров, поэтому значения этих параметров записываются

непосредственно в файл параметров.

После того как пользователь сформировал базовый и альтернативный

файлы параметров, можно прогнать программу

микроимитации, которая по каждой записи в базе данных рассчитает

налоговые обязательства соответствующего плательщика

в условиях базового или альтернативного законодательства.

Именно в этом и заключается преимущество микроимитационных

моделей перед моделями, работающими с агрегированными

данными. Микроимитационные модели показывают влияние

изменений в налогом законодательстве на налоговые обязательства

отдельных налогоплательщиков, а агрегированные модели,

хотя они и могут быть по-своему полезны, этого показать не

могут. Выдача микроимитационной модели, по существу, представляет

собой два столбца начисленных налогов: один - в условиях

базового законодательства, другой - в условиях альтернативного

законодательства, откалиброванных с использованием

экзогенно заданных параметров. Кроме того, в выдаче указываются

также валовые доходы, вычеты, льготы и освобождения -

все это тоже в двух вариантах, так что сразу можно увидеть, как

повлияли изменения в налоговом законодательстве на налоговый

расчет каждого плательщика или группы плательщиков.

Авторы: 1379 А Б В Г Д Е З И Й К Л М Н О П Р С Т У Ф Х Ц Ч Ш Щ Э Ю Я

Книги: 1908 А Б В Г Д Е З И Й К Л М Н О П Р С Т У Ф Х Ц Ч Ш Щ Э Ю Я