企业所得税收入预测方法
本文探讨了企业收入税(CIT)收入预测的挑战和应对方法,重点关注如何提高预测准确性,特别是在数据有限和制度约束的情况下。
预测架构
- 主要因变量选择:由于近期税收负债数据难以获取,建议使用税收负债作为预测变量,而非现金收入。税收负债与当前经济和政策环境联系更紧密,更容易用统计模型解释。现金收入可基于预测的税收负债计算。
- 模型数量:可选择单一模型预测总负债,或将其分解为:
- 按税收负债分解:将总负债预测为各子项负债(如预缴税、预扣税、最终自评税)之和。
- 按企业分解:将总负债预测为企业、部门或行业层面负债之和。
分解模型可提高预测精度并提供政策相关见解,但需更多数据和更复杂的工作量。
政策变化的影响
- 忽略政策变化的偏差:未考虑政策变化的预测会存在遗漏变量偏差,导致预测结果偏离基线收入。
- 控制过去政策变化:
- 数据预处理:通过代数操作调整数据,创建当前法律的税收负债序列。例如,用当年税收负债除以当年税率,再乘以当前税率。比例调整法使用年度成本估算来创建假设在以前年份实施当前税制情况下观察到的调整后税收负债序列。
- 回归建模:将税收参数作为附加解释变量纳入回归模型。例如,包括法定税率和其他经济预测变量来预测总 CIT 负债。
- 未来政策变化:成本估算需要纳税人层面的数据,但通常存在延迟。需调整税基以反映预期经济条件的变化,并确保基线预测和成本估算之间的假设一致。
鲁棒的预测技术
- 当前年份预测:
- 利用税收系统中的惯性,如预缴税。
- 使用年内收入数据,构建进度比率(全年收入与截至某月累计收入的比率),并根据历史数据预测全年收入。
- 估计进度比率的方法包括简单平均、最近观察值和指数平滑。
- 未来年份预测:
- 使用外部预测变量,如 GDP 或总经营盈余,确保预测与政府宏观经济框架一致。
- 假设 CIT 负债与 GDP 同步增长(单位弹性)可作为基准,但需考虑以下可能导致偏离的因素:
- 周期性效应:企业利润在经济扩张初期会不成比例地增长。
- 税基和利润反应:税制结构(如固定扣除项、亏损结转)可能导致税基增长与利润增长不成比例。
- 税率对利润变化的敏感性:小企业可能适用较低税率,导致税率弹性高于 1。
- 模拟预测:在资源行业常见,结合项目预期产量、成本和经济变量进行预测。
时间序列方法
- 解释变量:
- 代理税基:与公司税基高度相关且预测稳健的变量,如 GDP 或总经营盈余。
- 统计控制:时间趋势或指示变量,捕捉结构变化或异常年份。
- 短期变量:公司季度财务报表、统计办公室发布的生产指数、其他税种的收入数据。
- 模型规格:
- 水平回归:识别总 CIT 负债与代理税基之间的长期关系,适用于较长期预测。
- 差异回归:识别总负债对代理税基变化的短期反应,适用于短期预测。
- 动态回归:结合水平和差异回归,捕捉实际动态,类似于对单个目标变量的指数平滑。
- 对数规格:使用对数可改善模型拟合,但需在预测名义金额时进行调整。
- 测试:
- 标准测试统计量(如调整后的 R 平方)可提供初步指导。
- 使用样本外预测统计量(如均方根误差、平均绝对误差)评估模型预测能力。
- 建议使用滚动窗口或扩展窗口方法进行样本外测试。
经验评估
- 评估设计:使用 148 个国家 1999 年至 2017 年的数据,评估 10 种模型的预测性能。
- 发现:
- 基于单位的弹性预测在缺乏税收成本估算的情况下难以超越。
- 单位弹性预测的平均误差为 14%,低于其他模型。
- 实证模型的预测精度通常随着估计样本量的增加而提高。
- 简洁的规格在较小的估计样本量下表现更好。
- 水平信息对两年期预测更重要。
- 动态模型在 BICS 方面通常优于其他实证规格。
文档和改进预测性能
- 文档:记录模型方法、数据、操作说明和标签,并遵循建模标准。
- 版本控制和存档:实施稳健的版本控制和存档系统,记录数据、模型版本和已发表结果。
- 模型验证和评估:验证模型计算的准确性,并定期将预测结果与实际收入表现进行比较,以识别偏差和错误,并改进未来预测。