El Pronóstico del IVA de grandes contribuyentes, mediante un Modelo Estacionario Lineal
Barra lateral del artículo
Contenido principal del artículo
Resumen
En Ecuador, la recaudación tributaria del IVA causado supera el 50% del total de recaudación tributaria, siendo a su vez los grandes contribuyentes quienes conforman la parte mayoritaria de la recaudación tributaria por sectores, por lo que la modelación y pronóstico de la evolución de la variable impositiva resulta relevante para la planificación presupuestaria estatal. La presente investigación pretende modelar la recaudación tributaria del IVA causado de los grandes contribuyentes en el periodo 2011-2023 mediante modelos estacionarios lineales, como lo son los procesos ARIMA y SARIMA, utilizando la metodología de Box-Jenkins y los criterios informacionales para la estimación y validación del modelo; además, pronosticar la evolución de la variable tributaria hacia 2024. Una vez identificado el modelo adecuado con un ajuste prácticamente perfecto, siendo éste un SARIMA (1,1,1)×(1,0,1)_12, el pronóstico para 2024 indica que la recaudación aumentará en un 4.73% con respecto al 2023 en diciembre, planteándose algunas posibles causantes de este comportamiento. En 2024, se mantiene una especie de ciclo recaudatorio con puntos máximos en el último mes, mientras que en los demás la actividad se ralentiza. Una limitante de esta investigación es la no consideración de efectos GARCH y de variables de control dentro de la estimación, por lo que se recomienda a futuras investigaciones considerar estas pautas.
##plugins.themes.bootstrap3.displayStats.downloads##
Detalles del artículo
Sección
Cómo citar
Referencias
Amaya González, A. S. (2014). La recaudación tributaria en el Ecuador: Análisis de series de tiempo con cambios de régimen (1993-2011) [Tesis doctoral, Escuela Politécnica Nacional]. https://surl.li/iyychp.
Box, G. E. P., & Jenkins, G. M. (1970). Time series analysis: Forecasting and control (1st ed.). Holden-Day.
Büyük?ahin, Ü. Ç., & Ertekin, ?. (2019). Improving forecasting accuracy of time series data using a new ARIMA-ANN hybrid method and empirical mode decomposition. Neurocomputing, 361,151–163. https://doi.org/10.1016/j.neucom.2019.05.099. DOI: https://doi.org/10.1016/j.neucom.2019.05.099
Comisión Económica para América Latina y el Caribe (CEPAL). (2009). Crisis, volatilidad, ciclo y política fiscal en América Latina. Naciones Unidas. https://surl.li/tnklre.
EC 2008. Constitución de la República del Ecuador. Registro Oficial 449, 20 de octubre. https://n9.cl/hd0q.
EC 2018. Código Tributario. Registro Oficial Suplemento 38, 21 de agosto. https://n9.cl/h59fu.
Galán, A. (2014). Modelo ARIMA aplicado al tipo de cambio peso-dólar en el periodo 2016-2017 mediante ventanas temporales deslizantes. Contaduría y Administración, 59(3), 331-357. https://doi.org/10.21919/remef.v15i3.466. DOI: https://doi.org/10.21919/remef.v15i3.466
Gómez Ponce, L. (2020). Ingresos por recaudación tributaria fueron menores durante la emergencia. Observatorio de Gasto Público, Fundación Ciudadanía y Desarrollo. https://n9.cl/9k6oq.
Gómez, V., & Maravall, A. (1994). Estimation, Prediction and Interpolation for Nonstationary Series with the Kalman Filter. Journal of the American Statistical Association, 89(426), 611-624. https://doi.org/10.2307/2290864. DOI: https://doi.org/10.1080/01621459.1994.10476786
Gujarati, D. N., & Porter, D. C. (2009). Basic econometrics (5th ed.). McGraw-Hill/Irwin. https://surl.li/vnpbqn.
Jenkins, G. P., Kuo, C.-Y., & Shukla, G. P. (2000). Tax analysis and revenue forecasting: Issues and techniques. Harvard Institute for International Development. https://surl.li/fhtmmq.
Johnston, J., & DiNardo, J. (1996). Econometric methods (4th ed.). McGraw-Hill. https://n9.cl/cwe2jw.
Koehler, A. B., & Murphree, E. S. (1988). A comparison of the Akaike and Schwarz criteria for selecting model order. Journal of the Royal Statistical Society. Series C, Applied Statistics, 37(2), 187. https://doi.org/10.2307/2347338. DOI: https://doi.org/10.2307/2347338
Kumar, Manoj & Anand, Madhu. (2014). An Application Of Time Series Arima Forecasting Model For Predicting Sugarcane Production In India. Studies in Business and Economics. 9. 81 - 94. https://n9.cl/6ltbt.
Luchko, M., Drozd, I., Plutytska, K., Ruska, R., & Vovk, I. (2021). Analysis and modelling of value added tax revenues on imports: Some issues of application in Ukraine. International Journal of Production Management and Engineering, 9(1), 37. https://doi.org/10.4995/ijpme.2021.13984. DOI: https://doi.org/10.4995/ijpme.2021.13984
Mahadeva, L., & Robinson, P. (2004). Unit root testing to help model building. In A. Blake & G. Hammond (Eds.), Handbooks in central banking (Chap. 22). Centre for Central Banking Studies, Bank of England.
Makananisa, Mangalani P. (2015) Forecasting annual tax revenue of the South African taxes using time series Holt-Winters and ARIMA/SARIMA Models, University of South Africa, Pretoria, http://hdl.handle.net/10500/19903.
Martin-Mayoral, F. R. (2002). Los factores determinantes de la recaudación tributaria. Revista del XVI Seminario Nacional de la ASAP, 2-6. https://n9.cl/wpphz.
Martin-Mayoral, Fernando R. «Los factores determinantes de la recaudación tributaria.» Revista del XVI Seminario Nacional de la ASAP, Septiembre 2002: 2-6.
Mauricio, J. A. (2007). Introducción al análisis de series temporales. Universidad Complutense de Madrid. https://n9.cl/famvvl.
Meyler, A., Kenny, G., & Quinn, T. (1998). Forecasting Irish inflation using ARIMA models. Central Bank and Financial Services Authority of Ireland Technical Paper Series, 3/RT/98, 1-48. https://n9.cl/m0suk.
Pincheira Brown, P., & García Marín, Á. (2009). En búsqueda de un buen benchmark predictivo para la inflación. Documentos de Trabajo del Banco Central de Chile, (514). Banco Central de Chile. https://n9.cl/ldn7w3.
Pindyck, R. S., & Rubinfeld, D. L. (1997). Econometric models and economic forecasts (4th ed.). McGraw-Hill.
Santos, M., & Pacheco Feria, U. (2018). Pronóstico del comportamiento de los precios del petróleo empleando los modelos ARIMA. Anuario Facultad de Ciencias Económicas y Empresariales de la Universidad de Oriente, 9, 19-34. https://n9.cl/dqd16.
Stiglitz, J. E. (2003). La Economia del Sector Publico. Antoni Bosch Editor. https://n9.cl/n95uo.
Stock, J. H., y Watson, M. W. (2012). Introducción a la Econometría (3ra. ed.). Pearson. https://n9.cl/vc7jgm.
Tang, L., Chen, J., & Zhao, J. (2019). A hybrid ARIMA and SVM model for stock price prediction. https://doi.org/10.48550/arXiv.1903.12012.
Urrutia, Jackie & Mingo, Francis & Balmaceda, Ciandreu Noah. (2015). Forecasting Income Tax Revenue of the Philippines Using Autoregressive Integrated Moving Average (Arima) Modeling: a Time Series Analysis. American Research Throughts. DOI:10.6084/M9.FIGSHARE.1469539.
Wa Nkongolo, S. (2024). Forecasting mobile data consumption using ARIMA models: A comparative analysis with deep learning techniques. https://doi.org/10.3390/eng4010006. DOI: https://doi.org/10.3390/eng4010006
Wooldridge, J. M. (2009). Introductory Econometrics: A Modern Approach (4th ed.). South Western Cengage Learning.
Yu, W. (2023). Stock market forecasting using ARIMA and spline interpolation methods.