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 ТЭ – 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 ПВ – 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.tх1 (млн руб)tх1(млн руб)tх1 (млн руб)tх1 (млн руб)12173,100131237,335251542,795371443,99522904,649142149,597261899,560382116,89632103,921151358,699271986,696392204,93142256,042162272,680281926,811402980,02452362,432172151,947291665,494412869,94661730,827181270,540301487,561422903,20172244,655191710,932311313,393432469,01481573,627201676,483322302,002442182,57491394,445211389,124331443,329451859,424102050,880221405,131341503,220461433,837112484,241231201,522351762,440471810,104122790,505241751,715361364,646481576,022Произведем построение графика на основе представленных в табл. 1 данных, где предварительно отобразим их в виде временного рядаxt, 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-льГод123456789101112  1      1,050,760,701,041,271,44Коэф 20,651,150,721,231,210,761,041,020,840,840,731,080,994 30,951,171,201,160,980,880,781,370,850,860,950,70 40,701,001,041,401,341,35      Si  0,771,110,991,261,181,000,961,050,790,910,981,0712,07S 0,761,100,981,251,170,990,951,040,790,910,981,0712 Так, на основании проведенных расчетов, был получен десезонализированный ряд Х1/Sв виде полиномиального тренда IIпорядка(рис.3.).  Рис.3. Десезонализированный ряд Х1/SДля 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 рядаВ 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 S0 возьмем 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 среднейТогда, 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 4Данные по величине параметра х2(веса) по товарной группе 23 за 2018-2021 гг.tх2 (тон)tх2 (тон)tх2 (тон)tх2 (тон)110757,53131737,513253171,703373051,604210446,09143366,297264052,949384560,854310209,41152455,437274285,489395727,44447282,711163395,322285513,458409405,66257965,275173608,674294163,627415080,21267994,374181818,246303610,453426409,3977597,501192809,185312979,066434534,15684112,077203540,989324182,038443974,98193907,905212554,275332870,005453803,308103986,871222934,262342979,446462910,201115201,779233154,899353743,494473195,754123958,492242961,752363202,031482605,716 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 нижеТаблица5Скорректированные значения сезонной компоненты (S)Пок-льГод123456789101112  1      1,160,700,831,170,98 Коэф 20,491,010,751,071,190,630,961,180,890,930,850,490,994 30,891,121,181,511,130,970,801,120,740,880,730,89 40,670,981,232,001,091,38     0,67Si  0,681,041,051,531,140,990,971,000,820,990,8511,0712,07Si  0,691,051,071,551,151,010,991,010,831,010,8711,2212 Проведем аналитическое выравнивание десезонализированного ряда Х2/S в виде полиномиального тренда IIпорядка (рис. 6.).  Рис. 6. Десезонализированный ряд Х2/SДля 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 рядаВ 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.