Prediction of Changes in the Tax Burden of Land Plots with the Use of Multivariate Statistical Analysis Methods

• Autorzy: Krzysztof Dmytrów , Sebastian Gnat

Warianty tytułu

Prognozowanie zmian obciążeń podatkowych gruntów z wykorzystaniem metod wielowymiarowej analizy statystycznej

• Języki publikacji: EN

Abstrakty

EN

It is believed that the ad valorem tax will increase fiscal burdens. In order to verify this statement, with the use of the Szczecin Algorithm of Real Estates Mass Appraisal, the land plots were appraised and the ad valorem tax was calculated. Next, a training set was sampled, for which the composite variable was calculated by means of three approaches: the TOPSIS method, the Generalised Distance Measure as the composite measure of development (GDM2), and the quasi-TOPSIS. They were the explanatory variables in the logistic regression model. Next, for the test set, changes of tax burden were forecasted. The aim of the research was to check the effectiveness of the presented approach for the estimation of the consequences of introducing the ad valorem tax. The results showed that all three approaches yielded similar results, but GDM2 was the best one. The main finding is that these approaches can be used in the prediction of changes in the tax burden of land plots.(original abstract)

W powszechnie panującej opinii podatek ad valorem ma doprowadzić do wzrostu obciążeń podatkowych. W celu weryfikacji tego stwierdzenia, przy zastosowaniu szczecińskiego algorytmu masowej wyceny nieruchomości, wyceniono wartość gruntów oraz wysokość podatku ad valorem. Następnie wylosowano próbę uczącą, dla której utworzono zmienne syntetyczne, użyte jako zmienne objaśniające w modelu regresji logistycznej. Zastosowano trzy podejścia w wyznaczeniu zmiennej syntetycznej: metodę TOPSIS, uogólnioną miarę odległości jako syntetyczny miernik rozwoju (GDM2) i quasi-TOPSIS. Następnie dla próby testowej zaprognozowano zmianę obciążeń podatkowych. Celem badania była weryfikacja hipotezy o skuteczności zastosowanego podejścia do oceny skutków wprowadzenia podatku ad valorem. Otrzymane wyniki wykazały, że wszystkie trzy podejścia dały podobne rezultaty (najlepsze dla GDM2). Głównym wnioskiem jest to, że zaprezentowane podejścia mogą być stosowane w prognozowaniu zmian obciążeń podatkowych gruntów.(abstrakt oryginalny)

Słowa kluczowe

EN

Logistic regression; Classification; Multi-dimensional analysis; Multi-dimensional statistical analysis; Real estate valuation; Technique for Order of Preference by Similarity to Ideal Solution (TOPSIS)

PL

Regresja logistyczna; Klasyfikacja; Analiza wielowymiarowa; Wielowymiarowa analiza statystyczna; Wycena nieruchomości; Metoda TOPSIS

• Czasopismo: Ekonometria / Uniwersytet Ekonomiczny we Wrocławiu
• Rocznik: 2019
• Tom: 23
• Numer: nr 2
• Strony: 33--48

Twórcy

autor

Krzysztof Dmytrów

• University of Szczecin, Poland

autor

Sebastian Gnat

• University of Szczecin, Poland

Bibliografia

• Batóg B., Foryś I., 2011, Modele logitowe w analizie transakcji na warszawskim rynku mieszkaniowym, Studia i Materiały TNN, 19(3), pp. 33-48.
• Czaja J., 2001, Metody szacowania wartości rynkowej i katastralnej nieruchomości, Komp-system, Kraków.
• Etel L., Dowgier R., 2013, Podatki i opłaty lokalne - czas na zmiany, Temida 2, Białystok.
• Gnat S., 2010, Analysis of the effects of replacing current property tax with ad valorem property tax in a sample municipality, Folia Oeconomica Stetinensia, no. 8(16), pp. 82-98.
• Gnat S., 2016, Powierzchniowy a katastralny system opodatkowania nieruchomości - symulacja wybranych skutków fiskalnych, Annales Universitatis Mariae Curie-Skłodowska Sectio H. Oeconomia, vol. 50 (1), pp. 371-380.
• Gnat S., 2018, Model logitowy jako narzędzie prognozowania obciążeń podatkowych działek gruntu w wyniku wprowadzenia podatku ad valorem, Studia i Prace WNEIZ US, nr 54/3, pp. 173-183.
• Gnat S., Skotarczak M., 2006, Analiza rozkładów stawek podatków lokalnych w gminach województwa zachodniopomorskiego w latach 2002-2004, [in:] J. Hozer (ed.), Koniunktura gospodarcza a rynek nieruchomości, Uniwersytet Szczeciński, Instytut Analiz, Diagnoz i Prognoz Gospodarczych, Szczecin, pp. 74-82.
• Hastie T., Tibshirani R., Friedman J., 2009, The Elements of Statistical Learning, Springer, New York.
• Hellwig Z., 1968, Zastosowanie metody taksonomicznej do typologicznego podziału krajów ze względu na poziom rozwoju oraz zasoby i strukturę wykwalifikowanych kadr, Przegląd Statystyczny, no. 15(4), pp. 307-326.
• Hozer J., Foryś I., Zwolankowska M., Kokot S., Kuźmiński W., 1999, Ekonometryczny algorytm masowej wyceny nieruchomości gruntowych, Uniwersytet Szczeciński, Stowarzyszenie Pomoc i Rozwój, Szczecin.
• Hwang C.L., Yoon K., 1981, Multiple Attribute Decision Making: Methods and Applications, Springer- -Verlag, New York.
• James G., Witten D., Hastie T., Tibshirani R., 2015, An Introduction to Statistical Learning, Springer, New York.
• Pedregosa F. et al., 2011, Scikit-learn: machine learning in Python, Journal of Machine Learning Research, no. 12, pp. 2825-2830.
• Raschka S., 2018, Python. Uczenie maszynowe, Wydawnictwo Helion, Gliwice.
• Sawiłow E., 2009, Zastosowanie metod wielowymiarowej analizy porównawczej dla potrzeb ustalania wartości katastralnych, Studia i Materiały TNN, vol. 17, no. 1, pp. 105-115.
• Szeliga M., 2017, Data science i uczenie maszynowe, PWN, Warszawa.
• Walesiak M., 2003, Uogólniona Miara Odległości GDM jako syntetyczny miernik rozwoju w metodach porządkowania liniowego, Prace Naukowe Akademii Ekonomicznej we Wrocławiu, nr 988, Taksonomia 10, Klasyfikacja i analiza danych - teoria i zastosowania, Wrocław, pp. 134-144.
• Walesiak M., 2016, Uogólniona miara odległości w statystycznej analizie wielowymiarowej z wykorzystaniem programu R, Wydawnictwo Uniwersytetu Ekonomicznego we Wrocławiu, Wrocław.
• Wójtowicz K., 2007, System opodatkowania nieruchomości w Polsce, Finanse publiczne, Wyd. UMCS, Lublin.

Identyfikatory

DOI

https://www.dbc.wroc.pl/dlibra/publication/134587