Ēnu ekonomikas indekss Baltijas valstīs 2009.–2019. gadā SSE Riga Ilgtspējīga biznesa centrs
Autori
Dr. Arnis Sauka ir SSE Riga profesors, SSE Riga Ilgtspējīga biznesa centra direktors un NVO “BASE” (Business Against Shadow Economy, tulk.: Bizness pret ēnu ekonomiku) valdes loceklis. Viņa galvenās pētniecības interešu jomas ir ēnu ekonomika, uzņēmumu konkurētspēja un darbības izvēršana starptautiskajos tirgus. Arnis ir ieguvis Ph.D. Zīgenas Universitātē (Vācija) un ir bijis vieslektors Jenčēpingas Starptautiskajā biznesa skolā (Zviedrija) un Londonas Universitātē - UCL (AK). E-pasts: arnis.sauka@sseriga.edu Dr. Tālis Putniņš ir UTS Biznesa skolas (Sidneja, Austrālija) un SSE Riga (Latvija) profesors, kā arī Baltijas Starptautiskā ekonomikas politikas studiju centra (Latvija) asociētais pētnieks. Viņa pētniecības interešu lokā ir tādas tēmas kā finanšu ekonomika, tirgus mikrostruktūra, tirgus manipulācijas, izvairīšanās no nodokļu maksāšanas un daļējas pieķeršanas modelēšana. Tālis ir ieguvis Ph.D. Sidnejas Universitātē, kā arī ir bijis vieslektors Kolumbijas Universitātē un Ņujorkas Universitātē. E-pasts: talis.putnins@sseriga.edu
2
Kopš 2009. gada: Kāds ir ēnu ekonomikas apjoms Latvijā, Lietuvā un Igaunijā? Kādi ir galvenie ēnu ekonomikas apjomu ietekmējošie faktori? Ko darīt, lai mazinātu ēnu ekonomiku?
3
Uzskaitītās un neuzskaitītās IKP komponentes
1. Ieņēmumi no visas ekonomiskās darbības (teorētiskais IKP)
2. Ieņēmumi no LEGĀLO preču/ pakalpojumu ražošanas
4. REĢISTRĒTO ražotāju ieņēmumi
6. DEKLARĒTIE un pilnībā UZSKAITĪTIE ieņēmumi
5. NEREĢISTRĒTO ražotāju ieņēmumi
7. NEDEKLARĒTIE ieņēmumi
ĒNU EKONOMIKA
UZSKAITĪTĀ EKONOMIKA
4
3. Ieņēmumi no NELEGĀLO preču/ pakalpojumu ražošanas (N2)
NEREĢISTRĒTS UZŅĒMUMS
NEUZSKAITĪTĀ EKONOMIKA
Volume 43, Issue 2, May 2015, Pages 471–490 Journal of Comparative Economics 43 (2015) 471–490
Contents lists available at ScienceDirect
Journal of Comparative Economics journal homepage: www.elsevier.com/locate/jce
Measuring the shadow economy using company managers Tālis J. Putnin š a,b,⇑, Arnis Sauka b,⇑ a b
University of Technology, Sydney, Australia Stockholm School of Economics in Riga, Riga, Latvia
a r t i c l e
i n f o
Article history: Received 10 October 2013 Revised 19 March 2014 Available online 18 April 2014 JEL classification: E26 O17 E01 P24 H26 H32 Keywords:
a b s t r a c t Putnin š, Tālis J., and Sauka, Arnis—Measuring the shadow economy using company managers This study develops a method that uses surveys of company managers to measure the size of a shadow economy. Our method is based on the premise that company managers are the most likely to know how much business income and wages go unreported due to their unique position in dealing with both of these types of income. We use a range of survey design features to maximize the truthfulness of responses. Our method combines estimates of misreported business income, unregistered or hidden employees, and unreported wages, to arrive at an estimate of the size of a shadow economy as a percentage of GDP. This approach differs from most other studies of shadow economies, which largely focus on using macroindicators. We illustrate the application of our method to three new EU member countries. We also analyze the factors that influence companies’ participation in the shadow economy. Journal of Comparative Economics 43 (2) (2015) 471–490. University
5
Ēnu ekonomikas apjoms dažādās valstīs 2009.–2019. gadā Rezultāti
6
Ēnu ekonomikas indekss (% no IKP)
2018
2017
2016
2015
Krievija
44,7 (42,4 46,9)
45,8 (43,4 48,1)
-
-
Ukraina
38,2 (35,3 41,2)
38,5 (35,5...1,5)
-
-
Kirgizstāna
44,5 (40,9 48,1)
46,1 (42,4 49,6)
-
-
Latvija
24,2 (21,5 26,8)
22,0 (19,6 24,5)
20,7 (18,0 22,6)
21,3 (19,0 23,7)
Lietuva
18,7 (17,0 20,4)
18,2 (16,1 20,4)
16,5 (14,8 18,3)
15,0 (13,8 16,3)
Igaunija
16,7 (14,5 18,8)
18,2 (16,1 20,3)
15,4 (13,1 17,8)
14,9 (12,4 17,4)
Moldova
27,5 (24,0 31,0)
29,4 (25,7 33,1)
29,7 (26,9 32,5)
29,8 (27,0 32,6)
Kosova
39,5 (n/a, n/a)
-
-
-
Rumānija
-
-
33,3 (30,4 36,3)
35,6 (32,2 39,0)
Polija
-
-
25,0 (22,5 27,4)
24,4 (22,0 26,9)
Avoti: Ukraina: Lysa et al (2019); Kirgizstāna: SIAR (2019); Moldova un Rumānija: Putnins, Sauka un Davidescu (2020); Polija: Lechmann un Nikulin (2017); Kosova: Mustafa et al (2019). Datu vākšana Krievijā, Ukrainā un Kirgizstānā bija iespējama ar H2020 Programmas projekta SHADOW (no: 778118) atbalstu.
7
Pētījums
“Tiešā apsekojuma metode”— uzņēmēji kā eksperti 2019. gadā par 2018. un 2017. gadu Aptuveni 500 telefona intervijas Latvijā, 500 Lietuvā, 500 Igaunijā Nejaušā izlase, Orbis datu bāze Intervijas veic SKDS Indekss balstās uz IKP mērīšanas ieņēmumu pieeju
8
Ēnu ekonomikas galvenās komponentes
Ienākumu neuzrādīšana (peļņa) Darbinieku skaita neuzrādīšana Aplokšņu algas no ienākumiem, kas tiek maksāti lai ‘nokārtotu lietas’: % kukuļošana no līguma summas, kas tiek maksāta lai nodrošinātu valsts % pasūtījumus: korupcija
9
Ēnu ekonomikas apjoms Latvijā, Lietuvā un Igaunijā 2009.–2019. gadā Rezultāti
10
Ēnu ekonomikas indekss Baltijas valstīs (% no IKP) 2009.–2019. gadā
Latvija Lietuva Igaunija
Latvija Lietuva Igaunija
2019–2018
2019
2018
2017
2016
2015
-0,3
23,9
24,2
22,0
20,7
21,3
(-2,5 1,8)
(21,4 26,3)
(21,5 26,8)
(19,6 24,5)
(18,0 22,6)
(19,0 23,7)
-0,5
18,2
18,7
18,2
16,5
15,0
(-1,9 0,9)
-2,4
(16,5 19,9)
14,3
(17,0 20,4)
16,7
(16,1 20,4)
18,2
(14,8 18,3)
15,4
(13,8 16,3)
14,9
(-4,1 -0,6)
(12,3 16,3)
(14,5 18,8)
(16,1 20,3)
(13,1 17,8)
(12,4 17,4)
2014
2013
2012
2011
2010
2009
23,5
23,8
21,1
30,2
38,1
36,6
(20,5 26,6)
12,5
(11,0 13,9)
13,2
(11,3 15,1)
(20,7 26,9)
15,3
(13,6 17,1)
15,7
(13,5 17,9)
(18,5 23,6)
18,2
(16,4 20,1)
19,2
(16,6 21,9)
(27,6 32,7)
17,1
(15,2 19,0)
18,9
(16,8 20,9)
(35,9 40,3)
18,8
(16,9 20,6)
19,4
(18,0 20,8)
(34,3 38,9)
17,7
(15,8 19,7)
20,2
(18,7 21,7)
Ēnu ekonomikas apjoms Latvijā, Lietuvā un Igaunijā 2009.–2019. gadā
11
Ēnu ekonomikas dinamika Baltijas valstīs 2009.–2019. gadā
45 % 40 %
36,6
38,1
LT
35 %
30,2
30 % 25 % 20 % 15 %
LV
20,2 17,7
19,4 18,8
18,9 17,1
23,8
21,1 19,2 18,2
10 %
15,7 15,3
23,5
13,2 12,5
21,3 15,0
20,7 16,5
14,9
15,4
2015
2016
22,0 18,2 18,2
24,2
23,9
18,7
18,2
16,7
14,3
5% 0%
12
2009
2010
2011
2012
2013
2014
2017
2018
2019
Ēnu ekonomikas apjoms Latvijā, Lietuvā un Igaunijā 2009.–2019. gadā
EE
Ēnu ekonomiku veidojošās komponentes 2019. gadā
Neuzrādītie darbinieki
Aplokšņu algas
Neuzrādītie darbinieki
Aplokšņu algas
23,9 %
44,1 %
21,5 %
43,0 %
LV
EE
Neuzrādītie ienākumi 32,0 %
Neuzrādītie ienākumi 35,5 %
Neuzrādītie darbinieki
Aplokšņu algas
23,6 %
36,3 %
LT
Neuzrādītie ienākumi 40,1 %
Ēnu ekonomikas apjoms Latvijā, Lietuvā un Igaunijā 2009.–2019. gadā
13
Ienākumu neuzrādīšanas apjoms 2009.–2019. gadā (vidējā ienākumu daļa %, kuru uzņēmumi slēpj no valsts)
40 % 35 %
31,7
LV
33,7
LT
30 %
26,5
25 % 20 %
15,9
16,6
16,0
15 % 10 %
11,1
11,4
5% 0%
14
2009
2010
16,7 15,7 13,0
9,7
2011
2012
19,9
11,8
21,7
9,4
10,3
2013
EE 19,9
10,5
18,5 11,7
6,7
7,5
8,3
2014
2015
2016
17,1
17,9
12,8
13,8
9,7
9,9
10,6
2017
2018
2019
16,6 14,4
Ēnu ekonomikas apjoms Latvijā, Lietuvā un Igaunijā 2009.–2019. gadā
Darbinieku neuzrādīšanas apjoms 2009.–2019. gadā (vidējais % no darbinieku kopskaita, kas tiek nodarbināti bez līguma)
16 % 14 %
LV 14,6
14,6
12 % 10 %
9,6
9,7
9,7 8,1
8% 6%
9,7
LT
11,6
7,4
7,9
7,3
10,3 8,1
10,9 9,6 7,6
7,6 6,4
4%
9,6 6,6
5,4
5,7
2014
2015
9,6 7,6 6,7 6,7
8,3
7,4 6,5 6,1
EE
5,4 5,4
5,7
2018
2019
2% 0%
2009
2010
2011
2012
2013
2016
2017
Ēnu ekonomikas apjoms Latvijā, Lietuvā un Igaunijā 2009.–2019. gadā
15
Aplokšņu algu apjoms 2009.–2019. gadā (vidējā algas daļa %, kuru uzņēmēji reāli maksā, bet slēpj no valsts)
40 %
LV
35 % 30 %
34,0
35,5
26,5
25 % 20 % 15 % 10 %
LT
29,1
19, 5
15,0
19,6
15,8
19,4 17,4
25,2
22,1 19,3
20,3
17,1 15,5
17,9 18,1 17,7 17,1 13,6 15,2 15,4
20,9
21,5
18,1 16,7 15,2
15,5
12,2
22,3 14,1 11,5
5% 0%
16
2009
2010
2011
2012
2013
2014
2015
2016
2017
2018
2019
Ēnu ekonomikas apjoms Latvijā, Lietuvā un Igaunijā 2009.–2019. gadā
EE
% no maksājumiem, lai ‘nokārtotu lietas’ 2009.–2019. gadā (% no ienākumiem, ko uzņēmumi vidēji maksā ‘kukuļos’)
16 % 14 % 12 % 10 % 8% 6% 4%
LV
14,0 12,9 10,4 10,1
5,8
12,7
10,8
9,3
5,6
8,9
5,5
10,5
10,2
10,3
9,8
8,7 5,6
2009
2010
2011
2012
9,9 7,6
9,8
6,5 4,7
2% 0%
LT
2013
3,4
3,0
2014
2015
8,5
8,4 7,1 5,5
8,3
5,0
3,6
2016
2017
EE
2018
8,1
3,9
2019
Ēnu ekonomikas apjoms Latvijā, Lietuvā un Igaunijā 2009.–2019. gadā
17
% no līguma summas, lai nodrošinātu valsts pasūtījumu 2010.–2019. gadā
16 % 14 % 12 % 10 %
10,9 9,5 7,6
8% 6% 4% 2% 0%
18
LV
13,8
5,9
6,6 3,4
8,6 7,5 5,0
10,1
5,6
4,9
2,2
EE
8,1
8,1 6,2
LT
11,5
3,7
8,3 4,5 4,5
4,8
5,1
3,9
3,9
5,3
2,5 2010
2011
2012
2013
2014
2015
2016
2017
2018
5,9
1,4 2019
Ēnu ekonomikas apjoms Latvijā, Lietuvā un Igaunijā 2010.–2019. gadā
Nereģistrēto uzņēmumu īpatsvars Baltijas valstīs (% no IKP) 2013.–2019. gadā
2019. gads 2018. gads 2017. gads 2016. gads 2015. gads 2014. gads 2013. gads
Latvija
Lietuva
Igaunija
8,0
9,2
4,0
(6,7 9,2)
(7,8 10,6)
(3,0 5,1)
8,6
10,0
6,4
(7,3 10,1)
6,5
(5,3 7,8)
5,3
(4,1 6,5)
5,2
(8,8 11,3)
8,6
(7,5 9,8)
8,4
(7,5 9,4)
7,3
(5,0 7,9)
7,0
(5,7 8,5)
6,1
(5,1 7,1)
5,8
(4,1 6,3)
(6,5 8,1)
(4,5 7,1)
5,6
5,2
6,3
(4,5 6,7)
(4,5 6,0)
(4,5 8,2)
5,4
6,2
7,6
(4,2 6,6)
(5,3 7,1)
(5,4 9,9)
19
Ēnu ekonomika reģionos, sektoros, dažāda lieluma uzņēmumos
20
Ēnu ekonomikas lielums (% no IKP) Latvijas reģionos (vidējais 2016.–2019. gadā)
Latgale
18,1
Zemgale
21,8
Vidzeme
19,6
Kurzeme
20,6
Rīga 0%
24,2 5%
10%
15%
20%
25%
Ēnu ekonomika reģionos, sektoros, dažāda lieluma uzņēmumos
30%
21
Ēnu ekonomikas lielums Latvijā (% no IKP) nozaru dalījumā (vidējais 2016.–2019. gadā)
Būvniecība
33,3
Pakalpojumi
20,7 27,7
Mazumtirdzniecība Vairumtirdzniecība
26,6
Ražošana
17,0
Cits 0%
22
21,7 5%
10%
15%
20%
25%
30%
Ēnu ekonomika reģionos, sektoros, dažāda lieluma uzņēmumos
35%
40%
Iesaistīšanās ēnu ekonomikā
azāki uzņēmumi (pēc nodarbināto skaita) iesaistās ēnu M ekonomikā vairāk kā lielie uzņēmumi J aunāki uzņēmumi iesaistās ēnu ekonomikā vairāk kā salīdzinoši vecāki uzņēmumi
23
Galvenie ēnu ekonomiku ietekmējošie faktori
24
Statistiski nozīmīgi ietekmējoši faktori (izmantojot regresijas analīzi)
L ielāka iespēja tikt pieķertiem nemaksājot nodokļus un būtiskākas sekas mazāka uzņēmēju iesaistīšanās ēnu ekonomikas darbībās
Galvenie ēnu ekonomiku ietekmējošie faktori
25
Iespējamība tikt pieķertiem par peļņas neuzrādīšanu 2019. gadā
50 % 43,3 40 %
35,7
30 %
25,0 21,1 20,5
20 % 13,0 10 % 0%
6,8 7,6
0%
8,8
11,511,5
1-10 %
9,8 9,6
11,5
11-30 %
6,5
31-50 %
Iespējamība tikt pieķertam
26
42,0
Galvenie ēnu ekonomiku ietekmējošie faktori
8,3 7,7
51-75 %
76-100 %
LV LV EE LT LT LT EE EE LV
Sekas tiekot pieķertiem par apzināti nepatiesu rādījumu sniegšanu 2019. gadā
50 %
47,2
LV LT
40 % 34,2 30 % 23,8 20 %
10 %
0%
17,4 7,5
EE
34,7 26,6 20,1
19,6
18,2
15,9
10,6
10,4
9,1
4,0 Nekas nopietns
Neliela soda nauda
Nopietna soda nauda, Nopietna soda nauda, ietekmētu konkurētspēju bankrota risks
Galvenie ēnu ekonomiku ietekmējošie faktori
Būsim spiesti pārtraukt darbību
27
Statistiski nozīmīgi ietekmējoši faktori (izmantojot regresijas analīzi)
Neapmierinātība vairāk ēnu darbība Iesaistīšanos ēnu ekonomikā visvairāk ietekmē neapmierinātība: Ar biznesa likumdošanu (stiprākais efekts) Ar VID darbu Ar nodokļu politiku Ar valdības atbalstu (vājākais efekts)
28
Galvenie ēnu ekonomiku ietekmējošie faktori
Apmierinātība ar VID 2010.–2019. gadā (Vidējais vērtējums skalā, kur ‘1’ nozīmē ļoti zemu, bet ‘5’- ļoti augstu apmierinātību)
3,9
3,80
3,8 3,7
3,67
3,71
3,60
3,5 3,4 3,3 3,2 3,1 3,0
LT
3,66
3,60
3,60
3,6
3,39 3,39
3,51
3,42 3,28
3,21
3,20
2010
2011
LV
3,46 3,37
3,57
3,52
3,57 3,47 3,36
3,46
3,57 3,53
3,70 3,50
EE
3,39
3,33
3,31
3,20
2012
2013
2014
2015
2016
Galvenie ēnu ekonomiku ietekmējošie faktori
2017
2018
2019
29
Apmierinātība ar valdības nodokļu politiku 2010.–2019. gadā (Vidējais vērtējums skalā, kur ‘1’ nozīmē ļoti zemu, bet ‘5’- ļoti augstu apmierinātību)
4,0 3,5
LV
3,36 3,07
3,0 2,5
2,53
2,25
2,0 1,5 1,0
30
2,48
3,09 2,69 2,49
2,91 2,64 2,44
2,80 2,74 2,78 2,65
2,67 2,43
2,81
2,87 2,50
2,57 2,08
2,20
3,10 2,85 2,41
3,10 2,60
2,36
1,86
2010
2011
2012
2013
2014
2015
2016
Galvenie ēnu ekonomiku ietekmējošie faktori
2017
2018
2019
LT EE
Apmierinātība ar biznesa likumdošanas kvalitāti 2010.–2019. gadā (Vidējais vērtējums skalā, kur ‘1’ nozīmē ļoti zemu, bet ‘5’- ļoti augstu apmierinātību)
3,6 3,4
3,41
LV
3,37
3,35
3,32 3,23 3,14
3,2
2,85 2,8
2,4
3,10
2,77
2,67
2,66
2010
2011
2,83
2,85
2,81
2,82
2012
2013
2,98 2,87
3,08 3,00
3,10
3,0
2,6
3,06
2,84
2,86 2,86
2,84
2,91
3,08
LT EE
3,01
2,90
2,72
2014
2015
2016
Galvenie ēnu ekonomiku ietekmējošie faktori
2017
2018
2019
31
Apmierinātība ar valdības atbalstu uzņēmējiem 2010.–2019. gadā (Vidējais vērtējums skalā, kur ‘1’ nozīmē ļoti zemu, bet ‘5’- ļoti augstu apmierinātību)
3,2 3,0
LV
3,00
2,74
2,6
2,76
2,58 2,64
2,40
2,4 2,2
2,78
2,77
2,8
2,20
2,22
2,06
2,20
2010
2011
2,51 2,41
2,32
2,39
2,53 2,37 2,35
2,58 2,39
2,55 2,58 2,53 2,46
2,45
2017
2018
2,85
EE
2,64 2,42
2,31
2,0
32
2012
2013
2014
2015
2016
Galvenie ēnu ekonomiku ietekmējošie faktori
LT
2019
Statistiski nozīmīgi ietekmējoši faktori (izmantojot regresijas analīzi)
L ielāka tolerance pret iesaistīšanos ēnu ekonomikā lielāka iesaiste ēnu ekonomikā
Galvenie ēnu ekonomiku ietekmējošie faktori
33
Nodokļu morāle: krāpšanās ar nodokļiem vienmēr ir attaisnojama, ja rodas tāda iespēja (Vidējais vērtējums skalā, kur ‘1’ nozīmē ļoti augstu nodokļu morāli, bet ‘5’- ļoti zemu nodokļu morāli)
2,5 2,17 2,0
1,81 1,84
1,94
2,29 2,04
1,86
1,81 1,60
1,5
1,61
1,0 0,5 0
34
EE LV
LV
LT LT LV EE
2,08
1,73
2016/2017/2018/2019
LT
2016/2017/2018/2019
2016/2017/2018/2019
EE
Pētījuma kopsavilkums
SSE Riga ēnu ekonomikas indeksa Baltijas valstīs mērķis ir mērīt ēnu ekonomikas apjomu Igaunijā, Latvijā un Lietuvā un izpētīt galvenos faktorus, kuri ietekmē uzņēmumu iesaistīšanos ēnu ekonomikā. Mēs izmantojām jēdzienu „ēnu ekonomika”, runājot par ienākumiem no visām legāli saražotajām precēm un pakalpojumiem, kas tiek apzināti slēpti no valsts iestādēm. Kopš 2010. gada indekss tiek publicēts reizi gadā, lai nodrošinātu politikas veidotājiem lēmumu pieņemšanai noderīgu informāciju, kā arī veicinātu dziļāku sabiedrības izpratni par uzņēmējdarbības procesiem Baltijas valstīs. Ēnu ekonomikas indekss tiek aprēķināts balstoties uz Tāļa Putniņa un Arņa Saukas izstrādāto metodoloģiju, kas publicēta 2015. gadā žurnālā Journal of Comparative Economics. Indekss tiek veidots, izmantojot Igaunijas, Latvijas un Lietuvas uzņēmumu īpašnieku/ vadītāju aptaujas, kurās tiek pielietoti vairāki aptaujāšanas un datu vākšanas paņēmieni, kuri izrādījušies efektīvi iepriekšējos pētījumos iespējami ticamāku atbilžu iegūšanai. Lai aprēķinātu ēnu ekonomikas lielumu procentos no IKP, indeksā ir iekļauti aprēķini par neuzrādītajiem biznesa ienākumiem, nereģistrētajiem vai slēptajiem darbiniekiem, kā arī aplokšņu algām. Papildus Baltijas valstīm, šī metode ir pielietota ēnu ekonomikas aprēķināšanai arī citās valstīs, t.sk. Krievijā, Ukrainā, Moldovā, Rumānijā, Polijā, Kirgizstānā un Kosovā.
35
Pētījuma kopsavilkums
Šajā pētījumā galvenā uzmanība pievērsta aplēsēm par ēnu ekonomiku 2019. gadā un ēnu ekonomikas tendencēm Baltijas valstīs 2009.–2019. gadā. Tajā ir arī analizēti galvenie faktori, kuri ietekmē uzņēmēju iesaistīšanos ēnu ekonomikā. Atbilstoši mūsu aprēķiniem, ēnu ekonomikas apjoms Latvijā kopš 2016. gada ir bijis ar pieaugošu tendenci: 20,7% no IKP 2016. gadā, 22,0% 2017. gadā un 24,2% no IKP 2018. gadā. Jaunākā pētījuma dati liecina, ka 2019. gadā ēnu ekonomikas apjoms Latvijā ir samazinājies, tomēr pavisam nedaudz: par 0,3%, sasniedzot 23,9% no IKP. Tādējādi varam secināt, ka neskatoties uz salīdzinoši straujo ekonomikas izaugsmi iepriekšējo 3-4 gadu laikā, kā arī dažādām politikas iniciatīvām ēnu ekonomikas mazināšanai, Latvijā ēnu ekonomikas apjomu kopumā samazināt nav izdevies. Tiek uzskatīts, ka uzlabojoties ekonomikas situācijai, ēnu ekonomikai būtu jāmazinās, t.sk. tādēļ, ka uzņēmējiem klājas labāk un tie ir vairāk motivēti maksāt nodokļus. Tomēr tā tas var arī nebūt, cita starpā, piemēram, ja uzņēmēji neuzticas tam, ka adekvāti tiek izmantota nodokļos maksātā nauda; ir bijuši korupcijas vai citi skandāli, kas mazina sabiedrības uzticamību valdībai; nav īstenoti atbilstoši atbalsta pasākumi uzņēmējdarbības vides uzlabošanai vai kontroles pasākumi ēnu ekonomikas ierobežošanai. Covid-19 pandēmijas rezultātā 2020. gadā, un dažus turpmākos gadus, ir gaidāma ekonomikas lejupslīde. Pie šādas situācijas, ar lielu varbūtību, var sagaidīt, ka ēnu ekonomikas apjoms Latvijā turpmākajos gados pieaugs.
36
Pētījuma kopsavilkums
Neliels ēnu ekonomikas samazinājums 2019. gadā vērojams arī Lietuvā, kur ēnu ekonomika mazinājusies par 0,5% (no 18,7% 2018. gadā uz 18,2% 2019. gadā). Savukārt Igaunijā ēnu ekonomika turpina mazināties straujāk, 2019. gadā sasniedzot 14,3% no IKP, kas ir par 2,4% mazāk nekā 2018. gadā un zemākais ēnu ekonomikas līmenis valstī kopš 2015. gada. Mūsu aprēķini liecina, ka Latvijā un Igaunijā nozīmīgākā ēnu ekonomikas komponente 2019. gadā bija aplokšņu algas, kas Latvijā veido 44,1% no kopējās ēnu ekonomikas, bet Igaunijā: 43,0%. Neuzrādītie ieņēmumi Latvijā sastāda 32,0% no kopējās ēnu ekonomikas, bet neuzrādīto darbinieku komponente: 23,9%. Nozīmīgākā ēnu ekonomikas komponente 2019. gadā Lietuvā bija neuzrādītie ieņēmumi (40,1%), kam seko aplokšņu algas (36,3%) un neuzrādītie darbinieki (23,6%). Vidējās algas daļa (%), ko uzņēmēji slēpj no valsts 2019. gadā bija relatīvi līdzīga Lietuvā un Igaunijā (attiecīgi, 11,5% un 14,1%), bet izteikti lielāka Latvijā (22,3%). Turklāt, ja aplokšņu algas Lietuvā un Igaunijā 2019. gadā, salīdzinoši ar 2018. gadu, samazinājās (Igaunijā par 5,2%, Lietuvā par 1,4%), tad Latvijā vērojams aplokšņu algas pieaugums (par 0,8%). Līdz ar to, atbilstoši mūsu pētījuma rezultātiem, palielinās plaisa starp aplokšņu algu līmeni Latvijā un pārējās Baltijas valstīs.
37
Pētījuma kopsavilkums
Pozitīva tendence Latvijā vērojama ienākumu (peļņas) neuzrādīšanas jomā. Proti, Latvijā vidējā ienākumu daļa (%) ko uzņēmēji slēpj no valsts 2019. gadā samazinājās par 1,3%, sasniedzot 16,6%. Savukārt Lietuvā un Igaunijā ienākumu neuzrādīšanas apjoms 2019. gadā sasniedza 10,6% (pieaugums par 0,7%) bet Lietuvā: 14,4% (pieaugums par 0,6%). Savukārt darbinieku neuzrādīšanas apjoms (vidējais % no darbinieku kopskaita, kas tiek nodarbināti bez līguma) 2019. gadā palielinājās visās trīs Baltijas valstīs, sasniedzot 10,9% līmeni Latvijā (pieaugums par 1,0%), 8,3% Lietuvā (pieaugums par 2,9%) un 5,7% Igaunijā (pieaugums par 0,3%). Papildus mērījumiem attiecībā uz reģistrēto uzņēmumu iesaistīšanos ēnu ekonomikā, mēs aprēķinam arī nereģistrēto uzņēmumu proporciju Baltijas valstīs. Saskaņā ar mūsu datiem nereģistrētie uzņēmumi Latvijā 2019. gadā veidoja 8,0% no visiem uzņēmumiem, bet Lietuvā un Igaunijā, attiecīgi, 9,2% un 4,0% no visiem uzņēmumiem. Lietuva joprojām izceļas ar visaugstāko kukuļdošanas līmeni Baltijas valstīs, sevišķi attiecībā uz valsts pasūtījumiem. Atbilstoši pētījuma rezultātiem, 2019. gadā Lietuvas uzņēmumi vidēji maksāja 8,3% no līguma summas, lai nodrošinātu kontraktu strādājot ar valsts pasūtījumiem. Tas gan ir būtisks uzlabojums salīdzinoši ar 2018. gadu, kad šādi maksājumi vidēji bija 13,8% apjomā. Kukuļdošanas līmenis valsts pasūtījumu iegūšanai Latvijā 2019. gadā sasniedza 5,9% (pieaugums no 5,3% 2018. gadā), savukārt Igaunijā, tas bijis tikai 1,4% (samazinājums no 2,5% 2018. gadā) no līguma summas.
38
Pētījuma kopsavilkums
2019. gadā, salīdzinoši ar 2018. gadu, visās trīs Baltijas valstīs samazinājies vispārējais kukuļdošanas līmenis (procents no ienākumiem, ko firmas maksā neoficiālos maksājumos lai “nokārtotu lietas”). Proti, Latvijā vispārējais kukuļdošanas līmenis 2019. gadā sasniedz 8,1% (samazinājums par 0,2% salīdzinājumā ar 2018. gadu), Lietuvā: 8,5% (samazinājums par 1,4%), bet Igaunijā: 3,9% (samazinājums par 1,1%). Visaugstākais ēnu ekonomikas līmenis Latvijā ir vērojams Rīgas reģionā, Zemgalē un Kurzemē. Nozaru griezumā visaugstākais ēnu ekonomikas īpatsvars joprojām ir būvniecības nozarē. Attiecībā uz attieksmi, uzņēmumi Baltijas valstīs joprojām ir relatīvi apmierināti ar Valsts ieņēmumu dienesta (VID) darbību. Pie tam visās trīs Baltijas valstīs 2019. gadā apmierinātība ar VID ir nedaudz palielinājusies. Proti, skalā no 1-5, kur 5 nozīmē ļoti lielu apmierinātību, Latvijā uzņēmēju apmierinātība ar VID tika vērtēta ar 3,5 (3,39 2018. gadā), savukārt Lietuvā ar 3,7 (3,53 2018. gadā), bet Igaunijā ar 3,8 (3,57 2018. gadā). Visās trīs Baltijas valstīs, bet sevišķi Lietuvā un Igaunijā, palielinājusies arī apmierinātība ar valsts nodokļu politiku: ja 2018. gadā Igaunijā, Lietuvā un Latvijā uzņēmēji apmierinātību ar nodokļu politiku vērtēja, atiecīgi, ar 2,36; 2,85 un 2,41, tad 2019. gadā vērtējumi bija 3,10; 3,10 un 2,60 (1–5, skalā, kur kur 5 nozīmē ļoti augstu apmierinātību). Visās trīs Baltijas valstīs ir nedaudz pieaugusi arī apmierinātība ar biznesa likumdošanas kvalitāti, kas 2019. gadā bija
39
Pētījuma kopsavilkums
robežās no 3,01–3,35. Savukārt apmierinātība ar valsts atbalstu uzņēmējiem Baltijas valstīs 2019. gadā bija aptveni tāda pašā līmenī kā 2018. gadā: robežās no 2,42- 2,85. Izmantojot regresijas analīzi, mēs identificējām vairākus faktorus, kas veicina Baltijas valstu uzņēmēju iesaistīšanos ēnu ekonomikā. Regresijām izmantojām apkopotus datus no deviņām aptauju kārtām, kas veido paneli, aptverot laika posmu no 2010. līdz 2019. gadam, balstoties uz aptuveni 1500 uzņēmumu aptauju katrā aptaujas kārtā. Regresijas analīze liecina, ka Igaunijā un Lietuvā ēnu ekonomikas apjoms ir mazāks salīdzinājumā ar ēnu ekonomiku Latviju pēc vairāku faktoru kontroles, un atšķirības ir statistiski nozīmīgas. Rezultāti arī apliecina, ka uzņēmumu apmierinātība ar nodokļu politiku un valsts atbalstu ir negatīvi saistīta ar iesaistīšanos ēnu ekonomikā, t.i., neapmierināti uzņēmumi ēnu ekonomikā iesaistās vairāk, apmierināti uzņēmumi - mazāk. Analizējot katru no četriem apmierinātības rādītājiem atsevišķi, mēs secinām, ka ēnu aktivitāte ir visvairāk saistīta ar neapmierinātību attiecībā uz biznesa likumdošanas kvalitāti un Valsts ieņēmumu dienestu, kam seko apmierinātība ar nodokļu politiku un valsts atbalstu uzņēmējiem. Pētījuma rezultāti apliecina, ka tolerance attiecībā uz izvairīšanos no nodokļu maksāšanas ir pozitīvi saistīta ar neuzrādīto ienākumu līmeni, t.i., uzņēmēji, kas izvairīšanos no nodokļu maksāšanas uzskata par pieļaujamu rīcību, ēnu ekonomika iesaistās vairāk. Turklāt regresiju
40
Pētījuma kopsavilkums
koeficienti norāda, ka varbūtība tikt pieķertiem par izvairīšanos no nodokļu maksāšanas un sodu ietekme attiecībā uz tendenci iesaistīties ēnu ekonomikā saskan ar racionālas izvēles modeļu prognozēm. Proti, jo augstāka ir uztvertā pieķeršanas varbūtība un jo lielāki sodi, jo mazāka iesaistīšanās ēnu ekonomikā. Šie rezultāti norāda uz iespējamo politikas iniciatīvām nstrumentu ēnu ekonomikas apjoma samazināšanai, proti, palielinot varbūtību, ka tie uzņēmēji, kas iesaistās ēnu ekonomikā, tiks pieķerti un par to pienāksies adekvāts sods. Vēl viens būtisks (un statistiski nozīmīgs) faktors, kas nosaka iesaistīšanos ēnu ekonomikā, ir uzņēmuma lielums: mazāki uzņēmumi ēnu ekonomikas aktivitātēs iesaistās vairāk nekā lielāki uzņēmumi. Regresiju rezultāti arī parāda, ka jaunāki uzņēmumi vairāk iesaistās ēnu aktivitātēs, nekā vecāki uzņēmumi. Iespējamais izskaidrojums šīm abām tendencēm ir tāds, ka mazas un jaunas firmas izmanto nodokļu nemaksāšanu kā līdzekli, lai konkurētu ar lielākiem un vairāk pieredzējušiem konkurentiem. Regresiju rezultāti arī apliecina, ka būvniecības nozares uzņēmumi mēdz iesaistīties ēnu aktivitātēs vairāk, nekā uzņēmumi citās nozarēs, piemēram, mazumtirdzniecībā. Mūsu rezultāti norāda uz nepieciešamību turpināt reformas un citas politikas iniciatīvas ēnu ekonomikas mazināšanai gan Latvijā, gan pārējās divās Baltijas valstīs. Sevišķi būtiski šādas reformas ir īstenot, t.sk. pārskatot pieeju ēnu ekonomikas apjoma ierobežošanai, ņemot vērā tuvākajos gados sagaidāmo ekonomikas lejupslīdi.
41
Indeksa veidošanai izmantotās metodes
Uzņēmēju aptauja SSE Riga ēnu ekonomikas indekss tiek veidots, izmantojot Igaunijas, Latvijas un Lietuvas uzņēmumu īpašnieku/ vadītāju ikgadējo aptauju, kas izstrādāta pēc Putniņa un Saukas (2015) metodes. Aptaujas tiek rīkotas katru gadu februārī–aprīlī, un to laikā tiek uzdoti jautājumi par ēnu ekonomiku iepriekšējo divu gadu laikā. Piemēram, 2020. gada martā–aprīlī veiktās aptaujas laikā tika apkopota informācija par ēnu ekonomiku 2019. un 2018. gadā. Lai nodrošinātu konsekventas atbildes, secīgi veiktās aptaujās viens gads pārklājas (piem., apkopojot informāciju par 2018. gada ēnu uzņēmējdarbību aptaujās, kas veiktas 2019. un 2020. gadā). Aptaujāto uzņēmumu izlasi mēs veidojam nejaušā stratificētā kārtībā, katrā valstī nodrošinot uzņēmumu daudzumam proporcionālu pārstāvniecību. Strādājot ar aktīvajiem uzņēmumiem katrā Baltijas valstī (izmantojam Orbis datubāzi, kuru uztur Bureau Van Dijk), par katru no tām mēs izveidojam lieluma kvintiles (izmantojot aktīvu uzskaites vērtību), un no katra lieluma kvintiles, izmantojot nejaušu atlasi, tiek atlasīta vienāda apjoma izlase. Pavisam katrā valstī tiek veiktas vismaz 500 telefonintervijas katrā no valstīm. Aptauja tika veikta sadarbībā ar SKDS.
42
Indeksa veidošanai izmantotās metodes
Indeksa aprēķināšana Ar indeksu tiek mērīts ēnu ekonomikas lielums procentos no IKP. IKP mērīšanai pastāv trīs vispārlietotas metodes: apjoma, izdevumu un ieņēmumu pieeja. Mūsu indeksa pamatā ir ieņēmumu pieeja, saskaņā ar kuru IKP tiek aprēķināts kā darbinieku bruto atlīdzības (bruto personīgie ienākumi) un uzņēmumu bruto saimnieciskās darbības ienākumu (bruto uzņēmumu ienākumi) summa. Indekss tiek aprēķināts trīs posmos: i) izmantojot anketā norādītās atbildes, tiek aplēsts līmenis, kādā netiek uzrādīta darbinieku atlīdzība un uzņēmumu saimnieciskās darbības ienākumi; ii) tiek aplēsta katra uzņēmuma ēnu ražošana kā vidējais svērtais rādītājs no neuzrādītās darbinieku atlīdzības un uzņēmuma saimnieciskās darbības ienākumiem, un svērums rāda darbinieku atlīdzības un uzņēmumu saimnieciskās darbības ienākumu īpatsvaru IKP sastāvā; iii) tiek aprēķināts ēnu ražošanas vidējais, ar ražošanu svērtais lielums dažādiem uzņēmumiem.
43
Indeksa veidošanai izmantotās metodes
Operating Income
Pirmajā posmā uzņēmuma i neuzrādītie saimnieciskās darbības ienākumi URi tiek aplēsti tieši, izmantojot attiecīgo anketas jautājumu. Savukārt neuzrādīto darbinieku atlīdzību veido šādi divi elementi: i) neuzrādītā jeb aplokšņu alga un ii) neuzrādītais darbinieku skaits. Abi kopā šie elementi rāda uzņēmuma i kopējo neuzrādīto darbinieku atlīdzības daļu:
URi
EmployeeRemuneration
=1-(1- URi
Salaries
)(1- URi
Employees
)
Otrajā posmā par katru uzņēmumu tiek izveidots neuzrādīto personīgo ienākumu un neuzrādīto uzņēmuma saimnieciskās darbības ienākumu vidējais svērtais rādītājs, tādējādi tiek iegūta aplēse par neuzrādīto (ēnas) daļu uzņēmuma ražošanā (ienākumos):
ShadowProportioni=
α
α UR c
i
EmployeeRemuneration
+(1-
α
c
) URi
OperatingIncome
kur c ir darbinieku atlīdzības (Eurostat D.1 postenis) attiecība pret darbinieku atlīdzības kopsummu un uzņēmumu bruto saimnieciskās darbības ienākumiem (Eurostat B.2g un B.3g postenis). Mēs aprēķinājām c katrai valstij, kas ir c, katrā gadā, izmantojot Eurostat datus. Ir svarīgi izmantot vidējo svērto rādītāju par neuzrādītajiem lielumiem, nevis vienkārši vidējo lielumu, lai ēnu ekonomikas indeksu varētu traktēt procentos no IKP.
α
44
Indeksa veidošanai izmantotās metodes
Trešajā posmā tiek izmantots neuzrādītās ražošanas vidējais svērtais lielums, kas ir ShadowProportioni , uzņēmumiem c valstī, lai iegūtu attiecīgās valsts ēnu ekonomikas indeksu:
INDEX CShadow Economy =
Nc
∑wi ShadowProportioni i=1
Svērumi, kas ir wi , ir katra uzņēmuma relatīvais pienesums valsts IKP, kas tiek tuvināti, izmantojot uzņēmuma maksātās algas relatīvo lielumu. Tāpat kā otrajā posmā, arī šajā posmā ir svarīgi izmantot svērumu, lai ēnu ekonomikas indeksu izteiktu procentos no IKP. Nobeiguma posmā mēs izmantojām metodoloģiju, kas izmantota Pasaules Ekonomikas foruma (World Economic Forum) sagatavotajā Globālās konkurētspējas ziņojumā (Global Competitiveness Report), un piemērojām INDEX CShadow Economy svērto slīdošo vidējo, ņemot datus no divām jaunākajām aptaujām. Tam ir vairāki iemesli tostarp i) tādējādi tiek palielināts pieejamās informācijas apjoms un attiecīgi indeksa precizitāte, jo tiek sniegts lielāka apjoma paraugs, un ii) tādējādi rezultāti ir mazāk jutīgi pret konkrēto laiku, kurā aptauja tiek apstrādāta. Svērumu shēmā ietverti divi elementi, kuri savstarpēji pārklājas:
45
Indeksa veidošanai izmantotās metodes
i) lielāks svērums tiek piešķirts jaunākajai aptaujai, jo tajā ietverta jaunāka informācija (pagātnes informācija tiek „diskontēta”), ii) lielāks svērums tiek piešķirts lielāka apjoma paraugiem, jo tajos ietverts lielāks informācijas apjoms. Saskaņā ar Pasaules Ekonomikas foruma pieeju tiem gadiem, par kuriem nav laika rindu no iepriekšējām aptaujām (2009. gada un 2010. gada rezultāti, kuru pamatā ir 2011. gadā veiktā pirmā aptauja), indeksa pamatā ir tikai viena aptauja. Attiecīgi indeksa aplēses par pirmajiem diviem gadiem (2009. gadu un 2010. gadu) ir jutīgākas pret izlases kļūdām nekā turpmākās aplēses par gadu, kurām izmantots lielāka apjoma paraugs un slīdošais vidējais. Lai varētu veikt salīdzinājumu starp valstīm, mēs piemērojām konsekventu metodoloģiju, aprēķinot ēnu ekonomikas indeksu katrā Baltijas valstī.
Atsauces Putnins, T. and A. Sauka (2015), Measuring the Shadow Economy Using Company Managers. Journal of Comparative Economics, 43 (2), 471– 490.
46
Pateicība
Pateicamies SSE Riga Ilgtspējīga biznesa centram par finansiālo atbalstu ēnu ekonomikas indeksa datu vākšanai, SKDS par datu vākšanu un mūsu sadarbības partneriem — Lielbritānijas Vēstniecībai Latvijā, Eiropas Komisijai, biedrībai Business Against Shadow Economy (BASE), SSE Riga Absolventu asociācijai, Attīstības finanšu institūcijai ALTUM, Latvijas Tirdzniecības un rūpniecības kamerai un Latvijas Republikas Finanšu ministrijai par kopīgu darbu konferences “Ēnu ekonomika Latvijā” rīkošanā. Pateicamies arī visiem uzņēmējiem, kuri piekrita piedalīties intervijās. Šo pētījumu līdzfinansē Latvijas Zinātnes padome, projekti: „Institūti un nodokļu iekasēšana Latvijā”, projekts Nr. Lzp-2018 / 2-0067 un “Remigrācija un Intelektuālais ieguvums Latvijā”, projekts Nr. Lzp-2018/1 -0486 Shadow: Neformālās ekonomikas un ēnu prakses izpēte bijušajā PSRS reģionā (projekta numurs: 778188)
47