Не отобразилась форма расчета стоимости? Переходи по ссылке

Не отобразилась форма расчета стоимости? Переходи по ссылке

Дипломная работа на тему «Построение системы оперативных индикаторов сектора торговли Российской Федерации»

Торговля является одним из крупнейших, динамично развивающихся секторов экономики Российской Федерации. Доля раздела G общероссийского классификатора видов экономической деятельности (оптовая и розничная торговля; ремонт автотранспортных средств, мотоциклов, бытовых изделий и предметов личного пользования) в 2016 году составила порядка 15,86% от общего объема произведенной валовой добавленной стоимости в основных ценах, что уступает лишь разделу K (операции с недвижимым имуществом, аренда и предоставление услуг) — 17,18% [42].

Написание диплома за 10 дней

Содержание

Торговля является одним из крупнейших, динамично развивающихся секторов экономики Российской Федерации. Доля раздела G общероссийского классификатора видов экономической деятельности (оптовая и розничная торговля; ремонт автотранспортных средств, мотоциклов, бытовых изделий и предметов личного пользования) в 2016 году составила порядка 15,86% от общего объема произведенной валовой добавленной стоимости в основных ценах, что уступает лишь разделу K (операции с недвижимым имуществом, аренда и предоставление услуг) — 17,18% [42].

Вместе с этим, текущее положение в секторе торговли является весьма напряженным, так как негативные политические и экономические события последних лет, в первую очередь, отражаются на потребительском поведении населения. Тем не менее, сектор торговли продолжает свое развитие, следуя общемировым тенденциям — происходит активное расширение электронной коммерции (в 2016 году ее рост составил порядка 13%) [44], а крупные ритейлеры развивают новые стратегии для привлечения клиентов [43].

Таким образом, сектор торговли представляет значительный интерес для исследования. Анализ и прогнозирование показателей данного сектора позволят выявить тенденции и перспективы его развития, которые важны как для принятия управленческих решений бизнес-сообществом, так и для создания эффективной макроэкономической политики. Поэтому, важную роль имеет наличие системы оперативной бизнес-статистики (ОБС), которая способствует отслеживанию краткосрочных тенденций и изменений в рыночной среде. Данная система получила широкое распространение в странах Европейского союза (ЕС). Однако в Российской Федерации краткосрочная статистика предприятий (аналог ОБС ЕС) имеет ряд организационных недостатков, требующих оперативного исправления.

Цель выпускного квалификационного исследования заключается в построении системы оперативных индикаторов сектора торговли Российской Федерации в соответствии с методологией оперативной бизнес-статистики ЕС и применении к ней математико-статистических методов для прогнозирования краткосрочных тенденций развития сектора.

В соответствии с целью были поставлены следующие задачи:

—       изучить методологическую базу анализа оперативных бизнес-индикаторов сектора торговли в Евросоюзе (ЕС) и определить различия с текущей практикой Федеральной службы государственной статистики;

—       провести анализ методики расчета и форм публикации показателей ОБС Евросоюза, определить российские аналоги для сектора торговли и построить соответствующие временные ряды;

—       построить модели байесовской векторной авторегрессии для прогнозирования многомерных временных рядов показателей сектора торговли РФ с целью определения их взаимосвязей и тенденций развития изучаемого сектора, в контексте сравнения с тенденциями развития сферы торговли в государствах Европейского Союза;

—       провести одномерный анализ динамики оборота организаций розничной торговли, кроме торговли автотранспортными средствами и мотоциклами для определения перспектив развития сектора.

Объектом исследования является совокупность крупных и средних предприятий сектора торговли РФ, средняя численность работников которых превышает 15 человек. Под предприятиями сектора торговли подразумеваются хозяйствующие субъекты, осуществляющие деятельность в соответствии с кодами раздела G Общероссийского классификатора видов экономической деятельности (ОКВЭД 2), а именно: 45 (торговля оптовая и розничная автотранспортными средствами и мотоциклами и их ремонт), 46 (торговля оптовая, кроме оптовой торговли автотранспортными средствами и мотоциклами) и 47 (торговля розничная, кроме торговли автотранспортными средствами и мотоциклами).

Нужна помощь в написании диплома?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.

Подробнее

Предметом исследования является система оперативных показателей, формируемых по сектору торговли Федеральной службой государственной статистики (Росстат), аналогичные показателям статистической службы Европейского союза (Евростат).

В процессе выполнения выпускной квалификационной работы было изучено 46 источников, перечень которых приведен в списке использованной литературы. Теоретическая база представлена работами отечественных и зарубежных специалистов в области статистики и анализа данных. Информационная база включает в себя данные Федеральной службы государственной статистики (Росстат), Единой межведомственной информационно-статистической системой (ЕМИСС) и сведения статистической службы Европейского союза (Евростат). Методологическую базу составили методы статистического и эконометрического анализа. В работе применялись пакеты прикладных программ R, JDemetra+.

Выпускная квалификационная работа включает введение, две главы, заключение, список литературы и приложения.

Во введении определена актуальность данного исследования, его предмет и объект, а также цель и задачи работы.

В первой главе проведен анализ отечественных работ на данную тему, в которых были выявлены некоторые недостатки содержательного характера. Осуществлено исследование методологической базы анализа оперативных бизнес-индикаторов сектора торговли в ЕС, определены наиболее близкие им показатели Росстата и выявлены различия между ними. Определены проблемы, препятствующие развитию краткосрочной статистики предприятий в РФ.

Во второй главе осуществлен эконометрический анализ современного состояния торговли в России с использованием оперативных бизнес-индикаторов сектора торговли. В частности, в работе было осуществлено прогнозирование индикаторов РФ и Европейского союза с использованием модели байесовской векторной авторегрессии. Вместе с этим, был проведен сравнительный анализ тенденций развития данного сектора РФ с аналогичным сектором стран Европейского союза. В этой главе был проведен одномерный анализ оборота организаций розничной торговли при помощи моделей SARIMA, Хольта-Уинтерса и нейронных сетей для определения прогноза развития изучаемого сектора.

В заключении обобщаются полученные результаты квалификационного исследования.

Глава 1. Методологическая база оперативной бизнес-статистики сектора торговли 1.1 Основы оперативной бизнес-статистики сектора торговли Европейского союза

Оперативная бизнес-статистика (ОБС) предоставляет информацию, необходимую для мониторинга конкурентоспособности и эффективности предпринимательского сообщества Европейского союза. ОБС применяется широким кругом пользователей — центральными банками, государственными органами, экономическими аналитиками частных компаний и финансовых институтов. Данные ОБС используются для определения политики (экономической, конкурентной, социальной и т.д.), расчета показателей системы национальных счетов, анализа экономического тренда, прогнозирования и моделирования. Таким образом, оперативная бизнес-статистика представляет характеристику экономики предприятий, которая является достоверной по своему охвату, своевременности и качеству.

Основу оперативной бизнес-статистики в странах ЕС определяет Директива по ОБС (Council Regulation (EC) No 1165/98), в соответствии с которой осуществляется сбор 32 краткосрочных индикаторов.

В свою очередь, Директива по ОБС имеет четыре приложения (A, B, C и D), в которых определен перечень показателей статистического учета для конкретных видов экономической деятельности в соответствии с Статистической классификацией видов экономической деятельности в Европейском экономическом сообществе (редакция 2) (NACE Rev. 2), которая имеет гармонизированное соответствие с Общероссийским классификатором видов экономической деятельности (ОКВЭД 2) до четырех знаков. Каждое приложение имеет собственное наименование: «Промышленность», «Строительство», «Розничная торговля и ремонт» и «Другие услуги». При этом для охвата промышленного сектора и строительства используется по 11 индикаторов для каждого сектора, в то время как для розничной торговли и сферы услуг — по пять показателей.

Каждый индикатор ОБС имеет собственное наименование, отличное от схожих показателей системы национальных счетов, что подчеркивает различия в методологии определения данных показателей. Все показатели ОБС являются базисными индексами, которые представляют информацию только о тенденции изменения индикаторов, но не об их уровнях. Изучаемые данные могут передаваться в статистическую службу Европейского союза (Евростат) как в абсолютных значениях, так и в виде индексов (как правило, в нескорректированном виде). Показатели, подверженные влиянию календарных эффектов, должны быть переданы также в виде, скорректированном на количество рабочих дней соответствующего периода и сезонность.

В данной работе рассматривается сектор торговли, который также может быть подразделен на оптовую (раздел 46) и розничную торговлю (раздел 47), а также торговлю оптовую и розничную автотранспортными средствами и мотоциклами и их ремонт (раздел 45). Следовательно, в соответствии с стандартами оперативной бизнес-статистики необходимо рассматривать показатели приложений C и D, так как разделы 45 и 46 включены в ряд «других услуг». Тем не менее, данные по всем трем разделам (45, 46, 47) публикуются вместе [45], а в системе Euro SDMX Metadata Structure (ESMS) (в разделе, посвященном ОБС) третье приложение именуется «оптовой и розничной торговлей» [46]. Это объясняется тем, что перечень показателей для разделов 45 и 46 наиболее соответствует показателям третьего приложения «розничная торговля», так как для этих видов деятельности, в соответствии с нормативными документами, не рассчитывается индикатор «цены производителей», используемый для других видов деятельности приложения D. В таблице 1 представлен перечень показателей, рассчитываемых для Приложений C, D, а также разделов 45 и 46. Вместе с этим, необходимо отметить то, что несмотря на отсутствие обязательности публикации показателя 330 для данных разделов, он также рассчитывается некоторыми странами ЕС в рамках ОБС.

Таблица 1 Перечень показателей рассчитываемых в рамках ОБС ЕС для приложений С, D и разделов 45-46.

 

Нужна помощь в написании диплома?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.

Заказать диплом

Основной единицей наблюдения для всех показателей приложений C и D является предприятие.

Различия исследуемых показателей в Приложениях C и D проявляются в несоответствии периодичности их наблюдения. Так, для розничной торговли показатель оборота и индекса цен оборота собирается на ежемесячной основе, а показатели трудозатрат (количество занятых и отработанных часов, заработная плата) — на ежеквартальной. В то же время, для «других услуг» все показатели ОБС рассчитываются на квартальной основе. Тем не менее, многие страны наблюдают и публикуют значения оборота для разделов 45 и 46 ежемесячно [45].

Помимо этого, методологией ОБС четко регламентируются уровни дезагрегации и сроки предоставления индикаторов. В таблице 2 представлены уровни дезагрегации показателей для индикаторов ОБС. Уровни дезагрегации индикаторов сферы услуг учитываются только для наиболее важных для данной работы разделов NACE Rev. 2 — 45 и 46. Расшифровка используемых кодов NACE Rev. 2 и соответствующие им коды ОКВЭД 2 представлены в приложении 1.

Таблица 2 Уровни дезагрегации индикаторов ОБС сектора торговли

 

Сроки предоставления и периодичность предоставления показателей оперативной бизнес-статистики представлены в таблице 3.

К основным направлениям дальнейшего развития методологии оперативных бизнес-индикаторов Евростата, согласно Директиве по ОБС, можно отнести:

—       изучение возможностей более раннего предоставления данных по индикаторам ОБС промышленности и сферы услуг;

—       сбор оперативной информации о «демографии» предприятий;

—       увеличение детализации данных по видам деятельности;

—       сбор данных по новым показателям, например, краткосрочным инвестициям, запасам и т.д.;

—       применение индексов цен для оборота предприятий сферы услуг;

Нужна помощь в написании диплома?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.

Цена диплома

—       использование единицы вида деятельности в качестве единицы наблюдения для ОБС розничной торговли и сферы услуг;

—       сбор информации напрямую в соответствии с методологией ОБС без использования аппроксимирующих их показателей.

Таблица 3 Сроки максимальные предоставления данных в Евростат и периодичность индикаторов ОБС сектора торговли

1.2 Анализ индикаторов сектора торговли оперативной бизнес-статистики Европейского союза

Методологические рекомендации ОБС для индикаторов сектора торговли, разработанные статистической службой Европейского союза, включают в себя следующие показатели:

1. Оборот

Оборот, в соответствии с определением Евростата, включает в себя сумму, декларируемую единицей наблюдения в течение отчетного периода и соответствующую объему рыночных продаж товаров или услуг, предоставленных третьим сторонам. Величина оборота должна включать все другие расходы (например, на транспортировку, упаковку и т.д.), даже в том случае, если эти расходы учитываются отдельно. Также в объеме розничного товарооборота присутствуют субсидии, полученные от государственных органов или институтов ЕС. В то же время, из этого показателя исключены НДС и другие налоги, подлежащие вычету и непосредственно связанные с величиной оборота, а также все пошлины и налоги на товары или услуги, заявленные единицей наблюдения. Помимо этого, из величины оборота вычитаются скидки, снижения цен, дисконты и возвраты продукции.

Важный акцент в определении оборота делается на необходимость исключения НДС из этого показателя, поскольку данный налог не оказывает влияния на тенденции развития рассматриваемых секторов лишь до тех пор, пока не происходят изменения в налоговом регулировании. Помимо этого, различные ставки обложения НДС товаров и услуг (в том числе, для внутреннего и внешнего рынка) способны исказить структуру оборота. Еще большая актуальность исключения данного фактора заключается в возможности статистических сопоставлений между странами ЕС, несмотря на различия в налоговом регулировании.

Сбор информации о показателе оборота может осуществляться при помощи статистического обследования или административных источников. С методологической точки зрения, специальное статистическое обследование является оптимальным. Однако на практике применяются данные административных источников, что позволяет решить проблему сложности процедуры сбора данных на предприятиях. Налоговые декларации регулярно предоставляются всеми единицами наблюдения относительно покупок и продаж, а, следовательно, отсутствует необходимость в сборе информации посредством специального статистического обследования.

В таком случае, необходимо уделить особое внимание различиям между методикой, используемой административными органами, и инструкциями, применяемых в соответствии с Директивой по ОБС с целью устранения проблем их согласования. Применение налоговых деклараций может также привести к трудностям, связанным с допустимыми задержками их подачи в налоговые органы, несовместимыми с положениями Директивы по ОБС. Не следует игнорировать тот факт, что страны Евросоюза самостоятельно определяют уровень оборота организаций, необходимого для подачи деклараций по НДС. Они также могут устанавливать различную периодичность сроков подачи деклараций в зависимости от размера предприятия.

Директива по ОБС требует предоставления показателя оборота в Евростат, либо в абсолютных значениях, либо в виде индекса. Индекс оборота — простой базисный индекс, рассчитываемый как отношение значения показателя отчетного периода к значению базисного.

С целью составления индекса оборота для всего Евросоюза на высоких уровнях классификатора видов экономической деятельности, необходимо агрегировать индексы на более низком уровне классификации. Процедура агрегирования осуществляется при помощи весов, основанных на доле оборота каждого вида деятельности в базисном году. Для определения весов рекомендуется использовать данные структурной бизнес-статистики для того, чтобы обеспечить максимальную согласованность между исследуемыми показателями.

Нужна помощь в написании диплома?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.

Заказать диплом

2. Индекс цен оборота / Индекс физического объема оборота

Директива по ОБС регламентирует использование показателя «индекс цен оборота» исключительно для приложения, которое относится к розничной торговле. Данный показатель предназначен для элиминации эффекта изменения цен в обороте организаций розничной торговли. В связи с этим обстоятельством, странам ЕС предоставлена возможность декларации в Евростате данных индекса физического объема оборота организаций розничной торговли, игнорируя показатель «индекса цен». При этом отмечается, что индекс физического объема оборота организаций розничной торговли отличен от показателя объема розничных продаж.

Индекс физического объема выражается формулой:

,

где  — индекс физического объема оборота организаций розничной торговли,  — индекс цен розничной торговли.

При расчете индекса цен розничной торговли для отдельного вида деятельности розничной торговли используется взвешенное среднее индексов цен товаров, реализуемых в рамках данного вида деятельности.

Вместе с этим, в рамках ОБС важно учитывать реальную динамику изменения цен, в связи с чем необходимо показывать фактические цены продаж, включая все ценообразующие характеристики (например, транспортировку, скидки и т.д.). Более того, данная информация должна соотноситься с конкретным днем месяца.

Евростат не регламентирует способ сбора информации об индексах цен по категориям продуктов, допуская использование как методологически более верного (но материально затратного) специального обследования цен по выборке продуктов, так и гармонизированных индексов потребительских цен — Harmonised Index of Consumer Prices (HICP). Сбор показателей HICP осуществляется странами ЕС в оперативном режиме, а потому данный метод является более предпочтительным, по сравнению с методом специального обследования цен, несмотря на то, что цены при расчете показателя HIPC содержат НДС, который должен быть исключен согласно методологии ОБС.

В целом, сложность расчета индекса цен оборота организаций розничной торговли связана с тем, что независимо от способа определения, этот показатель является индексом, формируемым по товарам конечного потребления, в то время как данные оборота составлены по видам экономической деятельности.

Для решения вышеназванной проблемы данные гармонизированных индексов потребительских цен, учитываемых в соответствии с классификатором Classification of Individual Consumption according to Purpose (COICOP) на уровне классов (4 цифр классификации) соотносят с кодами классификатора видов экономической деятельности NACE Rev. 2. При агрегировании полученных показателей в качестве весов могут применяться данные обследования домашних хозяйств — Household Budget Survey (HBS), либо данные о структуре оборота розничной торговли в соответствии с классификацией продукции по видам деятельности.

3. Количество занятых

Количество занятых в рамках ОБС определяется суммарной численностью человек, работающих за вознаграждение на единице наблюдения и за ее пределами (например, торговые представители), а также количеством неоплачиваемых работников; работников, отсутствующих на определенный срок; работников, участвующих в забастовках; работающих собственников и работающих членов семей. Кроме того, в данном показателе учитываются числящиеся на предприятии работники, работающие неполный рабочий день; сезонные и надомные работники, а также практиканты. Однако в рассматриваемом показателе не учитываются лица, отсутствующие на неопределенный срок и работники, осуществляющие работу от имени другого предприятия (сотрудники агентств, техническое обслуживание и т.д.).

В рамках ОБС допускается аппроксимация этого индикатора показателем количества сотрудников, являющегося чуть более узким и охватывающим работников, имеющих трудовой договор и получающих компенсации. Таким образом, показатель не учитывает работников, работающих без вознаграждения. Вместе с этим, предоставляется определенная свобода в получении необходимых данных из ряда возможных источников, которые включают в себя специальные бизнес-обследования, административные источники и обследования занятости. Рекомендации ОБС предполагают предоставление данных о количестве занятых на ежеквартальной или ежемесячной основе, при этом второй вариант является наиболее предпочтительным.

Нужна помощь в написании диплома?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.

Цена диплома

Для составления индикатора количества занятых используется базисный индекс:

,

где ;

;

— среднее значение количества занятых в базовом периоде 0.

4. Количество отработанных часов

Методология ОБС предусматривает использование показателя общего количества фактически отработанных часов (как сотрудниками, так и самозанятыми на предприятии) для построения индикатора, требуемого ОБС. Общее количество фактически отработанных часов включает:

—       время, отработанное в соответствии с нормой, указанной в трудовом договоре;

—       время, отработанное сверхурочно (за вознаграждение или бесплатно, в том числе, в ночное время, праздничные дни и выходные);

—       время, затраченное на подготовку рабочего места и короткий отдых на рабочем месте;

—       время, проведенное на рабочем месте, в течение которого работа не выполнялась (по причинам поломок оборудования, аварий или отсутствия работы).

В расчет показателя не входят оплачиваемые праздники и отпуска; больничные, забастовки и локауты; время, затраченное на приемы пищи или дорогу от дома до рабочего места.

Нужна помощь в написании диплома?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.

Подробнее

В том случае, если в отчетности отсутствует показатель «количество фактически отработанных часов», он может быть оценен по норме количества рабочих часов и средней доли неявок.

Для расчета показателя количества отработанных часов не регламентируется способ сбора информации. В качестве источников получения данных могут использоваться обследования рабочей силы и бизнес-обследования, при этом каждый способ не лишен определенных недостатков. Так, бизнес-обследования не учитывают количество отработанных неоплачиваемых сверхурочных часов, а обследования рабочей силы фиксируют вид экономической деятельности при помощи самоопределения. Вместе с этим, при обследованиях рабочей силы данные выборки для оценки генеральной совокупности могут быть неактуальны в связи с недостаточной оперативностью их сбора и обработки. Поэтому, решение выбора способа сбора информации делегируется национальным статистическим службам стран ЕС.

5. Заработная плата

Оплата труда наемных работников является основополагающим элементом счета образования доходов в системе национальных счетов. Она подразделяется на заработную плату и выплаты социального характера. Интерес оперативной бизнес-статистики вызывает именно заработная плата, так как отчисления на выплаты социального характера являются стабильными и не подвержены случайным изменениям.

Показатель оплаты труда (заработной платы) определяется как общая сумма вознаграждения в денежной или в натуральной форме, подлежащего выплате предприятием работникам за проделанную ими работу в течение отчетного периода вне зависимости от регулярности или вида выплат вознаграждения. Подоходный налог, а также социальные отчисления не должны вычитаться из показателя заработной платы, даже в том случае, если фактически они перечисляются в соответствующие органы напрямую работодателем. Заработная плата включает в себя: все пособия, бонусы, добровольные выплаты, тринадцатую заработную плату, выходные пособия, комиссионные вознаграждения, оплату проживания, транспорт, семейные пособия и т.д., полученные работниками от работодателя. В то же время, не учитываются затраты, понесенные работодателем на набор персонала. В связи с этим, возникают сложности с необходимостью учета услуг, предоставляемых работодателем сотрудникам бесплатно или со скидкой (например, униформа, еда, парковочные места, проведение мероприятий).

Источниками данных о заработной плате могут служить бизнес-обследования, обследования рабочей силы и административные ресурсы. Каждый информационный ресурс имеет свои преимущества и недостатки, связанные с оперативностью, полнотой, стоимостью и сопоставимостью данных с другими индикаторами. Тем не менее, согласно рекомендациям Евростата, бизнес-обследование является предпочтительным источником информации, несмотря на высокую стоимость проведения подобных обследований. Рассматриваемый показатель представляется в виде базисного индекса.

1.3 Проблемы развития методологии составления и анализа оперативных бизнес-индикаторов в РФ

Основополагающей работой в области оперативной бизнес-статистики в отечественной научной литературе является статья А. Н. Пономаренко [11]. В данной работе изложены общие принципы оперативной бизнес-статистики, а также в общих чертах рассмотрено устройство ОБС в странах Европейского союза. Наибольший акцент в работе делается на сравнении индикаторов оперативной бизнес-статистики с показателями системы национальных счетов, используемой в странах СНГ. В результате проведенного анализа было выявлено наличие существенных методологических различий между вышеназванными системами показателей. Пономаренко А. Н. заявляет о необходимости формирования отечественной системы оперативной бизнес-статистики, которая производится нецеленаправленно, а лишь в качестве промежуточного материала для расчета элементов системы национальных счетов (СНС). В работе предлагается идея четкого методологического и организационного разграничения потоков информации, публикуемой Федеральной службой государственной статистики (Росстат), в рамках СНС и ОБС.

В работе Луппова А. Б. [9] рассматриваются методологические проблемы формирования и развития ОБС в России, большинство из которых соотносятся с рассмотренной работой Пономаренко [11]. С целью решения обозначенных проблем была выдвинута идея проведения сопоставлений подходов, применяемых при расчете индикаторов ОБС и близких по смыслу показателей отечественной системы показателей, что было отражено в последующих работах на данную тематику.

В статье Клочковой Е. Н. [5] проводится анализ сектора промышленности в соответствии с методологией оперативной бизнес-статистики. В работе приведены индикаторы европейской системы ОБС, однако используемые для анализа показатели Российской Федерации методологически строго не соответствуют требованиям ОБС. Так, например, в работе используется показатель реальной заработной платы, в то время как аналогом индикатора «заработная плата» в системе ОБС является другой показатель — фонд заработной платы.

В работах Ледневой О. В. [6, 7] подробно описаны элементы методологии ОБС Евростата для секторов промышленности, розничной торговли и сферы услуг. Вместе с этим автором предпринята попытка определения некоторых аналогичных показателей Росстата для сектора промышленности. По результатам работы [6] был сделан вывод о недостаточном объеме доступной информации, публикуемой Росстатом при составлении полного спектра аналогов для показателей ОБС.

Последующая работа Ледневой О. В. [8] посвящена анализу индикаторов строительной отрасли РФ в соответствии с методологией ОБС. В рамках этой работы была сделана попытка поиска соответствующих методологии ЕС показателей Росстата. По нашему мнению, некоторые из показателей Росстата, предложенные Ледневой О. В. в качестве аналогов не отвечают методологическим требованиям ОБС (так, показатели Росстата, указанные автором как аналоги для индикаторов «количество занятых» и «заработная плата» рассчитываются ежегодно, в то время как Евростатом предполагается ежеквартальная периодичность). Более того, автором не были учтены все изменения, произошедшие в системе ОБС — так в статье рассматриваются показатели «полученные новые заказы», «полученные новые заказы на строительство зданий», «полученные заказы на строительство инженерных сооружений», которые были упразднены в системе ОБС за два года до выхода данной публикации.

Нужна помощь в написании диплома?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.

Заказать диплом

В последнее время в рамках выпускных квалификационных работ и магистерских диссертаций студентов департамента статистики и анализа данных Национального исследовательского университета «Высшая школа экономики» был опубликован ряд исследований, посвященных изучению ОБС. Так, например, в работах [1], [4] предпринимаются попытки поиска в системе Росстата аналогов индикаторам ОБС промышленности и строительства, большинство из которых действительно являются наиболее близкими к требованиям Евростата по методике их расчета. В этих случаях проводился одномерный анализ временных рядов для избранных показателей, а также осуществлялось моделирование при помощи моделей панельных данных и других методов многомерного анализа. Однако среди недостатков рассматриваемых работ стоит отметить некоторую методологическую отсталость — на момент написания работ произошли значительные изменения в системе Европейских индикаторов ОБС — некоторые показатели были упразднены или изменены.

Вместе с этим, рассмотренными выше работами несправедливо обделена вниманием система «краткосрочной статистики предприятий», используемая Росстатом, как определенный отечественный аналог системы оперативной бизнес-статистики ЕС. Отметим тот факт, что в рассматриваемых работах авторы приходят к выводу о необходимости формирования отечественной системы ОБС. Однако уже в 2006 году, за несколько лет до публикации Пономаренко А. Н. [11] Росстатом в методологических положениях по статистике был опубликован [24, с. 100] раздел, посвященный «краткосрочной статистике предприятий», которая по содержанию аналогична «оперативной бизнес-статистике» Евростата. В этом разделе отмечается особая роль краткосрочной статистики предприятий в принятии управленческих решений и отслеживании тенденций развития экономики.

1.4 Сравнительный анализ индикаторов краткосрочной статистики предприятий РФ с показателями ОБС ЕС

Основой краткосрочной статистики предприятий являются пять форм федерального статистического наблюдения (П-1, П-2, П-3, П-4, П-5(М)). В отличие от системы оперативной бизнес-статистики ЕС, блоки показателей по данным формам позволяют отслеживать ситуацию на различных рынках (рынке товаров и услуг, сфере занятости, оплаты труда и т.д.), а не в секторах экономики. При этом, большинство показателей, которые рассчитываются Росстатом в рамках форм краткосрочной статистики предприятий в то же время являются аналогичными индикаторам Европейского союза как по охвату, так и оперативности. Однако данные показатели не оформлены в единую систему или методологию. Более того, уровень детализации публикуемой информации и ее доступность являются неудовлетворительными для пользователей.

Вместе с этим, отметим то обстоятельство, что среди исследований, относящихся к изучаемой теме, не представлены работы, посвященные изучению индикаторов сектора торговли. Помимо этого, в большинстве перечисленных выше работ не уделяется должного внимания проблемам, препятствующим развитию оперативной бизнес-статистики в России.

Рассматривая соответствие показателей Федеральной службы государственной статистики с оперативными индикаторами Евростата, необходимо отметить тот факт, что под аналогами подразумеваются методологически наиболее близкие (не всегда точно соответствующие) показатели, на основе которых могут быть получены отечественные индикаторы ОБС.

Оборот

Аналогом индикатора оборота в системе ОБС является показатель «оборот организаций». Данный показатель включает стоимость отгруженных товаров собственного производства, выполненных работ и услуг собственными силами, а также выручку от продажи приобретенных на стороне товаров. В показатель не входят НДС, акцизы и аналогичные обязательные платежи. Оборот организаций является расчетным показателем, получаемым по результатам федерального статистического наблюдения по форме П-1. Необходимо отметить, что показатель «оборот организаций» является более применимым в качестве аналога индикатора оборота для розничной торговли в соответствии с методологией ОБС, по сравнению с тем, который учитывается в форме П-1 и публикуется в отчетности — «оборот розничной торговли», так как последний включает налог на добавленную стоимость, акцизы и аналогичные обязательные платежи, что не соответствует требованиям ОБС.

Стоимость отгруженных товаров собственного производства, выполненных работ и услуг собственными силами, а также выручка от продажи приобретенных на стороне товаров отражается по видам экономической деятельности с учетом возмещений из бюджетов на покрытие льгот при фактической цене продаж. Таким образом, данный показатель в целом соответствует требованиям ОБС.

Индекс цен оборота

Методология ОБС допускает расчет индекса цен оборота для розничной торговли несколькими способами. Первый из них представляет собой расчет дефлятора на основе гармонизированных индексов потребительских цен с последующим соотнесением их с видами экономической деятельности. Полным аналогом гармонизированных индексов потребительских цен являются рассчитываемые Росстатом индексы потребительских цен на товары и услуги в группировке классификатора индивидуального потребления по целям (КИПЦ). Следовательно, возможно соотнесение их с видами экономической деятельности для получения индексов цен.

Однако альтернативным способом определения индекса цен оборота, который, на наш взгляд, является более оптимальным с точки зрения ОБС, является специальное обследование цен по выборке товаров. Подобного рода обследование проводится Федеральной службой государственной статистики для расчета индекса-дефлятора оборота розничной торговли для дальнейшего расчета индекса физического объема оборота розничной торговли. Индекс-дефлятор определяется по формуле Ласпейреса:

Нужна помощь в написании диплома?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.

Цена диплома

,

где  — индекс потребительских цен отдельного товара (товарной группы),  — структура оборота розничной торговли в действовавших ценах предыдущего года по номенклатуре товаров из 140 товаров или товарных групп.

Очевиден тот факт, что рассчитанное конечное значение индекса-дефлятора не может быть применимо к отдельным мелким видам экономической деятельности. Вместе с этим, имеющейся информации может быть вполне достаточно для определения индекса дефлятора по виду деятельности «торговля розничная, кроме торговли автотранспортными средствами и мотоциклами» в рамках нашего исследования.

Индикаторы рынка труда (Количество занятых, количество отработанных часов, заработная плата)

Федеральное статистическое наблюдение по форме П-4 предполагает предоставление предприятиями в Росстат сведений о численности работников, начисленной заработной плате, отработанном времени и выплатах социального характера.

Количество занятых

В рамках статистического обследования по форме П-4 осуществляется сбор информации о средней численности работников за отчетный месяц по видам экономической деятельности, а именно данных по количеству работников списочного состава (без внешних совместителей), внешних совместителей (пропорционально фактически отработанному времени) и работников, выполнявших работы по договорам гражданско-правового характера (ГПХ). Среднесписочная численность работников рассчитывается на основании приведенной к определенной дате списочной численности. При этом, в статистической отчетности учитываются как фактически работающие на момент отчетного периода, так и отсутствующие на работе по различным причинам. Характеристика Росстатом данных категорий работников, изложенная в [29], в целом соответствует рекомендациям ОБС по индикатору «количество сотрудников», который используется для замещения показателя «количество занятых». Вместе с этим, при расчете Росстатом показателя «среднесписочная численность» исключаются некоторые категории работников (например, женщины, находящиеся в отпусках по беременности), что не соответствует рекомендациям ОБС.

Более того, при определении количества занятых в ОБС не учитывается информация о видах договоров между работниками и работодателями (трудовых, по совместительству, ГПХ). Следовательно, с целью большего соответствия методологии ОБС необходимо рассчитывать сумму численности списочного состава, внешних совместителей и работающих по договору ГПХ. В системе показателей Федеральной службы государственной статистики данный показатель имеет наименование «количество замещенных рабочих мест».

Количество отработанных часов

Ежеквартально по форме П-4 осуществляется сбор информации о количестве отработанных человеко-часов с начала года для работников списочного состава и внешних совместителей. В данные показатели включаются фактически отработанные часы с учетом сверхурочных и отработанных в выходные дни и праздники, включая часы работы в служебных командировках. Этот показатель не учитывает нахождение сотрудников в отпусках, время болезни, простоя и участия в забастовке и т.д.

Наиболее близким для показателя «количество отработанных часов» ОБС является сумма вышеназванных показателей Росстата, применяемых относительно списочного состава работников и внешних совместителей. Тем не менее, в методике определения показателя присутствуют различия с европейскими рекомендациями, а именно при расчете показателя не учитывается время простоя (в том числе по причинам поломок оборудования). Помимо этого, обследование не позволяет проводить учет неоплачиваемого отработанного сверхурочно времени, что также является проблемой для стран ЕС.

Заработная плата

Нужна помощь в написании диплома?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.

Заказать диплом

В соответствии с определением ОБС, аналогом индикатора «заработная плата» нам представляется показатель «фонд начисленной заработной платы работников», который учитывается в отчетном месяце в рамках федерального статистического наблюдения по форме П-4. Фонд заработной платы состоит из начисленных сумм в денежной и натуральной формах за отработанное и неотработанное время; доплат и надбавок; премий и единовременных поощрений; компенсационных выплат, связанных с режимом работы и условиями труда, а также оплаты питания и проживания, имеющей систематический характер. В форме П-4 происходит расчет данного показателя для работников списочного состава, внешних совместителей и работников, работающих по договору ГПХ. По нашему мнению, наиболее приемлемым аналогом европейскому показателю можно рассматривать суммарный показатель Росстата по всем трем категориям работников. Вместе с этим, в отличие от методологии ОБС, данный показатель не включает величину налогов и выплат работникам, перечисляемых напрямую работодателем.

Таким образом, все индикаторы оперативной бизнес-статистики ЕС сектора торговли имеют корректные аналоги в отечественной системе показателей статистики. При этом некоторые из показателей имеют более высокую периодичность по сравнению с теми, которые регламентируются в ОБС.

Результаты сравнительного анализа методики расчета индикаторов оперативной бизнес-статистики сектора торговли ЕС и аналогичных им показателей Росстата представлены в таблице 4.

Результаты сравнительного анализа периодичности и времени публикации индикаторов оперативной бизнес-статистики сектора торговли ЕС и аналогичных им показателей Росстата представлены в таблице 5.

Таким образом, все перечисленные индикаторы оперативной бизнес-статистики имеют соответствующие аналоги в системе показателей Росстата. При этом, методологические различия для каждого из показателей являются несущественными, что позволяет построить отечественную систему оперативных бизнес-индикаторов. Более того, располагаемые Федеральной службой государственной статистики данные позволяют осуществлять расчет некоторых показателей несколькими способами — так, показатель «индекс цен оборота» может быть определен при помощи индексов потребительских цен на товары и услуги по группировкам индивидуального потребления по целям или индекса-дефлятора оборота розничной торговли.

Таблица 4 Сравнительный анализ оперативных бизнес-индикаторов ОБС ЕС и оперативных показателей Росстата по сектору торговли: методика расчета

 

Таблица 5 Сравнительный анализ оперативных бизнес-индикаторов ОБС ЕС и оперативных показателей Росстата по сектору торговли: периодичность и время публикации

1.5 Проблемы организации краткосрочной статистики предприятий в Российской Федерации

Важным недостатком организации отечественной статистики является низкий уровень доступности и детализации публикуемых данных. Несмотря на тот факт, что большинство показателей публикуется на сайте Росстата и в Единой межведомственной информационно-статистической системе (ЕМИСС), длина доступного временного ряда, а также уровень детализации показателей по видам деятельности могут быть недостаточными для адекватного статистического анализа.

В то же время, Росстат располагает всеми необходимыми данными с минимальными временными задержками, удовлетворяющими требованиям ОБС. Основными источниками сведений составления рядов оперативных индикаторов сектора торговли могут служить сайт Росстата и система ЕМИСС. В этой связи, отдельно стоит упомянуть ежемесячный доклад «Социально-экономическое положение России», содержащий большинство необходимых показателей. Однако, получение исчерпывающих данных в соответствии с методологией ОБС требует оформления запроса о предоставлении официальной статистической информации, рассматриваемого по регламенту в течение 30 дней. Последний факт свидетельствует о несоответствии требования оперативности, предъявляемым к индикаторам ОБС.

Одной из основных проблем, препятствующих развитию российской оперативной бизнес-статистики в соответствии с принятыми в Европейском Союзе стандартами, является отставание официальной российской статистики в ряде документов из перечня классификаторов технико-экономической и социальной информации — в классификаторе продукции по видам экономической деятельности и классификаторе видов экономической деятельности. При этом, последний играет наиболее значимую роль в оперативной бизнес-статистике. Во многом, данная проблема явилась следствием позднего перехода Российской Федерации к рыночной экономике, а также в применении официальной статистикой морально устаревшего в рамках рыночной системы Общесоюзного классификатора отраслей народного хозяйства (ОКОНХ).

Нужна помощь в написании диплома?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.

Цена диплома

В 2001 году был разработан Общероссийский классификатор видов экономической деятельности (ОКВЭД 2001), гармонизированный со Статистической классификацией видов экономической деятельности в Европейском экономическом сообществе (КДЕС Ред. 1) (Statistical classification of economic activities in the European Community (NACE Rev. 1). Переход на данную классификацию обозначил кардинальные изменения в существовавшей системе показателей. В то же время, происходила работа по совершенствованию классификатора NACE Европейскими странами. Хронология применения классификаторов видов экономической деятельности (отраслей народного хозяйства) приведена в таблице 6. В строках (за исключением первой) указаны классификаторы, являющиеся гармонизированными аналогами до четырех знаков.

Из представленных данных видно, что принятие первой версии ОКВЭД (NACE Rev. 1) лишь на месяц опередило принятие постановления ЕС о переходе к NACE Rev. 1.1. При этом, начало применения данных версий ОКВЭД было назначено на одну дату, что привело к тому, что показатели по факту в РФ и ЕС не могли быть сопоставимыми ни в одном отчетном периоде. Аналогичная ситуация наблюдалась и в случае с переходом РФ и ЕС на ОКВЭД 2007 и NACE Rev. 2 соответственно — начало использования новых версий классификаторов снова пришлось на одну дату — 01.01.2008.

Таблица 6 Хронология применения классификаторов видов экономической деятельности (отраслей народного хозяйства) в Европейском Союзе и Российской Федерации

 

Отметим тот факт, что период времени с принятия постановления до начала применения ОКВЭД 2007 составил рекордные 40 календарных дней, в то время, как на аналогичную процедуру в ЕС потребовался год. Однако постановление о переходе Российской Федерации на версию ОКВЭД, гармонизированную с NACE Rev. 2, было принято лишь начале 2014 года, в то время как ее применение было отложено до 01.01.2017, к моменту, когда аналогичная ей классификация применялась в странах Европейского Союза на протяжение полных девяти лет.

Причина длительного перехода РФ к ОКВЭД 2, по нашему мнению, была вызвана экономическим кризисом 2008-2009 гг., и последовавшей за ним неблагоприятной экономической ситуацией, усугубленной внешнеполитической стратегией руководства страны, в то время как проведение подобных реформ требует значительных материальных затрат.

Сбор данных по видам экономической деятельности в РФ осуществляется лишь с 2005 года. Вызванное этим отставание в расчетах Росстата и Евростата противоречит методологическим рекомендациям ОБС в связи с отсутствием практики Росстата в ретроспективном пересчете временных рядов показателей после методологических изменений [10]. Так, для новых редакций классификаторов ОКВЭД не всегда могли быть определены взаимно-однозначные соответствия группировок по видам экономической деятельности на высоком уровне детализации.

Тем не менее, ретроспективный пересчет показателей и составление оперативных индикаторов представляются возможными для крупных группировок классификации видов экономической деятельности. К таким видам экономической деятельности могут быть отнесены основные компоненты сектора торговли — оптовая торговля, розничная торговля и торговля автотранспортными средствами. Однако практическое осуществление статистического пересчета вышеназванных группировок не было своевременно осуществлено Росстатом, что, на наш взгляд, было обусловлено недостаточным бюджетным финансированием и отсутствием правовых норм, регламентирующих необходимость данной процедуры.

Таким образом, начиная с 2017 года (после перехода на ОКВЭД 2), российская статистика получает реальную возможность проведения непосредственных международных сопоставлений показателей в соответствии с классификацией видов экономической деятельности, а также составления отечественной системы ОБС.

В результате проведенного анализа были выявлены различия в подходах Евростата и Росстата к методике расчета индикаторов сектора торговли и их детализации, которые позволяют сделать вывод о том, что имеющаяся в РФ статистическая система для составления оперативных бизнес-индикаторов в целом удовлетворяет требованиям ОБС. Вместе с этим, существующая система Росстата по ряду показателей является более оперативной, как в периодичности сбора информации, так и в сроках ее предоставления по сравнению с требованиями Евростата.

Основным фактором, препятствующим реализации вышеназванных преимуществ Росстата, являются ограниченность в доступности и детализации публикуемой информации.

Таким образом, проведенный в первой главе квалификационного исследования анализ оперативной бизнес-статистики показал тот факт, что имеет место низкий уровень обеспечения предпринимательского сектора информацией об оперативных изменениях в бизнес-среде.

Нужна помощь в написании диплома?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.

Цена диплома

Несмотря на временные экономические и политические разногласия с Евросоюзом, Россия не должна находиться в информационном статистическом арьергарде. Долгосрочные стратегические перспективы страны связаны с интеграцией не только с Восточным, но и с Западным сообществом, а потому назрела настоятельная потребность перехода российской статистики на принятые в ЕС нормы публикации данных.

Глава 2. Статистический анализ оперативных бизнес-индикаторов сектора торговли 2.1 Исследование методической базы для составления бизнес-индикаторов и моделей прогнозирования тенденций развития сектора торговли РФ

Анализ теоретических положений, проведенный в предыдущей главе выявил возможность формирования системы оперативных бизнес-индикаторов Российской Федерации для сектора торговли. В связи с этим, сравнение тенденций изменения показателей сектора торговли РФ и Европейского союза, а также их прогнозирование в кратко- и долгосрочной перспективе представляют особый интерес для проводимого исследования.

Необходимо отметить тот факт, что используемые в системе ОБС переменные наиболее полно представляют тенденции развития сектора торговли: величина показателя оборота позволяет отслеживать общие изменения на рынке; а показатели трудозатрат обеспечивают возможность мониторинга экономического цикла, производительности труда, стоимости товаров и услуг.

1.      Исследование показателей Росстата для составления индикаторов оперативной бизнес-статистики сектора торговли

Показатели Росстата, используемые для составления индикаторов ОБС представлены в таблице 7.

Необходимые для проводимого анализа данные доступны с 2005 г., что соответствует началу применения классификатора видов экономической деятельности.

Таблица 7 Исходные показатели Росстата для расчета индикаторов ОБС

 

В связи с тем, что информация по видам экономической деятельности не пересчитывалась в соответствии с новыми версиями ОКВЭД, возникает настоятельная потребность в учете произошедших изменений для создания рядов динамики показателей краткосрочной бизнес-статистики сектора торговли, удовлетворяющих требованиям последней редакции ОКВЭД 2 (NACE Rev. 2). С целью анализа структурных изменений в версиях ОКВЭД 2001, ОКВЭД 2007 и ОКВЭД 2 были использованы переходные ключи классификаторов ОКВЭД всех версий, доступные на сайте Министерства экономического развития Российской Федерации [40].

В результате изучения данной информации был выявлен тот факт, что значительная часть изменений в группировках ОКВЭД для сектора торговли (раздела G) и его составляющих (разделы 45, 46, 47) связана с расширением числа группировок и их структуры внутри разделов. Изменения в группировках ОКВЭД повлекли за собой сдвиг в структуре рассматриваемых разделов. В таблице 8 представлены изменения в структуре группировок ОКВЭД, выявленные в результате проведенного исследования.

Таблица 8 Изменения в структуре группировок раздела G в классификаторах экономической деятельности

Нужна помощь в написании диплома?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.

Заказать диплом

 

Данные таблицы 8 показывают, что в структуре ОКВЭД 2 наиболее существенные изменения произошли в двух группировках раздела G, связанных с ремонтом бытовых изделий и розничной торговлей моторным топливом. В то же время, группировки, связанные с оптовой торговлей электроэнергией в ОКВЭД 2001 были ошибочно отнесены к разделу оптовой торговли, что было исправлено в редакции классификатора 2007 года.

Таким образом, при составлении индикаторов по разделам 45, 46 и 47 исходные показатели должны быть скорректированы на вклад видов экономической деятельности, изменивших структуру данных разделов.

С учетом вышеизложенной информации была построена отечественная система индикаторов оперативной бизнес-статистики для сектора торговли и рассмотрена их динамика в 2005-2016 гг. (прил. 2).

2.      Определение проблем применения статистической модели векторной авторегрессии при прогнозировании индикаторов сектора торговли и способов их решения

При прогнозировании индикаторов сектора торговли особый интерес представляет моделирование их совместной динамики с учетом возможных связей между ними. Наиболее подходящим способом достижения этой цели может являться использование моделей векторной авторегрессии.

Однако, применение моделей векторной авторегрессии (VAR) сопряжено с некоторыми сложностями. В частности, возникает проблема излишнего роста числа параметров, необходимых в рамках изучаемых моделей. А именно, увеличение размерности модели приводит к нелинейному росту числа параметров, а увеличение количества включаемых лагов — к их линейному росту. Выявленные проблемы в использовании модели для данного исследования наряду с недостаточной длиной доступных экономических временных рядов не позволяют сделать вывод о состоятельности оценок при использовании классической VAR-модели. С целью решения данной проблемы возможно применение моделей байесовской векторной авторегрессии (BVAR). Практическая значимость названных моделей заключается в наложении ограничений на их параметры. Ограничение параметров моделей, которые являются случайными величинами, проводится при помощи априорных распределений.

Вместе с этим, в рамках исследования имеющихся данных возникает сложность, заключающаяся в различной периодичности сбора исследуемых показателей. Эта проблема может быть решена, как при помощи формальных методов интерполяции данных, так и в рамках построения модели векторной авторегрессии.

Решения вышеизложенных проблем при помощи одной модели предложены в статьях [14, 19, 20, 22, 23]. При этом, каждая работа располагает оригинальным видением модели, учетом различной частотности данных и выбором распределений, а также методом оценки параметров. Для учета различной частотности авторами применяются два подхода, заключающихся в переходе к единой частотности данных. Первый подход предполагает использование моделей пространства состояний и фильтра Калмана для оценки латентных переменных более высокой периодичности. Второй подход основан на обратной идее — применяется группировка наблюдений с более высокой частотой, соответствующих периоду меньшей частоты в единый вектор. В последнем случае оценивание модели может производиться при помощи метода наименьших квадратов и лагов Алмон.

Вместе с этим, необходимо отметить тот факт, что модели, приведенные в данных работах, имеют сложный аналитический вид и методы оценивания. С целью упрощения модели векторной регрессии в проводимом исследовании была применена процедура дезагрегации квартального одномерного временного ряда для получения латентного временного ряда месячной периодичности, что позволит получить более длинный временной ряд для оценки параметров модели. Данная процедура может быть осуществлена несколькими формальными способами.

Одним из способов получения месячных данных является применение фильтра Калмана. Несмотря на высокую эффективность данного метода, проблема его использования на практике заключается в спецификации корректной модели пространства состояний и относительно высокой вычислительной сложностью.

Другим, более простым способом, является процедура Чоу-Линь (Chow-Lin) [15], основанная на применении обобщенного метода наименьших квадратов для исследуемого показателя, обладающего низкой периодичностью сбора, и связанных с ним индикаторов с более высокой периодичностью.

Предположим, что ежемесячные значения рассматриваемой переменной могут быть оценены с помощью множественной линейной регрессии y×1, X — матрица объясняющих переменных размерности 3n.

Нужна помощь в написании диплома?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.

Цена диплома

Следовательно, квартальные данные  могут быть получены из искомого ежемесячного показателя в виде С — матрица преобразования. В рассматриваемом примере, квартальный показатель является суммой ежемесячных данных, а потому матрица С будет иметь следующий вид:

.

Необходимо оценить вектор zиз m наблюдений, который совпадает с искомой переменной y. Линейной несмещенной оценкой z для некоторой матрицы A размерности m:

 

В этом случае,  будет иметь следующий вид:

,

.

Линейная несмещенная оценка z находится при помощи минимизации методом множителей Лагранжа:

,

где M — матрица множителей Лагранжа размерности m. Таким образом, искомая оценка имеет вид:

 

Очевидно, что оценка коэффициента будет осуществляться с помощью обобщенного метода наименьших квадратов (ОМНК), что требует знания ковариационной матрицы V априори неизвестна, предполагается, что в ошибках модели присутствует автокорреляция первого порядка: V имеет вид:

Нужна помощь в написании диплома?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.

Цена диплома

 

Коэффициент автокорреляции ρ вычисляется при помощи метода максимального правдоподобия для ОМНК-регрессии:

 

Данная процедура была использована для рассматриваемых квартальных показателей количества отработанных часов. В качестве объясняющей переменной для исследуемого показателя были использованы показатели количества замещенных рабочих мест, поскольку данные показатели имеют схожую динамику (рис. 1, прил. 3).

Кроме того, применение модели авторегрессии предполагает необходимость исключения влияния сезонных и календарных эффектов, оказывающих воздействие на изучаемые переменные. В связи с этим, нам представляется необходимым применение стандартной процедуры сезонной корректировки TRAMO/SEATS (Time series Regression with ARIMA noise, Missing values and Outliers / Signal Extraction in ARIMA Time Series), которая также используется Евростатом для составления сезонно скорректированных данных для индикаторов оперативной бизнес-статистики. Данная процедура была проведена при помощи бесплатного программного обеспечения JDemetra+, используемого Евростатом для осуществления сезонных корректировок [46].

Рис. 1. Динамика показателей количества отработанных часов и количества замещенных рабочих мест, раздел ОКВЭД 2 G45, Российская Федерация, 2005-2016 гг.

Источник: Федеральная служба государственной статистики (Росстат)

3.      Изучение возможности преобразования оперативных бизнес-индикаторов торговли РФ с учетом сезонной корректировки

После осуществления сезонной корректировки, данные для составления оперативных бизнес-индикаторов Российской Федерации были преобразованы к виду базисных индексов с референтным 2010 годом, что соответствует требованиям ОБС Европейского союза. В рамках оперативной бизнес-статистики в качестве базисных периодов используются года, кратные 5, при этом применение наиболее позднего доступного года производится в течении трех лет после данного периода. Последний факт свидетельствует о возможности перехода ОБС ЕС к новому базисному периоду в ближайшем будущем.

4.      Исследование бизнес-индикаторов торговли РФ на стационарность

Следующим этапом проводимого исследования является проверка полученных показателей на стационарность (наличие единичных корней). В работе был использован расширенный тест Дики-Фуллера (ADF), а также тест Квятковски-Филипса-Шмидта-Шина (KPSS). В таблице 9 приведены значения тестовых статистик для исследуемых показателей.

Таблица 9 Значения статистик тестов ADF и KPSS для исследуемых показателей

 

Нужна помощь в написании диплома?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.

Заказать диплом

Из данных таблицы следует, что все рассматриваемые временные ряды в соответствии с ADF- и KPSS-тестом являются нестационарными первого порядка интегрируемости.

Исходя из вышеизложенного, мы приходим к выводу о том, что в работе может быть использована байесовская векторная авторегрессия с априорным распределением Миннесоты, которая позволяет учитывать нестационарность исследуемых временных рядов в модели.

2.2 Применение модели байесовской векторной авторегрессии с априорным распределением Миннесоты для прогнозирования оперативных бизнес-индикаторов

Модель векторной авторегрессии имеет вид:

,

где m — авторегрессионные матрицы размерности m = 1, …, p-мерный вектор ошибок, некоррелированный с объясняющими переменными. Если сгруппировать авторегрессионные матрицы , то модель может быть определена в более компактном виде:

 

В том случае, если все переменные и ошибки модели будут учтены следующим образом: , то модель может быть сформулирована как:

 

Допустима запись модели в векторизованном виде:

 

Задача байесовского оценивания модели заключается в нахождении апостериорного распределения параметров  с использованием формулы Байеса:

Нужна помощь в написании диплома?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.

Заказать диплом

,

где:  — заданное априорное распределение параметров модели.

Поскольку , то функция максимального правдоподобия имеет вид:

 

Далее, перейдем к рассмотрению априорного распределения Миннесоты. Для данного априорного распределения матрица ковариаций для ошибок ε предполагается постоянной и диагональной, а для параметров авторегрессии — многомерное нормальное распределение, зависящее от нескольких гиперпараметров:

Матрица ковариаций ошибок  задается при помощи оценки дисперсий случайных составляющих в одномерных моделях AR(p переменных:

.

Математическое ожидание априорного распределения параметров может быть записано в виде матрицы размерности (mp, где:

 

Для учета нестационарности временных рядов устанавливается значение для , а для стационарных рядов — значения .

Параметры  является диагональной. При этом диагональ разбивается на m блоков размерности (mp:

 

Нужна помощь в написании диплома?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.

Подробнее

При этом, диагональные элементы находятся по формулам:

,

где H3 — гиперпараметры, d — функция, показывающая сокращение априорной дисперсии параметров при увеличении номера лага. В свою очередь, данная функция определяется через гиперпараметр H.

Априорная плотность распределения параметров авторегрессии может быть записана в следующем виде:

 

В этом случае, при использовании функций правдоподобия (1) и априорной плотности вероятности (2) можно получить апостериорное распределение параметров следующего вида:

,

 

Исходя из данного результата, мы получаем возможность интерпретации гиперпараметров распределения. Так, гиперпараметр H1 отвечает за жесткость априорного распределения — при значении равном 0 полученная оценка будет равна параметрам априорного распределения, а при  будет сходиться к оценке методом наименьших квадратов. Гиперпараметр 2 определяет жесткость регуляризации для лагов других переменных по сравнению с собственными лагами, а H3 — жесткость регуляризации константы модели.

Оценка апостериорного распределения параметров осуществляется методом Монте-Карло. Для этого на каждой из s.

Для прогнозирования при помощи модели байесовской векторной авторегрессии применяется функция апостериорной прогнозной плотностиH периодов при известных наблюдениях до момента T. Функция апостериорной прогнозной плотности может быть представлена в виде:

,

Нужна помощь в написании диплома?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.

Подробнее

где  — функция плотности будущих наблюдений при фиксированных параметрах ϕ — апостериорная функция плотности распределения параметров. Данная функция находится с помощью численных методов по следующему алгоритму:

.        Осуществляется генерация ошибок модели s итераций.

.        Производится расчет значения прогнозов для каждой итерации:

 

3.       Далее построенные прогнозы  рассматриваются в качестве выборки независимых реализаций из совместного прогнозного распределения, несмотря на то, что данные прогнозы были сделаны для разных значений параметров .

Для построения точечных и интервальных прогнозов могут быть использованы средние значения или квантили полученного апостериорного прогнозного распределения.

Модель байесовской векторной авторегрессии с априорным распределением Миннесоты была применена к исследуемым индикаторам Российской Федерации. Для каждого элемента сектора торговли — разделам ОКВЭД 2 45 (торговля оптовая и розничная автотранспортными средствами и мотоциклами и их ремонт), 46 (торговля оптовая, кроме оптовой торговли автотранспортными средствами и мотоциклами) и 47 (торговля розничная, кроме торговли автотранспортными средствами и мотоциклами) были построены отдельные модели. Каждая модель содержит четыре показателя в виде базисных индексов: оборот организаций (для раздела 47 — индекс оборота организаций с поправкой на индекс цен), количество занятых, заработная плата и количество отработанных часов. В моделях использовались константа и 4 лага исследуемых переменных, гиперпараметры априорного распределения были заданы экзогенно: H4 = 2. Средние значения апостериорных оценок коэффициентов моделей представлены в приложении 4.

В результате диагностики модели были изучены остатки моделей, осуществлена проверка остатков на наличие автокорреляции и многомерного нормального распределения. Наличие автокорреляции было проверено при помощи теста Льюнг-Бокса для 12 лагов коэффициентов автокорреляции (табл. 10).

Таблица 10 Результаты теста Льюнг-Бокса для остатков построенных моделей

 

Результаты теста свидетельствуют об отсутствии значимой автокорреляции в остатках всех переменных, кроме оборота организаций для вида деятельности «торговля оптовая и розничная автотранспортными средствами и мотоциклами и их ремонт». Однако, при рассмотрении автокорреляций только до 8 порядка значимой автокорреляции в остатках всех показателей моделей, включая оборот организаций торговли автотранспортными средствами, также не наблюдается.

Проверка наличия многомерного нормального распределения остатков было осуществлено при помощи тестов Дурника-Хансена (Doornik-Hansen), Хенце-Зирклера (Henze-Zirkler) и Мардиа (Mardia) (табл. 11).

Нужна помощь в написании диплома?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.

Подробнее

По результатам данных таблицы 11 можно отметить то, что остатки моделей не распределены в соответствии с многомерным нормальным распределением. Стоит заметить, что данные тесты учитывают лишь средние значения апостериорных распределений параметров. Таким образом, классическая проверка гипотез для байесовского оценивания является не совсем корректной.

Таблица 11 Результаты тестов на наличие многомерного нормального распределения

 

Исходя из полученных оценок, для рассматриваемых переменных были построены прогнозы на последующие 12 месяцев к изучаемому периоду времени. Полученные результаты прогнозов представлены в приложении 5 и рисунках 2-4. бизнес статистика розничный торговля

Рис. 2. Прогноз динамики индикаторов раздела «торговля оптовая и розничная автотранспортными средствами и мотоциклами и их ремонт» на 2017 год в РФ

Рис. 3. Прогноз динамики индикаторов раздела «торговля оптовая, кроме оптовой торговли автотранспортными средствами и мотоциклами» на 2017 год в РФ

На рисунках 2-4 изображены прогнозы в соответствии с апостериорным прогнозным распределением для среднего, 5-го и 95-го перцентилей.

Рис. 4. Прогноз динамики индикаторов раздела «торговля розничная, кроме торговли автотранспортными средствами и мотоциклами» на 2017 год в РФ

Анализ прогнозных значений индикаторов, рассмотренных на рисунках 2-4, будет приведен ниже, при их сравнении с аналогичными показателями сектора торговли в странах ЕС (стр. 51-53).

Результаты, полученные при помощи моделей байесовской векторной авторегрессии, можно сравнить с оценками классической модели векторной авторегрессии. Для этого были построены модели по используемым данным с применением четырех лагов переменных. Результаты оценивания и прогнозы для моделей классической векторной авторегрессии представлены в приложениях 6 и 7. Результаты прогнозирования с использованием классической модели векторной авторегрессии являются более оптимистическими по сравнению с оценками байесовских моделей, что в большей степени вызвано высокой параметризацией модели. К сожалению, по причине отсутствия доступных данных по ряду показателей за первые месяцы 2017 года проверка качества прогнозов не представляется возможной.

С целью проверки общего качества прогнозов моделей, а также сравнения тенденций развития сектора торговли в странах ЕС были построены модели классической и байесовской векторной авторегрессии для оперативных бизнес-индикаторов сектора торговли Европейского союза (по 28 странам-участникам). В модели использовались сезонно скорректированные значения, для квартальных показателей была применена вышеизложенная процедура Чоу-Линь для дезагрегации (в данном случае использовалась матрица преобразования C для среднего значения).

При оценивании рассматриваемых моделей использовались данные с января 2000 г. по декабрь 2016 г. Вместе с этим, доступные данные за первые месяцы 2017 года применялись для сравнения модельных прогнозов с фактическими показателями. Результаты оценки изучаемых параметров и прогнозов используемых в работе моделей представлены в приложениях 8-12.

Нужна помощь в написании диплома?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.

Заказать диплом

Необходимо отметить то, что значения фактических данных всех индикаторов сектора торговли за первые месяцы 2017 года лежат внутри интервала от 5-го до 95-го перцентиля апостериорного прогнозного распределения, построенного при помощи байесовской векторной авторегрессии. В то же время, результаты прогноза классической векторной авторегрессии являются менее точными — фактические значения некоторых индикаторов не покрыты 95%-м доверительным интервалом прогноза. Данный факт свидетельствует в пользу байесовской векторной авторегрессии, применение которой позволяет повысить точность модели за пределами обучающей выборки.

Таким образом, можно сделать вывод о том, что построенная модель байесовской векторной авторегрессии применима для краткосрочного прогнозирования оперативных бизнес-индикаторов, по крайней мере на 2-3 месяца вперед.

Помимо этого, построенный прогноз индикаторов сектора торговли позволяет осуществить сравнение тенденций, наблюдаемых в Российской Федерации (рис. 2-4) и в Европейском союзе (прил. 11).

Сравнение среднего прогноза индикаторов розничной торговли, кроме торговли автотранспортными средствами и мотоциклами в РФ с аналогичными показателями в странах Евросоюза дает следующую картину. По индикатору «дефлированный оборот организаций» в РФ в 2017 году ожидается сохранение позиций конца 2016 года (колебания оборота организаций розничной торговли за год в среднем не превысят 0,67 процентных пункта), в то время как в странах ЕС прогнозируется последовательный рост в пределах 6 процентных пунктов. Количество занятых в розничной торговле РФ сократится на 2 п. п. при росте количества отработанных часов к концу 2017 года на ту же величину. В то же время размер заработной платы должен повыситься на 13 п. п. Прогноз показывает то, что сохранение величины показателя оборота организаций будет сопровождаться сокращением численности занятых при увеличении рабочего времени. Рост оплаты труда можно объяснить инфляционным эффектом. В странах ЕС в прогнозируемом периоде ожидается увеличение значений всех бизнес-индикаторов розничной торговли, что свидетельствует о стабильной экономической ситуации.

По разделу «торговля оптовая, кроме оптовой торговли автотранспортными средствами и мотоциклами» прогноз по показателям «заработная плата» и «количество занятых» практически аналогичен прогнозным значениям соответствующих индикаторов розничной торговли. Вместе с этим, в 2017 году ожидается сокращение количества отработанных часов по сравнению с уровнем 2016 года. Однако по обороту организаций прогнозируется рост на 13 п. п. Последнее обстоятельство можно объяснить тем, что оборот организаций в секторе оптовой торговли не корректируется на показатель «индекс цен». В отношении соответствующего раздела сектора торговли в странах ЕС мы ожидаем существенный рост всех бизнес-индикаторов, как и в случае розничной торговли.

Для вида деятельности «торговля оптовая и розничная автотранспортными средствами и мотоциклами и их ремонт» прогнозируется рост значений оборота организаций и количества занятых в 2017 году в пределах 4,5 процентных пунктов. Вместе с этим, значения индикаторов количества отработанных часов и заработной платы способны увеличиться в среднем на 7 и 12 процентных пунктов соответственно.

Прогнозные значения по индикаторам «оборот организаций» и «заработная плата» в странах ЕС показывают определенный рост, тогда как в отношении индикаторов трудозатрат мы наблюдаем незначительные колебания (в пределах одного процентного пункта) от достигнутых в конце 2016 года значений.

Кроме того, нами были проведены некоторые наблюдения за разбросом интервальных оценок бизнес-индикаторов относительно средних значений их прогноза. Во всех случаях интервалы разброса прогнозных показателей сектора торговли в РФ намного превышали возможные интервалы разброса соответствующих индикаторов в странах ЕС, что объясняется более стабильной ситуацией в экономике этих государств по сравнению с РФ.

В целом, полученные результаты прогнозов в секторе торговли РФ согласуются со сложившейся экономической ситуацией в стране. За последние несколько лет в Российской Федерации произошло существенное снижение реальной заработной платы и располагаемых доходов населения из-за снижения цен на нефть, последующего падения курса рубля и инфляции. Помимо этого, реализация геополитических амбиций Российской Федерации на Украине привела к введению взаимных санкций Российской Федерации со странами ЕС, США, Японией и т.д., что в свою очередь привело к осложнению ситуации в секторе торговли и экономике в целом. Снижение покупательной способности потребителей способствовало ужесточению конкуренции, что, в конечном счете, привело к сокращению количества мелких и средних участников рынка [43].

2.3 Прогнозирование оборота организаций розничной торговли, кроме торговли автотранспортными средствами и мотоциклами

Средний прогноз, построенный в рамках байесовской векторной регрессии, для индикатора оборота организаций розничной торговли, кроме торговли автотранспортными средствами и мотоциклами демонстрирует отсутствие ярко выраженной тенденции развития. В то же время, значения данного показателя необходимо учитывать в процессе выявления основных тенденций развития сектора розничной торговли. В связи с этим, в проводимом исследовании была поставлена задача разработки прогноза значений данного показателя, отдельно от остальных индикаторов изучаемого сектора экономической деятельности.

Решение данной задачи может быть осуществлено тремя наиболее распространенными методами прогнозирования одномерных временных рядов: сезонной моделью авторегрессионного проинтегрированного скользящего среднего (Seasonal Autoregressive Integrated Moving Average, SARIMA), адаптивной моделью Хольта-Уинтерса (Holt-Winters) и искусственными нейронными сетями (Artificial Neural Networks, ANN).

Для составления прогноза были использованы значения оборота организаций розничной торговли Российской Федерации за период с января 2005 по декабрь 2016 гг. без учета сезонных корректировок. Тем не менее, полученные данные были скорректированы на индекс цен (индекс-дефлятор оборота розничной торговли) в целях элиминирования влияния инфляции на изучаемый показатель. Динамика показателя оборота организаций розничной торговли представлена на рисунке 5.

Нужна помощь в написании диплома?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.

Подробнее

Рис. 5. Динамика оборота организаций розничной торговли РФ, кроме торговли автотранспортными средствами и мотоциклами в 2005-2016 гг.

Значения рисунка 5 свидетельствуют о том, что исследуемый показатель характеризуется ярко выраженной сезонностью. Очевиден тот факт, что анализируемый временной ряд является нестационарным, поскольку сезонно скорректированные значения данного ряда, рассмотренные в таблице 9 также не являются стационарными. Тем не менее, при прогнозировании временного ряда с помощью модели SARIMA необходимо провести проверку исследуемого показателя на наличие сезонных единичных корней. С целью проверки их наличия нами был применен тест HEGY (Hylleberg-Engle-Granger-Yoo). Этот тест основан на построении вспомогательной регрессии, в которой сезонная разность рассматриваемого показателя является зависимой переменной, а в качестве регрессоров используются разложение данной сезонной разности на корни (по теореме Лагранжа), константа, тренд, сезонные фиктивные переменные и лаги сезонной разности. Данное уравнение оценивается при помощи метода наименьших квадратов (МНК) и оценки полученных коэффициентов-корней разложения сезонной разности проверяются на статистическую значимость. Для действительных корней уравнения используется t-тест, а для пар комплексно-сопряженных корней — тест Вальда (Wald). Результаты тестов для исходного ряда и его разностей приведены в таблице 12.

Таблица 12 Результаты HEGY-тестов на наличие сезонных единичных корней

 

По результатам теста, можно определить тот факт, что только при комбинировании первой и сезонной разностей все гипотезы о наличии единичного корня отвергаются с вероятностью ошибки α = 0,05. Таким образом, мы приходим к следующему выводу: для моделирования при помощи модели SARIMA необходимо использование первой и сезонной разностей.

Модель SARIMA может быть записана в виде SARIMA(p, d, q)(P, D, Q)S, где p — количество авторегрессионных лагов, d — порядок простой разности, q — количество лагов скользящего среднего, P — количество сезонных авторегрессионных лагов, D — порядок сезонной разности, Q — количество сезонных лагов скользящего среднего, S — период сезонности. Оценивание модели осуществляется с использованием метода максимального правдоподобия (ММП).

Исходя из этого, искомая модель для прогнозирования (с учетом использования первой и сезонной разностей) будет иметь следующий вид: SARIMA(p, 1, q)(P, 1, Q)12. Определение оптимальных параметров p, q, P и Q было реализовано при помощи построения моделей c различными параметрами p, q, P и Q и нахождения моделей с наименьшими значениями информационного критерия Акаике (AIC). В таблице 13 приведены показатели качества пяти лучших моделей в соответствии с AIC.

Таблица 13 Показатели качества пяти лучших моделей SARIMA

 

Сравнительный анализ показателей качества моделей SARIMA, осуществленный исходя из значений таблицы 13, указывает на наиболее оптимальную модель — SARIMA(0, 1, 1)(0, 1, 2)12. В связи с этим, данная модель использована в проводимом исследовании для дальнейшего прогнозирования оборота организаций розничной торговли.

Таблица 14 Параметры модели SARIMA(0, 1, 1)(0, 1, 2)12

 

Нужна помощь в написании диплома?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.

Цена диплома

Данные таблицы 14 показывают, что все используемые коэффициенты модели являются статистически значимыми. Представленную модель можно записать в аналитическом виде с применением лагового оператора L:

 

Следующим этапом в методике используемой модели является проверка полученных остатков на нормальность, стационарность и отсутствие автокорреляции и гетероскедастичности.

Для проверки стационарности полученных остатков необходимо построить визуализацию корней обратного характеристического уравнения (Рис. 6). Данные рисунка 6 свидетельствуют о стационарности остатков модели, так как все полученные корни обратного характеристического уравнения лежат в пределах единичной окружности.

Рис. 6. График корней обратного характеристического уравнения модели SARIMA(0, 1, 1)(0, 1, 2)12

Проверка остатков на наличие нормального распределения является наиболее значимой для интервального оценивания прогнозов модели. Результаты проверки представлены в таблице 15.

Таблица 15 Результаты проверки остатков модели SARIMA(0, 1, 1)(0, 1, 2)12 на нормальность

 

Используемые тесты показывают результаты, свидетельствующие о том, что полученные остатки модели не являются нормальными, а, следовательно, присутствует настоятельная необходимость в улучшении данной модели.

С этой целью в модель были включены 3 фиктивные переменные d1 учитывает структурный сдвиг экономики, произошедший в результате кризиса 2008 года: для наблюдений ранее января 2008 года переменная принимает значение 0, а для последующих — 1. Переменная d2 принимает значение 1 для наблюдений 2015 года (данный период соответствует наиболее волатильной динамике курса рубля) и 0 — для всех остальных. Переменная d3 учитывает аномально высокие значения оборота организаций сферы розничной торговли в декабре 2014 года, которые могли быть вызваны высокими инфляционными ожиданиями населения.

С учетом данных регрессоров в работе был оценен ряд SARIMA-моделей. В таблице 16 приведены параметры и показатели качества оптимальной модели.

Таблица 16 Параметры оптимальной модели SARIMA(1, 1, 2)(0, 1, 0)12

Нужна помощь в написании диплома?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.

Заказать диплом

 

Данные таблицы 16 показывают, что все используемые коэффициенты выбранной модели являются статистически значимыми, причем показатели качества модели превосходят аналогичные параметры остальных моделей SARIMA. Полученную модель можно записать в аналитическом виде с применением лагового оператора L:

 

Рисунок 7 показывает стационарность остатков данной модели, а таблица 17 свидетельствует об их распределении в соответствии с нормальным законом.

Рис. 7. График корней обратного характеристического уравнения модели SARIMA(1, 1, 2)(0, 1, 0)12

Таблица 17 Результаты проверки остатков модели SARIMA(1, 1, 2)(0, 1, 0)12 на нормальность

 

В приложении 13 приводятся результаты проверки остатков на наличие автокорреляции и гетероскедастичности при помощи Теста Льюнг-Бокса (для остатков и их квадратов), а также построения автокорреляционной и частной корреляционной функций. Результаты всех проведенных тестов свидетельствуют о том, что в остатках не наблюдается значимых автокорреляций и гетероскедастичности.

Таким образом, выполнение вышеперечисленных предпосылок позволяет осуществить прогноз показателя оборота организаций розничной торговли при помощи построенной SARIMA-модели. Значения полученных прогнозов представлены на рис. 8.

Прогноз на 2017 год для среднего значения оборота организаций розничной торговли показывает отсутствие тенденций к его существенному изменению в рассматриваемый период времени по сравнению с предыдущим годом. Помимо этого, необходимо отметить, что реальное значение показателя в январе 2017 года не было покрыто 95%-м доверительным интервалом. Однако наблюдаемое значение в феврале 2017 года соответствует среднему прогнозу модели.

Рис. 8. Прогноз оборота организаций розничной торговли Российской Федерации в 2017 г., полученный при помощи модели SARIMA(1, 1, 2)(0, 1, 0)12

Адаптивные модели являются альтернативными и более гибкими методами прогнозирования одномерных временных рядов, не требующими стационарности временного ряда, по сравнению с моделями SARIMA. Они основаны на идее экспоненциального сглаживания, т.е. необходимости применении различных весов для текущих и исторических значений. Адаптивные модели представляют собой системы рекуррентных уравнений с неизвестными параметрами, с помощью которых предполагается прогнозирование будущих значений исследуемого временного ряда. Параметры моделей задаются в интервале от 0 до 1 и определяются при помощи оптимизации, минимизируя некоторый функционал качества модели, рассчитанный для известных значений временного ряда. Для учета детерминированного тренда и сезонной составляющей необходимо использовать модели Хольта-Уинтерса.

Нужна помощь в написании диплома?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.

Подробнее

В проводимом исследовании рассмотрены аддитивная и мультипликативная модели Хольта-Уинтерса. В таблице 18 представлена спецификация используемых моделей.

Таблица 18 Спецификация используемых моделей экспоненциального сглаживания

 

С целью определения параметров моделей в работе была минимизирована величина среднего квадрата ошибки прогноза. Начальные значения коэффициентов a были определены с использованием разложения временного ряда с помощью скользящих средних для первых двух лет.

Показатели качества моделей экспоненциального сглаживания

Данные таблицы 19 показывают преимущество мультипликативной модели, поскольку она обладает более низким значением средней квадратичной ошибки, а потому ее использование для построения прогнозов представляется нам наиболее логичным и уместным в ходе проводимого исследования. Графические изображения прогнозов построенной модели с 95%-ми доверительными представлены на рисунке 9.

Рис. 9. Прогноз оборота организаций розничной торговли РФ в 2017 г., построенный при помощи модели Хольта-Уинтерса с мультипликативной сезонностью

Анализ данных рисунка 9 позволяет сделать вывод о том, что 95%-е доверительные интервалы полностью не покрывают наблюдаемое значение января 2017 года (также, как и в случае с моделью SARIMA). Вместе с этим, средний прогноз также демонстрирует отсутствие ярко выраженных тенденций к росту.

Третьим рассматриваемым в работе методом для прогнозирования временных рядов является использование искусственных нейронных сетей. Они позволяют выделять более сложный (нелинейный) характер скрытых зависимостей между входными данными и значениями исследуемого процесса. Тем не менее, этот метод не свободен от некоторых недостатков. Основным недостаткам нейросетевых моделей является отсутствие интерпретируемости параметров модели, вызванная наличием скрытых слоев нелинейных преобразований. В настоящее время отсутствует универсальная методология для применения нейронных сетей при анализе временных рядов.

Наиболее распространенной моделью для прогнозирования при помощи нейронных сетей является многослойный перцептрон. Данная модель имеет функциональный вид:

,

где параметры  и  — веса нейронной сети для выходного и скрытых слоев соответственно. Коэффициенты β0имеют значение, аналогичное параметру константы в регрессии. Параметр Iопределяет количество входных параметров , в качестве которых используются лаги исследуемого временного ряда, а параметр Hопределяет число скрытых нейронов нейронной сети. Функция  представляет собой нелинейную функцию активации, в качестве которой могут использоваться сигмоидные функции — гиперболический тангенс или логистическая функция.

Нужна помощь в написании диплома?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.

Цена диплома

Для прогнозирования временного ряда необходимо определить функцию потерь, обучающий алгоритм и топологию нейронной сети. В качестве функции потерь использована среднеквадратическая ошибка, в качестве алгоритма обучения нейронной сети — метод обратного распространения ошибки (backpropagation). Данный итеративный метод основан на следующей идее:

.        На входы нейронной сети «подается» обучающая выборка.

.        Обучающая выборка «пропускается» через нейронную сеть с начальными значениями весов.

.        На выходе нейронной сети определяется величина отклонения между значением, полученным нейронной сетью, и наблюдаемым значением.

.        Веса выходного слоя нейронной сети корректируются в соответствии с отклонением.

.        Полученные веса корректируются в скрытых слоях в обратном порядке.

.        Осуществляется процедура градиентного спуска.

.        Вышеизложенный алгоритм повторяется до тех пор, пока не будет достигнута сходимость решения.

В связи с применением процедуры градиентного спуска возникают проблемы медленной сходимости решения, «застревания» в локальных минимумах и горизонтальных асимптотах функций активации, в которых производные равняются нулю. Данная проблема может быть решена при помощи моделирования первой разности временного ряда и инициализации различных начальных весов.

Поскольку алгоритм обучения нейронных сетей не всегда способен достигать глобального оптимума, то он допускает различные варианты реализации нейронной сети, что приводит к проблеме выбора оптимальной модели. Для решения данной проблемы производится оценивание ряда способов реализации нейронных сетей, после чего применяется процедура комбинирования значений прогнозов нейронных сетей, в частности может использоваться метод усреднения значений прогнозов всех нейронных сетей.

С целью прогнозирования показателя оборота организаций розничной торговли при помощи нейронных сетей была обучена одна тысяча однослойных нейронных сетей с пятью скрытыми нейронами. В качестве функций активации была использована логистическая функция. На вход нейронных сетей были поданы 12 лаговых значений первых разностей изучаемого показателя, из которых только значение с лагом 12 оказалось наиболее информативным. Таким образом, построенные нейронные сети имеют вид, представленный на рисунке.

Для построения прогноза использовался средний прогноз по построенным нейронным сетям (рис. 11). Величина суммы квадратов ошибок прогнозов составила 15,019.

Нужна помощь в написании диплома?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.

Подробнее

Рис. 11. Средний прогноз одной тысячи искусственных однослойных нейронных сетей при определении оборота организаций розничной торговли РФ в 2017 г.

Точечный прогноз, построенный при помощи нейронных сетей свидетельствует о некоторой положительной динамике показателя оборота организаций розничной торговли в РФ.

Прогнозы оборота организаций розничной торговли, построенные при помощи построенных моделей представлены в таблице 20.

Таким образом, можно сделать вывод о том, что средние прогнозы классических статистических моделей (SARIMA и Хольта-Уинтерса) показывают стабильную динамику оборота организаций розничной торговли, примерно соответствующую фактическим значениям 2016 года. Данный вывод соотносится с результатами модели байесовской векторной авторегрессии, построенной в параграфе 2.2 представленной работы.

В то же время, нейросетевая модель предполагает рост ежемесячных показателей оборота около шести процентных пунктов по сравнению с соответствующими показателями 2016 года. Результаты точечного прогноза нейросетевой модели лежат в пределах 95%-х доверительных интервалов моделей SARIMA и Хольта-Уинтерса (прил. 14). Следовательно, вероятность реализации прогнозных значений, выявленных при помощи нейросетевой модели, достаточно высока, что доказывается способностью нейронных сетей учитывать нелинейные зависимости.

Таблица Сравнение динамики точечных прогнозов построенных моделей для определения оборота организаций розничной торговли РФ в 2017 г.

В соответствии с целью и задачами выпускного квалификационного исследования, определенными во введении данной работы, был проведен анализ теоретических и практических аспектов статистического изучения сектора торговли и его краткосрочных тенденций развития. Основное внимание в анализе было уделено оперативным индикаторам, характеризующим состояние и тенденции сектора торговли РФ.

1.   Рассмотренные отечественные работы по данной тематике не лишены некоторых содержательных недостатков, в частности, ни одна из изученных работ не учитывает показатель «фонд начисленной заработной платы», как методологически наиболее близкий аналог показателю «заработная плата» ОБС ЕС. Вместе с этим, обделена вниманием система краткосрочной статистики предприятий, которая является определенным отечественным аналогом оперативной бизнес-статистики.

2.       Все индикаторы оперативной бизнес-статистики ЕС имеют соответствующие аналоги в системе показателей Росстата, методологические различия между которыми являются несущественными. Располагаемые Федеральной службой государственной статистики данные позволяют осуществлять расчет некоторых показателей несколькими способами, а сроки сбора информации могут быть даже короче регламентируемых методологией ОБС. Таким образом, имеется возможность построения отечественной системы оперативных бизнес-индикаторов.

.        Основным фактором, препятствующим реализации вышеназванных преимуществ Росстата, являются ограниченность в доступности и детализации публикуемой информации. Несмотря на тот факт, что большинство показателей публикуется на сайте Росстата и в Единой межведомственной информационно-статистической системе (ЕМИСС), длина доступного временного ряда, а также уровень детализации показателей по видам деятельности могут быть недостаточными для адекватного статистического анализа.

.        Основным препятствием в развитии краткосрочной статистики предприятий в РФ в соответствии с методологией ОБС Европейского союза до 2017 года являлось несоответствие классификаций видов экономической деятельности. Вследствие отсутствия в Росстате статистической практики пересчета временных рядов в соответствии с изменениями в используемых методологиях (являющаяся нормой в большинстве развитых стран), возникает необходимость дополнительного изучения различий в версиях методологий для соотнесения показателей, собранных в различные периоды времени.

Во второй главе данной работы осуществлен эконометрический анализ тенденций сектора торговли с использованием оперативных бизнес-индикаторов, который обусловил следующие результаты и выводы:

Нужна помощь в написании диплома?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.

Подробнее

1.   Построена система оперативных бизнес-индикаторов сектора торговли для Российской Федерации с учетом требований оперативной бизнес-статистики ЕС и изменений в применяемых Росстатом методологиях для сбора соответствующих данных.

2.       Рассмотрены проблемы и перспективы применения моделей векторной авторегрессии для прогнозирования тенденций развития сектора торговли. Для решения выявленных проблем были применены процедуры дезагрегации данных (Чоу-Линь) и сезонной корректировки (TRAMO/SEATS).

.        Построены модели байесовской векторной авторегрессии индикаторов сектора торговли Российской Федерации и Европейского союза для прогнозирования тенденций изменения индикаторов в 2017 году. С целью сравнения результатов прогнозов были построены модели классической векторной авторегрессии, значения которых показали менее достоверную динамику. В целом, полученные результаты прогнозов байесовской векторной авторегрессии сектора торговли РФ согласуются со сложившейся экономической ситуацией в стране. Прогнозные значения показателей индикаторов свидетельствуют об отсутствии существенных перспектив роста, за исключением показателя «заработная плата», увеличение которого может быть объяснено инфляционным эффектом.

.        Проведен одномерный анализ и прогнозирование оборота организаций розничной торговли для определения перспектив роста данного показателя в 2017 году, поскольку значения прогноза для сезонно скорректированных значений индикатора свидетельствовали о незначительных колебаниях показателя в пределах 0,6 процентных пунктов. Для прогнозирования оборота организаций розничной торговли использовались модели Хольта-Уинтерса и SARIMA, а также нейронные сети. Полученные прогнозы первых двух моделей позволяют сделать вывод о том, что динамика прогнозов в целом соотносится с результатами построенной модели байесовской векторной авторегрессии. В то же время, нейросетевая модель предполагает рост ежемесячных показателей оборота около шести процентных пунктов по сравнению с соответствующими показателями 2016 года, что не противоречит интервальному оцениванию прогнозов для моделей SARIMA и Хольта-Уинтерса. Таким образом, вероятность реализации положительной тенденции для показателя «оборот организаций розничной торговли» довольно высока.

Практическая значимость данной работы может заключаться в применении скриптов (на языке программирования R) для анализа и прогнозирования показателей сектора торговли, которые могут быть применены для дальнейшего исследования тенденций развития индикаторов других видов экономической деятельности.

5.

Список литературы

1.   Демешев Б. Б., Малаховская О. А. Картографирование BVAR // Прикладная эконометрика. 2016. Т. 43. С. 118-141.

2.       Демешев Б. Б., Малаховская О. А. Сравнение случайного блуждания, VAR, BVAR Литтермана при прогнозировании выпуска, индекса цен и процентной ставки / Высшая школа экономики. Серия WP12 «Научные доклады лаборатории макроэкономического анализа». 2015. № 3.

.        Клочкова Е.Н. Сравнительный анализ и перспективы развития сектора промышленного производства России в соответствии с методологией оперативной бизнес-статистики. IX Международная научно-практическая конференция “Регионы России: стратегии и механизмы модернизации, инновационного и технологического развития // М.: Институт научной информации по общественным наукам Российской Академии наук, 2013

.        Леднева О. В. Анализ динамики показателей оперативной бизнес-статистики сектора промышленного производства России //IX Международный научный конгресс «Роль бизнеса в трансформации общества — 2014» (сборник материалов) — М.: «Эдитус», 2014. — 442 стр. — С. 427-430.

.        Леднева О. В., Ферапонтов Д. О. Оперативная бизнес-статистика сектора «розничная торговля» и «услуги»: опыт Евростата //IX Международный научный конгресс «Роль бизнеса в трансформации общества — 2014» (сборник материалов) — М.: «Эдитус», 2014. — 442 стр. — С. 431-432.

.        Леднева О. В. Показатели оперативной бизнес статистики в разрезе строительной отрасли России // Статистика и экономика. 2014. №3, С. 145-152.

Нужна помощь в написании диплома?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.

Подробнее

.        Луппов А.Б. О методологических проблемах формирования и развития оперативной бизнес-статистики в России с учетом современных реалий и вызовов в экономике //в сборнике: Россия в европейском и мировом информационном пространстве сборник научных трудов: Материалы международной научно-практической конференции. 2014. — М.: МГИМО-Университет, 2014, с. 213-221.

.        Пономаренко А. Н. Властелины таблиц // Журнал «Эксперт», №15 (1025), 2017

.        Пономаренко А. Н. Оперативная бизнес-статистика и национальные счета: проблема согласования //Вопросы статистики. — 2008. — №. 8. — С. 7-12.

10.     Brave S. A., Butters R. A., Justiniano A. Forecasting Economic Activity with Mixed Frequency Bayesian VARs. — 2016.

.        Chow G. C., Lin A. Best linear unbiased interpolation, distribution, and extrapolation of time series by related series //The review of Economics and Statistics. — 1971. — С. 372-375.

.        Hamilton J. D. Time series analysis. — Princeton : Princeton university press, 1994. — Т. 2.

.        Keith O’Hara. Bayesian Macroeconometrics in R, 2015

.        Kourentzes N., Barrow D. K., Crone S. F. Neural network ensemble operators for time series forecasting //Expert Systems with Applications. — 2014. — Т. 41. — №. 9. — С. 4235-4244.

.        Kuzin V., Marcellino M., Schumacher C. MIDAS vs. mixed-frequency VAR: Nowcasting GDP in the euro area //International Journal of Forecasting. — 2011. — Т. 27. — №. 2. — С. 529-542.

.        Mikosch H., Neuwirth S. Real-time forecasting with a MIDAS VAR. — 2015.

.        Sax, C. und Steiner, P. (2013). Temporal Disaggregation of Time Series. The R Journal, 5(2), 80-88. [#»907136.files/image035.jpg»>

Рис. П1. Динамика показателей количества отработанных часов и количества замещенных рабочих мест в секторе торговли РФ в 2005-2016 гг. (раздел ОКВЭД 2 G45)

Рис. П2. Динамика показателей количества отработанных часов и количества замещенных рабочих мест в секторе торговли РФ в 2005-2016 гг. (раздел ОКВЭД 2 G46)

Рис. П3. Динамика показателей количества отработанных часов и количества замещенных рабочих мест в секторе торговли РФ в 2005-2016 гг. (раздел ОКВЭД 2 G47)

Таблица Значения оценок коэффициентов VAR-моделей для сектора торговли РФ

 

Нужна помощь в написании диплома?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.

Заказать диплом

Прогнозирование динамики индикаторов сектора торговли РФ в 2017 году при помощи классической VAR-модели

Рис. П4. Прогноз динамики индикаторов раздела «торговля оптовая и розничная автотранспортными средствами и мотоциклами и их ремонт» на 2017 год при помощи VAR-модели

Рис. П5. Прогноз динамики индикаторов раздела «торговля оптовая, кроме оптовой торговли автотранспортными средствами и мотоциклами» на 2017 год при помощи VAR-модели

Рис. П6. Прогноз динамики индикаторов раздела «торговля розничная, кроме торговли автотранспортными средствами и мотоциклами» на 2017 год при помощи VAR-модели

Таблица Средние значения апостериорных оценок коэффициентов BVAR-моделей для сектора торговли Европейского союза

 

Таблица Значения оценок коэффициентов VAR-моделей для сектора торговли Европейского союза

 

Прогнозирование динамики индикаторов сектора Европейского союза в 2017 г. при помощи байесовской VAR-модели

Рис. П7. Прогноз динамики индикаторов раздела «торговля оптовая и розничная автотранспортными средствами и мотоциклами и их ремонт» на 2017 год при помощи BVAR-модели

Рис. Прогноз динамики индикаторов раздела «торговля оптовая, кроме оптовой торговли автотранспортными средствами и мотоциклами» на 2017 год при помощи BVAR-модели

Рис. П9. Прогноз динамики индикаторов раздела «торговля розничная, кроме торговли автотранспортными средствами и мотоциклами» на 2017 год при помощи BVAR-модели

Нужна помощь в написании диплома?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.

Подробнее

Прогнозирование динамики индикаторов сектора торговли Европейского союза в 2017 году при помощи классической VAR-модели

Рис. П10. Прогноз динамики индикаторов раздела «торговля оптовая и розничная автотранспортными средствами и мотоциклами и их ремонт» на 2017 год при помощи VAR-модели

Рис. П11. Прогноз динамики индикаторов раздела «торговля оптовая, кроме оптовой торговли автотранспортными средствами и мотоциклами» на 2017 год при помощи VAR-модели

Рис. П12. Прогноз динамики индикаторов раздела «торговля розничная, кроме торговли автотранспортными средствами и мотоциклами» на 2017 год при помощи VAR-модели

Проверка остатков SARIMA-модели на наличие автокорреляции и гетероскедастичности

Рис. П13. Автокорреляционная функция (ACF) для остатков SARIMA-модели

Рис. П14. Частная автокорреляционная функция (PACF) для остатков SARIMA-модели

Рис. П15. Уровни значимости различных автокорреляционных лагов остатков SARIMA-модели для теста Льюнг-Бокса

Рис. П16. Уровни значимости различных автокорреляционных лагов квадратов остатков SARIMA-модели для теста Льюнг-Бокса

Рис. П16. Доверительные интервалы прогнозов SARIMA-модели и точечный прогноз нейронной сети для оборота организаций розничной торговли РФ в 2017 г.

Рис. П17. Доверительные интервалы прогнозов модели Хольта-Уинтерса и точечный прогноз нейронной сети для оборота организаций розничной торговли РФ в 2017 г.

Средняя оценка 0 / 5. Количество оценок: 0

Поставьте оценку первым.

Сожалеем, что вы поставили низкую оценку!

Позвольте нам стать лучше!

Расскажите, как нам стать лучше?

551

Закажите такую же работу

Не отобразилась форма расчета стоимости? Переходи по ссылке

Не отобразилась форма расчета стоимости? Переходи по ссылке