1. Теоретические аспекты эконометрического моделирования товарооборота
 Скачать 93.25 Kb.
|
|
1. Теоретические аспекты эконометрического моделирования товарооборота 1.1. Терминологическая база курсовой работы Влияние информационного общества – как фактора организационных изменений на эффективность фирм – все чаще рассматривается и измеряется – с помощью статистических показателей – в специальной литературе, быстро развивающейся и влияющей на все секторы бизнеса, от промышленные, услуги, туристические, медицинские, образовательные или государственное управление. Показатели, измеряющие информационное общество в Европейском союзе, подчеркивают многие различия и особенно особенности этого сектора, аспекты, которые будут подробно описаны в этом параграфе для обоснования подхода данного исследования. Если технологии ITC в основном используются крупными организациями в значительной степени, использование этой технологии малыми и средними предприятиями типа фирм находится на ранней стадии, согласно Палвиа. На практике в глобальном обществе для достижения успеха организации нуждаются в высококачественной информации и всегда обеспечивают добавленную стоимость лучше, чем конкуренты, когда речь идет о качестве, цене и услугах. Hit и Brynjolfsson утверждали, что, хотя TIC помогает увеличить производительность и избыточное потребление, они не обязательно могут увеличить прибыльность фирмы. Тем не менее, была обнаружена прямая и причинно-следственная связь между показателями деятельности организаций и инвестициями в ИТ. Практически и теоретически существует положительная связь между информационными технологиями и производительностью. Многие исследователи считают, что внедрение информационных технологий обеспечивает более высокую производительность, лучшую удовлетворенность клиентов, большую добавленную стоимость. После исследований, проведенных многими исследователями, было подчеркнуто, что существует положительная связь между размером фирмы и эффективностью использования ИТ в организациях. Линд и коллеги пришли к выводу, что размер и структура организации оказывают значительное влияние на внедрение компьютеров. EinDor&Segr связали размер и возраст организаций с использованием технологической информации. Чем крупнее организация, тем шире будет использование ИТ. Еще одна причина, по которой размер фирмы имеет значение, заключается в том, что ресурсы фирмы, включая финансовый и человеческий капитал, используются в соответствии с размером фирмы. Тонг и Яп подчеркнули, что размер фирмы является чуть ли не самым дискриминационным фактором между пользователями, которые внедряют и не внедряют ИТ в малых фирмах Сингапура. Acar et al в исследовании использования ИТ фирмами в Турции показали, что по мере того, как фирмы становятся больше, тем большее влияние на результаты, достигнутые после использования ИТ, оказывает влияние. Rahim et al в исследовании, проведенном на фирмах в Брунее, заметили, что существует положительная связь между типом бизнеса и использованием методов ИТ. В большинстве организаций сотрудники считаются наиболее значительным вкладом вместе с ролью менеджера, от них серьезно зависит выживание организации или ее успех.. Sarosaand Zowghi и Ghobakhlooet al заметили, что пользователи ИТ окажут положительное влияние на внедрение ИТ в организациях. В рамках исследований в этой области мы напоминаем исследования Ратеба Дж. С. Вейса, в которых он заметил, что отношение менеджеров важно при внедрении ИТ в организациях, а также подход к некоторым стратегиям для изменения отношения сотрудников и важность увеличения инвестиций в обучение сотрудников в области информации. технологий, играющих роль в повышении производительности труда. Менеджеры вместе с сотрудниками являются пользователями ИТ и имеют решающее влияние на их успешное внедрение. Следовательно, развитие этих ресурсов может быть необходимо для успеха организации. Согласно предыдущим исследованиям, была обнаружена положительная связь между внедрением ИТ и государственной поддержкой. Из-за размера фирм и отсутствия у них ресурсов фирмы больше зависят от других компаний, внешних ресурсов или поддержки. Инициативы и политика правительства могут прямо или косвенно повлиять на развитие ИТ в инфраструктуре и ускорить распространение технологий. Тем не менее, цель данного исследования состоит в том, чтобы проанализировать и предложить, с помощью статистической эконометрической методологии, модель, посредством которой мы подчеркиваем – для стран-членов ЕС – как влияет (и практически как это «вносит вклад») в формирование товарооборота. по совокупным секторам бизнеса, показателям информационного общества одновременно с макроэкономическими показателями и со статусом ЕС – 15 стран-членов или ЕС – 27 стран-членов. 1.2. Методики построения эконометрических моделей товарооборота Торговля играет важную роль в развитии, поскольку она тесно связана с промышленным развитием, поэтому страны с низким уровнем промышленности на душу населения обычно имеют низкий уровень национальной и внешней торговли на душу населения, и очень часто у них возникают проблемы с дефицитом платежных балансов. которые ведут к увеличению внешнего долга и трудностям в содействии развитию. Внешняя торговля особенно важна для малых стран или для стран с низким уровнем производства сырья. Им необходимо продавать товары и услуги зарубежным странам, чтобы финансировать некоторые промежуточные товары и услуги, необходимые для их производства, которые не производятся в стране и должны покупаться на международных рынках. Положительному влиянию импорта на экономическое развитие обычно не уделяется достаточного внимания во многих докладах об экономической политике менее развитых стран. На наш взгляд, он заслуживает большего внимания, поскольку эмпирические данные показывают, что промышленность необходима для развития, оказывая положительное влияние на другие сектора, такие как строительство и услуги. С другой стороны, промышленное развитие обычно тесно связано как с национальной, так и с международной торговлей. Крупные страны обычно имеют высокий уровень национальной торговли, поэтому они могут приобретать большую часть своих промежуточных ресурсов и оборудования, производя их сами, но малым странам обычно необходимо иметь высокий уровень внешней торговли, чтобы улучшить свое промышленное развитие. Если бы мы проанализировали только внешнюю торговлю между Европейским Союзом и другими регионами, исключая торговлю внутри ЕС, мы бы увидели, что внешняя торговля ЕС имеет значение на душу населения, очень похожее на значение США, потому что только около половины общего объема ЕС внешняя торговля вне ЕС. Многие теоретические и эмпирические исследования отмечают важную положительную роль экспорта в экономическом росте, хотя во многих из них подчеркивается только его влияние на спрос. На самом деле влияние на предложение также очень важно, поскольку импорт также во многих случаях играет положительную роль в экономическом росте. Увеличение импорта обычно способствует улучшению промышленности, строительства и услуг, делая доступными некоторые промежуточные товары, необходимые для расширения производства в этих секторах. Это происходит потому, что многие импортируемые товары и услуги дополняют внутреннее производство, и их положительное влияние на внутреннее производство обычно перевешивает некоторые негативные эффекты за счет эффектов замещения других импортируемых товаров. В Cancelo, Guisan and Frias (2001) мы представляем комбинированную модель реальной добавленной стоимости производства в странах ОЭСР, где конечный эффект увеличения единицы как импорта, так и экспорта означает положительное увеличение промышленного развития. Важное положительное влияние промышленности на другие сектора объясняет, что увеличение реальной добавленной стоимости промышленности на единицу может увеличить реальную добавленную стоимость услуг на 0,8, как показано в межстрановой модели мира, представленной в Гисане, Агуайо и Экспозито (2001). К аналогичным выводам пришли несколько авторов с разными подходами, хотя некоторые исследования открытости и роли внешней торговли неубедительны. ВВП из-за высокого уровня торговли внутри ЕС. Крупные страны, такие как США, имеют аналогичные уровни внутренней торговли на своей территории, но это, конечно, считается национальной торговлей, а не внешней торговлей. Мексика испытала высокую степень открытости для внешней торговли, но уровень ее экспорта на душу населения уже очень низок. Эта страна, как и большинство стран Латинской Америки, нуждается в увеличении внешней торговли для стимулирования промышленного развития. Степень открытости страны для внешней торговли может быть измерена в абсолютном выражении по стоимости экспорта на душу населения, а также может быть измерена в относительном выражении посредством отношения между экспортом и валовым внутренним продуктом. В целом степень абсолютной открытости положительно зависит от степени развития страны и отрицательно от размера страны, поскольку большие страны обычно имеют больше возможностей для внутренней торговли, чем малые. Степень относительной открытости для внешней торговли зависит от нескольких факторов: 1) Размер страны, при этом, как правило, большая потребность в открытости в малых странах. 2) Рост промышленности, как правило, с большей потребностью в открытости в странах, повышающих уровень индустриализации. 3) Расстояние до других рынков, с большим объемом торговли, когда расстояние небольшое и/или транспортные расходы невелики. 4) Торговые барьеры, торговля увеличивается, когда эти барьеры снижаются или исчезают. 5) Степень развития. В странах с очень низким уровнем ВВП на душу населения даже низкий уровень экспорта на душу населения подразумевает относительно высокий коэффициент. Эконометрические модели различаются задачами, для которых они строятся, набором прогнозируемых переменных, типами данных, количеством наблюдений и т.д. Трофимов, 2015). В работе (Айвазян, Бродский, 2006) авторы анализируют историю эконометрического моделирования и макроэкономического системного прогнозирования, выделяя наиболее известные модели. Например, модель экономики США для построения среднесрочного прогноза основных макроэкономических показателей на основе системы регрессии и балансовых уравнений, модели экономики Нидерландов (FKSEC) и экономики Франции. Отличительной особенностью последней упомянутой модели является использование теории коинтеграции при описании динамики важнейших макроэкономических показателей. Государство, государство России, научные и коммерческие организации также осуществляют прогнозирование экономических показателей на основе эконометрических моделей. В ряде работ дан краткий обзор таких модельных прогнозных комплексов, включающих в себя модель экономики России, разработанную Центральным экономико-математическим институтом Российской академии наук (ЦЭИ). , модель Центра макроэкономического анализа и краткосрочного прогнозирования, модель Минэкономразвития РФ и некоторые другие. Одной из общих черт упомянутых выше моделей авторы называют отсутствие своей методики построения. Некоторые авторы предлагают собственные методы построения различных моделей анализа и прогнозирования экономических показателей. Так, в работах я ошибок, в работе эти модели рассматриваются для прогнозирования оборота розничной торговли. Другой автор использует модели векторной авторегрессии и коинтеграции для прогнозирования индексов фондовой биржи в исследовании байесовской модели векторной авторегрессии для прогнозирования индексов реального сектора экономики. был построен. В работе автор прогнозирует емкость первичного рынка государственных краткосрочных облигаций с использованием векторных моделей авторегрессии, моделей коррекции ошибок и моделей авторегрессии со скользящим средним. Авторы предлагают систему уравнений для прогнозирования, содержащую коинтеграционные и регрессионные эконометрические зависимости и балансовые взаимосвязи между макроэкономическими показателями. В нашей статье представлены результаты использования эконометрических и статистических методов для прогнозирования макроэкономических показателей стабилизационных процессов в России на основе построенных временных рядов рассматриваемых показателей. Имея дело с нестационарными временными рядами в этом исследовании, мы сначала выбрали авторегрессионную модель ARIMA (авторегрессионное интегрированное скользящее среднее) для временного ряда каждого индекса. Затем, исходя из предположения, что на каждый рассматриваемый индекс могут влиять не только его собственные предшествующие значения, но и предшествующие значения других индексов, была построена модель векторной авторегрессии (ВАР). А затем, принимая во внимание важность влияния на показатели, принимаемые как эндогенные переменные, другими показателями – экзогенными переменными, и охватив их взаимосвязь, была построена структурная модель – система синхронных уравнений (СУС). Все три типа построенных эконометрических моделей были проверены, насколько они удовлетворяют требованиям равенства и как их можно использовать для прогнозирования. Произведена оценка и сравнение точности прогноза построенных моделей. И построен точечный прогноз анализируемых макроэкономических показателей по всем моделям и на последующие временные периоды. Методы исследования Выбор методов исследования в работе определялся с учетом типа исходных данных – нестационарных временных рядов макроэкономических показателей в месячной динамике. В процессе исследования использовались эконометрические и статистические методы (методы построения эконометрических моделей, методы анализа временных рядов): графический анализ автокорреляционной и частичной автокорреляционной функций, тесты на стационарность исследования, порядок целостности временного ряда, методы исследования направление причинно-следственной зависимости, коинтеграционный анализ, методы построения, оценки и анализа различных эконометрических моделей. Информационная база исследования В курсовой рассматриваются макроэкономические показатели, характеризующие стабилизационные экономические процессы, т.е. процессы, протекающие в экономической системе в течение длительного периода времени и стабилизирующие ее состояние, определяемое рядом признаков. Основными являются: относительно незначительный, но стабильный рост производства; рост занятости, соответствующий естественному приросту населения; баланс внешнеэкономической операции; практически стабильные цены и благосостояние населения; сокращение бюджетного дефицита. По этим признакам для прогнозирования были выбраны (выбраны в качестве эндогенных переменных) следующие макроэкономические показатели: (1) Y – индекс промышленного производства (в процентах к соответствующему периоду предыдущего года); (2) Y – общая численность безработных (млн чел.); (3) Y – чистый экспорт (млрд долларов США); (4) Y – индекс потребительских цен (в процентах к соответствующему месяцу предыдущего года); (5) Y – начисленная среднемесячная номинальная заработная плата на одного работника (в процентах к соответствующему периоду предыдущего года); (6) Y – инвестиции в основной капитал (в процентах к соответствующему периоду предыдущего года). Для формирования информационной базы исследования использовались официальные статистические данные о краткосрочных экономических показателях Российской Федерации, которые регулярно размещаются на сайте Федеральной службы статистики (Краткосрочные экономические показатели Российской Федерации, 2016). Проведенное исследование включало следующие этапы. На первом этапе был проведен предварительный статистический анализ временных рядов выбранных макроэкономических показателей: сначала эндогенных переменных, а затем экзогенных переменных, отсортированных с учетом выявленных связей с исследуемыми эндогенными переменными. На втором этапе проводилось эконометрическое моделирование; были построены, оценены и проанализированы эконометрические модели. Это были модели авторегрессионной интегрированной скользящей средней (ARIMA), модели векторной авторегрессии (VAR) и система одновременных уравнений (SES). На третьем этапе было выполнено тестовое прогнозирование эндогенных переменных (ретроспективный прогноз), что позволило оценить и сравнить прогностические возможности построенных моделей. На четвертом этапе прогнозирование макроэкономических показателей (эндогенных переменных) производилось по всем моделям, построенным на следующие периоды времени. При построении эконометрической модели используются два типа данных: данные, характеризующие совокупность различных объектов в определенный момент времени; данные, характеризующие один объект за ряд последовательных моментов времени. Модели, построенные по данным первого типа, называются пространственными моделями. Модели, построенные на основе второго типа данных, называются моделями временных рядов. Временной ряд (ряд динамики) – это совокупность значений какого-либо показателя за несколько последовательных моментов или периодов времени. Каждый уровень временного ряда формируется под воздействием большого числа факторов, которые условно можно подразделить на три группы: факторы, формирующие тенденцию ряда; факторы, формирующие циклические колебания ряда; случайные факторы. Каждый уровень временного ряда формируется под воздействием тенденции, сезонных колебаний и случайной компоненты. 1) трендовой (Т), описывающей общее изменение со временем результативного признака; 2) сезонной (S), отражающей повторяемость данных через небольшой промежуток времени; 3) случайной (Е), отражающей влияние случайных факторов. В большинстве случаев фактический уровень временного ряда можно представить как сумму или произведение трендовой, циклической и случайной компонент. Модель, в которой временной ряд представлен как сумма перечисленных компонент, называется аддитивной моделью временного ряда. Модель, в которой временной ряд представлен как произведение перечисленных компонент, называется мультипликативной моделью временного ряда. Основная задача эконометрического исследования отдельного временного ряда – выявление и придание количественного выражения каждой из перечисленных выше компонент с тем, чтобы использовать полученную информацию для прогнозирования будущих значений ряда или при построении моделей взаимосвязи двух или более временных рядов. Распространенным способом моделирования тенденции временного ряда является построение аналитической функции, характеризующей зависимость уровней ряда от времени, или тренда. Этот способ называют аналитическим выравниванием временного ряда. Для построения трендов чаще всего применяются следующие функции: линейный тренд:  ; гипербола:  ; экспоненциальный тренд:  (или  ); степенная функция:  ; полиномы различных степеней:  .Параметры каждого из перечисленных выше трендов можно определить обычным МНК, используя в качестве независимой переменной время  , а в качестве зависимой переменной – фактические уровни временного ряда  . Для нелинейных трендов предварительно проводят стандартную процедуру их линеаризации.Наиболее простую экономическую интерпретацию имеет линейная функция  : а – начальный уровень временного ряда в момент времени  ; b – средний за период абсолютный прирост уровней ряда.Параметры а и b находятся по формулам:  ;  .Существует несколько способов определения типа тенденции. К числу наиболее распространенных способов относятся качественный анализ изучаемого процесса, построение и визуальный анализ графика зависимости уровней ряда от времени. В этих же целях можно использовать и коэффициенты автокорреляции уровней ряда. Тип тенденции можно определить путем сравнения коэффициентов автокорреляции первого порядка, рассчитанных по исходным и преобразованным уровням ряда. Если временной ряд имеет линейную тенденцию, то его соседние уровни и  тесно коррелируют. В этом случае коэффициент автокорреляции первого порядка уровней исходного ряда должен быть высоким. Если временной ряд содержит нелинейную тенденцию, например, в форме экспоненты, то коэффициент автокорреляции первого порядка по логарифмам уровней исходного ряда будет выше, чем соответствующий коэффициент, рассчитанный по уровням ряда. Чем сильнее выражена нелинейная тенденция в изучаемом временном ряде, тем в большей степени будут различаться значения указанных коэффициентов.Выбор наилучшего уравнения в случае, когда ряд содержит нелинейную тенденцию, можно осуществить путем перебора основных форм тренда, расчета по каждому уравнению скорректированного коэффициента детерминации и средней ошибки аппроксимации. Этот метод легко реализуется при компьютерной обработке данных. Основные задачи анализа временных рядов. Базисная цель статистического анализа временного ряда заключается в том, чтобы по имеющейся траектории этого ряда: определить, какие из неслучайных функций присутствуют в разложении (1), т.е. определить значения индикаторов i; построить «хорошие» оценки для тех неслучайных функций, которые присутствуют в разложении (1); подобрать модель, адекватно описывающую поведение случайных остатков t, и статистически оценить параметры этой модели. Успешное решение перечисленных задач, обусловленных базовой целью статистического анализа временного ряда, является основой для достижения конечных прикладных целей исследования и, в первую очередь, для решения задачи кратко- и среднесрочного прогноза значений временного ряда. Приведем кратко основные элементы эконометрического анализа временных рядов. Временные ряды отражают тенденцию изменения параметров системы во времени, поэтому входным параметром х является момент времени. Выходной параметр y называется уровнем ряда. В случае отсутствия ярко выраженных изменений в течение времени, общая тенденция сохраняется. Ряд можно описать уравнением вида YT = F (t) + ET , где F (t) – детерминированная функция времени. ET – случайная величина Во временных рядах проводится операция анализа и сглаживания тренда, который отражает влияние некоторых факторов. Для построения тренда применяется МНК-критерий. Существуют моментальные и интервальные ряды. В моментальных рядах отражаются абсолютные величины, по состоянию на определенный момент времени, а в интервальных – относительные величины (показатель за год, месяц, и т.д.). Исследование данных при помощи рядов позволяет во многих случаях более четко представить детерминированную функцию. При этом рассчитываются базисные и цепные показатели (прирост, коэффициент роста, коэффициент роста, темп роста, темп прироста, и др.). Под базисными показателями понимают, показатели, которые соотносятся к начальному уровню ряда. Цепные показатели относятся к предыдущему уровню. Прогноз явлений по временным рядам состоит из двух этапов: Прогноз детерминированной компоненты. Прогноз случайной компоненты. Обе проблемы связаны с анализом результатов парных экспериментов. В отличие от аппроксимации и интерполяции анализ временных рядов включает в себя методы оценки случайных компонент. Поэтому прогнозирование при помощи временных рядов является более точным. Исследование рядов имеет большое значение и для технических, и для экономических систем. Одна из важнейших задач статистики - определение в рядах динамики общей тенденции развития. Основной тенденцией развития называется плавное и устойчивое изменение уровня во времени, свободное от случайных колебаний. Задача состоит в выявлении общей тенденции в изменении уровней ряда, освобожденной от действия различных факторов. Изучение тренда включает два основных этапа: ряд динамики проверяется на наличие тренда; производится выравнивание временного ряда и непосредственно выделение тренда с экстраполяцией полученных результатов. С этой целью ряды динамики подвергаются обработке методами укрупнение интервалов, скользящей средней и аналитического выравнивания: Метод укрупнения интервалов. Одним из наиболее элементарных способов изучения общей тенденции в ряду динамики является укрупнение интервалов. Этот способ основан на укрупнении периодов, к которым относятся уровни ряда динамики. Например, преобразование месячных периодов в квартальные, квартальных в годовые и т.д. Метод скользящей средней. Выявление общей тенденции ряда динамики можно произвести путем сглаживания ряда динамики с помощью скользящей средней. Скользящая средняя - подвижная динамическая средняя, которая рассчитывается по ряду при последовательном передвижении на один интервал, то есть сначала вычисляют средний уровень из определенного числа первых по порядку уровней ряда, затем - средний уровень из такого же числа членов, начиная со второго. Таким образом, средняя как бы скользит по ряду динамики от его начала к концу, каждый раз отбрасывая один уровень в начале и добавляя один следующий. При этом посредством осреднения эмпирических данных индивидуальные колебания погашаются, и общая тенденция развития явления выражается в виде некоторой плавной линии (теоретические уровни). И так, суть метода заключается в замене абсолютных данных средними арифметическими за определенные периоды. Скользящая средняя обладает достаточной гибкостью, но недостатком метода является укорачивание сглаженного ряда по сравнению с фактическим, что ведет к потери информации. Кроме того, скользящая средняя не дает аналитического выражения тренда. Период скользящей может быть четным и нечетным. Практически удобнее использовать нечетный период, так как в этом случае скользящая средняя будет отнесена к середине периода скольжения. Скользящие средние с продолжительностью периода, равной 3, следующие:  ;  ;  и т.д.Полученные средние записываются к соответствующему срединному интервалу. Особенность сглаживания по четному числу уровней состоит в том, что каждая из численных (например, четырехчленных) средних относится к соответствующим промежуткам между смежными периодами. Для получения значений сглаженных уровней соответствующих периодов необходимо произвести центрирование расчетных средних. Недостатком способа сглаживания рядов динамики является то, что полученные средние не дает теоретических рядов, в основе которых лежала бы математически выраженная закономерность. Метод аналитического выравнивания. Более совершенным приемом изучения общей тенденции в рядах динамики является аналитическое выравнивание. При изучении общей тенденции методом аналитического выравнивания исходят из того, что изменения уровней ряда динамики могут быть с той или иной степенью точности приближения выражены определенными математическими функциями. Вид уравнения определяется характером динамики развития конкретного явления. Логический анализ при выборе вида уравнения может быть основан на рассчитанных показателях динамики, а именно: если относительно стабильны абсолютные приросты (первые разности уровней приблизительно равны), сглаживание может быть выполнено по прямой; если абсолютные приросты равномерно увеличиваются (вторые разности уровней приблизительно равны), можно принять параболу второго порядка; при ускоренно возрастающих или замедляющихся абсолютных приростах - параболу третьего порядка; при относительно стабильных темпах роста- показательную функцию. Для аналитического выравнивания наиболее часто используются следующие виды трендовых моделей: прямая (линейная), парабола второго порядка, показательная (логарифмическая) кривая, гиперболическая. Цель аналитического выравнивания - определение аналитической или графической зависимости. На практике по имеющемуся временному ряду задают вид и находят параметры функции, а затем анализируют поведение отклонений от тенденции. Чаще всего при выравнивании используются следующие зависимости; линейная, параболическая и экспоненциальная. Основа большинства методов прогнозирования - экстраполяция тенденции, связанная с распространением закономерностей, связей и соотношений, действующих в изучаемом периоде, за его пределы или, другими словами, это получение представлений о будущем на основе информации, относящейся к прошлому и настоящему. Экстраполяция, проводимая в будущее,- это перспектива, а в прошлое,- ретроспектива. Предпосылки применения экстраполяции: развитие исследуемого явления в целом следует описывать плавной кривой; общая тенденция развития явления в прошлом и настоящем не должна претерпевать серьезных изменений в будущем. Экстраполяцию в общем виде можно представить так:  ,где  - прогнозируемый уровень;  - текущей уровень прогнозного ряда;Т- срок экстраполяции;  - параметр уравнения тренда.При этом могут использоваться разные методы в зависимости от исходной информации. Упрощенные приемы целесообразны при недостаточной информации о предыстории развития явления (нет достаточно длинного ряда или информация заданна только двумя точками: на начало и конец периода). Упрощенные приемы основываются на средних показателях динамики, и можно выделить: Метод среднего абсолютного прироста. Для нахождения интересующего нас аналитического выражения тенденции на любую дату необходимо определить средний абсолютный прирост и последовательно прибавить его к последнему уровню ряда столько раз, на сколько периодов экстраполируется ряд.  ,где t- срок прогноза; i- номер последнего уровня. Применение в экстраполяции среднего абсолютного прироста предполагает, что развитие явления происходит по арифметической прогрессии и относится в прогнозировании к классу «наивных» моделей, ибо чаше всего развитие явления следует по иному пути, чем арифметическая прогрессия Т.С. Вместе с тем в ряде случаев этот метод может найти применение как предварительный прогноз, если у исследователя нет динамического ряда: информация дана лишь на начало и конец периода (например, данные одного баланса). Метод среднего темпа роста. Осуществляется, когда общая тенденция характеризуется показательной кривой  ,где  - последний уровень ряда динамики; k- средний коэффициент роста.Выравнивание рядов по какой-либо аналитической формуле. Экстраполяция дает возможность получить точечное значение прогнозов. Точное совпадение фактических данных и прогнозных точечных оценок, полученных путем экстраполяции кривых, имеет малую вероятность. Любой статистический прогноз носит приближенный характер, поэтому целесообразно определение доверительных интервалов прогноза:  ,  ,где  - коэффициент доверия по распределению Стьюдента при уровне значимости  ;  - средняя квадратическая ошибка тренда; k- число параметров в уравнении;  - расчетное значение уровня.Аналитические методы основаны на применении метода наименьших квадратов к динамическому ряду и представлении закономерности развития явления во времени в виде уравнения тренда, то есть математической функции уровней динамического ряда (y) от факторного времени (t): y=f(t). Аналитическое сглаживание позволяет не только определить общую тенденцию изменения явления на рассматриваемом отрезке времени, но и выполнять расчеты для таких периодов, в отношении которых нет исходных данных. Адаптивные методы используются в условиях сильной колеблемости уровней динамического ряда и позволяют при изучении тенденции учитывать степень влияния предыдущих уровней на последующие значения динамического ряда. К адаптивным методам относятся методы скользящих и экспоненциальных средних, метод гармонических весов, методы авторегрессионных преобразований. 1.3. Обзор исследований по эконометрическим моделям товарооборота В многочисленных теоретических и эмпирических исследованиях предпринимались попытки изучить взаимосвязь между волатильностью обменного курса и торговыми потоками, а также инвестициями, поскольку вряд ли можно игнорировать важность анализа последствий неопределенности обменного курса применительно к валютному регулированию, торговой и инвестиционной политике. Однако эти исследования не дают убедительных доказательств истинной взаимосвязи. Поскольку большое количество прошлых теоретических и эмпирических работ по актуальной проблеме было тщательно рассмотрено и проанализировано в обзорных исследованиях Бахмани-Оскоуи и Хегерти (2007) и Маккензи (1999), мы рассматриваем некоторые недавние статьи и сужаем наше внимание до нескольких конкретные эконометрические вопросы, которые не освещены достаточно подробно в этих обзорных статьях. Кроме того, мы стремимся показать обоснованность ряда эконометрических методов, которые обычно не используются в контексте оценки влияния неопределенности обменного курса на торговые потоки и инвестиции. Чтобы оценить модель, которая включает в себя термин волатильности обменного курса, исследователи применили широкий спектр методов оценки, начиная от обычных методов наименьших квадратов и заканчивая сложными моделями временных рядов и панельных данных. Обзор литературы позволяет предположить, что можно разделить процедуры оценки на две категории: одноэтапные и двухэтапные подходы. При одноэтапном подходе набор уравнений, включающий процесс обменного курса, который генерирует меру риска, и торговые модели оцениваются совместно в единой системе уравнений. Между тем, в большинстве более ранних исследований использовалась двухэтапная процедура оценки. В этой процедуре мера волатильности обменного курса получается с использованием ряда статистических методов, начиная от обычных (например, внутрипериодного стандартного отклонения или скользящего стандартного отклонения) и заканчивая сложными моделями временных рядов (модели класса GARCH или стохастические модели волатильности в на первом этапе, а затем включается в торговые или инвестиционные уравнения на втором этапе для оценки воздействия. Эта процедура может привести к проблеме сгенерированного регрессора с противоречивыми оценками коэффициентов и смещенными стандартными ошибками. Хотя в большом количестве эмпирических исследований используются эконометрические модели, содержащие меру риска, тем не менее, эти исследования не могут предоставить общепринятый метод измерения переменной риска. Следует отметить, что в существующей литературе описано большое разнообразие методов измерения риска, начиная от статистических показателей и заканчивая уравнениями временных рядов, такими как модели семейства SV и GARCH. Распространенной и общепринятой мерой рыночного риска является скользящее стандартное отклонение. Тем не менее, эта мера подвергалась широкой критике в литературе: (i) она может неправильно определять случайный процесс, который генерирует обменные курсы; (ii) как отметил Arize (1997), эта мера может недооценивать влияние волатильности на решения; (iii) важно то, что построение переменной риска с использованием скользящего стандартного отклонения является случайным, поскольку выбор порядка процесса скользящего среднего является произвольным. На самом деле следует особо отметить вклад многочисленных исследовательских работ, в которых используется эта мера риска обменного курса, поскольку другие полностью параметрические модели временных рядов обычно требуют большого количества наблюдений для получения косвенного показателя риска. Эта мера используется часто, особенно в исследованиях, основанных на дезагрегированных данных, которые обычно доступны с годовой или квартальной периодичностью. Кроме того, в литературе использовалось несколько других показателей риска обменного курса, таких как долгосрочная модель максимального и минимального значений номинального обменного курса, отклонение от тренда, абсолютное процентное изменение и многие другие. На современном этапе развития стран из-за глобализации экономики, ускорения урбанизации, роста потребления материальных благ одной из актуальных проблем является построение эффективного механизма управления социально-экономическим развитием, позволяющего увязать текущие процессы обеспечения всех сфер жизни с будущими долгосрочными перспективами. Мировой опыт показывает, что наилучшим интсрументарием для исследования сложных социально-экономических систем и принятия макроэкономических решений явялется макроэкономитрическое моделирование. Выделяют два основных направления построения эконометрических моделей реальных национальных экономик: Агрегированный (основоположник Л. Клейн); Дезагрегированный (Р. Лукас). К первому типу относятся модели, состоящие из систем уравнений и описывающие экономику в целом. Так, например, Дохолян С. В., Каллаева А. С. Петросянц В. З. в статье [1, c. 4–17] представляют региональную эконометрическую модель прогнозирования на примере РФ с помощью системы рекурсивных уравнений. Для моделирования использовались показатели: It — объем инвестиции в основной капитал в году t; IPt — объем инвестиции в промышленность в году t; ISt — объем инвестиции в сельское хозяйство в году t; VPPt — объем промышленного производства в году t; VSPt — объем сельскохозяйственного производства в году t; VSTt — объем строительных работ в году t; VRPt — валовой региональный продукт в году t; DOHt — доходы населения в году t; PLUt — объем платных услуг в году t; ORTt — оборот розничной торговли в году t; BDt — доходы консолидированного бюджета в году t; NPt — объем налоговых поступлений в бюджетную систему в году t; BRt — численность безработных в году t; Nt — общая численность населения в году t; INt — инвестиции в основной капитал на душу населения в году t; VRPNt — валовой региональный продукт на душу населения в году t; DOHNt — доходы на душу населения в году t; PLUNt — платные услуги на душу населения в году t; ORTNt — оборот розничной торговли на душу населения в году t; BDNt — бюджетные доходы на душу населения в году t; NPNt — налоговые поступления на душу населения в году t, Qt — удельный вес налоговых поступлений в ВРП в году t; UDt — уровень дотационности консолидированного бюджета в году t. При этом управляющими параметрами в модели являются инвестиции в основной капитал, промышленность и в сельское хозяйство. После расчета показателей на основе представленной модели были рассмотрены различные сценария стратегического развития Республики Дагестан на период до 2020 г.: инерционный, инвестиционный, инновационный и композиционный. Преимущество данной модели в том, что она учитывает специфические свойства региона и позволяет прогнозировать на несколько лет вперед, а также дает возможность рассмотреть различные сценария стратегического развития. Однако стоит отметить, что в данной статье некорректно были применены теоретические основы эконометрического моделирования: в модели присутствуют одновременно линейная и степенная зависимости. Стоит выделить еще один класс моделей, относящиеся к первому типу, векторная авторегрессия (VAR). Основные показатели, используемые в модели, следующие: индекс промышленного производства, общая численность безработных, чистый экспорт, индекс потребительских цен, начисленная среднемесячная заработная плата, инвестиции в основной капитал. При этом период оценивания был выбран с 1999 г. по 2014 г., месячные данные. Моделирование осуществлялось в эконометрическом пакете EViews. Также в работе был проведен сравнительный анализ полученной модели с ранее разработанной эконометрической моделью исследования стабилизационных процессов экономики России, представленной в виде системы одновременных уравнений (СОУ). Эндогенными переменными в СОУ выступают все рассмотренные показатели, которые были учтены в VAR-модели. В результате были сделаны выводы, что прогнозные значения, найденные по векторной авторегрессии, ближе к фактическим, чем прогнозы, полученные на основе системы одновременных уравнений. В работе [3] продемонстрирована методология и результаты применения расширенной VAR-модели для 14 основных макроэкономических показателей, характеризующих экономику РФ. Адекватность оцененной байесовской авторегрессионной модели проверялось на основе анализа импульсных откликов, рекурсивного безусловного прогнозирования и контрафактических симуляций. В результате был сделан вывод, что данный эконометрический инструментарий применим для российской экономики. Однако авторы отмечают: предложенная модель не является окончательной и оптимальной версией, она в процессе будет преобразована с помощью добавления новых переменных, что позволит исследовать все стороны экономической сферы страны и выявить новые взаимосвязи. Модель векторной авторегрессии и ее модификации являются эффективными инструментами прогнозирования, способные находить прогнозы на краткосрочную перспективу, и учитывать влияния лаговых значений и факторов на динамику основных показателей экономики. Ко второму типу можно отнести множество эконометрических моделей, которые в свою очередь условно разделяются на два типа: модели, в которых анализируются только предыдущие временные значения экономического показателя без учета влияния экзогенных переменных и определяются прогнозные значения, например, модели временных рядов ARIMA, представленные в работе [4, с. 2–17], с помощью которых были получены прогнозные значения основных макроэкономических показателей экономики РФ. Расчеты осуществлялись на месячных данных с сентября 1998 г. по декабрь 2012 г., источником послужил ЦБ РФ. В данных моделях был учтен мировой кризис 2008 г. Основные анализируемые показатели следующие: промышленное производство (индекс промышленного производства), розничный товарооборот, инвестиции в основной капитал, внешнеторговые показатели (объемы экспорта и импорта), индекс потребительских цен и индексы цен производителей, индексы транспортных тарифов на грузовые перевозки, денежные показатели (денежная база), международные резервы РФ, валютные курсы, показатели уровня жизни населения (реальная заработная плата, реальный располагаемый денежный доход), показатели численности занятого в экономике населения, общая численность безработных. Исследование представлено в два этапа. На первом осуществлялся предварительный анализ временных рядов на основе исследования коррелограмм, проведения теста Дики — Фуллера, а также тестирование на наличия структурных сдвигов с помощью критериев Перрона и Зивота — Эндрюса. На втором происходила оценка моделей и нахождение прогнозных значений. Стоит отметить, что прогнозирование по данным моделям осуществляется только на краткосрочную перспективу и не учитывается влияние факторов. 2) модели, учитывающие влияние факторов на динамику того или иного макроэкономического показателя. Так, к последним относятся ряд следующих эконометрических моделей и методов: a) коинтеграционный анализ и модели коррекции ошибками; b) пространственные модели; c) панельный анализ. Дмитриев А. С., Шугаль Н. Б. в работе рассмотрели влияние факторов на основные компоненты ВВП РФ: потребление населения, инвестиции в основной капитал, параметры внешней торговли, с помощью построения коинтеграционных соотношений и моделей коррекции ошибками (ECM). Для разработки моделей были выбраны месячные данные с 1999 г. по 2004 г. Предварительно все временные ряды были исследованы на стационарность с помощью расширенного теста Дикки — Фуллера (ADF-тест) и теста Квятковского — Филлипса — Шмидта — Шина (KPSS). Построение ECM осуществлялось на основе двухшаговой процедуры Энгла — Грэнджера. Все полученные модели были проверены на адекватность. После оделирования отдельных компонент ВВП была построена объединенная модель реального и внешнего сектора в виде системы уравнений. Данная модель позволила выявить основные факторы, влияющие на изменение темпов экономического роста, и рассмотреть сценария развития будущего состояния экономики страны. Айвазян С. А., Бродский Б. Е.в работе рассматривают влияние факторов на важнейшие показатели, относящиеся к основным секторам экономики РФ (экспортно-ориентированный, естественные монополии,газовая отрасль, внутренне-ориентированный сектор). Для этого разрабатывают коинтеграционные соотношения и модели коррекции ошибками (ECM). Оценивание осуществляется с использованием квартальных данных с 1995 г. по 2005 г. Модель российской экономики содержит 64 регрессионных и коинтеграционных уравнения, включает 17 балансовых соотношений. Она позволяет проанализировать воздействие внешних «шоков»и основных параметров экономической политики на конъюнктуру экономики страны, а также разработать сценария развития на будущую перспективу. Демидова в своей работе использует дезагрегированные модели пространственной эконометрики для выявления взаимосвязи в экономическом развитии регионов западной и восточной России. Для каждого региона разрабатывается модель экономики на основе трех индикаторов: уровень безработицы, реальные заработные платы, валовой региональный продукт и осуществляется проверка наличия пространственных эффектов. В результате исследования был получен вывод, что в России существует асимметричное влияние социально-экономического развития западных и восточных регионов друг на друга. Гурьянова Л. С. в статье представляет применение производственных функции панельных данных с учетом научно-технического прогресса и без учета данного фактора. Оценивание осуществляется с использованием данных с 2005 г. по 2010 г. и рассматривается 15 видов экономической деятельности регионов Украины. Полученные модели были проверены на адекватность. В результате исследования были выявлены отрасли, где наиболее эффективно применяются технологии, а также определены регионы Украины, использующие эффективные технологии в инвестируемых отраслях производства. Однако в работе не обоснован выбор типа моделей, а именно, не представлены результаты специфических тестов панельного анализа. Таким образом, сравнивая два подхода построения эконометрических моделей макроэкономики можно сделать вывод, что дезагрегированный подход позволяет более детально описать все социально-экономические процессы, выявить конкурентные преимущества и проблемы функционирования. Данный метод является актуальным инструментарием государственного регулирования социально-экономического развития на уровне города, региона и страны. Детализированный анализ основных макроэкономических показателей и составления верных прогнозов на будущую перспективу позволяют принимать научно-обоснованные управленческие решения, сглаживать межрегиональные противоречия и решать вопросы, связанные с ростом благосостояния населения и улучшением качества жизни. Обоснованные прогнозные значения могут применяться муниципальными органами власти для определения и обоснования социально-экономической политики, способов рационализации и оптимизации использования ограниченных производственных ресурсов. Развитие товарооборота—динамичный процесс. Купля-продажа товаров осуществляется не только в пространстве, но, и во времени. Конечно, отдельные акты купли-продажи дискретны, но в целом процесс обмена товаров на деньги непрерывен, хотя в статистике (в целях его измерения) его ограничивают временными рамками, подсчитывая объем реализованных товаров за определенный промежуток времени. Товарооборот “сегодня” — это новая характеристика по отношению к товарообороту “вчера”. На векторе изменения товарооборота и интенсивности этого процесса существенно отражаются любые колебания и диспропорции рынка [9]. Тенденции изменения товарооборота во времени относятся к важнейшим оценкам состояния и развития рынка товаров и услуг. Показатели динамики товарооборота входят в число главных характеристик деловой активности. Перспективы развития рынка, а, следовательно, и масштабы коммерческого риска в большой степени зависят от характера и интенсивности развития товарооборота. Показатели динамики товарооборота используются как один из критериев разработки маркетинговой стратегии. Динамика товарооборота является одной из главных составляющих уровня жизни. С одной стороны, динамика товарооборота отражает (с некоторыми оговорками) основные закономерности покупательского спроса и тенденции его удовлетворения, с другой стороны, изменения товарооборота определяют потенциальные возможности получения валового дохода, а затем и прибыли. Динамика товарооборота является проявлением действия рыночного механизма, следствием фактически сложившихся пропорций спроса и предложения. Все это определяет значительный интерес к динамическим процессам товарооборота со стороны, как государственной статистики, так и бизнес-статистики [2]. Исследование динамики товарооборота в целом, составных элементов и этапов этого процесса, факторов, которые обусловливают те или иные темпы развития и т. п., представляет собой важную задачу статистики рынка и статистики товарооборота в частности. К задачам изучения динамики товарооборота относятся: оценка и анализ изменения и тенденций общего объема товарооборота в целом по географическому и экономическому пространству, а также дифференцирование — в территориальном разрезе, по формам рыночной деятельности, по социально-экономическим группам потребителей; оценка и анализ изменения продажи отдельных продуктов и услуг; выделение отдельных элементов (факторов) динамики товарооборота (количественного, ценностного, демографического, структурного и т. д.), построение факторных индексных моделей динамики товарооборота; выявление и моделирование закономерностей динамического развития товарооборота и его прогнозирование. В оценке и анализе развития товарооборота используются все методы статистического исследования динамических процессов: построение динамических рядов (в натуральных и стоимостных единицах), расчет его показателей (базисных и цепных темпов роста и прироста, среднегеометрических темпов, абсолютных приростов и абсолютного значения 1 % прироста), построение трендовых и регрессионных моделей динамики, группировка отдельных предприятий, фирм, регионов по темпам роста товарооборота. Используются индексные и эконометрические методы. В данной работе будут строиться эконометрические модели. Список использованной литературы 1. Jesse, Russell Эконометрика / Jesse Russell. - М.: VSD, 2017. - 717 c. 2. Айвазян, С. А. Эконометрика / С.А. Айвазян, С.С. Иванова. - М.: Маркет ДС, 2017. - 104 c. 3. Артамонов, Н. В. Введение в эконометрику / Н.В. Артамонов. - М.: МЦНМО, 2015. - 204 c. 4. Артамонов, Н. В. Введение в эконометрику / Н.В. Артамонов. - М.: МЦНМО, 2016. - 224 c. 5. Афанасьев, В. Н. Эконометрика / В.Н. Афанасьев, М.М. Юзбашев, Т.И. Гуляева. - М.: Финансы и статистика, 2017. - 256 c. 6. Берндт, Эрнст Практика эконометрики. Классика и современность / Эрнст Берндт. - М.: Юнити-Дана, 2016. - 848 c. 7. Вербик, Марно Путеводитель по современной эконометрике / Марно Вербик. - М.: Научная книга, 2016. - 616 c. 8. Гладилин, А. В. Практикум по эконометрике / А.В. Гладилин, А.Н. Герасимов, Е.И. Громов. - М.: Феникс, 2016. - 336 c. 9. Дайитбегов, Д. М. Компьютерные технологии анализа данных в эконометрике / Д.М. Дайитбегов. - Москва: ИЛ, 2015. - 592 c. 10. Колемаев, В. А. Эконометрика / В.А. Колемаев. - М.: ИНФРА-М, 2016. - 160 c. 11. Кочетыгов, А. А. Основы эконометрики / А.А. Кочетыгов, Л.А. Толоконников. - М.: Издательский центр "МарТ", 2015. - 352 c. 12. Кремер, Н. Ш. Математика для экономистов. От Арифметики до Эконометрики. Учебно-справочное пособие / Н.Ш. Кремер, Б.А. Путко, И.М. Тришин. - М.: Юрайт, 2017. - 724 c. 13. Математика для экономистов. От Арифметики до Эконометрики / Н.Ш. Кремер и др. - М.: Юрайт, 2017. - 688 c. 14. Математика для экономистов. От Арифметики до Эконометрики. - Москва: Мир, 2017. - 648 c. 15. Новак, Эдвард Введение в методы эконометрики. Сборник задач / Эдвард Новак. - М.: Финансы и статистика, 2016. - 248 c. 16. Плохотников, К. Э. Основы эконометрики в пакете STATISTICA (+ CD-ROM) / К.Э. Плохотников. - Москва: ИЛ, 2015. - 304 c. 17. Практикум по эконометрике (+ CD-ROM). - М.: Финансы и статистика, 2015. - 344 c. 18. Теория статистики с элементами эконометрики. Практикум. Учебное пособие. - М.: Юрайт, 2015. - 386 c. 19. Теория статистики с элементами эконометрики. Учебник. - М.: Юрайт, 2015. - 672 c. 20. Теория статистики с элементами эконометрики. Учебник. В 2 томах (комплект). - Москва: СИНТЕГ, 2015. - 682 c. 21. Тихомиров, Н. Методы эконометрики и многомерного статистического анализа / Н. Тихомиров. - М.: Экономика, 2017. - 989 c. 22. Тихомиров, Н. П. Эконометрика / Н.П. Тихомиров, Е.Ю. Дорохина. - М.: Экзамен, 2017. - 512 c. 23. Шилов, В. В. Библиотечная Эконометрика. Сборник Научных Трудов. Вып.2 / В.В. Шилов. - Москва: Огни, 2016. - 120 c. 24. Эконометрика / Под редакцией В.Б. Уткина. - М.: Дашков и Ко, 2017. - 562 c. 25. Яновский, Л. П. Введение в эконометрику (+ CD) / Л.П. Яновский, А.Г. Буховец. - М.: КноРус, 2017. - 256 c. 26. Яновский, Л. П. Введение в эконометрику / Л.П. Яновский, А.Г. Буховец. - М.: КноРус, 2017. - 256 c. |