Файл: Прогнозная оценка спроса на рынке товаров (услуг) (Обзор методик оценки и прогнозирования спроса).pdf

Рис. 14. Тест ан гетероскедастичность

Из рисунка видно, что гипотеза о гомоскедастичности не отвергается на всех уровнях статистической значимости, так как вероятность того, чтобы не отклонить гипотезу, равна 23% по F-статистике и статистике Хи квадрат, то есть дисперсия ряда смоделированного ряда постоянна. В принципе, проверка на гетероскедастичность не является обязательной для составления прогноза, однако постоянство дисперсии подтверждает стационарность ряда.

Для того, чтобы проверить сезонность, были введены 12 dummy-переменных, наименования которых составлены из трех букв названия соответствующего месяца, по принципу: dummy-переменная jan равна единице при месяце января, feb – при феврале и т. д. При включении данных переменных в модель, статистически значимыми оказались лишь январь, февраль, апрель, июнь, ноябрь (табл. 7) Кроме того, незначимым оказалась AR-часть. Непонятно, почему именно эти месяцы вызывают изменения в регрессанте. Также, здесь не включена вспомогательная переменная сентября, так как иначе будет полная мультиколлинеарность. Если не включить другую переменную, статистически значимыми окажутся другие переменные. В дополнение, невозможно логически объяснить, почему именно значения ряда именно в эти месяцы поддаются другому формированию модельного ряда. Более того, в изначальной модели присутствует MA-часть, которая сглаживает данные. В связи с этим, было решено не учитывать сезонность.

Таблица 7

Перейдем непосредственно к прогнозу. Для этого расширяем в настройках Eviews выборку до декабря 2019 года. Существует два подхода к прогнозу – статистический и динамический. Первый не учитывает изменений регрессанта во времени, второй – способен учесть. Всего по модели удастся рассчитать отгрузку автобензина в Центральном федеральном округе на один месяц вперед, то есть на май (рис. 15).

Рис. 15. График статистического прогноза бензина для Центрального федерального округа

Прогнозы на последующие месяцы могут быть построены из данных модели, которые получились в результате прогнозирования на май. Таким способом удалось предсказать отгрузку автобензина в Центральном федеральном округе на три месяца вперед, то есть до июля 2019 года (рис.19). Для последующего прогнозирования необходимо добавить фактические данные по отгрузке бензина по мере их подсчета.

Рис. 16. Статистический прогноз бензина для Центрального федерального округа до июля 2019 года

Второй способ прогнозирования – динамический, учитывающий изменение регрессанта. О не так прост в использовании, как статический. Для такого прогноза нужен анализ сезонности ряда и включения ее в модель. В данной модели нет тренда, не учтена сезонность, поэтому динамический прогноз будет выводить математическое ожидание – 783,46 тыс. тонн. (рис. 20), что еще раз подтверждает, что ряд стационарный.

Рис. 17. Динамический прогноз бензина для Центрального федерального округа

Итак, была спрогнозирована отгрузка автобензина для Центрального федерального округа на три месяца. Соотношение данных модели и фактических визуально предствлены на графике (рис. 30). Можно заметить, что несмотря на низкий уровень коэфициента детерминации модели, она повторяет основные скачки в отгрузке автобензина. Явное исключение составляет поведение модели в случае выброса в фактических данных, замеченного в начале данного раздела работы – во время резкого спада в фактических данных – 268 тыс. тонн в июне 2013 года, данные модели реагируют с лагом и сглаживают данный скачок, уменьшаясь незначительно только в июле. Средняя ошибка прогноза – 55 тыс. тонн, что составляет 8%.

Рис. 18. Сравнение фактических и модельных данных для отгрузки автобензина в ЦФО.

Таким же образом были составлены прогнозы для остальных федеральных округов:

1. Северо-Западный – ARIMA (0,1,1) (рис) с рассмотрением первой разности для исключения нестационарности, проверенной на расширенном тесте Дики-Фуллера: 250,5450412 для мая, 225,3620089 для июня и 219,8075334 для июля (рис. 19).

Рис 19. Представление модели отгрузки автобензина для СЗФО в Eviews

Рис. 20. Сравнение фактических и модельных данных для отгрузки автобензина в СЗФО.

1. Дальневосточный федеральный округ – МА(2). Представление на рис. 51-52. Прогноз: 142,4240242; 128,7009867; 122,8383955.

Рис. 21. Представление модели отгрузки автобензина для ДФО в Eviews

Рис. 22. Сравнение фактических и модельных данных для отгрузки автобензина в ДФО.

1. Южный федеральный округ – также ARIMA (0,1,1) рис. 23. Значения прогноза: 297,67 для мая, 294,4 для июня и 283,47 для июля. Соотношение данных модели и фактических визуально предствлены на графике (рис.23).

Рис. 23. Представление модели отгрузки автобензина для ЮФО в Eviews

Рис. 24. Сравнение фактических и модельных данных для отгрузки автобензина в ЮФО.

1. Северо-Кавказский федеральный округ: модель -- ARIMA(0,1,2) (рис. 25). Значения прогноза: 86,86187558; 81,79187558; 85,14937558 (рис. 26)

Рис. 25. Представление модели отгрузки автобензина для СКФО в Eviews

Рис. 26. Сравнение фактических и модельных данных для отгрузки автобензина в СКФО.

1. Приволжский федеральный округ: ARMA(2,2) c фиктивной переменной jan (рис 27.), равной 1 при слишком низком значении объема отгрузки автобензина в ПФО в июне 2013 (рис. 28). Значения прогноза: 624,7485904; 623,7616155; 622,7616155 тыс. тонн для мая, июня и июля 2019 года соответственно.

Рис. 27. Представление модели отгрузки автобензина для ПФО в Eviews

Рис. 28. Сравнение фактических и модельных данных для отгрузки автобензина в ПФО.

1. Уральский федеральный округ: ARMA(1,1) c фиктивной переменной jan (рис. 29), равной 1 при слишком низком значении объема отгрузки автобензина в ПФО в июне 2013 (рис. 30). Значения прогноза: 216,5052512; 206,5052512; 201,5052512 тыс. тонн для мая, июня и июля 2019 года соответственно.

Рис. 29. Представление модели отгрузки автобензина для УФО в Eviews

Рис. 30. Сравнение фактических и модельных данных для отгрузки автобензина в УФО.

1. Сибирский федеральный округ (СФО): модель – ARMA(1,3) с включением фиктивной переменной, равной единице в июне 2013 года из-за выброса. (Рис. 30-31). Прогноз: 86,86187558; 81,79187558; 85,14937558

Рис. 30. Представление модели отгрузки автобензина для СФО в Eviews

Рис. 31. Сравнение фактических и модельных данных для отгрузки автобензина в СФО.

Таким образом, судя по полученным прогнозам, почти в каждом округе ожидается понижения отгрузки автобензина в среднем на 3%. Исключения составляют Центральный, Приволжский и Северно-Западный федеральные округа: по ним в среднем отгрузка остается почти на том же уровне на протяжении трех последующих месяцев.

2.3 Альтернативный способ оценки спроса

Как уже было описано ранее, взятие отгрузки как спроса не бензин и дизельное топливо, не является спросом конечных потребителей. В то же время, по розничным продажам данных оказалось недостаточно, чтобы справиться с задачей оценки спроса конечных потребители. Поэтому, рассмотрим еще один метод оценки спроса на нефтепродукты.

Суть метода состоит в том, что спрос оценивается по среднему пробегу для каждого субъекта по формуле:

Ср. спрос = Средний пробег по субъекту в километрах * Средний расход топлива в литрах * коэффициент перевода в тыс. тонн (0,735/1000000 для бензина и 0,769/10000000 для дизельного топлива, т. к. в одном литре 0,735 и 0,796 кг бензина и дизельного топлива соответственно) * Кол-во транспорта * Удельный вес транспорта на данном виде топлива.

Например, для вычисления спроса на бензин АИ 92 со стороны легковых машин в республике Адыгея в 2010 году Ср. спрос = 7 218 (средний пробег) * 10, 84 / 1000 (ср. расход бензина на 1 км) * 0, 79 (удельный вес автомобилей на бензине АИ 92 во общем числе автомобилей) * 0,735 = 45,45 тонн (чтобы получить в тысячах, разделить еще на тысячу). Таким образом был посчитан спрос на бензин и дизель со стороны грузовиков категории N1, N2, N3; автобусов категорий M2, M3 и легковых машин М1, предсказан до 2019 года по методу наименьших квадратов, исходя из временного ряда (функция Excel «Тенденция», так как для полного эконометрического анализа временной ряд ограничен9 наблюдениями), обобщен по федеральным округам и визуально представлен на рисунках 62-32..

Рис. 32. Спрос на ДТ со стороны грузовиков категории N1.

Рис. 33. Спрос на бензин со стороны грузовиков категории N1.

Рис. 34. Спрос на ДТ со стороны легковых машин.

Рис. 35. Спрос на бензин АИ 95 со стороны легковых машин.

Рис. 36. Спрос на бензин АИ 95 со стороны легковых машин.

Стоит сказать, что на графиках потребления бензина и дизельного топлива легковыми автомобилями помимо ЦФО, также активно потребляется автомобилями Северо-Западного округа. Также, гипотеза о том, что в 2015 году население потребляло меньше топлива отклоняется в рамках данной модели. В то же время ограничение данной модели в том, что данные усреднены и, может быть, в действительности, было немого по-другому.

Подводя итог главы, следует отметить:

1. Спрос на бензин и дизельное топливо зависит от ситуации в стране. В настоящее время экономика пребывает в длительной стагнации, поэтому значительного повышения спроса на бензин и дизельное топливо не ожидается;
2. Отгрузка топлива – спрос на продукцию нефтяных заводов. Несмотря но то, что этот показатель не характеризует спрос конечных потребителей, заводы и объединения организаций с заводами, производящими дизель и бензин, могут использовать прогноз данного показателя для планирования финансового результата в следующем месяце.
3. Для краткосрочного прогноза были выбраны методы, не требующие ежемесячных данных по макропоказателям и другим возможным регрессорам – методы скользящего среднего и авторегрессии.
4. Прогнозы подтвердили предположение о том, значительного повышения спроса на бензин и дизельное топливо не ожидается;
5. Альтернативный метод оценки спроса – по среднему удельному потреблению топлива на километр, количеству транспортных средств и среднему по субъекту разбегу. Данный метод позволяет оценить спрос конечных потребителей, однако его минус состоит в усредненности.

ЗАКЛЮЧЕНИЕ

В ходе данной работы удалось определить понятие спроса и спроса на нефтепродукты, рассмотреть методы предыдущих исследований по оценке спроса на нефтепродукты и в конечном счете, провести оценку спроса на такие нефтепродукты, как дизель и бензин и произвести прогноз.