Econometric analysis of cargo transportation in the EAEU: the results of the retrospective forecast
Table of contents
Share
QR
Metrics
Econometric analysis of cargo transportation in the EAEU: the results of the retrospective forecast
Annotation
PII
S265838870021363-2-1
Publication type
Article
Status
Published
Authors
Nerses Khachatryan 
Occupation: Docent
Affiliation: State Academic University for the Humanities
Address: Moscow, Maronovskiy per., 26
Abstract

The article is devoted to the econometric analysis of the volume of freight traffic in the EAEU by three modes of transport: road, rail and air. Regression equations describing the dependence of freight traffic volumes on economic activity factors are constructed and investigated. All the studied equations showed high predictive accuracy, confirmed by the results of a retrospective forecast.

Keywords
freight transportation, industry, agriculture, GDP, econometric model, retrospective forecast
Received
08.08.2022
Date of publication
08.08.2022
Number of purchasers
0
Views
230
Readers community rating
0.0 (0 votes)
Cite Download pdf
Additional services access
Additional services for the article
1

Введение

2 Евразийский экономический союз (ЕАЭС) – международная организация региональной экономической интеграции, членами которой являются Республика Армения, Республика Беларусь, Республика Казахстан, Кыргызская Республика и Российская Федерация. В ЕАЭС обеспечивается свобода движения товаров, услуг, капитала и рабочей силы, а также проведение скоординированной, согласованной или единой политики в отраслях экономики. ЕАЭС создан в целях всесторонней модернизации, кооперации и повышения конкурентоспособности национальных экономик и создания условий для стабильного развития в интересах повышения жизненного уровня населения государств-членов [2]. Успешная реализация поставленных перед организацией задач невозможна без развития транспортной инфраструктуры входящих в нее стран. Модернизация транспортной инфраструктуры, в частности, позволит увеличить объемы перевозимых товаров, сократить срок их доставки, а также расширить географию поставок. В связи с этим важной задачей является определение чувствительности спроса на грузовые перевозки к изменениям факторов экономической активности. В качестве таковых в работе используются следующие показатели: индекс промышленного производства, индекс объема сельскохозяйственного производства, индекс физического объема валового внутреннего продукта.
3 Отметим ряд публикаций, посвященных моделированию спроса на грузовые перевозки и эмпирическим оценкам эластичностей. В работе [5] моделирование спроса на грузовые перевозки в России осуществляется с помощью трех различных эконометрических моделей для разных видов транспорта. В [6] проведен эмпирический анализ грузовых перевозок в Дании с помощью коинтеграционной векторной регрессионной системы. Данный подход был применен также при моделировании спроса на индийский железнодорожный грузовой транспорт [7]. В работе [4] исследована зависимость объема перевозок в ЕАЭС всеми видами транспорта от указанных выше факторов экономической активности. В данной работе проведен анализ грузовых перевозок в ЕАЭС отдельными видами транспорта: автомобильным, железнодорожным, воздушным. Зная чувствительность спроса на грузовые перевозки отдельными видами транспорта к изменениям факторов экономической активности, можно в случае необходимости перераспределять грузы между различными видами транспорта.
4 На рис. 1 приведена структура грузовых перевозок по видам транспорта. Отметим, что более 70 % грузовых перевозок приходятся на автомобильный транспорт, а доля воздушного составляет около 0,1 %.
5

Рис. 1. Структура грузовых перевозок по видам транспорта (Источник: [3])

6 На рисунках 2, 3 и 4 представлена динамика перевозок грузов автомобильным, железнодорожным и воздушным транспортом в целом по ЕАЭС за период с 2005 по 2019 г. По всем трем видам перевозок наблюдается положительный тренд. Наибольший прирост грузовых перевозок за этот период времени произошел на воздушном транспорте (около 45 %), а наименьший – на железнодорожном (около 12 %).
7

Рис. 2. Перевозки грузов автомобильным транспортом (Источник: [3])

8

Рис. 3. Перевозки грузов железнодорожным транспортом (Источник: [3])

9

Рис. 4. Перевозки грузов воздушным транспортом (Источник: [3])

10

Эконометрический анализ грузоперевозок

11

Приступим к оцениванию зависимостей грузовых перевозок отдельными видами транспорта от указанных выше факторов экономической активности. Статистической базой для построения регрессионных моделей являлись следующие данные Департамента статистики Евразийской экономической комиссии ( >>>> ) за период с 2005 по 2019 г.:

ROAD_TRANSPORTATION – перевозки грузов автомобильным транспортом, млн тонн;

RAIL_TRANSPORTATION – перевозки грузов железнодорожным транспортом, млн тонн;

AIR_TRANSPORTATION – перевозки грузов воздушным транспортом, млн тонн;

IND_PROM – индекс промышленного производства, в процентах к предыдущему году (пересчитывается в процентах к начальному году);

IND_AGRIC – индекс объема сельскохозяйственного производства, в процентах к предыдущему году (пересчитывается в процентах к начальному год);

IND_GDP - индекс физического объема валового внутреннего продукта, в процентах к предыдущему году (пересчитывается в процентах к начальному году).

12 Также в модели используется фиктивные переменные DUMMY1 и DUMMY2, учитывающие влияние кризисов 2009 и 2014 гг. Переменная DUMMY1 принимает значение 0 для всех моментов времени, кроме 2009 и 2010 гг. – для этих двух моментов времени ее значение равно 1. Переменная DUMMY2 принимает значение 0 для всех моментов времени, кроме 2015 г. – для этого момента времени ее значение равно 1.
13 На основе теста на функциональную зависимость, использования критериев Акаике и Шварца определена спецификация модели:
14 lnytm=α0+α1ln(xt1)+α2ln(xt2)+α3ln(xt3)+α4ln(xt-11)+α5ln(xt-12)+ +α6ln(xt-13)+α7dummy1+α8dummy3+εt;         m=1, 2, 3,
15 где
16 yt1 , yt2 , yt3 – объемы перевозок отдельными видами транспорта (автомобильным, железнодорожным, воздушным);
17 xt1 , xt2 , xt3 , xt-11 , xt-12 , xt-13 – объясняющие переменные и их лаги первого порядка;
18 εt – ошибки регрессии (случайные независимые нормально распределенные с нулевым средним и конечной дисперсией) [1].
19 Коэффициенты регрессии оцениваются методом наименьших квадратов (МНК). Результаты оценивания приведены в таблице 1.
20 Таблица 1. Результаты регрессионного анализа
Объясняющие переменные Автомобильный транспорт Железнодорожный транспорт Воздушный транспорт
Constant 6.69*** (0.57) 5.84*** (0.38) -6.14*** (0.68)
IND_PROM 0.65*** (2.98)
IND_PROM (-1) -1.02*** (0.15) -1.20*** (0.32)
IND_AGRIC -0.15** (0.07)
IND_AGRIC (-1) 0.28*** (0.09)
IND_GDP 1.07 *** (0.16) 2.48*** (0.36)
DUMMY1 -0.13 *** (0.01) -0.09*** (0.01)
DUMMY2 -0.04 ** (0.01) -0.09** (0.04)
R2 0.98 0.96 0.91
Примечание. В скобках указаны значения стандартных ошибок. ***, **, * – значимость на 1, 5 и 10 %-ном уровне соответственно.
21 Коэффициент детерминации R2 имеет высокое значение для всех трех уравнений, что свидетельствует о высоком предсказательном качестве рассматриваемых зависимостей. Как следует из таблицы 1 промышленное производство важная составляющая спроса на все три вида перевозок. Если на объем автомобильных перевозок оно оказывает влияние в текущий момент времени, то на объемы железнодорожных и воздушных перевозок – в следующий момент времени. Отметим, что соответствующие коэффициенты статистически значимы на 1 %-ном уровне. Индекс объема сельскохозяйственного производства не оказывает влияния на воздушные перевозки, на объем автомобильных перевозок оказывает влияние в текущий момент времени, а на объем железнодорожных – в следующий. Индекс физического объема валового внутреннего продукта не оказывает воздействие на объемы автомобильных перевозок, влияние на объемы перевозок двумя другими видами транспорта существенно (соответствующие коэффициенты статистически значимы на 1%-ном уровне). Оба экономических кризиса (2008 и 2014 гг.) оказали влияние на объемы автомобильных перевозок. На объемы железнодорожных перевозок оказал влияние только кризис 2008 г., а на объемы воздушных перевозок – только кризис 2014 г. Отрицательность коэффициентов в ряде случаев (кроме фиктивных переменных), вероятнее всего объясняется мультиколлинеарностью объясняющих переменных.
22 На рис. 5, 6 и 7 представлены графики модельных (расчетных) и фактических значений грузоперевозок всеми тремя видами транспорта, которые позволяют сделать вывод о прогностической точности моделей, особенно для железнодорожного транспорта. Для него наибольшее отклонение модельных значений от фактических составляет 2,5 % (в 2016 г.).
23

Рис. 5. Фактические и модельные значения объемов автомобильных грузоперевозок

24

Рис. 6. Фактические и модельные значения объемов железнодорожных грузоперевозок

25

Рис. 7. Фактические и модельные значения объемов воздушных грузоперевозок

26 Наконец, в завершение эконометрического анализа приведем результаты ретроспективного прогноза. В качестве обучающей выборки использовались статистические данные за период с 2005 по 2017 г. В таблице 2 приведены ошибки прогноза, рассчитанного на 2018 и 2019 гг. Отметим, что ошибка прогноза объема грузовых перевозок всеми тремя видами транспорта на 2018 г. не превышает одного процента.
27 Таблица 2. Результаты ретроспективного прогноза (в %)
  2018 г. 2019 г.
Автомобильный 0,79 3,22
Железнодорожный 0,81 0,26
Воздушный 0,29 5,08
28

Заключение

29 На основе данных департамента статистики Евразийской экономической комиссии построены эконометрические модели, описывающая зависимость объема грузовых перевозок отдельными видами транспорта (автомобильным, железнодорожным и воздушным) от ряда факторов экономической активности: индекса промышленного производства, объема сельскохозяйственного производства и индекса физического объема валового внутреннего продукта за период с 2005 по 2019 г. В модель также были включены две фиктивные переменные, учитывающие влияние экономических кризисов 2009 и 2014 гг. Регрессионный анализ, указал на высокое качество построенных моделей: высокие значения коэффициентов детерминации (более 0,9 для всех моделей), статистическая значимость большинства коэффициентов уравнений на уровне 1 % и низкие значения ошибок ретроспективного прогноза (менее 1 % на первый год прогнозирования).

References

1. Айвазян, С. А. Методы эконометрики : учебник / С. А. Айвазян. – Москва : Магистр : ИНФРА-М, 2010. – 506 с.

2. Евразийский экономический союз (ЕАЭС) : официальный сайт. – URL : http://www.eaeunion.org/ (дата обращения: 20.05.2022).

3. Социально-экономическая статистика : транспорт // Евразийская экономическая комиссия : официальный сайт. – 2022. – URL : http://www.eurasiancommission.org/ru/act/integr_i_makroec/dep_stat/econstat/Pages/transport.aspx (дата обращения: 20.05.2022).

4. Хачатрян Н.К., Борисова С.В. Прогнозирование грузоперевозок в ЕАЭС. Результаты сценарных расчетов / Н. К. Хачатрян, С. В. Борисова // Вестник ЦЭМИ. – 2020. – Т. 3, №4. – URL : https://cemi.jes.su/s265838870014023-8-1/ (дата обращения: 20.05.2022).

5. Эконометрическое моделирование и прогнозирование спроса на грузовые перевозки в России в 1992-2015 гг. / Ю. А. Щербанин, Е. А. Ивин, А. Н. Курбацкий, А. А. Глазунова // Научные труды: Ин-т народнохозяйственного прогнозирования РАН. – 2017. – Т. 15. – с. 200-217.

6. Bjorner, T. B. Environmental Benefits from Better Freight Transport Management: Freight Traffic in a VAR Model / T. B. Bjorner // Transportation Research. Part D. – 1999. – N 4. – p. 45-64.

7. Ramanathan, R. (2001). The Long-Run Behaviour of Transport Performance in India: Cointegration Approach / R. Ramanathan // Transportation Research Part A. – 2001. – N 35. – p. 309-320.

Comments

No posts found

Write a review
Translate