Везде
Econometric analysis of cargo turnover in the EAEU for certain types of transport
Table of contents
Annotation Estimate Publication content
References Comments
Share
QR
Metrics
Econometric analysis of cargo turnover in the EAEU for certain types of transport
Annotation
PII
S265838870025129-4-1
DOI
10.33276/S265838870025129-4
Publication type
Article
Status
Published
Authors
Nerses Khachatryan 
Affiliation: CEMI RAS
Address: Moscow, Nakhimovsky prospect, 47
Svetlana Borisova
Affiliation: CEMI RAS
Address: Moscow, Nakhimovsky prospect, 47
Edition
Volume 6 Issue 1
Abstract

The article presents the results of an econometric analysis of cargo turnover in the EAEU for three types of transport: road, rail and air. Regression equations describing the dependence of the cargo turnover of these modes of transport on the factors of economic activity are constructed and the results obtained are analyzed.

Keywords
cargo turnover, industry, agriculture, GDP, regression equation, forecast error
Received
05.04.2023
Date of publication
05.04.2023
Number of purchasers
13
Views
224
Readers community rating
0.0 (0 votes)
Cite Download pdf
Additional services access
Additional services for the article
Services benefits
100 RUB / 1.0 SU
1

Введение
2 Основными целями создания Евразийского экономического союза (ЕАЭС), членами которого являются Республика Армения, Республика Беларусь, Республика Казахстан, Кыргызская Республика и Российская Федерация, являются повышение конкурентоспособности национальных экономик и создание условий для их стабильного развития. Одной из основных задач для достижения указанных целей является развитие транспортной инфраструктуры входящих в нее стран. В связи с этим возникает необходимость в математическом моделировании транспорта как в целом, так и отдельных его элементов. В частности, речь идет о построении моделей, описывающих процесс организации грузоперевозок в зависимости от спроса на них, а также определение чувствительности спроса на грузовые перевозки к изменениям факторов экономической активности. Модели организации грузоперевозок представлены в работах [2, 7-12]. Моделирование спроса на грузоперевозки и эмпирические оценки эластичностей представлены в работах [5, 6, 13]. В работе [3] исследована зависимость объема перевозок в ЕАЭС всеми видами транспорта от таких факторов экономической активности как индекс промышленного производства, индекс объема сельскохозяйственного производства и индекс физического объема валового внутреннего продукта. Это исследование было продолжено в работе [4] для отдельных видов транспорта.
3

Для прогнозирования спроса на грузоперевозки важно исследовать не только динамику объема перевозимого груза, но также динамику грузооборота, представляющего собой произведение объема, перевозимого за определенное время груза на расстояние перевозки. В связи с этим в данной работе исследуется зависимость грузооборота от указанных выше факторов экономической активности. Это позволит:

1) сравнить спецификации моделей (для грузооборота и грузоперевозок [4]);

2) оценить влияние факторов экономической активности на объясняемые показатели (объемы грузоперевозок и грузооборот).
4 На рис.1 представлена структура грузооборота по видам транспорта. Отметим, что кроме трубопроводного, доля остальных видов транспорта за период с 2005 г. по 2019 г. увеличивается: автомобильного с 5 % до 7.5 %, железнодорожного с 40.7 % до 45 %, воздушного с 0.06 % до 1.12 %.
5

Рис. 1. Структура грузооборота по видам транспорта. Источник данных: статистика ЕАЭС [1]
6 На рисунках 2, 3 и 4 представлена динамика грузооборота автомобильным, железнодорожным и воздушным транспортом в ЕАЭС за период с 2005 по 2019 гг. По всем трем видам перевозок наблюдается положительный тренд. Прирост грузооборота воздушного транспорта за этот период времени составил около 153 %, автомобильного – около 91 %, а железнодорожного – около 42 %.
7

Рис. 2. Динамика грузооборота автомобильного транспорта. Источник данных: статистика ЕАЭС [1]
8

Рис. 3. Динамика грузооборота железнодорожного транспорта. Источник данных: статистика ЕАЭС [1]
9

Рис. 4. Динамика грузооборота воздушного транспорта. Источник данных: статистика ЕАЭС [1]
10

Эконометрический анализ грузооборота в ЕАЭС
11

Приступим к оцениванию зависимостей грузооборота отдельных видов 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 г. по 2019 г.:

ROAD_CARGO TURNOVER – грузооборот автомобильного транспорта, миллиард тонно-километров;

RAIL_ CARGO TURNOVER – грузооборот железнодорожного транспорта, миллиард тонно-километров;

AIR_ CARGO TURNOVER – грузооборот воздушного транспорта, миллиард тонно-километров;

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 году);

IND_GDP - индекс физического объема валового внутреннего продукта, в процентах к предыдущему году (пересчитывается в процентах к начальному году).
12 На основе теста на функциональную зависимость, использования критериев Акаике и Шварца определена спецификация модели:
13 ln⁡ytm=α0+α1ln⁡xt1+α2ln⁡xt2+α3ln⁡xt3+εtm,     m=1, 2, 3 ,
14 где yt1,  yt2,  yt3 – грузооборот отдельных видов транспорта (автомобильного, железнодорожного, воздушного); xt1,  xt2,  xt3 – объясняющие переменные (факторы экономической активности); εtm – регрессионные остатки, причем
15        εtm=δtm+ρ1δt-1m+ρ2δt-2m,     m=1, 2, 3 ,
16 где δtm – нормально распределенные случайные величины с нулевым средним и конечной дисперсией. Отметим, что в отличие объемов грузоперевозок, грузооборот не зависит от лаговых значений факторов экономической активности.
17 Коэффициенты регрессии оцениваются методом наименьших квадратов. Результаты оценивания приведены в таблице 1.
18 Таблица 1. Результаты регрессионного анализа
Объясняющие переменные Автомобильный транспорт Железнодорожный транспорт Воздушный транспорт
Constant -5.09 *** (1.25) 2.59 *** (0.15) -11.73 *** (2.02)
IND_PROM 1.44 *** (0.10) 2.78 *** (0.42)
IND_AGRIC 0.24** (0.08)
IND_GDP 2.02 *** (0.23) -0.35 *** (0.11)
δt-1 1.26 *** (0.23) 0.69 ** (0.29)
δt-2 -0.67 *** (0.16) -0.54 * (0.27)
R2 0.99 0.99 0.91
Примечание. В скобках указаны значения стандартных ошибок. ***, **, * - значимость на 1, 5 и 10%-ном уровне соответственно.
19 Коэффициент детерминации R2 имеет значение близкое к 1 для уравнений, описывающих зависимость грузооборота автомобильного и железнодорожного транспорта от указанных факторов экономической активности, и высокое значение для уравнения, описывающего зависимость грузооборота воздушного транспорта от этих же факторов. При этом индекс промышленного производства оказывает влияние на грузооборот железнодорожного и воздушного транспорта, индекс объема сельскохозяйственного производства – только на грузооборот автомобильного транспорта, а индекс валового внутреннего продукта – на грузооборот автомобильного и железнодорожного транспорта. Отрицательность коэффициента при индексе промышленного производства в уравнении, описывающем грузооборот железнодорожного транспорта, вероятнее всего, объясняется мультиколлинеарностью объясняющих переменных. Отметим также, что регрессионные остатки в уравнении, описывающем зависимость грузооборота железнодорожного транспорта от факторов экономической активности в отличие от регрессионных остатков в двух других уравнениях не являются автокоррелированными.
20

Сравнивая влияние факторов экономической активности на объясняемые переменные в моделях для объема грузоперевозок и грузооборота, отметим:

1) индекс промышленного производства оказывает существенное влияние на объемы грузоперевозок на всех видах транспорта (для железнодорожного и воздушного с лагом 1), в то время как на грузооборот автомобильного транспорта не влияет;

2) индекс сельскохозяйственного производства оказывает влияние на объемы перевозок на автомобильном и железнодорожном транспорте (с лагом 1) и на грузооборот только автомобильного транспорта;

3) индекс физического объема валового внутреннего продукта оказывает влияние на объемы перевозок на железнодорожном и воздушном транспорте и на грузооборот автомобильного и железнодорожного транспорта.
21 На рис. 6, 7 и 8 представлены графики модельных (расчетных) и фактических значений грузооборота всеми тремя видами транспорта, которые позволяют сделать вывод о прогностической точности моделей. Наибольшая точность наблюдается в модели для железнодорожного транспорта, где наибольшее отклонение модельных значений от фактических составляет 1.8 % (в 2014 г.). Для автомобильного транспорта аналогичный показатель составляет 5.5 % (в 2015 г.), для воздушного - существенно выше, а именно 17.8 % (в 2017 г.). Однако, среднее значение отклонений модельных значений от фактических для воздушного транспорта вполне приемлемо и составляет около 6 %.
22

Рис. 6. Фактические и модельные значения грузооборота автомобильного транспорта
23

Рис. 7. Фактические и модельные значения грузооборота железнодорожного транспорта
24

Рис. 8. Фактические и модельные значения грузооборота воздушного транспорта
25

Заключение
26 На основе данных департамента статистики Евразийской экономической комиссии построены эконометрические модели, описывающие зависимость грузооборота отдельных видов транспорта (автомобильного, железнодорожного и воздушного) от следующих факторов экономической активности: индекса промышленного производства, индекса объема сельскохозяйственного производства и индекса физического объема валового внутреннего продукта за период с 2005 г. по 2019 г. Результаты регрессионного анализа показали, что указанные факторы экономической активности оказывают существенное влияние на грузооборот транспорта, особенно железнодорожного. Коэффициент детерминации соответствующего уравнения равен 0.99, а наибольшее отклонении модельных данных от фактических за указанный период времени составил менее 2 %.

References

1. Статистика ЕАЭС : социально экономическая статистика // Евразийская экономическая комиссия : официальный сайт. – 2023. – URL : http://www.eurasiancommission.org/ru/act/integr_i_makroec/dep_stat/econstat/Pages/transport.aspx (дата обращения: 01.02.2023).

2. Хачатрян, Н. К. Исследование динамики потока в модели организации грузоперевозок по круговой цепочке станций / Н. К. Хачатрян, Л. А. Бекларян // Экономика и математические методы. – 2021. – Т. 57, №1. – с. 83-91.

3. Хачатрян, Н. К. 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: 01.02.2023).

4. Хачатрян, Н. К. Эконометрический анализ грузоперевозок в ЕАЭС: результаты ретроспективного прогноза / Н. К. Хачатрян // Вестник ЦЭМИ. – 2021. – Т. 4, № 4. – URL : https://cemi.jes.su/s265838870017987-8-1/ (дата обращения: 01.02.2023).

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. – Vol. 4? No 1. – pp. 45-64.

7. Beklaryan, L. A. Traveling wave type solutions in dynamic transport models / L. A. Beklaryan, N. K. Khachatryan // Functional Differential Equations. – 2006. – V. 13, № 2. – pp. 125-155.

8. Beklaryan, L. A. Model for organization cargo transportation at resource restrictions / L. A. Beklaryan, N. K. Khachatryan, A. S. Akopov // International Journal of Applied Mathematics. – 2019. – V. 32, № 4. – pp. 627-640.

9. Khachatryan, N. K. Model for organizing cargo transportation with an initial station of departure and a final station of cargo distribution / N. K. Khachatryan, A. S. Akopov // Business Informatics. – 2017. – № 1. – pp. 25-35.

10. Khachatryan, N. K. About quasi-solutions of traveling wave type in models for organizing cargo transportation / N. K. Khachatryan, A. S. Akopov, F. A. Belousov // Business Informatics. – 2018. – № 1 (43). – pp. 61-70.

11. Khachatryan, Nerses K. Study of flow dynamics in the model of cargo transportation organization between node stations / Nerses K. Khachatryan // International Journal of Applied Mathematics. – 2020. – Vol. 33, No 5. – pp. 937-949.

12. Khachatryan, Nerses K. Modeling the process of cargo transportation between node stations / Nerses K. Khachatryan // International Journal of Applied Mathematics. – 2021. – Vol.34, No6. – pp. 1223-1235.

13. Ramanathan, R. The Long-Run Behaviour of Transport Performance in India: Cointegration Approach / R. Ramanathan // Transportation Research Part A. – 2001. – Vol. 35. No. 4 – pp. 309-320.

Comments

No posts found

Write a review
Translate