Анализ динамики и структуры цены автомобилей

р-значение 0,9208 коэф. автокорреляции 1-го порядка для e: -0,073 лаг для разностей: F (12, 144) = 478,148 [0,0000] тест с константой модель: (1-L)y = b0 + (a-1)*y (-1) + … + eоценка для (a — 1): -0,988 169 тестовая статистика: tau_c (1) = -2,6628 асимпт. р-значение 0,8 062 коэф.

автокорреляции 1-го порядка для e: -0,045 лаг для разностей: F (12, 143) = 488,972 [0,0000] с константой и трендом модель: (1-L)y = b0 + b1*t + (a-1)*y (-1) + … + e оценка для (a — 1): -0,958 697 тестовая статистика: tau_ct (1) = -0,774 014 асимпт. р-значение 0,9666 коэф. автокорреляции 1-го порядка для e: -0,044 лаг для разностей: F (12, 142) = 417,922 [0,0000]Расширенный тест Дики-Фуллера для l_kursвключая один лаг для (1-L)l_kurs (max was 13, criterion Крит. Акаике).

объем выборки 168нулевая гипотеза единичного корня: a = 1 тест без константы модель: (1-L)y = (a-1)*y (-1) + … + e оценка для (a — 1): 0,110 216 тестовая статистика: tau_nc (1) = 1,25 078 асимпт. р-значение 0,9468 коэф.

автокорреляции 1-го порядка для e: -0,006 тест с константой модель: (1-L)y = b0 + (a-1)*y (-1) + … + e оценка для (a — 1): 0,2 479 тестовая статистика: tau_c (1) = 1,60 786 асимпт. р-значение 0,9996 коэф. автокорреляции.

1-го порядка для e: 0,003 лаг для разностей: F (4, 159) = 5,105 [0,0007] с константой и трендом модель: (1-L)y = b0 + b1*t + (a-1)*y (-1) + … + e оценка для (a — 1): 0,528 929 тестовая статистика: tau_ct (1) = 0,296 193 асимпт. р-значение 0,9986 коэф. автокорреляции 1-го порядка для e: 0,002 лаг для разностей: F (4, 158) = 5,080 [0,0007]Мы видим, что на 5% уроне значимости гипотеза о наличии единичного корня не может быть отвергнута. Рассмотрим для этих рядов автокорреляционную функцию. Автокорреляционнаяфункциядля l_avtoprice***, **, * indicate significance at the 1%, 5%, 10% levelsusing standard error 1/T⁰, 5Лаг ACF PACF Q-стат. [.

p-значение] 1 0,9754 *** 0,9754 *** 164,6094 [0,000] 2 0,9508 *** -0,0118 321,9607 [0,000] 3 0,9254 *** -0,0293 471,9150 [0,000] 4 0,9006 *** -0,0028 614,7698 [0,000] 5 0,8768 *** 0,0108 751,0148 [0,000] 6 0,8532 *** -0,0106 880,8043 [0,000] 7 0,8305 *** 0,0065 1004,5471 [0,000] 8 0,8086 *** 0,0035 1122,5730 [0,000] 9 0,7867 *** -0,0138 1234,9629 [0,000] 10 0,7645 *** -0,0160 1341,7741 [0,000] 11 0,7419 *** -0,0214 1442,9834 [0,000] 12 0,7188 *** -0,0208 1538,5978 [0,000] 13 0,6971 *** 0,0166 1629,1137 [0,000] 14 0,6755 *** -0,0127 1714,6356 [0,000] 15 0,6573 *** 0,0585 1796,1492 [0,000]Вид автокорреляционной функции подверждает сделанный раннее вывод о нестационарности ряда l_avtoprice. Кроме того, по виду частной автокорреляционной функции можно сделать вывод, что порядок интегрированности этого ряда равен 1. Это же подтверждает ADF-тест, выполненный с помощью EViews. (рис. 13) для первых разностей ряда l_avtoprice.Рис.Проверка гипотезы единичного корня для первых разностей временного рядаl_avtopriceТо же самое можно сказать о временном ряде l_kurs. Автокорреляционная функция, а также ADF-тест подтверждают вывод о порядке интегрированности 1 для этого ряда. Автокорреляционнаяфункциядля l_kurs***, **, * indicate significance at the 1%, 5%, 10% levelsusing standard error 1/T⁰, 5Лаг ACF PACF Q-стат.

[ p-значение] 1 0,9479 *** 0,9479 *** 155,4745 [0,000] 2 0,8868 *** -0,1160 292,3596 [0,000] 3 0,8249 *** -0,0334 411,4980 [0,000] 4 0,7726 *** 0,0638 516,6507 [0,000] 5 0,7271 *** 0,0216 610,3403 [0,000] 6 0,6800 *** -0,0548 692,7757 [0,000] 7 0,6312 *** -0,0341 764,2508 [0,000] 8 0,5931 *** 0,0904 827,7472 [0,000] 9 0,5598 *** 0,0045 884,6649 [0,000] 10 0,5299 *** -0,0048 935,9735 [0,000] 11 0,4995 *** -0,0128 981,8595 [0,000] 12 0,4533 *** -0,1641 ** 1019,8795 [0,000] 13 0,3995 *** -0,0799 1049,6005 [0,000] 14 0,3347 *** -0,1375 * 1070,6006 [0,000] 15 0,2885 *** 0,1522 ** 1086,2974 [0,000]Сложнее ведет себя ряд l_salary. Этот ряд, а также его первая разность содержат периодическую составляющую. Автокорреляционнаяфункциядля l_salary***, **, * indicate significance at the 1%, 5%, 10% levelsusing standard error 1/T⁰, 5Лаг ACF PACF Q-стат. [ p-значение] 1 0,9701 *** 0,9701 *** 162,8093 [0,000] 2 0,9515 *** 0,1774 ** 320,3714 [0,000] 3 0,9339 *** 0,0460 473,0949 [0,000] 4 0,9164 *** 0,0047 621,0149 [0,000] 5 0,9008 *** 0,0297 764,8227 [0,000] 6 0,8879 *** 0,0522 905,3768 [0,000] 7 0,8686 *** -0,0943 1040,7240 [0,000] 8 0,8501 *** -0,0311 1171,1666 [0,000] 9 0,8328 *** 0,0034 1297,1139 [0,000] 10 0,8128 *** -0,0482 1417,8367 [0,000] 11 0,7960 *** 0,0257 1534,3677 [0,000] 12 0,7937 *** 0,2546 *** 1650,9605 [0,000] 13 0,7644 *** -0,3927 *** 1759,7933 [0,000] 14 0,7457 *** 0,0722 1864,0232 [0,000] 15 0,7273 *** 0,0207 1963,8035 [0,000] 16 0,7090 *** 0,0111 2059,2551 [0,000] 17 0,6926 *** 0,0149 2150,9423 [0,000] 18 0,6787 *** -0,0154 2239,5639 [0,000] 19 0,6588 *** -0,0452 2323,6141 [0,000] 20 0,6396 *** -0,0201 2403,3692 [0,000] 21 0,6219 *** -0,0085 2479,2665 [0,000] 22 0,6020 *** 0,0153 2550,8751 [0,000]Это подтверждается выполненными тестами, а также визуально по графикам этих временных рядов. Прежде чем строить математическую модель, выполним тест на причинности по Гренджеру [13].

Для этого будем использовать программный продукт EViews 8.

1. Результаты приведены на рис 14. Pairwise Granger Causality TestsDate: 05/01/16 Time: 13:05Sample: 1 170Lags: 20 Null Hypothesis: ObsF-StatisticProb. L_KURS does not Granger Cause L_AVTOPRICE 150 1.

761 340.

0342 L_AVTOPRICE does not Granger Cause L_KURS 2.

494 020.

0014 L_SALARY does not Granger Cause L_AVTOPRICE 150 1.

725 030.

0397 L_AVTOPRICE does not Granger Cause L_SALARY 0.

752 660.

7629 L_SALARY does not Granger Cause L_KURS 150 1.

655 890.

0524 L_KURS does not Granger Cause L_SALARY 0.

854 500.

Рис. 14 Тест на причинности по Гренджеру.

Мы видим, что на 5% уровне значимости отвергаются гипотезы о том, что уровень заработной платы и величина обменного курса не являются причиной для уровня цен. Модель будем строить в виде автрегрессионного уравнения с включением значений временных рядов l_salaryи l_kursс помощью программного продуктаGretl 2016a. Модель 6: МНК, использованы наблюдения 2002:

06−2016:

02 (T = 165) Зависимая переменная: l_avtopriceКоэффициент.

Ст. ошибкаt-статистикаP-значениеconst1,497 970,046324232,3366<0,0001***l_kurs0,1 942 780,012682915,3181<0,0001***l_salary₃₀, 1 018 410,02966753,43 280,0008***l_salary₄₀, 1 003 440,03098153,23 890,0015***l_salary₅₀, 1 013 080,02945213,43 980,0007***Среднее зав. перемен 5,86 259.

Ст. откл. зав. перемен 0,227 752.

Сумма кв. остатков 0,196 363.

Ст. ошибка модели 0,3 5032R-квадрат 0,976 917.

Испр. R-квадрат 0,97 6340F (4, 160) 1692,883Р-значение (F) 9,2e-130Лог. правдоподобие 321,4085.

Крит. Акаике−632,8170.

Крит. Шварца−617,2873.

Крит. Хеннана-Куинна−626,5130.

Параметр rho 0,923 550.

Стат. Дарбина-Вотсона 2,16 689.

Таким образом, получили следующее уравнение Мы видим, что коэффициенты получившегося уравнения являются статистически значимыми. Коэффициент детерминации R2=0,9769.

Статистика ДарбинаУотсона близка к 2. Графики наблюдаемых и расчетных значений демонстрируют хорошую согласованность.Рис. 15. Графики логарифмов наблюдаемых и расчетных значений.

Таким образом, можно считать обоснованным, что уровень заработной платы и обменный курс рубля определяют динамику цены отечественных новых автомобилей. Коэффициенты полученного уравнения означают, что изменение курса рубля на 1% приводит к удорожанию автомобиля на 0,087%, а повышение среднего уровня заработной платы на 1% приводит в течении 7 месяцев к кумулятивному эффекту удорожания автомобиля на 0,256 809+ 0,578 260 + 0,661 858 +0,693 249 0,600 609 +0,419 296 +0,235 945 ≈0,34% Аналогичные расчеты выполним для новых импортных автомобилей.

Модель 5: Кохрана-Оркатта (Cochrane-Orcutt), использованы наблюдения 2004:

09−2016:

02 (T = 138) Зависимая переменная: Avto_imprho = 0,963 465.

Коэффициент.

Ст. ошибкаt-статистикаP-значениеconst69,56 836,0303711,5363<0,0001***salary₁₀, 1 646 083,83104e-054,2967<0,0001***salary₂₀, 2 640 094,80062e-055,4995<0,0001***salary₃₀, 2 710 825,49883e-054,9298<0,0001***salary₄₀, 3 336 455,40541e-056,1724<0,0001***salary₅₀, 3 391 955,1776e-056,5512<0,0001***salary₆₀, 2 829 994,55856e-056,2081<0,0001***salary₇₀, 1 456 233,79006e-053,84 220,0002***kurs0,1 678 770,04275453,92 650,0001***kurs₁₀, 2 008 710,0454784,4169<0,0001***kurs₂₀, 2 095 410,04368464,7967<0,0001***Статистика, основанная на последней итерации вычисления параметра rho: Среднее зав. перемен 125,8767.

Ст. откл. зав. перемен 20,51 537.

Сумма кв. остатков 114,0945.

Ст. ошибка модели 0,94 7830R-квадрат 0,998 078.

Испр. R-квадрат 0,99 7927F (10, 127) 28,7 630Р-значение (F) 1,24e-27Параметр rho 0,550 002.

Стат. Дарбина-Вотсона 1,899 955.

Здесь мы видим, что на стоимость автомобиля влияет курс рубля в предыдущие моменты времени.Рис. 16. Графики наблюдаемых и расчетных значений, (январь 2004 г.=100)Для иностранных автомобилей, собранных на территории РФ получим.

Рис. 17. Графики наблюдаемых и расчетных значений, (январь 2008 г.=100)Для подержанных автомобилей получим.

Рис. 18. Графики наблюдаемых и расчетных значений, (январь 2002 г.=100).

3.2 Моделирование структуры цены автомобиля. В литературе и в аналитических отчетах очень часто высказывается мнение, что цена средняя автомобиля зависит также от населенного пункта, где происходит продажа или покупка автомобиля. Чтобы проверить это утверждения, проанализируем данные из таблицы 2, где приведены средние цены по городам России, а также численность населения в этих городах. Составим корреляционную матрицу для содержащихся в таблице данных. Используются следующие обозначения: Naselenчисленность населенияRUдоля автомобилей отечественного производстваIM- доля импортных автомобилейPREM — доля автомобилей премиум классCenaсредняя цена автомобиля в данном населенном пункте. NaselenRUIMPREMcenaNaselen1RU-0,17421IM0,28 429−0,92 6551PREM0,385 942−0,598 620,2533711cena0,287 794−0,611 050,3298820,8 695 391.

Мы видим, что средняя цена слабо зависит от численности населения и доли массовых иномарок иномарок, а в значительной степени зависит от доли автомобилей премиум класса и автомобилей российского производства. Рассмотрим теперь влияние факторов, определяющих стоимость продажи автомобиля на вторичном рынке. Для этого с сайта.

https://auto.ru были получены данные о стоимости автомобилей марки Ford"Focus" на вторичном рынке с учетом пробега, возраста, мощности двигателя и типа коробки передач. Была составлена регрессионная модель, связывающая все эти характеристики автомобиля. Расчеты выполнены в Excel. Мы видим, что все перечисленные параметры являются статистически значимыми. Коэффициент детерминации равен 0,8188.ВЫВОД ИТОГОВРегрессионная статистика.

Множественный R0,90489R-квадрат0,818 825.

Нормированный R-квадрат0,800 708.

Стандартная ошибка54 959,91Наблюдения34Дисперсионный анализ dfSSMSFЗначимость FРегрессия34,1E+111,37E+1145,195 363,03E-11Остаток309,06E+103,02E+09Итого335E+11 Коэффициенты.

Стандартная ошибкаt-статистикаP-Значение.

Нижние 95%Верхние 95%Y-пересечение398 221,396128,154,1 426 080,000258201901,4 594 541,1POWER147712,258 249,612,5 358 480,01666328750,61 266 673,8KOROBKA32949,5 713 669,532,410 440,0222695032,67 260 866,47VOZRAST-37 909,93807,433−9,956 815,06E-11−45 685,7−30 134,1Получили уравнение Cena=398 221+147712*Power+32 949*KOROBKA-37 909*Vozrastгде приняты следующие обозначенияCena — стоимость автомобиля на вторичном рынке;Power — объем двигателя;KOROBKA — тип коробки передач (0- механическая, 1- автоматическая, 2- роботизированная) Vozrastвозраст автомобиля на момент подачи объявления. Поскольку при анализе данных была обнаружена тесная корреляционная зависимость между возрастом и пробегом, то фактор Probegисключен из модели, чтобы избежать явления мультиколлинеарности [14]. Модель, которая включает фактор Probegсодержит коэффициенты, не являющиеся статистически значимымиbпоэтому эта модель отвергнута.

Заключение

.

В работе проанализировано нынешнее состояние автомобильного рынка России. Проанализирована динамика изменения цен на автомобили по различным сегментам. Эконометрическими расчетами было подтверждено, что стоимость автомобилей различных сегментов находится под значительным влиянием обменного курса рубля и также зависит от уровня среднемесячной заработной платы. Уровень среднемесячной заработной платы является одним из индикаторов покупательского спроса на автомобильном рынке. В условиях кризиса и заморозки, а даже и снижения заработной платы с одной стороны, и удешевления рубля с другой стороны, автомобильный рынок оказывается под влиянием разнонаправленных факторов. Предложенные модели позволяют в этих условиях прогнозировать уровень цен на автомобили различных сегментов. Предложенная регрессионная модель зависимости цены автомобиля на вторичном рынке от его характеристик позволяет прогнозировать изменение цены автомобиля.

Литература

.

Нуреев Р.М., Кондратов И. Д. Рынок легковых автомобилей: Вчера, сегодня завтра. Журнал институциональных исследований, Т. 2, № 3. 2010 г., с. 86−127.Ипатов А. А. и др. (2003).

Модель реализации «Концепции развития отечественной автомобильной промышленности до 2012 г.» и ее главный инструмент — мониторинг // Автомобильная промышленность. № 7.Загребельная Н. С. Международная конкурентоспособность автомобилестроительных компаний США: монография / Н. С. Загребельная. -.

М.: Флинта: Наука, 2010. — 200 с. Загребельная Н. С. Международная конкурентоспособность российских автомобильных компаний. // Пути повышения конкурентоспособности экономики России в условиях глобализации.

Сборник по материалам конференции 9−10 октября 2008.

Секция № 5 / под ред. А. В. Холопова. — М.: МГИМО (У) МИД России, 2009.

Проблемы и перспективы развития российского автопрома / А. С. Копылов. — М.: ГУУ, 2014.

Интернет-сайт Автостат. Аналитическое агентство [Электронный ресурс]. — Режим доступа:

http://www.autostat.ru/news/view/18 359/.Авто.

БизнесРевю. Продажи в России. — 

http://abreview.ru/stat/aeb/Автомобильный рынок России: результаты за 9 месяцев 2015 г. — 

https://www.pwc.ru/ru/automotive/publications/assets/automotive-nov-2015.pdf С. Автомобильный рынок России: результаты 2014 года и перспективы развития.

http://www.pwc.ru/ru/automotive/publications/ assets/201 502_pwc_automotive_press-briefing_final.pdfАналитическая группа Intesco Research Group (ООО «Интеско»).

http://i-plan.ru/rynok-uslug-i-torgovlya/transportnye-i-transportno-logisticheskie-uslugi/mi.phpПрогноз рынка легковых автомобилей на 2016;2021 годы. Автомобильноемаркетинговоеагентство Russian Automotive Market Research.

http://www.napinfo.ru/page/id/32 635 Магнус Я. Р., Катышев П. К., Пересецкий А. А. «Эконометрика. Начальный курс», М, 2004, 576 с. Айвазян С., Мхитарян В. «Прикладная статистика и основы эконометрики», том 2. Орлов А. И., Эконометрика. Учебник. М.: Издательство «Экзамен», 2002.

Приложения.

Табл.

1Стоимость автомобиля в зависимости от его характеристик CENA PROBEG POWERKOROBKAVOZRAST370 120 0001,6 052 011 305 135 0001,4 092 007 340 77 5001,6 052 011 399 68 0001,6 162 010 275 139 0001,61 102 006 600 79 0001,6 042 012 650 45 2 242 012 560 35 5001,6 242 012 350 210 0001,8 092 007 365 141 0001,6 082 008 315 124 0001,80 102 006 345 125 0001,8 082 008 280 113 0001,6 092 007 350 80 0001,6 052 011 390 78 5121,6 082 008 160 218 0001,60 122 004 430 57 0001,6 052 011 535 72 4541,6 242 012 220 140 21 132 003 470 97 0001,6 252 011 470 58 0001,6 042 012 365 126 2 192 007 600 38 0001,6 052 011 290 143 20 102 006 320 139 0001,8 082 008 435 55 0001,6 042 012 415 135 0001,6 172 009 555 83 2 052 011 250 206 0001,60 102 006 305 229 0001,61 112 005 295 175 0001,8 092 007 295 155 20 102 006 300 150 0001,80 102 006 620 63 2 242 0121SOLARIS375 41 0001,6 132 013 566 1,4012015619 90 001,4002016485 17 0001,4 012 015 398 72 0001,4 042 012 450 44 0001,4 152 011 400 105 0001,4 152 011 475 65 0001,4 042 012 550 53 5001,6 142 012 451 83 5001,6 032 013 670 19 0001,6 122 014 390 48 0001,4 052 011 480 89 0001,6 142 012 605 27 0001,6 112 015 555 19 0001,6 012 015 385 69 0001,6 152 011 590 11 0001,6 022 014 519 13 0001,4 132 013 500 77 5001,4 042 012 475 52 5001,6 032 013 560 12 0001,4 112 015 468 0009 8701,6 032 013 410 43 0501,6 132 013 450 47 0001,4 142 012 435 25 0001,4 012 015 510 31 0001,6 122 014 510 22 5001,4 022 014 470 38 0001,6 022 014 435 112 0001,4 152 011 400 70 0001,6 152 011 370 64 0001,6 132 013 450 83 0001,6 152 011 680 17 8001,6 112 015 480 37 8001,4 032 013 595 0007 5001,6 012 015 499 58 0001,6 132 013 425 43 0001,6 122 014.

Тойота3 800 4,61120151 300 133 41 920 071 578 2,5102016655 149 21 102 006 630 141 0001,6 152 011 925 84 1002,5 152 011 180 360 0001,30 162 000 260 268 0002,40 231 993 240 147 0001,51 162 000 800 202 30 132 003 620 180 0002,401 420 021 120 171 41 102 006 360 89 3891,6 292 007 975 42 22 520 111 970 2 231 120 151 250 63 3003,5 142 012 670 34 5001,61 420 122 220 99 3 122 014 640 67 0001,6 152 011 460 230 0001,5 192 007 860 73 21 620 102 600 37 0004,2 052 011 340 100 21 132 003 390 77 12 820 081 100 42 22 420 121 300 20 2 232 013 575 320 0002,41 231 993 750 97 0001,5 242 012 445 17 021 122 004 690 150 21 102 006 650 98 0001,62 420 121 750 41 0003,5 132 013 900 94 0002,41 720 091 800 44 4 182 008 750 300 0004,21 241 992 710 90 0002,51 820 081 450 27 2 142 012.

Табл.

2Обменный курс рубль/ долларгод199 920 002 001 200 219 953 174 255 339 486 708 349 529 700 599 811 027 938 976 018 387 173 376.

Янв.22,628,5528,3730,6931,8228,4928,0828,1226,5324,4835,4130,4329,6730,3630,0335,2468,9375,17Фев.22,8628,6628,7230,9331,5828,5227,7728,1226,1624,1235,7229,9528,9428,9530,6236,0561,2775,09Март24,1828,4628,7431,1231,3828,4927,8327,7626,0123,5234,0129,3628,4329,3331,0835,6958,4667,61Апр.24,2328,428,8331,231,1028,8827,7727,2725,6923,6533,2529,2927,529,3631,2635,751,7Май24,4428,2529,0931,3130,7128,9928,0926,9825,923,7430,9830,5028,0732,4531,5934,7452,97Июнь24,2228,0729,0731,4530,3529,0328,6727,0825,8223,4631,2931,228,0832,8232,7133,6355,52Июль24,1927,829,2731,4430,2629,128,6326,8725,623,4531,7630,1927,6832,1932,8935,7358,99Авг.24,7527,7529,3731,5730,529,2428,5526,7425,6524,5831,5730,6628,8632,2933,1836,9366,48Сен.25,0827,7529,3931,6430,6129,2228,5026,7824,9525,2530,0930,431,8830,9232,3539,3966,24Окт.26,0527,8329,731,7429,8628,7728,4226,7524,7226,5429,0530,7829,931,5332,0643,3964,37Нояб26,4227,8529,931,8429,7428,2428,7326,3124,3527,6129,8231,3131,3231,0633,1949,3266,24Дек. и за год2728,1630,1431,7829,4527,7528,7826,3324,5529,3830,2430,4832,230,3732,7356,2672,88.