Эконометрическое моделирование численности автопарка России
Ратникова Татьяна Анатольевна
taratnikova@yandex.ru
Туфанова Лариса Павловна
rus_larisa@hotmail.com
Национальный Исследовательский Университет – Высшая Школа Экономики, Москва, Россия
Телефон +7(965)356-88-53
Эконометрическое моделирование численности автопарка России
Транспортный сектор сегодня – самый крупный и быстрорастущий потребитель энергии в мире: на его долю приходится более половины мирового потребления нефти. В исследовании с помощью панельных данных за 2000-2010 гг. разрабатывается единая эконометрическая модель, позволяющая строить высокоточный годовой прогноз численности легковых автомобилей для любого исследуемого региона России.
Ключевые слова: автопарк России, модели прогнозирования, панельные данные, легковые автомобили, эконометрические методы
Работа выполнена по заказу и при интеллектуальной поддержке ООО «Исследовательская группа «Петромаркет» - ведущей российской консалтинговой компании в области нефтяного рынка.
По данным ГИБДД России на 1 января 2012 г. парк легковых автомобилей превысил отметку в 35 миллионов машин. Неумолимый рост автопарка обостряет проблемы ограниченности энергоресурсов, интенсивности транспортного движения и ДТП, загрязнения воздуха. По оценкам экспертов (см. диаграмму ниже) растущая автомобилизация России наносит совокупный ущерб в 6-8% ВВП ежегодно.
Источник: доклад «Автотранспортная наука и задачи развития отрасли» научного руководителя ОАО «НИИАТ» проф., к.т.н. В.В.Донченко на координационном совещании представителей автомобильного и городского пассажирского транспорта,15.03.2012
Для проведения разумной политики по предотвращению урона от автомобилизации необходимы количественные оценки различных показателей. Каков будет спрос на автомобильное топливо? Как будут меняться объемы выбросов углекислого газа в атмосферу? Какова потребность в строительстве дополнительных автодорог и парковок? Какая ставка налога на пробег будет оптимальной? Какие меры по предотвращению пробок и ДТП необходимы? Чтобы получить ответы на эти вопросы, нужно построить как можно более точный прогноз численности автопарка по отдельным видам транспорта (легковые автомобили, грузовой транспорт, автобусы и мототехника). В данном исследовании описываются возможные модели прогнозирования легковых автомобилей – самой значительной части автопарка – в целом по России и для каждого отдельного региона.
Обзор зарубежной литературы, посвященный моделям прогнозирования численности машин, показал, что наиболее успешно для парка легковых автомобилей работает довольно простая функциональная модель, которую иллюстрирует нижеследующая схема:
Первый вопрос, который возникает на начальной стадии моделирования, - это проблема функциональной спецификации регрессионного уравнения. В некоторых работах, использующих статистику экономически развитых стран (например, [1]), применяется функция Гомперца, позволяющая отразить выход кривой численности автопарка на насыщение.
Рис. 1. Эмпирическая зависимость парка легковых автомобилей
от ВРП на душу населения в 12 регионах России
Однако, анализ статистики парка легковых автомобилей, приведенной в таблице 1, показывает, что численность автопарка в России на сегодняшний день растет почти линейно со временем, и о ее выходе на насыщение пока говорить рано, в отличие, например, от численности автопарка Германии. Причем это справедливо не только для удаленных регионов с низкой плотностью населения и автодорог, подобных Красноярскому краю, но даже для такого развитого мегаполиса, как Москва.
Таблица 1. Динамика численности легковых автомобилей на 1000 человек населения (по данным Мирового Банка и Росстата)
Год Россия Германия Москва Красноярский край
1991 65.34 472.72
2001 146.98 538.37 203.03 121.74
2005 180.99 559.09 249.53 169.08
2010 240.41 510.00 323.55 252.45
Результаты численного моделирования подтверждают, что Россия находится на участке линейного роста кривой Автопарк - ВВП, поэтому использовать нелинейную регрессию с функцией Гомперца оказывается нецелесообразно. Для аппроксимации эмпирической зависимости, изображенной на рис. 1, тестируются 5 функциональных форм, в том числе 3-х-параметрическая функция Гомперца.
Второй вопрос – это тип данных. Большая часть данных, используемая в региональном анализе, взята с сайта Росстата, и представляет собой панель по 41 региону за 2000-2010 гг. Для анализа панели стран используются данные Центрального банка РФ, Евростата и Всемирного Банка. Итоговая выборка состоит из 25 стран Европы и Азии.
Традиционные методы прогнозирования временных рядов здесь оказываются неприменимыми из-за проблемы малых выборок. Длина временного ряда при использовании годовых данных относительно короткая (11 точек), однако использование панельных данных многократно увеличивает размерность выборки и позволяет получить хорошие прогнозы.
Панельный подход для построения прогнозов находит все большее применение в современных эконометрических исследованиях. В частности, в работе [2] моделируется спрос на энергоресурсы (электричество и природный газ) с помощью панели из 49 американских штатов за 1970-1990 гг., в работах [3] и [4] оценивается спрос на бензин. Сопоставление эффективности, стабильности и прогнозной силы гомогенных и гетерогенных оценок во всех рассмотренных статьях дает неизменный результат: использование панельных данных позволяет существенно выиграть в качестве получаемых оценок по сравнению с отдельными временными рядами, а в некоторых исследовательских задачах является единственным надежным подходом аппроксимации зависимостей.
В том, что касается методологии, применяемой в рассмотренных выше исследованиях, то, например, в работе [2] для оценивания спроса на энергоресурсы используется логарифмическая спецификация функциональной зависимости, а для ее оценивания предлагается широкий набор эконометрических методов: от регрессии на панельных данных (МНК, 2-хшаговый ОМНК, ОММ Ареллано-Бонда) до декомпозиции оценок регрессий, полученных по индивидуальным временным рядам.
В ходе настоящего исследования было опробовано множество функциональных форм и эконометрических подходов. В итоге получены следующие результаты для Москвы и Московской области, а также для России в целом:
Таблица 2. Одношаговые прогнозные значения парка легковых автомобилей на 2010 г. для Москвы и Московской области (реальное значение парка = 323,55)
Таблица 3. Одношаговые прогнозные значения парка легковых автомобилей на 2010 г. для России в целом (реальное значение парка = 240,4)
Таблица 4. Абсолютные и относительные ошибки при использовании двух шагового и трех шагового прогнозов на 2009-2010 г. для Москвы и Московской области
Таблица 5. Абсолютные и относительные ошибки при использовании двух шагового и трех шагового прогнозов на 2009-2010 г. для России в целом
Предварительные выводы, которые вытекают из проведенного исследования, можно сформулировать следующим образом:
- для России в целом качество прогноза оказывается выше в страновой выборке,
- для Москвы качество результата зависит от горизонта прогноза: в региональной выборке лучше удаются краткосрочные прогнозы, в страновой выборке – долгосрочные,
- лучшая спецификация модели – динамическая инверсионная для региональной выборки, динамическая линейная – для страновой выборки (и в том и другом случае оценки получаются удачнее при использовании процедуры Бланделла-Бонда),
- панельный подход дает более высокое качество прогноза, чем использование отдельных временных рядов даже в случае, когда страны неоднородны.
Список использованной литературы:
1. Dargay J., Gately D. Income’s effect on car and vehicle ownership, worldwide: 1960-2015. // Economic Research Reports. – 1997. - №2.
2. Baltagi В., Bresson G., Pirotte A. Comparison of forecast performance for homogeneous, heterogeneous and shrinkage estimators. Some empirical evidence from US electricity and natural-gas consumption // Economics Letters. – 2002. - №76, pp. 375-382.
3. Baltagi B., Griffin J. Gasoline Demand in the OECD: An Application Of Pooling And Testing Procedures // European Economic Review. - 1983. - №22. – pp.117-137.
4. Baltagi В., Bresson G., Griffin J. and Pirotte A. Homogeneous, heterogeneous or shrinkage estimators? Some empirical evidence from French regional gasoline consumption // Empirical Economics. - 2002. - №28. - pp. 795-811.
Автомобильный транспорт
Рост транспортных рисков и угроз
ост транспортных издержек
Рост дорожно-транспортной аварийности
Потери времени из-за заторов
Негативное воздействие на здоровье населения и окружающую среду
Совокупный ущерб 6-8% ВВП в год
Развитие экономики
Рост автомобилизации общества
Ретроспективные данные о численности автопарка на душу населения
на душу населения
численности автопарка
на душу населения
численности автопарка на душу населения о численности автопарка на душу населения
Ретроспективные и прогнозные данные о размере ВВП по ППС (или ВРП) на душу населения
Регрессионная модель
Прогноз численности автопарка на душу населения
Эконометрическое моделирование численности автопарка России