GRNTI 06.00 ЭКОНОМИКА И ЭКОНОМИЧЕСКИЕ НАУКИ
In this paper, an econometric analysis of the volume of goods purchased in Russian Internet shops according to quarterly data 01.01.2018-31.12.2021 was carried out. Based on the quarterly data presented, an econometric model was developed and a forecast of the volume of goods purchased in Russian Internet shops in the first half of 2022 was calculated
volume of goods, Internet shops, time series, multiplicative model, dummy variables, forecast, estimation
В условиях повсеместной цифровизации, большую популярность приобрела купля-продажа в Интернет-магазинах – специализированных сайтах, торгующих товарами, посредством сети Интернет.
Такие платформы позволяют своим пользователям формировать заказы в режиме реального времени с помощью мобильного устройства, или стационарного компьютера, а также выбирать удобные для них способ оплаты, и условия доставки. Интернет-магазины позволяют покупателям использовать функции «поиска», посредством которой можно найти товар с определенными параметрами и характеристиками. Таким образом, можно делать покупки, не выходя из дома.
Прогнозирование объёмов товаров строится на анализе статистических данных о состоянии объёмов товаров, приобретенных в российских Интернет-магазинах за период 01.01.2018-31.012.2021 гг. Статистика базируется на исследовании динамики показателей в разные временные промежутки. Для этих целей используют ряды динамики (временные ряды) [1].
В табл. 1 представлены данные по объемам товаров, приобретенных в российских Интернет-магазинах за 2018-2021 гг. по кварталам [2].
Таблица 1
Объемы товаров, приобретенных в российских Интернет-магазинах за 2018-2021 гг., млн. долл. США
|
Квартал |
2018 |
2019 |
2020 |
2021 |
|
1.01-31.03 |
32 |
82,1 |
135,62 |
120,97 |
|
1.04-30.06 |
41,3 |
82,42 |
115,29 |
190,04 |
|
1.07-30.09 |
45,59 |
62,68 |
228,8 |
159,61 |
|
1.10-31.12 |
60,35 |
93,33 |
371,21 |
200,74 |
Исходяизпредставленныхвтабл.1данныхпостроенвременнойрядyt,при t=1,2,…16,гдеt– номер квартала,иизображенграфик нарис.1.
Рис. 1. Временной ряд объемов товаров, приобретенных в российских Интернет-магазинах за 2018-2021 гг
Графическое представление ряда дает сделать вывод о модели ряда. Для данного ряда характерна мультипликативная модель с сезонными компонентами вида: 𝑦 = 𝑇 ∙ 𝑆 ∙ 𝐸, где T–трендовая, S– сезонная, E– случайные компоненты.
С помощью выравнивания уровней ряда методом скользящей средней и рассчитанной оценки сезонной компоненты проведем построение данной модели ряда [3].
С результатами расчетов можно ознакомиться в табл. 2.и табл. 3.
Таблица 2
Выравнивание исходных уровней ряда методом скользящей средней и
нахождение оценки сезонной компоненты
|
t |
Объемимпорта,у |
Скользящаясредняя зачетыре квартала |
Центрированнаяскользящаясредняя |
Оценкасезоннойкомпоненты |
|
1 |
32 |
- |
- |
- |
|
2 |
41,3 |
- |
- |
- |
|
3 |
45,59 |
44,75 |
51,043 |
0,893 |
Продолжение таблицы 2
|
4 |
60,35 |
57,335 |
62,475 |
0,966 |
|
5 |
82,1 |
67,615 |
69,751 |
1,177 |
|
6 |
82,42 |
71,8875 |
76,010 |
1,084 |
|
7 |
62,68 |
80,1325 |
86,823 |
0,722 |
|
8 |
93,33 |
93,5125 |
97,621 |
0,956 |
|
9 |
135,62 |
101,73 |
122,495 |
1,107 |
|
10 |
115,29 |
143,26 |
177,995 |
0,648 |
|
11 |
228,8 |
212,73 |
210,899 |
1,085 |
|
12 |
371,21 |
209,0675 |
218,411 |
1,700 |
|
13 |
120,97 |
227,755 |
219,106 |
0,552 |
|
14 |
190,04 |
210,4575 |
189,149 |
1,005 |
|
15 |
159,61 |
167,84 |
- |
- |
|
16 |
200,74 |
- |
- |
- |
На основе данных, представленных в табл. 2, был выполнен расчет значений скорректированной сезонной компоненты.
Таблица 3
Расчет значений сезонной компоненты
|
Показатели |
Год |
№квартала, i |
|
|||
|
I |
II |
III |
IV |
|
||
|
|
2018 |
- |
- |
0,893 |
0,966 |
|
|
|
2019 |
1,177 |
1,084 |
0,722 |
0,956 |
|
|
|
2020 |
1,107 |
0,648 |
1,085 |
1,700 |
|
|
|
2021 |
0,552 |
1,005 |
- |
- |
1,51 |
|
Итогозаквартал |
|
2,836 |
2,737 |
2,700 |
3,622 |
Сумма |
|
Средняя оценкасезоннойкомпоненты |
|
0,709 |
0,684 |
0,54 |
0,724 |
2,658 |
|
Скорректированная сезонная компонента |
|
1,067 |
1,03 |
0,813 |
1,09 |
4 |
Следующим этапом, который идет за расчетом сезонной компоненты, является проведение аналитического выравнивания, одной из задач которого является подбор трендовой модели, применяя MSExel дисперсионный анализ получим, что моделью тренда имеет линейный характер с применением фиктивных переменных z7, z8, z10, z11, z12, z13, z16 для учета выраженных колебаний, что свидетельствует о преимуществе выбранного метода.
Рис. 2. Применение линейной модели с семью фиктивными переменными
Исходя из данных, полученных с помощью регрессии MS Exel, получим уравнение тренда:
Т=14,89+12,07*t-22,28*z7-25,86*z8-23,66*z10+133,82*z11+180,74*z12-58,49*z13-23,92*z16.
Исходя из уравнения тренда и рассчитанных сезонных компонент, получим прогноз на 1 и 2 квартал 2022 года. Вычислим ошибку прогноза [4]. В табл. 4 представлены все необходимые расчеты.
Результаты сравнения исходных данных объемов товаров, приобретенных в российских Интернет-магазинах и полученных теоретических значений ряда, можно представить наглядно (см. рис. 3).
Таблица 4
Расчет ошибки
|
t |
y(t) |
S |
y/S |
T |
T∙S |
E=yt-(T∙S) |
E2 |
y(t)-yср |
(y(t)-yср)^2 |
||||||||
|
1 |
32 |
1,067 |
29,75887233 |
26,95888934 |
28,772 |
2,988 |
8,930 |
-94,603 |
8949,751 |
||||||||
|
2 |
41,3 |
1,030 |
40,10521649 |
39,03173426 |
40,195 |
1,105 |
1,222 |
-85,063 |
7235,735 |
||||||||
|
3 |
45,59 |
0,813 |
56,092462 |
51,10457919 |
41,536 |
4,054 |
16,435 |
-80,773 |
6524,298 |
||||||||
|
4 |
60,35 |
1,090 |
55,35687346 |
63,17742412 |
68,876 |
-8,526 |
72,692 |
-66,013 |
4357,733 |
||||||||
|
5 |
82,1 |
1,067 |
76,92705977 |
75,25026905 |
80,310 |
1,790 |
3,202 |
-44,263 |
1959,224 |
||||||||
|
6 |
82,42 |
1,030 |
80,03564028 |
87,32311397 |
89,925 |
-7,505 |
56,319 |
-43,943 |
1930,998 |
||||||||
|
7 |
62,68 |
0,813 |
77,11944545 |
77,11944545 |
62,680 |
0,000 |
0,000 |
-63,683 |
4055,540 |
||||||||
|
8 |
93,33 |
1,090 |
85,6082353 |
85,6082353 |
93,330 |
0,000 |
0,000 |
-33,033 |
1091,187 |
||||||||
|
9 |
135,62 |
1,067 |
127,0748824 |
123,5416488 |
131,849 |
3,771 |
14,219 |
9,257 |
85,690 |
||||||||
|
10 |
115,29 |
1,030 |
111,9547315 |
111,9547315 |
115,290 |
0,000 |
0,000 |
-11,073 |
122,614 |
||||||||
|
11 |
228,8 |
0,813 |
281,5081225 |
281,5081225 |
228,800 |
0,000 |
0,000 |
102,437 |
10493,313 |
||||||||
|
12 |
371,21 |
1,090 |
340,4975145 |
340,4975145 |
371,210 |
0,000 |
0,000 |
244,847 |
59949,992 |
||||||||
|
13 |
120,97 |
1,067 |
113,3479467 |
113,3479467 |
120,970 |
0,000 |
0,000 |
-5,393 |
29,086 |
||||||||
|
14 |
190,04 |
1,030 |
184,5422601 |
183,9058734 |
189,385 |
0,655 |
0,429 |
63,677 |
4054,744 |
||||||||
|
15 |
159,61 |
0,813 |
196,3789836 |
195,9787183 |
159,285 |
0,325 |
0,106 |
33,247 |
1105,355 |
||||||||
|
16 |
200,74 |
1,090 |
184,1315456 |
184,1315456 |
200,740 |
0,000 |
0,000 |
74,377 |
5531,920 |
||||||||
|
ср.знач.= |
126,363125 |
|
|
|
|
Сумма |
173,554 |
Сумма |
117477,2 |
||||||||
|
|
Е = |
0,001 |
|
||||||||||||||
В процентном соотношении она составляет 0,15%. Оставшаяся часть – 99,85% – доля дисперсииуровнейвременного ряда,объясненнаямультипликативноймоделью [5].
Рис.3.Фактическиеиполученныетеоретическиеданные
Вычислимпрогнозобъемов товаров, приобретенных в российских Интернет-магазинах в 1 и 2 квартале 2022 года. Для этого в уравнение тренда подставимзначениеt=17 и t=18 и умножим результат на величину сезонной компоненты S1 и S2, соответственно,получим [6]:
T17= (14,89+12,07*17-22,28-25,86-23,66+133,82+180,74-58,49-23,92) *1,067 =406,012млн.долл.США.
T18= (14,89+12,07*18-22,28-25,86-23,66+133,82+180,74-58,49-23,92) *1,030 =404,193млн.долл.США.
Таким образом, было составлено прогнозирование объемов товаров, приобретенных в российских Интернет-магазинах на 1 и 2 квартале 2022 годанаосновеанализавременногоряда.Такжеполученныерезультатывпоследующем можнобудетсравнитьсофициальнымиданными.
Подводя итоги, также, хотелось бы затронуть тенденций развития Интернет-торговли. К ним относятся:
- персонализация (коммуникация с пользователем во время и после совершения покупок);
- платежное разнообразие (появление новых форматов оплаты, таких как, криптовалюта);
- снижение сроков доставки (развитие логистической системы);
- подписка на товары (функция регулярной, автоматической покупки);
- видеоконсультация из магазинов (возможность увидеть товар в реальной жизни);
- голосовая коммерция (покупки посредством голосовых помощников);
- защита окружающей среды (внедрение экологических практик в производство);
- рост популярности чат-ботов (круглосуточная консультация пользователей без человеческих трудозатрат);
- ориентация на молодое поколение (соответствие моде);
- рост популярности маркетплейсов (развитие, посредством размещения товаров большого количества различных продавцов);
- рост расходов на привлечение клиентов (поиск новых и укрепление связей со старыми клиентами).
Онлайн-торговля – наиболее развивающееся направление сегодня, которое сосредотачивает в себе ряд положительных и отрицательных черт, как для продавцов, так и для покупателей. Оно модернизируется и изменяется ежедневно, поэтому прогноз это направления может стать особенно интересным
1. Larkin E.V. Time series analysis and forecasting according to customs statistics: a tutorial. St. Petersburg: Troitsky Most, 2018.
2. Official website of the Central Bank of the Russian Federation [Electronic resource]. URL:https://cbr.ru/
3. Eliseeva I.I. Econometrics: textbook. M: Finance and statistics, 2017.
4. Tsvil M. M. Econometrics: lecture notes on academic discipline. Rostov n/a: Russian Customs Academy, Rostov Branch, 2012. 86 p.6.
5. Tsvil M. M. Analysis of time series and forecasting: textbook. allowance. Rostov n/a: Russian Customs Academy, Rostov branch, 2016. 135 p.7.
6. Tsvil M.M., Karapetyan A.A. Forecasting using adaptive methods according to foreign trade data of the Southern Customs Administration// Zh. Academic Bulletin of the Rostov Branch of the Russian Customs Academy/2016. No. 4. pp. 112-117.).
