FORECASTING THE VOLUME OF GOODS PURCHASED FROM RUSSIAN ONLINE SHOPS
Abstract and keywords
Abstract (English):
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

Keywords:
volume of goods, Internet shops, time series, multiplicative model, dummy variables, forecast, estimation
Text
Publication text (PDF): Read Download

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 = 𝑇𝑆𝐸, 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

References

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.).

Login or Create
* Forgot password?