CC BY
236. Официальный сайт ФТС России. Итоговые доклады о результатах деятельности. URL: https://customs.gov.ru/activity/results/itogovye-doklady-o-rezul-ta tax-deyatel-nosti (дата обращения: 23.04.2022).
7. Официальный сайт ДВТУ. Правоохранительная деятельность. URL: https://dvtu.customs.gov.ru/folder/7465 (дата обращения: 23.04.2022).
8. Официальный сайт Секретариата СИТЕС. Приложения. URL: https:// cites.org/eng/app/appendices.php (дата обращения: 23.04.2022).
УДК 339.9
DOI 10.24412/cl-36450-2022-3-74-86 А. Р. КИМ
Экономико-статистический анализ внешней торговли Российской Федерации товарами группы 02 ТН ВЭД ЕАЭС со всеми странами в период 2010-2021 гг.
В статье проведен анализ внешней торговли Российской Федерации товарами группы 02 ТН ВЭД ЕАЭС за период с 2010 по 2021 г. Рассмотрены основные показатели внешней торговли, проанализирована структура и структурные сдвиги экспорта и импорта товарной группы 02 ТН ВЭД ЕАЭС, изучена динамика импорта рассматриваемой товарной группы и влияние на нее сезонности.
Ключевые слова: экспорт, импорт, структурные сдвиги, сезонность, автокорреляционная функция, частная автокорреляционная функция, операция дифференцирования.
A. R. KIM
Economic and Statistical Analysis of the Foreign Trade
of the Russian Federation in Goods of Group 02 of the FEACN of the EAEU
with All Countries in the Period 2010-2021
The article analyzes the foreign trade of the Russian Federation in goods of group 02 of the FEACN of the EAEU for the period from 2010 to 2021. The main indicators of foreign trade are considered, the structure and structural shifts in export and import of 02 commodity group of the FEACN of the EAEU are analyzed, the dynamics of import of the considered product group and the influence of seasonality on it are studied.
Keywords: export, import, structural shifts, seasonality, autocorrelation function, particular autocorrelation function, differentiation operation.
КИМ Алина Родионовна, студент экономического факультета Владивостокского филиала Российской таможенной академии.
Научный руководитель - Пугач Петр Андреевич, старший преподаватель кафедры информатики и информационных таможенных технологий Владивостокского филиала Российской таможенной академии.
Актуальность данного исследования обусловлена усилением происходящих в мире процессов глобализации и экономической интеграции, которые создают условия для интенсивной торговли между странами. Крупнейшим сектором мирового рынка товаров является рынок товаров сельскохозяйственного производства. В настоящее время во многих странах активно развивается мясная промышленность, а также внешняя торговля товарами мясной отрасли, что связано с высоким спросом на мясо и мясную продукцию. В России рынок мяса увеличивает объемы производства, что вызывает интерес для анализа внешней торговли данным товаром.
Анализ структуры и структурных сдвигов в разрезе экспорта-импорта.
Количественная оценка структурных сдвигов производится с помощью линейного коэффициента абсолютных структурных сдвигов (С) и определяется по формуле (1):
С=-Ы^М*100°/о, (1)
где к - количество элементов структуры; - доля]-й группы в отчетном периоде; d0j - доля]-й группы в базисном периоде [1]. Структурные различия принято считать:
- малыми, если С < 2 %;
- существенными, если 2 % < С < 10 %;
- большими, если С > 10 %.
Цепные показатели структурных сдвигов показывают, на сколько в среднем отличается удельный вес одного структурного элемента в отчетный период времени по сравнению с предшествующим периодом.
С помощью цепных показателей структурных сдвигов рассчитывается средняя величина показателя структурных сдвигов (2):
у™ г. ¿1=2
п-1
где п - число периодов наблюдения [1].
Для определения направленности структурных сдвигов служит коэффициент монотонности т (3).
цеп4 '
9 цеп
™цеп=-—, (3)
^цеп
где цепные коэффициенты монотонности дцеп рассчитываются так же, как и Сцеп, но только для тех элементов структуры, у которых изменение удельных весов сохранило направление по сравнению с предыдущим периодом (для тех элементов структуры, у которых совпадают знаки структурных сдвигов в соответствующей и предыдущей строках расчетной таблицы) [1]. Считается, что структурные сдвиги:
- сохранили направление изменений по сравнению с предыдущим периодом, если т > 0,7;
цеп
- изменили направление, если тцеп < 0,3;
- случайны, если 0,3 < т < 0,7.
^ _ ¿¿=2 сщеп (2)
^цеп(сред) - .' ^ '
Рассчитывается также средний коэффициент монотонности, который характеризует степень закономерности структурных сдвигов в течение всего периода наблюдения (4):
т = ^Цеп(сРед) (4)
'"•цеп(сред) р •
^цеп(сред)
В табл. 1 представлена динамика экспорта и импорта товаров группы 02 ТН ВЭД ЕАЭС и их долей в общем объеме внешней торговли Российской Федерации со всеми странами по кварталам с 2010 по 2021 г. Исходя из данных, представленных в табл. 2, видно, что за весь исследуемый период наибольшая доля в общем объеме внешней торговли мясом и пищевыми мясными субпродуктами приходится на импорт товаров. При этом удельный вес импорта сокращался с 99,75 до 55,35 %, а удельный вес экспорта увеличивался от 0,25 до 44,65 %. На протяжении всего исследуемого периода наблюдается тенденция увеличения доли экспорта и снижения доли импорта мяса и пищевых мясных субпродуктов в общем объеме внешней торговли товарами данной товарной группы.
Таблица 1
Динамика экспорта и импорта товарами группы 02 ТН ВЭД ЕАЭС за период с 2010 по 2021 г., тыс. долл. США [2]
Период Показатели
Год Квартал ВТО Экспорт Импорт Доля экспорта, % Доля импорта, %
2010 I 880 192 4 220 875 972 0,48 99,52
II 1 448 065 11 212 1 436 853 0,77 99,23
III 1 558 361 7 492 1 550 869 0,48 99,52
IV 1 992 884 7 192 1 985 692 0,36 99,64
2011 I 1 030 047 7 739 1 022 308 0,75 99,25
II 1 844 389 10 233 1 834 156 0,55 99,45
III 1 617 669 4 001 1 613 668 0,25 99,75
IV 1 911 303 10 678 1 900 625 0,56 99,44
2012 I 1 363 709 21 346 1 342 363 1,57 98,43
II 2 034 454 15 482 2 018 972 0,76 99,24
III 1 997 723 10 833 1 986 890 0,54 99,46
IV 2 028516 11 960 2 016 556 0,59 99,41
2013 I 1 308 672 16 025 1 292 647 1,22 98,78
II 1 713 875 19 032 1 694 843 1,11 98,89
III 1 761 870 22 038 1 739 832 1,25 98,75
IV 2 025 327 28 435 1 996 892 1,40 98,60
2014 I 1 014 837 25 411 989 426 2,50 97,50
Окончание табл. 1
Период Показатели
Год Квартал ВТО Экспорт Импорт Доля экспорта, % Доля импорта, %
2014 II 1 306 485 30 295 1 276 190 2,32 97,68
III 1 668 488 24 841 1 643 647 1,49 98,51
IV 1 613 818 24 148 1 589 670 1,50 98,50
2015 I 494 154 20 220 473 934 4,09 95,91
II 812 177 26 144 786 033 3,22 96,78
III 1 055 510 32 004 1 023 506 3,03 96,97
IV 861 222 38 643 822 579 4,49 95,51
2016 I 472 588 42 670 429 918 9,03 90,97
II 574 505 48 310 526 195 8,41 91,59
III 669 355 51 199 618 156 7,65 92,35
IV 783 819 76 397 707 422 9,75 90,25
2017 I 594 848 70 947 523 901 11,93 88,07
II 777 786 73 509 704 277 9,45 90,55
III 805 396 81 285 724 111 10,09 89,91
IV 816 043 97 947 718 096 12,00 88,00
2018 I 585 863 104 512 481 351 17,84 82,16
II 602 260 94 803 507 457 15,74 84,26
III 603 965 95 244 508 721 15,74 84,26
IV 680 633 112 616 568 017 16,55 83,45
2019 I 560 569 90 037 470 532 16,06 83,94
II 589 614 111 117 478 497 18,85 81,15
III 607 482 161 888 445 594 26,65 73,35
IV 711453 228 247 483 206 32,08 67,92
2020 I 573 932 180 585 393 347 31,46 68,54
II 568 827 226 213 342 614 39,77 60,23
III 559 800 229 661 330 139 41,03 58,97
IV 616 421 245 865 370 556 39,89 60,11
2021 I 504 094 206 218 297 876 40,91 59,09
II 687 947 307 179 380 768 44,65 55,35
III 713 034 311818 401 216 43,73 56,27
IV 752 036 334 354 417 681 44,46 55,54
Динамика экспорта и импорта за период с 2010 по 2021 г. по кварталам представлена на рисунках 1 и 2.
400 000
350 000 -
Рис. 1. Динамика экспорта товарной группы 02 ТН ВЭД ЕАЭС 2010-2021 гг.,
тыс. долл. США
2 500 000-
2 000 000
1 500 000
1 000 000
500 00
го о. - = = > - = = > - = = > - = = > - = = > - = = > - = = > - = = > - = = > - = = > - = = > - = =
Год 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021
0
Рис. 2. Динамика импорта товарной группы 02 ТН ВЭД ЕАЭС 2010-2021 гг.,
тыс. долл. США
Для анализа структурных сдвигов внешней торговли товарами группы 02 ТН ВЭД ЕАЭС в период с 2010 по 2021 г. для каждого года были рассчитаны линейные коэффициенты абсолютных структурных сдвигов и коэффициенты монотонности, которые представлены в табл. 2.
Расчет среднего линейного коэффициента абсолютных структурных сдвигов показал, что структурные изменения в ряду динамики внешней торговли мясом и пищевыми мясными субпродуктами были малыми в период с 2011 по 2015 г., существенными в 2016-2019 гг. и в 2021 г., а также большими в 2020 г.
Значение Сцеп (сред) = 3,92 % показывает, что за один исследуемый год удельный вес одного структурного элемента (доли экспорта или импорта в общем объеме внешнеторгового оборота) изменялся в среднем на 3,92 %.
Результаты расчета коэффициентов монотонности свидетельствуют, что в 2012 г. направление структурных сдвигов изменилось, а в период 2013-2021 гг. -сохранилось по сравнению с предыдущим периодом.
Таблица 2
Линейные коэффициенты абсолютных структурных сдвигов и коэффициенты монотонности внешней торговли товарами группы 02 ТН ВЭД ЕАЭС за период с 2010 по 2021 г. [2]
Год Экспорт, тыс. долл. США Импорт, тыс. долл. США Доля экспорта, % Доля импорта, % С цеп ^цеп m цеп
2010 30 116 5849386 0,51 99,49 - - -
2011 32 651 6 370 757 0,51 99,49 0,00 - -
2012 59 621 7 364 781 0,80 99,20 0,29 0 0
2013 85 530 6724214 1,26 98,74 0,45 0,45 1
2014 104 695 5 498 933 1,87 98,13 0,61 0,61 1
2015 117 011 3 106 052 3,63 96,37 1,76 1,76 1
2016 218576 2281691 8,74 91,26 5,11 5,11 1
2017 323 688 2670385 10,81 89,19 2,07 2,07 1
2018 407 175 2065546 16,47 83,53 5,66 5,66 1
2019 591 289 1 877 829 23,95 76,05 7,48 7,48 1
2020 882 324 1 436 656 38,05 61,95 14,10 14,10 1
2021 1 159569 1497541 43,64 56,36 5,59 5,59 1
Полученное значение тцеп (сред) = 1,09 указывает на то, что за весь исследуемый период структурные сдвиги внешней торговли мясом и пищевыми мясными субпродуктами в среднем сохраняли направление изменений по сравнению с предыдущим периодом.
Динамика структуры внешнеторгового оборота товаров группы 02 ТН ВЭД ЕАЭС представлена на рис. 3.
2021 2020 2019 2018 2017 2016 2015 2014 2013 2012 2011 2010
0.00% 10.00% 20.00% jO.00% 40.00% 50.00% 00.00% 70.00% 80.00% 90.00% 100.00%
Доля импорта. % ■ Доля экспорта. %
Рис. 3. Динамика структуры внешнеторгового оборота в разрезе экспорта-импорта товарной группы 02 ТН ВЭД ЕАЭС
Из рис. 3 видно, что в период 2010-2021 гг. доля экспорта товаров группы 02 ТН ВЭД ЕАЭС увеличилась от 0,51 до 43,64 %, а доля импорта сократилась от 99,49 до 56,35 %. Если в 2010 г. на экспорт товаров рассматриваемой группы приходилось 0,51 %, а на импорт - 99,49 %, то в 2021 г. соотношение экспорта и импорта: 43,64 и 56,36 % соответственно.
Анализ динамики импорта. График динамики импорта товаров группы 02 ТН ВЭД ЕАЭС (рис. 4) позволяет предположить, что в ряде динамики, помимо нелинейного тренда, присутствует сезонная компонента. После предварительного визуального анализа данного графика была выдвинута гипотеза о наличии сезонных колебаний с периодом, равным четырем кварталам, длиной сезонного периода является год.
1е6
0.25 -
2011 2013 2015 2017 2019 2021
Рис. 4. Автокорреляционная и частная автокорреляционная функции исходного ряда
Существуют различные методы анализа сезонности, из которых выделяют: экспертный, графический и аналитический. Более подробно остановимся на последнем из них, как на самом объективном методе анализа сезонности.
Аналитический метод выявления сезонности заключается в построении кор-релограммы исходного ряда данных и оценке значимости коэффициентов автокорреляции и частной автокорреляции. Рассмотрим индикаторы, сигнализирующие о наличии сезонности в исходном ряде данных:
а) коэффициент автокорреляции оказывается значимым на лаге выше третьего порядка, что указывает на наличие сезонности данного порядка;
б) коэффициент частной автокорреляции оказывается значимым на лаге выше третьего порядка, что также указывает на наличие сезонности данного порядка, либо порядка, следующего за данным лагом;
в) АКФ затухает по синусоиде;
г) ЧАКФ затухает по синусоиде.
При изучении коррелограмм следует помнить, что автокорреляции последовательных лагов формально зависимы между собой. Рассмотрим следующий пример. Если первый член ряда тесно связан со вторым, а второй с третьим, то первый элемент должен также каким-то образом зависеть от третьего и т. д. Это приводит
к тому, что периодическая зависимость может существенно измениться после удаления автокорреляций первого порядка, т. е. после взятия разности с лагом 1.
Другой полезный метод исследования периодичности состоит в исследовании частной автокорреляционной функции (ЧАКФ). В ЧАКФ устраняется зависимость между промежуточными наблюдениями (наблюдениями внутри лага). Другими словами, частная автокорреляция на данном лаге аналогична обычной автокорреляции, за исключением того, что при вычислении из нее удаляется влияние автокорреляций с меньшими лагами, поэтому частная автокорреляционная функция дает более «чистую» картину периодических зависимостей.
График изменения коэффициента автокорреляции, представленный из рис. 5, позволяет заметить, что на 4-м лаге коэффициент оказался не только значимым, но и наибольшим. Коэффициенты частной автокорреляции на 4-м и 5-м лагах также оказались значимыми. Этот факт указывает на наличие сезонности в исследуемом ряде данных. Анализ коррелограммы исходного ряда позволяет обнаружить наличие тенденции в нем, для устранения которой продифференцируем ряд, вычислив первые разности:
Уг=Уь~Уь-1. (5)
Дифференцирование - преобразование набора данных временного ряда, которое можно использовать для устранения или снижения зависимости значений ряда от времени, таким образом, устраняя (или уменьшая) тенденцию и сезонность. Однократное или двукратное применение операции дифференцирования приводит к устранению тренда.
Аи1осогге!а11оп
О 5 10 15 20
Рис. 5. Автокорреляционная и частная автокорреляционная функции исходного ряда
Сезонное дифференцирование ряда - переход к попарным разностям его значений в соседних сезонах:
Уь-
(6)
где 5 - длина периода сезонности.
На рис. 6 представлен ряд первых разностей, а на рис. 7 соответствующая ему автокорреляционная и частная автокорреляционная функции.
1е6
Рис. 6. Временной ряд после 1-го дифференцирования
График изменения автокорреляционной функции, представленный на рис. 7, позволяет сделать вывод, что максимум автокорреляционной функции достигается при лаге 4, что свидетельствует о сезонных колебаниях с лагом 4.
1.00 0.75 0.50 0.25 0.00 ■ -0.25 -0.50
Autocorrelation
I I ПИ «^Т
-[—•-г
1.00 0.75 0.50 0.25 0.00 -0.25 -0.50
Partial Autocorrelation
I .
"ГТ
Рис. 7. Автокорреляционная и частная автокорреляционная функции ряда после 1-го дифференцирования ряда
Стационарность исходного ряда и рядов, полученных дифференцированием, проверялась с помощью теста Дики-Фуллера, суть которого состоит в том, что необходимо проверять нулевую гипотезу о наличии единичного корня в уравнении yt = a yt1 + ef
Проверка проводилась с использованием функции adfuller, библиотеки stats-models, результаты выполнения которой для ряда первых разностей представлены на рис. 8.
Операция дифференцирования была применена повторно. Полученный ряд, автокорреляционная, частная автокорреляционная функции и результаты тестирования на единичный корень представлены на рисунках 9—11.
2011
2013
2015
2017
2019
2021
15
Рис. 8. Фактическое и критические значения теста Дики-Фуллера для ряда первых разностей
2011 2013 2015 2017 2019 2021
Рис. 9. Временной ряд после повторного дифференцирования
Autocorrelation
1.00 0.75 0.50 0.25 0.00 -0.25 -0.50 -0.75
MMI
I а ! . г 1
Partial Autocorrelation
I . . г 1 3
' " 1 * ' " ' ' 1
Рис. 10. Автокорреляционная и частная автокорреляционная функции исходного ряда после 2-го дифференцирования ряда
Рис. 11. Фактическое и критические значения теста Дики-Фуллера для ряда после повторного дифференцирования
0
После очистки исходных данных от тренда и получения стационарного ряда была построена модель АЯ1МА, параметры которой определены с помощью кор-релограммы. В данном случае затухающий график автокорреляции свидетельствуют о том, что возможно допустима модель авторегрессии.
Для моделирования будем использовать модель АЯ1МА, построенную для ряда вторых разностей. Итак, чтобы построить модель нам нужно знать ее параметры:
1) р - порядок компоненты АЯ;
2) й - порядок интегрированного ряда;
3) q - порядок компоненты МА.
Параметр й равен 2, так как для моделирования будем использовать ряд после двух операций дифференцирования. Осталось определить р и q. Для их определения нужно изучить автокорреляционную (АСБ) и частично автокорреляционную (РАСБ) функции для ряда вторых разностей. АСБ поможет определить q - количество автокорреляционных коэффициентов, сильно отличных от 0 в модели МА. РАСБ поможет определить р - максимальный номер коэффициента, сильно отличный от 0 в модели АЯ.
Анализ графиков автокорреляционной и частной автокорреляционной функций, представленных на рис. 7, позволяет сделать вывод, что параметр q = 1, в качестве параметрар мы можем взять 2, 4, 9, 13, 14, но слишком большое значение этого параметра обычно не приводит к сильному улучшению качества модели.
В результате была построена модель АЯ1МА (4, 2, 1) для дважды продифференцированного исходного ряда, в качестве обучающей выборки были взяты данные 2010-2020 гг., а данные за 2021 г. использовались для тестирования построенной модели. Статистический вывод представлен на рис. 12, из которого видно, что все коэффициенты модели, кроме константы, статистически значимы.
ARIMAModel Results
Dep. Variable: D2.Import Model: ARIMA(4,2;1)
N(5. Observations: 40
Log Likelihood -566.352 S.D. of innovations 289836.040
Method: css-nile
Date: Thu. 28 Apr 2G22
Time: 09:07:49
Sample: 01-01-2011
AIC 1147.705
BIC 1159.527
HQIC 1151.979
- 10-01-2020
coef stderr z P>|z[ [0.025 0.9751
const -438.1861 762.775-0.574 0.569-1933.199 1С56.826 ar.L1.D2.lmport-1.5138 0.150 -10.084 0.000-1.SGS -1.220 ar.L2,D2.lmport -1.4966 0.176 -8.492 0.000-1.842 -1.151 ar.L3.D2.lmport -1.3901 0.171 -8.148 0.000-1.724 -1.056 ar.L4.D2.lmport -0.4414 0.155 -2.843 0.008-0.746 -C.137 ma, L1.D2, Import -1.0000 0.077 -12.923 0.000-1.152 -0.S48
Roots
Real Imaginary Modulus Frequency AR.1 -0.0325-1. 0326j 1.0331 -0.2550 AR.2-0.0325 4-1.0326] 1.0331 0.255C AR.3 -1.0369-O.OOOOi 1.0369 -0.5000 AR.4-2.0474-O.OOOOi 2.0474 -0.5000
MA.1 1.0000 r-O.OOOOj 1.0000 o.oooo
Рис. 12. Модель ARIMA (4, 2, 1)
На рис. 13 представлен полученный повторным дифференцирование ряд и построенная модель. Качество модели не высоко, проверка качества построенной модели на тестовых данных (2021 г.) дала результаты, представленные в табл. 3.
Таблица 3
Метрики качества модели АММА (4,2,1) на тестовых данных
Показатель Значение
R2 (коэффициент детерминации) 0.27
RMSE (Среднеквадратичное отклонение) 79660.80
MAE (Среднее абсолютное отклонение) 65409.20
Рис. 13. Модель ARIMA (4, 2, 1) и исходные данные
Невысокое качество модели возможно обусловлено нелинейностью тренда и тем, что для рядов динамики, содержащих выраженную сезонную компоненту, требуется построение модели SARIMA ф, d, q) Sd, Sq). Работа над этим будет продолжена в дальнейшем.
Таким образом, в ходе исследования было выявлено 2 эффекта:
1. Определены структурные сдвиги, которые оказались в среднем небольшими, но постоянными, что привело к увеличению экспорта и снижению зависимости России от импорта товарной группы 02 ТН ВЭД ЕАЭС, что говорит о наращивании производства мяса и мясной продукции в стране.
2. Также была проведена декомпозиция ряда динами импорта данной товарной группы с выделением трендовой, сезонной и случайной компонент. Тем самым подтверждена гипотеза о наличии сезонных колебаний импорта. Построенная для прогнозирования модель оказалась не очень хорошего качества. В качестве предмета дальнейших исследований можно рассматривать построение других моделей временных рядов содержащих сезонную компоненту: SARIMA и адаптивная Хольта-Уинтерса.
Список литературы
1. Ларькина, Е.В. Таможенная статистика: учебное пособие / Е.В. Ларькина, Г. А. Поштакова. СПб.: Троицкий мост, 2017. 232 с.
2. Официальный сайт ФТС. Таможенная статистика. URL: http://stat.customs. gov.ru/documents.
3. Официальный сайт компании Альта-Софт. Онлайн-сервис ТН ВЭД. URL: https://www.alta.ru/tnved.
4. Инструмент для программирования на языке Python - Colaboratory. URL: https://colab.research.google.com.
УДК 930
DOI 10.24412/cl-36450-2022-3-86-92 В. Д. КОРЯБКИН
Развитие железнодорожной сферы Российской империи во второй половине XIX - начале XX века: правовые аспекты регулирования
В статье рассматриваются основные этапы железнодорожного строительства в Российской империи во второй половине XIX - начале XX в. Показана роль частного капитала в строительстве и эксплуатации железных дорог, выявлены основные проблемы и тенденции его привлечения в железнодорожную сферу. Основное внимание уделено правовым аспектам регулирования железнодорожной отрасли и роли государства в становлении и развитии железных дорог.
Ключевые слова: экономика, логистика, промышленный переворот, железные дороги, грузоперевозки, реформы.
V. D. KORYABKIN
The Development of the Railway Sector of the Russian Empire
in the Second Half of the XIX Century and the Beginning of the XX Century:
Legal Aspects of Regulation
The article discusses the main stages of railway construction in the Russian Empire in the second half of the XIX - early XX century. The role of private capital in the construction and operation of railways is shown, the main problems and trends of its involvement in
КОРЯБКИН Виктор Дмитриевич, студент таможенного факультета Владивостокского филиала Российской таможенной академии.
Научный руководитель - Лаврик Людмила Александровна, канд. ист. наук, доцент, доцент кафедры теории и истории государства и права Владивостокского филиала Российской таможенной академии.
