CC BY
79
08.00.05
УДК 338 DOI: 10.24411/2227-9407-2020-10095
ИССЛЕДОВАНИЕ РЫНКА АВТОМОБИЛЬНЫХ ГРУЗОПЕРЕВОЗОК В РОССИИ: ЦЕНОВОЙ АСПЕКТ
А. А. Аксентьев
Кубанский государственный университет, Краснодар (Россия)
Аннотация
Введение: цель данного исследования заключается в выявлении основных факторов, влияющих на стоимость автомобильных грузоперевозок в России, а также в определении среднерыночных цен на соответствующие услуги. В работе делается акцент на построенных регрессионных уравнениях, коэффициенты которых дают возможность интерпретировать среднее изменение стоимости транспортировки груза в зависимости от рассматриваемых переменных (расстояние, вес и объем).
Материалы и методы: в рамках данного исследования были проанализированы сделки, представленные интернет-площадкой «АвтоТрансИнфо». Построены две модели множественной регрессии, а также с учетом использования корреляционно-регрессионных методов рассчитаны основные показатели, на основе которых была выявлена статистическая значимость коэффициентов.
Результаты: между переменными «вес» и «объем» обнаружена высокая межфакторная связь, что обусловило необходимость рассматривать их раздельно. Статический анализ позволил подтвердить, что сделки заключаются преимущественно до 3 000 км по стране весом 20 и более т (или объемом 80 и более м3). На основе коэффициента корреляции была обоснована сильная линейная прямая связь фактора «расстояние» на результирующий показатель.
Обсуждение: сегодня рынок автомобильных грузоперевозок активно рассматривается отечественными исследователями, однако многие вопросы, связанные с определением рыночных цен, остаются открытыми и малоизученными. Использование существующих электронных бирж в России с целью анализа сделок может помочь в условиях неопределенности. Так, в данной работе было выяснено, что стоимость перевозки груза в среднем растет с каждым км и т веса на 28,6 руб. и 661,7 руб. соответственно.
Заключение: изучены две модели («цена, расстояние, вес» и «цена, расстояние, объем»), которые дают возможность как предприятиям-грузоперевозчикам, так и фирмам, заключающим с ними услуги, оценивать сделки с ценовой позиции с учетом среднерыночной стоимости.
Ключевые слова: автомобильные грузоперевозки, грузовые перевозки, корреляция, линейная модель, логистика, множественная регрессия, регрессионный анализ, ценообразование, эконометрическая модель.
Для цитирования: Аксентьев А. А. Исследование рынка автомобильных грузоперевозок в России: ценовой аспект // Вестник НГИЭИ. 2020. № 10 (113). С. 61-72. DOI: 10.24411/2227-9407-2020-10095
RESEARCH OF THE ROAD CARGO TRANSPORTATION MARKET IN RUSSIA: PRICE ASPECT
A. A. Aksentiev
Kuban state University, Krasnodar (Russia)
Abstract
Introduction: the purpose of this study is to identify the main factors that affect the cost of road cargo transportation in Russia, as well as to determine the average market prices for related services. The paper focuses on the constructed regression equations, the coefficients of which make it possible to interpret the average change in the cost of transporting cargo depending on the considered variables (distance, weight and volume).
Materials and methods: within the framework of this study, transactions presented by the «AutoTransInfo» Internet platform were analyzed. Two models of multiple regression were constructed, and using correlation and regression methods, the main indicators were calculated, on the basis of which the statistical significance of the coefficients was revealed. Results: a high inter-factor relationship was found between the factors «weight» and «volume», which made it necessary to consider them separately. Static analysis allowed us to confirm that transactions are concluded mainly up to 3 000 km across the country with a weight of 20 or more tons (or a volume of 80 or more m3). Based on the correlation coefficient, a strong linear direct relationship of the «distance» factor to the resulting indicator was justified.
Discussion: today, domestic researchers actively consider the road freight market, but many issues related to determining market prices remain open and poorly understood. Using existing electronic exchanges in Russia to analyze transactions can help in the face of uncertainty. Therefore, in this work, it was found that the cost of cargo transportation on average increases with each km, etc. weight by 28.6 rub and 661.7 rub, respectively.
Conclusion: we have studied two models («price, distance, weight» and «price, distance, volume») that allow both cargo carriers and firms that conclude services with them to evaluate transactions from a price position, taking into account the average market value.
Keywords: automobile cargo transportation, cargo transportation, correlation, linear model, logistics, multiple regression, regression analysis, pricing, econometric model.
For citation: Aksentiev A. A. Research of the road cargo transportation market in Russia: price aspect // Bulletin NGIEI. 2020. № 10 (113). P. 61-72. (In Russ.). DOI: 10.24411/2227-9407-2020-10095
Введение
Способ перевозки грузов автомобильным транспортом был и до сих пор остается неотъемлемой составляющей логистической отрасли в России. Несмотря на наличие ряда проблем, с которыми сталкиваются грузоотправители, автомобильный транспорт присутствует почти в каждой цепочке поставок. В последние годы научное сообщество активно рассматривает различные аспекты развития автомобильных грузоперевозок в стране, в частности, выделяя структурные и логистические особенности [1], высокий вес транспортных затрат в общей сумме расходов предприятия [2], возможности цифровой трансформации [3], методы регулирования рисков в грузоперевозках [4], основные тенденции и проблемы [5], состояние и перспективы [6] и др. В 2019 г. аудиторско-консалтинговая компания «Ernst & Young» провела обзор отрасли грузоперевозок в России [7], где отмечалось, что по состоянию на конец 2018 г. в структуре объема перевозок автомобильный транспорт занимал 67,1 % или 5 545,8 млн т. Таким образом, изучение специфики автомобильных грузоперевозок остается актуальной задачей и сегодня.
В работе [8] авторами отмечалась концептуальная особенность интеграции бухгалтерского и налогового учета в логистике, когда менеджмент предприятия должен учитывать не только практически значимые вопросы оптимизации транспортных издержек, но и их объективную обоснованность как в бухгалтерском, так и в налоговом учете. Исследователями был поднят вопрос об умышленном завышении цен на транспортные услуги с целью занижения налогооблагаемой прибыли взаимозависимых лиц. Однако нераскрытой остается проблема определения рыночной цены на соответствующие услуги на российском рынке в целом. Иначе говоря, какую стоимость можно считать завышенной.
С целью решения данной неопределенности был проведен анализ рынка грузоперевозок в Рос-
сии с использованием основных эконометрических методов. А также рассмотрены 800 сделок на бирже, организованной лидирующей в данном сегменте интернет-площадкой «АвтоТрансИнфо» (АТИ) [9]. Данный сервис является удобным инструментом для поиска грузов и свободных машин, и многие параметры условий свободно доступны для пользователей. Можно сказать, что такая платформа является источником «наблюдения» за рынком: какие грузы актуальны, частота их движения, стоимость в разных направлениях и другие аспекты. Таким образом, в рамках эконометрического анализа собирались данные спроса и предложения, обновляемые в режиме реального времени в период с 1 января 2020 по 30 июня 2020 гг.
К сожалению, сегодня не существует единого электронного рынка транспортных услуг в России. В работе [10] был исследован зарубежный опыт, когда создание цифровых логистических площадок становится стратегическим фундаментом для развития многих компаний. Так, по мнению авторов, развитие электронных бирж позволило бы участникам отечественного рынка интегрировать и объединять усилия для решения задач перевозок и транспортного сервиса по конкретным маршрутам.
Понимание тенденций на рынке грузоперевозок с ценовой позиции решает многие задачи. Так, если предприятие оказывает транспортные услуги, то знание рыночных факторов, влияющих на стоимость перевозки, позволит организации повысить свою конкурентоспособность путем использования гибкого ценообразования. По крайней мере, в наличии будет информация, чтобы сопоставлять свои издержки с рынком и видеть, насколько предлагаемая стоимость соответствует реалиям конъюнктуры. Если же предприятие часто заключает сделки с транспортными компаниями, то ориентация на рынок дает возможность объективно оценить, оправданно ли является занижение или завышение цены контрагентом с учетом оговоренных договором
особенностей. Такой подход способствует выявлению подозрительных организаций, своевременный контроль за которыми, в свою очередь, может снизить внимание со стороны государственных надзорных органов (в особенности федеральной антимонопольной и налоговой служб).
Рассматривая конкурентные преимущества по цене, авторы работы [11, с. 653] рассчитывали стоимость с помощью калькуляторов, разработанными изучаемыми предприятиями, и с учетом параметров «расстояние», «вес» и «объем». Данный подход явно не является объективным, поскольку в расчет не принимается состояние реального рынка. Кроме этого, сомнительно использовать сторонние приложения, где учитываются коррелирующие показатели.
В рамках данной статьи была поставлена цель исследования рынка автомобильных грузоперевозок в России, чтобы выявить основные факторы, влияющие на стоимость транспортировки, а также оценить, насколько в среднем она меняется при корректировке статистически значимых переменных.
Материалы и методы
Методологической основой исследования в данной работе послужил диалектический метод научного познания, метод сбора теоретической информации и анализа статистических данных, синтез,
наблюдение, сравнение и другие общенаучные методы.
Результаты
Цена услуги, или стоимость перевозки груза без НДС, в исследовании являлась объясняемой переменной (У). В качестве объясняющих факторов изучались:
1) X] - расстояние (в км);
2) Х2 - перевозимый вес (в т);
3) Х3 - объем перевозимого груза (в м3).
Также уделялось внимание и фиктивным переменным, где качественными признаками рассматривался вид автотранспортного средства (тент, рефрижератор, полуприцеп изотермический и др.), однако в ходе расчетов была выявлена их статистическая незначимость и непригодность для экономической интерпретации, поэтому для целесообразности было принято решение не включать их в регрессионную модель.
Для начала важно рассмотреть исходные данные, которые отображены для каждого фактора на соответствующем корреляционном поле. Так, на рис. 1 показана зависимость между результирующей переменной (У, ценой транспортировки груза) и гипотетически влияющим на нее регрессором X] (расстояние, на которое соответствующий груз должен быть перевезен).
л S
и к з о в е
а а
Ш и
с Ц
Л >-Н
н
О t+H
о о
£ О С
140000 120000 100000 80000 60000 40000 20000 0
Y = 35,059-X R2 = 0,6953
500
1000 1500
Xj, км / Xj, km
2000
2500
3000
Рис. 1. Поле корреляции между ценой транспортировки и расстоянием перевозимого груза, км Fig. 1. Correlation field between the price of transportation and the distance of the transported cargo, km
Источник: составлено автором
0
Стоит отметить, что на рис. 1 и в дальнейшем 95,5 % всей выборки. Решение убрать из анализа будет представлено 764 наблюдения, что составляет другие 4,5 % объясняется в первую очередь тем, что
данные находились в сильном разбросе и искажали модель. В рамках рассматриваемого регрессора 36 наблюдений принимали значения от 3 000 до 9 000 км. Кроме этого, такой подход подтверждает позицию Р. С. Николаева, что в России грузоперевозки автомобильным транспортом ориентированы на короткие расстояния [1, с. 290]. Соответственно, из этого можно сделать вывод, что сегодня сделки заключаются преимущественно до 3 000 км по стране.
Разброс данных по цене аргументируется также тем, что не для всех изучаемых сделок была
характерна полная загруженность автомобиля по весу или объему. Рис. 2 представляет собой график корреляционной взаимосвязи между ценой транспортировки и перевозимым весом (в тоннах).
На рис. 2 в отличие от предыдущего поля корреляции не наблюдается явно выраженной зависимости. Это характеризуется тем, что вес перевозимого груза обычно увязывается с расстоянием, иначе говоря, эти переменные стоит рассматривать вместе, чтобы выявить общее влияние на результирующий показатель.
ю „о 140000
^ а
« 120000
S3 100000
S3 о
и со О '■й К 80000
« о
<D Л а и 60000
<D С
Л H -М t+H 40000
о О
О s о H -м и О и 20000
и 0
• • • • •
•_|_!_I_, • • • « « Y = 2595,2-X2 1 i • * s • • .....
R2= 0,1923 ■S i 1 «M • • i il г • •
iM L V Ii i \......î- fi. ï
••• : ; 1 •
0
5
20
Fig
10 15
X2, т./ X2, tons
Рис. 2. Поле корреляции между ценой транспортировки и весом перевозимого груза, т 2. Correlation field between the price of transportation and the weight of the transported cargo, tons
Источник: составлено автором
25
Так как в ходе исследования в выборку попадали сделки коммерческого характера (в основном крупные, например перевезти 20 т оборудования и запчастей навалом из Москвы в Набережные Челны), то в структуре автомобильных перевозок по весу видны следующие долевые особенности, проиллюстрированные на рис. 3.
Рис. 3. Структура автомобильных перевозок по весу, т Fig. 3. The structure of road transport by weight, tons Источник: составлено автором
Неудивительно, что 53,27 % или 407 сделок заключались в перевозке грузов весом более 20 т. В разрезе перевозимой продукции такого объема можно выделить: алкогольные и безалкогольные напитки, товары народного потребления, химические продукты, оборудование, стройматериалы, овощи, железобетон и т. д. Таким образом, статистические данные говорят о том, что на рынке автомобильных грузоперевозок присутствует наличие преобладающего спроса на транспортировку веса 20 и более тонн. Рис. 4 увязывает зависимость цены транспортировки груза с его объемом.
Как и в случае со вторым регрессором, фактор «объем» не показывает явной связи с ценой транспортировки груза. Кроме этого, интересно заметить, что почти 74 % или 565 наблюдениям характерна перевозка объемом 80 и более м3 и всего 22,5 % или 172 значениям - от 0 до 40 м3 не включительно.
Таким образом, на рынке транспортных услуг присутствует явно выраженная ориентированность на крупногабаритные машины. Сопоставляя данный вывод с предыдущим, следует сказать об очевидной корреляции переменных Х2 и Х3.
„ ö S!
s «
со а
0 25
« S
CP -м
й ^ С о
Л -м
i- и
Б О
1 ü
S ^
О ^ H Ю и ¿У а
140000 120000 100000 S 80000 Ь 60000
40000 20000 0
н
• • • • • 3 ч
......• ьЭ w
Y = 577,28^X R2 = 0,2025
3
20
40 60
X3, м3 / X3, m3
80
100
120
Рис. 4. Поле корреляции между ценой транспортировки и объемом перевозимого груза, м3 Fig. 4. Correlation field between the price of transportation and the volume of cargo transported, m3
Источник: составлено автором
Так для перевозки груза весом, например, 20 т потребуется просторный грузовик, чтобы перевезти соответствующий объем товара.
Таблица 1. Матрица коэффициентов корреляции Table 1. Matrix of correlation coefficients
Вышеизложенную мысль можно обосновать, воспользовавшись матрицей коэффициентов корреляции, представленной в табл. 1.
Переменные / Variables
Y
X1
X2
X3
Стоимость перевозки груза (Y) / Cost of cargo transportation (Y) Расстояние перевозки (X1) / Transportation distance (X1) Вес перевозимого груза (X2) / Weight of the transported cargo (X2) Объем перевозимого груза (X3) / Volume of cargo transported (X3) Источник: составлено автором на основе использования пакета данных Excel
1 0,83391
0,83391 1
0,47408 0,24594
0,46209 0,26165
0,47408 0,46209
0,24594 0,26165
1 0,76994
0,76994 1
Таблица 1 показывает тесноту линейной зависимости как между результирующей переменной (У) и включенными в модель факторами (Хь Х2, Х3), так и регрессорами друг с другом (межфакторная связь). Можно заметить, что все переменные имеют прямую линейную связь, поскольку все коэффициенты парной корреляции положительны [12, с. 16]. Как и было замечено графически, влияние фактора «расстояние» на цену транспортировки груза оказалось наиболее значимым, что и показывает коэффициент корреляции гх1у = 0,8339. Данное значение говорит о сильной линейной прямой связи между результирующим признаком (У) и регрессором Хь поскольку попадает в диапазон 0,7-0,9 (согласно шкале Чеддока [13, с. 17]). Факторы Х2 и Х3 по отношению к У имеют прямую линейную слабую связь, так как значения коэффициентов попадают в промежуток 0,3-0,5 и не выходят за его пределы. Также можно добавить, что все рассчитанные коэффициенты (грасч) по модулю больше критического значения (гкрит = 0,08), отсюда с 95 % степенью вероятности можно утверждать о существовании пря-
мой линейной связи в выборке данных. Ранее было выявлено предположение, что между объясняющими признаками весом и объемом перевозимого груза существует зависимость. Судя по тому, что коэффициент корреляции гх2х3 = 0,7699 и превышает 0,7, то имеет место наличие явной мультиколлине-арности между х2 и х3. В свою очередь, это означает дублирование влияния на результирующий показатель или искажение результатов в ходе регрессионного анализа. Чтобы устранить негативные последствия высокой межфакторной связи, было принято решение рассматривать данные переменные по силе влияния на стоимость перевозки (У) раздельно [14]. Иначе велика вероятность допустить ошибку первого рода, что и произошло, когда в регрессионной модели, включающей все три регрессора, гипотеза о статистической значимости переменной х3 была отвергнута.
Ввиду вышеизложенного были построены две регрессионные модели, включающие результирующий показатель и переменные Х1, Х2 и Х1, Х3 раздельно. Кроме этого, такой подход экономически
0
увязывает смысл автомобильной транспортировки, поскольку в расчет берутся и расстояние, и перевозимый вес (или объем).
Далее в табл. 2 представлены основные показатели для двух выбранных моделей. Отсутствие свободного члена обусловлено двумя причинами.
Первая заключается в экономической целесообразности. Смысл интерпретации расстояния и веса в том, что если груз не перевозится (т. е. Х1 = 0), то никаких с точки зрения для покупателя затрат возникать не должно, соответственно и транспортируемый вес товара так же рассматривается, как Х2 = 0.
Таблица 2. Основные показатели для регрессионного анализа Table 2. Key indicators for regression analysis
Модель Y, Xi, X2 («цена, расстояние, вес») / Model Y, X1, X2 («price, distance, weight»)
Модель Y, X1, X3 («цена, расстояние, объем») / Model Y, X1, X3 («price, distance, volume»)
Регрессионная статистика / Regression statistics
Множественный R / 0,950538 Множественный R / 0,947938
Multiple R Multiple R
R-квадрат / R-square 0,903522 R-квадрат / R-square 0,898587
Нормированный Нормированный
R-квадрат / 0,902083 R-квадрат/ 0,897142
Normalized R-square Normalized R-square
Стандартная ошибка / Standard error 15403,57 Стандартная ошибка / Standard error 15792,64
Наблюдения / 764 Наблюдения / 764
Observations Observations
Дисперсионный анализ / Analysis of variance
Регрессия (ESS) / Regression Регрессия (ESS) / Regression
df 2 df 2
SS 1,69Е+12 SS 1,68Е+12
MS 8,47Е+11 MS 8,42Е+11
Значимость F / 3568,105 Значимость F / 3375,916
Significance Of F Significance Of F
Остаток (RSS) / Remains Остаток (RSS) / Remains
df 762 df 762
SS 1,81Е+11 SS 1,9E+11
MS 2,37Е+08 MS 2,49E+08
Итого (TSS) / Total Итого (TSS) / Total
df 764 df 764
SS 1,87Е+12 SS 1,87E+12
Оценки коэффициентов / Ratings coefficients ß: ß2 Оценки коэффициентов / Ratings coefficients ß1 ß3
Значение коэффициента / Value of coefficient 28,59457 661,6932 Значение коэффициента / Value of coefficient 29,33132 127,4058
Стандартная ошибка / Standard error 0,718725 59,78945 Стандартная ошибка / Standard error 0,772901 14,29494
t-статистика / t-statistics 39,78516 11,06706 t-статистика / t-statistics 37,94963 8,912653
p-значение / p-value 3,6Е-188 1,67Е-26 p-значение / p-value 8,9E-178 3,63E-18
Левый доверительный Левый доверительный
интервал / Left confidence 27,18366 544,32159 интервал / Left confidence 27,81406 99,3437
interval interval
Правый доверительный Правый доверительный
интервал / Right 30,00549 779,0648 интервал / Right 30,84859 155,468
confidence interval confidence interval
Уравнение регрессии / Regression equation Y=28,6-Xj + 661,7-X2 Уравнение регрессии / Regression equation Y=29,3-Xj + 127,4-X3
Источник: составлено автором на основе использования пакета данных Excel при уровне значимости а = 0,05 66
В случае наличия свободного члена и равенства обоих регрессов нулю возникает содержательно абсурдная ситуация. Суть второй причины состоит в том, что отсутствие свободного члена значительно повышает качество модели [15].
Из таблицы 2 видно, что коэффициент детерминации Я2 для первой модели (цена, расстояние, вес) составил приближенно 0,9021.
Это означает, что линейное уравнение регрессии объясняет результирующий показатель (У, стоимость перевозки груза) на 90,21 % под влиянием включенных в модель факторов (т. е. Х1 и Х2). Когда рассматривалась ситуация с наличием свободного члена, то рассматриваемый коэффициент принимал значение, равное 0,7724, поэтому и было принято решение не рассматривать его (аналогичные рассуждения были и со второй моделью, для которой присутствие свободного члена снижало ее качество, так коэффициент детерминации составлял уже 0,314, что гораздо меньше рассчитанного значения (Я2 = 0,898587)). Однако необходимо сказать, что коэффициент детерминации не показывает исключительную адекватность модели, и подводить итоги, основываясь только на нем, не является разумным подходом. На основе Б-теста был сделан вывод, что с 95 % степенью вероятности можно утверждать статистическую значимость линейного уравнения регрессии, поскольку рассчитанное значение Fрасч = 3568,105 (и Fрасч = 3375,916 для второй модели) больше его критической величины (Ркрит = 3,008).
Первая модель (цена, расстояние, вес) принимает вид:
У = Р1-Х1+ | 2-*2, (1)
где ^ - коэффициент регрессии перед Хь руб./км; В2 - коэффициент регрессии перед Х2, руб./т.
Для второй модели (цена, расстояние, объем) получим:
, (2) где В3 - коэффициент регрессии перед Х3, руб./м3.
Таким образом, коэффициенты регрессии, стоящие перед переменными Хь Х2, Х3, соответственно имеют такие единицы измерения, что при их попарном умножении друг на друга происходит сокращение и в итоге остаются рубли.
Характеризуя сами коэффициенты (рассчитанные в табл. 2), то их экономический смысл заключается в следующих аспектах. Так, для модели (1) В1 = 28,6 руб./км показывает, что с каждым километром перевезенного груза цена транспортировки в среднем растет на 28,6 руб., а В2 = 661,7 руб./т - каждая тонна груза повышает стоимость в среднем на 661,7 руб. У модели (2) коэффициент ^ не сильно отличается и суть его интерпретации не меняется, однако В3 = 127,4 руб./м3 говорит, что с каждым перевозимым кубическим метром груза средняя стоимость транспортировки растет на 127,4 руб. Перед тем, как характеризовать статистическую значимость самих коэффициентов с помощью ¿-критерия Стью-дента, была проведена проверка на наличие гетеро-скедастичности. Для этого был применен тест Уайта, графический метод и тест Глейзера. Так, тест Уайта показал, что ЬМ = 299,08, что больше критического значения Хкрит2 = 0,7107. Ввиду этого гипотеза (Н0: наличие гомоскедастичности) была отклонена, значит модель гетероскедастична. При графическом анализе остатков в квадрате, изображенных на рис. 5, было замечено, что по переменной Х1 имеет место явная гетероскедастичность.
Графический анализ остатков в квадрате по переменной х2 на рис. 6 позволяет также утверждать о гетероскедастичности.
4E+09 3,5E+09 3E+09 2,5E+09 2E+09 1,5E+09 1E+09 500000000 0
0
500
1000
• •4 » ... Y 1
1500
2000
2500
3000
Рис. 5. Графический анализ остатков в квадрате (е2) на гетероскедастичность по расстоянию (X1) для первой модели («цена, расстояние, вес») Fig. 5. Graphical analysis of residuals in the square (е2) on heteroscedasticity by distance (X1) for the first model («price, distance, weight») Источник: составлено автором 67
x
1
4E+09 3,5E+09
3E+09
2,5E+09 2E+09 1,5E+09 1E+09 500000000 0
I
I
• m e • • , а»
i'ii«.: j. i . Г * .
S . • :.. I !.• I Uli :
0
5
10
15
20
x9
Рис. 6. Графический анализ остатков в квадрате (е2) на гетероскедастичность по весу (X2) для первой модели («цена, расстояние, вес») Fig. 6. Graphical analysis of residuals in the square (е2) on heteroscedasticity by weight (X2) for the first model («price, distance, weight») Источник: составлено автором
25
Анализ по тесту Глейзера показал наличие ге-тероскедастичности в выборке данных. Вспомогательная модель принимала вид:
к ¿| = Р 0+ ЕР Г % (3)
где 1е;1 - абсолютная величина остатков; В1 - свободный член во вспомогательной модели; ^ - коэффициент регрессии перед X Х^ - регрессор.
Поскольку для построенной вспомогательной модели (3) коэффициент В1 = 8,801 оказался статистически значимым (так как ^асч = 18,645 больше критического значения ^рит = 1,963), то гипотеза об отсутствии гетероскедастичности была отвергнута.
Во второй модели соответствующим образом был сделан такой же вывод, что в частности обусловлено дублированием фактора Х2 и Х3.
Таким образом, присутствие гетеро-скедастичности приводит к неэффективности оценок [16], поэтому было принято решение использовать стандартные ошибки в форме Уайта [17]. Если говорить об автокорреляции, то важно понимать, что рассматриваемые модели не являются динамическими, отсюда объяснять влияние временных лагов нецелесообразно, поскольку они не учитывались. А рассматривать «запаздывание» в расстоянии или весе и объеме, т. е. лагирующие объясняющие переменные [18], неоднозначный подход. В ином случае, если бы данные брались за год в динамике, или средняя цена за месяц в течение года, тогда была бы возможность проследить с помощью эконо-
метрических тестов наличие автокорреляции. Но так как данные были получены путем непосредственной фиксации без учета фактора времени (динамики), то можно гипотетически предположить отсутствие автокорреляции в моделях.
В таблице 3 представлены пересчитанные показатели с учетом устойчивых к гетероскедастично-сти стандартных ошибок для обеих моделей.
Таблица 3 показывает, что для двух моделей все коэффициенты статистически значимы, поскольку превышают критическое значение критерия Стьюдента ^крит = 1,9631), а значит их можно использовать для экономической интерпретации, изложенной ранее. Доверительные интервалы показывают, что со степенью вероятности 95 % соответствующие коэффициенты попадут в заданный диапазон истинной совокупности. Например, согласно первой модели, стоимость перевозки груза в среднем растет с каждым километром не просто на 28,59 руб., а в промежутке 26,48-30,71 руб.
Аналогично со вторым коэффициентом и моделью. С точки зрения практического использования доверительные интервалы удобно применять для установления приемлемых границ заключения договоров с транспортными компаниями. Условно говоря, если цена транспортировки груза по рассчитанным факторам и оговоренным в сделке, попадает в указанные диапазоны, то ее можно считать выгодной и не вызывающей сомнений.
Таблица 3. Пересчитанные основные показатели для регрессионного анализа с учетом устойчивых к гетероскедастичности стандартных ошибок
Table 3. Recalculated main indicators for regression analysis, taking into account standard errors that are resistant to heteroscedasticity
Модель Y, Xb X2 (цена, расстояние, вес) / Модель Y, Xb X3 (цена, расстояние, объем) /
Model Y, Xb X2 (price, distance, weight) Model Y, Xb X3 (price, distance, volume)
Оценки коэффициентов / ßi ß2 Оценки коэффициентов / ß1 ß3
Coefficient estimates Coefficient estimates
Значение коэффициента / Value of coefficient 28,5945 661,6932 Значение коэффициента / Value of coefficient 29,3313 127,4058
Стандартная ошибка / Standard error 1,0751 62,6941 Стандартная ошибка / Standard error 1,3221 17,8580
t-статистика / t-statistics 26,5980 10,5543 t-статистика / t-statistics 22,1845 7,1343
Левый доверительный интервал / The left confidence interval 26,4841 538,6197 Левый доверительный интервал / The left confidence interval 26,7358 92,3489
Правый доверительный интервал / Right confidence interval 30,7050 784,7667 Правый доверительный интервал / Right confidence interval 31,9268 162,4627
Источник: составлено автором на основе использования пакета данных Excel при уровне значимости а = 0,05
Предприятие может для себя установить и иные границы, в частности дополнительно в 20 %. Тогда, если цена будет попадать в промежутки 21,2 (26,48-80 %) - 26,48 и 30,71 - 36,85 (30,71-120 %), то имеет место приемлемый риск [19; 20], поскольку будет присутствовать явное отклонение от среднерыночных цен.
Обсуждение
В ходе исследования было выявлено, что на стоимость перевозки груза (У) автомобильным транспортом влияют три основные переменные: расстояние (Х1), на которое соответствующий груз должен быть перевезен, а также его вес (Х2) и объем (Х3). Кроме этого, оказалось, что вес и объем имеют высокую межфакторную связь, ввиду чего рассматривать их общее влияние на результирующий показатель некорректно, поскольку это приводит к искажению интерпретации результатов. В целом статистический анализ показал, что российской рынок ориентирован на перевозку грузов 20 и более т (или 80 и более м3) на расстояние до 3000 км по стране. Можно утверждать, что рынок автомобильных грузоперевозок в России является сформированным, поскольку на нем присутствует явно выраженная логика. Так, для построенных моделей «цена, расстояние, вес» и «цена, расстояние, объем» коэффициент детерминации оказался приближенно равным 0,9. Это значит, что стоимость перевозки грузов на 90 % объясняется регрессионными уравнениями и лишь на 10 % не включенными в них внешними факторами. Первая и вторая модели представлены следующими уравнениями:
1) У = 28,6Х + 661,7Х
2) У = 29,3Х + 127,4-Х3.
Их можно использовать как транспортным компаниям, так и предприятиям для оценки сделок. Например, если фирме нужно заключить договор с грузоперевозчиком на транспортировку товара весом 20 т из Москвы в Краснодар, расстояние между которыми 1 347 км, то средняя стоимость такой сделки по стране составила бы 41 834 руб. (28,6-1347+661,7-20). Отсюда у менеджмента организации не возникает неопределенности в принятии решений, поскольку он будет понимать, что при тех или иных обстоятельствах существует возможность заключить сделку выгоднее, ориентируясь на средние цены по всему рынку в целом. Кроме этого, как было сказано в работе ранее, ориентация на рынок позволит выявлять подозрительные предложения. Так, если бы предприятие решило для себя установить уровень риска в 40 % от средней цены по рынку, то согласно вышепредоставленному примеру, стоимость перевозки груза в 20 т и на 1 347 км за 25 100 руб. (41 834-40 %) и ниже являлась бы одной из причин углубленно проверить контрагента на фактор надежности. Верно и обратное, если стоимость услуги составила бы 58 568 руб. (41 834Т40 %) и выше, то нужно выяснить, является ли такая цена объективно обоснованной с точки зрения оказания самой услуги.
Заключение Практическое использование исследованных моделей заключается в основном в оценке сделок с учетом средних цен. Использовать регрессионные уравнения для прогноза стоимости при Х1>3 000 км, Х2>25 т, Х3>120 м3 затруднительно, поскольку не будет реальной увязки данных с возможными истинными значениями. Для решения этой проблемы
необходимо дополнительно изучить рынок и собрать большее количество наблюдений, чтобы повысить качество моделей. Рынок автомобильных
грузоперевозок с ценовой позиции сегодня изучен мало, что оставляет за собой место для внимания отечественных ученых.
СПИСОК ЛИТЕРАТУРЫ
1. Николаев Р. С. Современные тенденции развития грузоперевозок автомобильным транспортом в России: структурные и логистические аспекты // Вестник Пермского национального исследовательского политехнического университета. Социально-экономические науки. 2019. № 4. С. 290-306.
2. Щербаков В. В., Григорьевич Д. А. Влияние фактора сезонности на конфигурацию цепей поставок в транспортной логистике // Общество: политика, экономика, право. 2018. № 3. С. 45-50.
3. Моросанова А. А., Мелешкина А. И., Маркова О. А. Цифровая трансформация на транспорте: возможности развития и риски ограничения конкуренции // Современная конкуренция. 2019. № 3 (75). С. 73-90.
4. Хаит Д. Д. Разработка комплекса мероприятий по регулированию риска в грузоперевозках // Известия Санкт-Петербургского государственного экономического университета. 2018. № 5 (113). С. 192-197.
5. Батищев И. И. Рынок автомобильных грузоперевозок в России: основные проблемы и предложения // Транспорт Российской Федерации. Журнал о науке, практике, экономике. 2018. № 1 (74). С. 30-34.
6. Смирнов А. Ю., Алехин М. Ю., Александров В. Л. Состояние и перспективы развития грузоперевозок в Российской Федерации // Управленческое консультирование. 2017. № 11. С. 47-52.
7. Обзор отрасли грузоперевозок в России, 2019 год [Электронный ресурс]. Режим доступа: https://www.ey.com/Publication/vwLUAssets/ey-transportation-services-2019-rus/SFILE/ey-transportation-services-2019-rus.pdf (дата обращения 29.06.2020).
8. Аксентьев А. А., Кизим А. А. Интеграция бухгалтерской и налоговой мысли на примере логистики // Проектный и инвестиционный менеджмент в условиях цифровой экономики: нац. науч.-практ. конф. (Краснодар, 2 апреля 2020 г.). Краснодар : Краснодарский ЦНТИ филиал ФГБУ «РЭА» Минэнерго России, 2020. С. 9-16.
9. АвтоТрансИнфо - биржа грузоперевозок [Электронный ресурс]. Режим доступа: https://ati.su/ (дата обращения 30.06.2020).
10. Корнеев М. В., Леонтьева В. А. Создание глобальной площадки транспортных услуг на базе цифровых технологий // Сборник трудов Донецкого института железнодорожного транспорта. 2018. № 51. С. 53-58.
11. Неверов С. Д., Кива-Хамзина Ю. Л., Рахлис Т. П. Особенности формирования конкурентных преимуществ транспортных компаний-грузоперевозчиков // Российские регионы в фокусе перемен: Межд. конф. (Екатеринбург, 14-16 ноября 2019 г.). Екатеринбург : УМЦ УПИ, 2019. С. 650-654.
12. Шалабанов А. К., Роганов Д. А. Эконометрика. Учебно-методическое пособие. Казань : Академия Управления «ТИСБИ», 2008. 203 с.
13. Бараз В. Р. Корреляционно-регрессионный анализ связи показателей коммерческой деятельности с использованием программы Excel : учебное пособие. Екатеринбург : ГОУ ВПО «УГТУ-УПИ», 2005. 102 с.
14. Моисеев Н. А. Сравнительный анализ эффективности методов устранения мультиколлинеарности // Учет и статистика. 2017. № 2 (46). С. 62-72.
15. Грин У. Эконометрический анализ. Книга 1 / Пер. с англ.; под ред. С. С. Синельникова, М. Ю. Ту-рунцевой. Москва : Издательский дом «Дело» РАНХиГС, 2016. 760 с.
16. Доугерти К. Введение в эконометрику / Пер. с англ. Е. Н. Лукаш, О. Ю. Шибалкин, О. О. Замков. Москва : ИНФРА-М, 1999. 402 с.
17. Бушин П. Я. Эконометрика. Корреляционно-регрессионный анализ. Хабаровск : Хабаровский государственный университет экономики и права, 2014. 84 с.
18. Wooldridge J. M. Introductory Econometrics 5 ed. Boston: Cengage Learning, 2013. 912 p.
19. Винокур И. Р. Методика анализа и управления рисками // Вестник Пермского национального исследовательского политехнического университета. Социально-экономические науки. 2019. № 3. С. 93-108.
20. Заговало В. С. Основные источники предпринимательского риска, методы их предотвращения и уменьшения // Экономический потенциал студенчества в региональной экономике: материалы XI межвуз. науч.-практ. конф. Ярославль : Изд-во ЯГПУ, 2017. С. 225-231.
Дата поступления статьи в редакцию 15.07.2020, принята к публикации 17.08.2020.
Информация об авторе: АКСЕНТЬЕВ АНДРЕЙ АНДРЕЕВИЧ,
студент 4 курса экономического факультета
Адрес: Кубанский государственный университет, 350040, Россия, Краснодар, ул. Ставропольская, 149 E-mail: [email protected] Spin-код: 9601-6154
Автор прочитал и одобрил окончательный вариант рукописи.
REFERENCES
1. Nikolaev R. S. Sovremennye tendencii razvitija gruzoperevozok avtomobil'nym transportom v Rossii: strukturnye i logisticheskie aspekty [Current trends in the development of road freight transport in Russia: structural and logistical aspects], VestnikPermskogo nacional'nogo issledovatel'skogopolitehnicheskogo universiteta. Social'no-jekonomicheskie nauki [Bulletin of the Perm national research Polytechnic University. Social and economic Sciences], 2019, No. 4, pp. 290-306.
2. Shherbakov V. V., Grigor'evich D. A. Vlijanie faktora sezonnosti na konfiguraciju cepej postavok v transportnoj logistike [Influence of the seasonality factor on the configuration of supply chains in transport logistics], Obshhestvo: politika, jekonomika, pravo [Society: politics, Economics, law], 2018, No. 3, pp. 45-50.
3. Morosanova A. A., Meleshkina A. I., Markova O. A. Cifrovaja transformacija na transporte: vozmozhnosti razvitija i riski ogranichenija konkurencii [Digital transformation in transport: opportunities for development and risks of limiting competition], Sovremennaja konkurencija [Modern competition], 2019, No. 3 (75), pp. 73-90.
4. Hait D. D. Razrabotka kompleksa meroprijatij po regulirovaniju riska v gruzoperevozkah [Development of a set of measures for risk management in cargo transportation], Izvestija Sankt-Peterburgskogo gosudarstvennogo jekonomich-eskogo universiteta [News of Saint Petersburg state University of Economics], 2018, No. 5 (113), pp. 192-197.
5. Batishhev I. I. Rynok avtomobil'nyh gruzoperevozok v Rossii: osnovnye problemy i predlozhenija [Road cargo transportation market in Russia: main problems and offers], Transport Rossijskoj Federacii. Zhurnal o nauke, prak-tike, jekonomike [Transport of the Russian Federation. Journal of science, practice, and Economics], 2018, No. 1 (74), pp.30-34.
6. Smirnov A. Ju., Alehin M. Ju., Aleksandrov V. L. Sostojanie i perspektivy razvitija gruzoperevozok v Ros-sijskoj Federacii [State and prospects of cargo transportation in the Russian Federation], Upravlencheskoe konsul'tiro-vanie [Management consultation], 2017, No 11, pp. 47-52.
7. Obzor otrasli gruzoperevozok v Rossii, 2019 god [Jelektronnyj resurs]. Available at: https://www.ey.com/Publication/vwLUAssets/ey-transportation-services-2019-rus/SFILE/ey-transportation-services-2019-rus.pdf (Accessed 29.06.2020).
8. Aksent'ev A. A., Kizim A. A. Integracija buhgalterskoj i nalogovoj mysli na primere logistiki [Integration of accounting and tax thinking on the example of logistics], Proektnyj i investicionnyj menedzhment v uslovijah cifrovoj jekonomiki: nacional'naja nauchno-prakticheskaja konferencija (Krasnodar, 2 aprelja 2020 g.) [Project and investment management in the digital economy: national scientific and practical conf. (Krasnodar, April 2, 2020)], Krasnodar: Krasnodarskij CNTI filial FGBU «RJeA» Minjenergo Rossii, 2020, pp. 9-16.
9. AvtoTransInfo - birzha gruzoperevozok [Jelektronnyj resurs]. Available at: https://ati.su/ (Accessed 30.06.2020).
10. Korneev M. V., Leont'eva V. A. Sozdanie global'noj ploshhadki transportnyh uslug na baze cifrovyh tehnologij [Creating a global platform for transport services based on digital technologies], Sbornik trudov Doneckogo instituta zheleznodorozhnogo transporta [Proceedings of the Donetsk Institute of railway transport], 2018, No. 51, pp. 53-58.
11. Neverov S. D., Kiva-Hamzina Ju. L., Rahlis T. P. Osobennosti formirovanija konkurentnyh preimushhestv transportnyh kompanij-gruzoperevozchikov [Features of formation of competitive advantages of transport companies-cargo carriers], Rossijskie regiony v fokuse peremen: mezhdunarodnaja konferencija [Russian regions in the focus of change: international conf.], Ekaterinburg, 14-16 nojabrja 2019 g. pp. 650-654.
12. Shalabanov A. K., Roganov D. A. Jekonometrika. Uchebno-metodicheskoe posobie [Econometrics. Educational and methodological guide], Kazan': Akademija Upravlenija «TISBI», 2008, 203 p.
13. Baraz V. R. Korreljacionno-regressionnyj analiz svjazi pokazatelej kommercheskoj dejatel'nosti s ispol'zovaniem programmy Excel [Correlation and regression analysis of the relationship of indicators of commercial activity using Excel], tutorial, Ekaterinburg: GOU VPO «UGTU-UPI», 2005, 102 p.
71
14. Moiseev N. A. Sravnitel'nyj analiz jeffektivnosti metodov ustranenija mul'tikollinearnosti [Comparative analysis of the effectiveness of multicollinearity elimination methods], Uchet i statistika [Accounting and statistics], 2017, No. 2 (46), pp. 62-72.
15. Grin U. Jekonometricheskij analiz. Kniga 1 [Econometric analysis. Book 1]: translation from English, In Sinel'nikova S. S. (ed.), Turuncevoj M. Ju. (ed.), Moscow: Publ. «Delo» RANHiGS, 2016, 760 p.
16. Dougerti K. Vvedenie v jekonometriku: perevod s anglijskogo [Introduction to econometrics: translated from English]: translation from English, In Lukash E. N. (ed.), Shibalkin O. Ju. (ed,), Zamkov O. O. (ed.), Moscow: INFRA-M, 1999, 402 p.
17. Bushin P. Ja. Jekonometrika. Korreljacionno-regressionnyj analiz [Econometrics. Correlation and regression analysis], Habarovsk: Habarovskij gosudarstvennyj universitet jekonomiki i prava, 2014, 84 p.
18. Wooldridge J. M. Introductory Econometrics 5 ed. Boston: Cengage Learning, 2013, 912 p.
19. Vinokur I. R. Metodika analiza i upravlenija riskami [Risk analysis and management methodology], Vestnik Permskogo nacional'nogo issledovatel'skogo politehnicheskogo universiteta. Social'no-jekonomicheskie nauki [Bulletin of the Perm national research poly-technical University. Social and economic Sciences], 2019, No. 3, pp. 93-108.
20. Zagovalo V. S. Osnovnye istochniki predprinimatel'skogo riska, metody ih predotvrashhenija i umen'shenija [Main sources of business risk, methods of their prevention and reduction], Jekonomicheskijpotencial studenchestva v regional'noj jekonomike: materialy XI mezhvuzovskoj nauchno-prakticheskoj konferencii [Economic potential of students in the regional economy: materials of the XI interuniversity scientific and practical conf.], Jaroslavl': Publ. JaG-PU, 2017, pp. 225-231.
The article was submitted 15.07.2020, accept for publication 17.08.2020.
Information about the author: AKSENTIEV ANDREY ANDREEVICH, 4th year student of the faculty of Economics
Address: Kuban state University, 149 Stavropol street, Krasnodar, 350040, Russia E-mail: [email protected] Spin-code: 9601-6154
Author have read and approved the final manuscript.
