CC BY
46
Прогнозирование объёмов таможенных платежей с использованием
фиктивных переменных
М.М. Цвиль, Е.С. Великанова Российская таможенная академия (Ростовский филиал), Ростов-на-Дону
Аннотация: В работе проводится эконометрический анализ объёмов таможенных платежей по импорту группы 25 «Соль; сера; земли и камень; штукатурные материалы, известь и цемент» ТН ВЭД ЕАЭС, таможенное декларирование которых осуществляется в регионе деятельности Ростовской таможни. С целью прогнозирования строится мультипликативная модель ряда по месячным данным с 01.01.2017 по 31.10.2019 гг. Для получения уравнения тренда используется аппарат фиктивных переменных. По полученной модели сделан прогноз.
Ключевые слова: импорт, эконометрическая модель, тренд, сезонная составляющая, фиктивные переменные, прогноз.
В современном мире экономические прогнозы дают возможность математически оценить последствия принятых экономических решений. В этой связи, экономические прогнозы играют важную роль в определении приоритетных направлений развития экономических систем. [1,2].
Одним из приоритетных направлений деятельности таможенных органов является формирование доходной части федерального бюджета. В этом процессе главную роль играет прогнозирование объемов таможенных платежей. Поэтому перед таможенными органами ставится важная задача создания методологии получения статистических оценок для ожидаемых объемов таможенных платежей [3].
Для получения качественных и количественных оценок требуется учитывать значительное число факторов и связей. Результаты исследований в области прогнозирования объемов таможенных поступлений в бюджет указывают на слабую пригодность методов технического анализа в Южном таможенном управлении (ЮТУ).
Прогнозирование доходов, администрируемых таможенными органами в федеральный бюджет (далее - таможенные платежи), является одним из приоритетных направлений деятельности таможенных органов. На основе
данного прогноза формируется контрольное задание по таможенным платежам. В этой связи, совершенствование подходов в области прогнозирования таможенных платежей не теряет своей актуальности. Применение методики прогнозирования социально-экономических явлений для данных таможенной статистики внешней торговли содержит в себе элемент новизны и является наиболее актуальным в его привязке к работе региональных органов власти [3].
Целью данной работы является разработка прогнозов при помощи эконометрического моделирования с использованием фиктивных переменных объемов таможенных платежей по импорту товаров на примере группы 25 «Соль; сера; земли и камень; штукатурные материалы, известь и цемент» товарной номенклатуры внешнеэкономической деятельности Евразийского экономического союза (ТН ВЭД ЕАЭС) в регионе деятельности Ростовской таможни. Отсюда следует, что достижение поставленной цели требует применения элементов глубокого эконометрического исследования.
Данное направление исследования содержит в себе определенный элемент новаторского подхода, так как прогнозирование по данным таможенной статистики внешней торговли с помощью эконометрических моделей - тема, не достаточно реализуемая в практике таможенных органов. Достижение поставленной цели требует использования методов статистического и эконометрического анализа. Следует отметить, что в работах [4,5] проводилось эконометрическое моделирование с целью прогнозирования объемов таможенных платежей и физических объемов по некоторым группам товаров в регионе деятельности ЮТУ и Ростовской таможни.
В данной работе проводится эконометрическое моделирование временного ряда с использованием фиктивных (манекенных) переменных,
которые значительно улучшили прогнозную модель. Фиктивная переменная, принимающая всего два значения: 0 или 1, количественно описывает качественный признак, в данном случае всплески в рядах динамики [6].
Продемонстрируем эффективность использования данного метода в процессе прогнозирования объемов таможенных платежей. Обратимся к статистическим данным, а именно, к объемам таможенных платежей по импорту группы 25 ТН ВЭД ЕАЭС на основе помесячных данных [7] с 01.01.2017 по 31.10.2019 г. в регионе деятельности Ростовской таможни (табл. 1)
Таблица № 1
Объемы таможенных платежей при импорте группы товаров 25, млн. руб.
Месяц 2017 2018 2019
1 39,988 37,508 39,169
2 15,474 13,893 42,208
3 43,594 50,417 60,012
4 60,815 74,745 82,101
5 62,963 74,111 75,532
6 63,918 70,705 104,887
7 58,494 54,002 106,714
8 57,331 82,511 49,282
9 36,531 99,986 69,291
10 52,847 55,164 81,531
11 64,797 60,366 -
12 42,448 29,618 -
Моделирование временного ряда начинается с построения его графика (рис. 1).
40
Рис. 1. - Графическое представление объемов импорта группы 25, млн. руб.
"Г 10
Уг
"Г
15
г
20
"Г
25
"Г
30
"Г
35
0
Из рис. 1, изучив графическое представление временного ряда, приходим к выводу о наличии сезонной составляющей с периодом 1=12 и линейного тренда. Будем использовать мультипликативную модель временного ряда. Итак, строим модель вида:
У = ТхБхЕ, (1)
где Т - трендовая, Б - сезонная, Е - случайная компоненты [8], [9]. На первом этапе выравниваем исходные уровни ряда методом скользящей средней. Далее рассчитаем центрированные скользящие средние. На втором этапе получим оценки сезонной компоненты, поделив фактические уровни ряда у на центрированные скользящие средние. Затем вычислим значения сезонных компонент, учитывая, что сумма их значений по всем 12 месяцам должна быть равна 12 (таблица 2). Корректирующий коэффициент, при этом, равен 1,0114.
Таблица № 2
Скорректированная сезонная компонента
Показатель Год Номер квартала
1 2 3 4 5 6 7 8 9 10 11 12
2017 1,17 1,15 0,73 1,04 1,25 0,8
2018 0,71 0,26 0,88 1,25 1,24 1,19 0,92 1,37 1,63 0,89 0,96 0,46
2019 0,58 0,62 0,91 1,25
S 1,29 0,88 1,79 2,5 1,24 1,2 2,1 2,53 2,36 1,93 2,22 1,27
Ср. 0,65 0,44 0,89 1,25 1,24 1,2 1,05 1,27 1,18 0,96 1,11 0,64
Si 0,65 0,44 0,91 1,26 1,25 1,21 1,06 1,28 1,19 0,98 1,12 0,64
Каждый уровень исходного ряда разделим на соответствующее значение сезонной компоненты. В итоге получим десезонализированный ряд Y/S.
Как показывают 11-статистики оценок параметров модели у = 0,85 Н+
43,79 значимы и фактическое значение Б-критерия Фишера равно 12 и
больше Етабл = 4,12. Но судя по коэффициенту детерминации Я2 = 0,273,
модель для прогноза не подходит. Убедимся в этом, вычисляя долю ошибки
прогноза в процентном формате по формуле:
Кус-УО2 (1)
Е(ус-ус)2 ( ;
где yt - расчетные значения линейного тренда по модели у = 0,85Н+ 43,79,
у - среднее арифметическое значение уровней ряда yt.
В этом случае доля ошибки составляет 37%. Полученное уравнение тренда не пригодно для прогноза. Исследуем структуру ряда по рисунку 2. По структуре данных видно, что наибольшие отклонения у1 от линейного тренда имеются при 1=2, 9, 14, 21, 24, 26, 31, 32. Сгладить эти отклонения помогает введение фиктивных переменных.
После многочисленных попыток улучшения модели тренда с использованием фиктивных переменных получим окончательное уравнение тренда с фиктивными переменными 22, 28, 29, 214, 221, Z24, Z26, Z30, 231, 732,
734, принимающими значение 1 для рассматриваемого периода 1 и 0 - для остальных:
Т = 52,66 + 0,2958 • Ь - 18,33 • - 10,25 • - 24,6995 • -25,45 • г14 + 24,948 • 1гх - 13,67 • 724 + 34,9 • 726 + 25,17 • 730 (2) +38,9 • г31 - 23,64 • г32 + 20,876 • Для проверки адекватности модели (2) приведем следующие показатели регрессионной статистики и дисперсионного анализа (рис. 3), где коэффициент детерминации равен 0,9477, фактическое Б-значение равно 31,835. Для сравнения по статистико-математической таблице распределения Фишера Етабл = 2,25. Полученные значения 1-статистик для коэффициентов модели (2) сравниваем с табличным значением 1 из таблицы критических значений ^критерия Стьюдента при заданном уровне значимости 0,05. В нашем случае 1табл равно 2,08. Все 1-статистики коэффициентов по модулю больше табличного значения, т.е. все значимы.
е&ре^иэнжя атшпиап ига
Множественны 0,9735
^ивздрат 0,9477
Нории рева нны 0,9179
Стандартная ои 4,6420
На 6л кзденич 34
Днсперснон н ы й а иг лив
55 М5 Г и.иость 5
Регрессич 12 3206,1 633,34331 31,7352135 0,00000
Остаток 21 452,52 21,5434341
Итого 33 365 Е, 6
Янффафжмпы йрпмоя И-отнпишнша Р-Зтчение Нижние 95%
У-пере сечение 52,6636 1,9651 26,7993 0,0000 46,5769
г 0,2953 0,1031 2,7376 0,0123 0,0711
29 -24,699 5 4,7939 -5,1469 0,0000 -34,6794
114 -25,4505 4,7463 -5,3625 0,0000 -3 5,32X13
221 24,9432 4,7747 5,2251 0,0000 15,0167
224 -13,6664 4,3234 -2,3333 о,оюз -13,6973
22 В 34,9043 4,3676 7,1703 0,0000 24,7620
231 33,9 ЮЗ 5,0174 7,7551 о,ооос 2В,475Й
232 -23,6405 5,0537 -4,6773 0,0001 -34,1503
234 20,8766 5,1325 4,0676 0,0006 10,2031
22 -13,3313 4,9717 -3,6372 0,0014 -26,671Я
гз -10,2543 4,3167 -2,1239 0,0453 -20,2711
230 25,1706 4,9331 5,0512 0,0001 14,5077
Рис. 3. - Результаты регрессионной статистики и дисперсионного анализа
Для оценки эффективности метода введения фиктивных переменных сравним регрессионную статистику до и после использования данного
метода в таблице 3.
Таблица № 3
Сравнительный анализ регрессионной статистики
Регрессионная статистика После введения фиктивных До введения фиктивных
переменных переменных
Множественный Я 0,9735 0,273
Я-квадрат 0,9477 0,2169
Нормированный Я-квадрат 0,9179 0,192
Б-критерий 31,74 12
Доля ошибки прогноза 2,7% 37%
В результате получим мультипликативную модель для прогноза:
9
где Т задано формулой (2), значения Б в табл. 2.
Из данных таблицы видно, что метод является достаточно эффективным, позволяет улучшить показатели регрессионной статистики и качество прогноза. После введения фиктивных переменных имеем:
120
0
0 5 10 15 20 25 30 35 40
Рис. 4. - Поведение практических и теоретических уровней ряда На основе применения аппарата фиктивных переменных ошибка прогнозирования была достигнута 2,7%, что является допустимой величиной,
учитывая характер полученных данных, а сами результаты прогноза являются реальными и соотносящимися с действительностью.
Сделаем прогноз по полученной модели. Так, в ноябре 2019 г. прогнозное значение объемов таможенных платежей составило 70,63 млн. руб., в декабре 2019 г. прогнозное значение - 40,68 млн. руб.
В ходе написания данной статьи были получены фактические данные об объемах таможенных платежей по импорту группы 25 на ноябрь и декабрь 2019 года. Данные составили 68,14 млн. руб. и 42,35 млн. руб. соответственно. Фактическое значение отличается от прогнозного на 5%, в декабре и на 3% в ноябре, что допустимо для таможенных органов.
Таким образом, можно сделать вывод, что одним из перспективных подходов в прогнозировании объемов таможенных платежей является методика краткосрочного прогнозирования на основе фиктивных переменных. Эконометрическое моделирование по данным таможенных платежей по импорту группы товаров ТН ВЭД ЕАЭС 25 в данной было осуществлено с применением фиктивных переменных для учета выраженных колебаний, что показало преимущество этого метода, которое заключается в простоте реализации.
Литература
1. Цвиль М.М., Шумилина В.Е. Применение моделей анализа панельных данных для оценки объема инновационных товаров, работ, услуг в Российской Федерации // Инженерный вестник Дона, 2017, №1. URL: ivdon.ru/ru/magazine/archive/n1y2017/4006/.
2. Сайфутдинова Н.А. Моделирование смены технологий // Инженерный вестник Дона, 2013, №4. URL: ivdon.ru/ru/magazine/archive/n4y2013/2138/.
3. Беляева Е.Н. Экспертная оценка отдельных параметров таможенных платежей по импорту с использованием элементов экономического анализа // Академический вестник Ростовского филиала Российской таможенной академии. 2018. №3. С. 9-15.
4. Цвиль М.М., Бреус Д.А. Эконометрическое моделирование и прогнозирование объемов таможенных платежей в регионе деятельности Ростовской таможни // Инженерный вестник Дона, 2017, №3. URL: ivdon.ru/ru/magazine/archive/N3y2017/4284/.
5. Цвиль М.М, Кудрявцев О.Е., Любицкая Ю.И. Адаптивные методы краткосрочного прогнозирования физических объемов в регионе деятельности Южного таможенного управления // Инженерный вестник Дона, 2017, №4. URL: ivdon.ru/ru/magazine/archive/n4y2017/4607/.
6. Елисеева И.И. Эконометрика. М.: Издательство Юрайт, 2012.
453 с.
7. Официальный сайт Южного таможенного управления. URL: yutu.customs.ru.
8. Мхитарян В.С. Эконометрика. М.: Проспект, 2009. 384 с.
9. Dougherty C. Introduction to Econometrics. Oxford: Oxford University Press, 2011. 573 р.
10. Wooldridge J.M. Introductory Econometrics: A Modern Approach. South Western: Cengage Learning, 2013. 912р.
References
1. Csvil' M.M., Shumilina V.E. Inzhenernyj vestnik Dona, 2017, №1. URL: ivdon.ru/ru/magazine/archive/n1y2017/4006/.
2. Saifutdinova N. A. Inzhenernyj vestnik Dona (Rus), 2013, №4. URL: ivdon.ru/ru/magazine/archive/n4y2013/2138/.
3. Belyaeva E.N. Akademicheskij vestnik Rostovskogo filial Rossijskoj tamozhennoj akademii. 2018. №3. pp. 9-15.
4. Csvil' M.M., Breus D.A. Inzhenernyj vestnik Dona, 2017, №3. URL: ivdon.ru/en/magazine/archive/N3y2017/4284/.
5. Cvil' M.M., Kudryavtsev O.E., LyubitskayaYu.I. Inzhenernyj vestnik Dona, 2017, №4. URL: ivdon.ru/ru/magazine/archive/n4y2017/4607/.
6. Eliseeva I.I. Econometrics. M.: Izdatelstvo Yurayt, 2012. 453 p.
7. Ofitsial'nyy sayt Yuzhnogo tamozhenogo upravleniya [Official website of the Southern customs administration] URL: yutu.customs.ru.
8. MkhitaryanV.S. Econometrics. M.: Prospect, 2009. 384 p.
9. Dougherty C. Introduction to Econometrics. Oxford: Oxford University Press, 2011. 573 р.
10. Wooldridge J.M. Introductory Econometrics: A Modern Approach. South Western: Cengage Learning, 2013. 912 р.
