Моделирование и анализ регионального рынка нефтепродуктов: на примере Ивановской области тема диссертации и автореферата по ВАК РФ 08.00.13, кандидат экономических наук Проскурин, Александр Олегович

• Проскурин, Александр Олегович
• кандидат экономических наук
• 2008

Оглавление диссертации кандидат экономических наук Проскурин, Александр Олегович

Введение

Глава 1. Теоретические аспекты анализа рынка нефтепро- 9 дуктов

1.1. Характеристика современного рынка нефти и нефте- 9 продуктов

1.2. Вертикальная интеграция российского нефтяного комплекса

1.3. Обзор российского рынка автобензинов

1.4. Качественный анализ рынка нефтепродуктов Иванов- 34 ской области

Глава 2. Оптимизационная модель деятельности винк и математический инструментарий исследования

2.1. Теоретическая модель вертикально-интегрированной нефтяной компании

2.2. Статистический инструментарий исследования сто- 44 хастических зависимостей в рыночной среде

2.3. Кластерный анализ в задачах экономического анализа

Глава 3. Статистический анализ ценообразования и реализации нефтепродуктов на региональном рынке

3.1. Анализ динамических рядов цен на нефтепродукты в 56 Ивановской области

3.2. Корреляционно-регрессионный анализ ценообразова- 64 ния на нефтепродукты

3.3. Статистический анализ соотношения оптовых и роз- 71 ничных цен на бензины

3.4. Перспективы развития рынка автомобильного бензи- 77 на России и Ивановской области

Введение диссертации (часть автореферата) на тему «Моделирование и анализ регионального рынка нефтепродуктов: на примере Ивановской области»

Актуальность темы исследования

Рыночная экономика представляет собой неразделимую совокупность огромного числа частных рынков, большинство из которых может быть идентифицировано по двум признакам: 1) по товарам, которые там движутся, и 2) по территории, где преимущественно осуществляется'его функционирование.

В ряду таких рынков рынок нефтепродуктов, точнее, его сегмент, относящийся к купле-продаже автомобильных бензинов, представляется весьма значимым, своеобразным и перспективным. «Бензиновая составляющая» является неотъемлемым элементом затрат практически любой отрасли экономики. Поэтому состояние данного рынка, - прежде всего, ценовой аспект, -существенным образом влияет на общую конъюнктуру потребительского рынка страны и региона.

Продолжающийся рост мировой экономики, в том числе и российской, стимулирует наращивание использования нефти во всех секторах экономики, включая производство нефтепродуктов и горюче-смазочных материалов для нужд транспорта, отраслей промышленности и электроэнергетики.

Вместе с тем, развитие российского нефтяного комплекса сталкивается с целым рядом проблем национального и регионального масштаба, пути решения которых представляются далеко неоднозначными. Действительно глубокое исследование рынка нефтепродуктов должно базироваться не только на описаниях и обобщениях post factum, а на современных научных методах, позволяющих с достаточной степенью точности прогнозировать развитие ценовых, интеграционных, глобальных тенденций и предвидеть последствия вмешательства государства в те или иные сферы рынка.

Поэтому тема диссертации, определяющая главным методологическим инструментом исследования регионального рынка нефтепродуктов-экономико-математическое моделирование, является важной и актуальной.

Разработанность темы исследования

Теоретическим аспектам и отдельным вопросам развития нефтяного комплекса посвящены труды многих зарубежных и отечественных ученых: К.Хуберта, С.А.-М. Бактиари, А.Витце, Д.Агуреева, О.Дельмана,

B.Кузьмина, А.Мухина и др. В отдельную группу следует выделить прикладные исследования В.Ю. Алекперова, Т.В Амиян, Ю.М. Малышева, А.Ф. Брюгемана, А. Хамадуллина, А. Кочеткова, B.C. Шарифова, а также группы "ИнфоТЭК" под руководством Р.А. Танкаева Работы данной- группы носят отраслевой характер, в них обобщен опыт, накопленный в данной области в странах с высокоразвитой рыночной экономикой, рассмотрены базовые подходы, имеющие весомое перспективное значение для формирования российской концепции маркетинга рынка нефтепродуктов [2,26,52,61,103].

Математическое моделирование товарных рынков развивалось в работах Р. Алена, П.Самуэльсона, И Розенмюллера, М Интрилигатора, К.Энгеля, Дж. Эванса, JI. Канторовича и многих других. В плане статистического анализа, прогнозирования и кластеризации данных отметим работы

C.А. Айвазяна, П. Доугерти, B.C. Мхитаряна, П. Андерсона, Дж. Кембелла, Ч. Мюллера, Дж. Кима и других.

В литературе почти не разработаны вопросы, касающиеся регионального рынка автобензинов, кроме нескольких статей в печатных и электронных изданиях. Можно также отметить достаточно регулярно появляющиеся в Интернете платные аналитические обзоры и исследования рынков нефти, нефтепродуктов, автобензинов, выполненные различными маркетинговыми агентствами и консультационными компаниями [ 112,121].

Цели и задачи исследования

Целью диссертационного исследования является анализ регионального рынка автобензинов на основе системы экономико-математических моделей теоретического и прикладного характера.

Для достижения указанной цели поставлены и решены следующие задачи:

- характеристика современного рынка нефтепродуктов;

- анализ особенностей российского рынка нефтепродуктов и рынка нефтепродуктов Ивановской области;

-выявление роли и места вертикально-интегрированных компаний в функционировании рынка нефтепродуктов;

-построение оптимизационной модели деятельности ВИНК на основе задачи выпуклого программирования;

- построение динамической модели ценообразования на автобензины и прогнозирование цен на среднесрочную перспективу;

- построение и анализ регрессионной модели формирования розничной цены бензина в регионе;

- кластерный анализ территориально-функциональных показателей АЗС в Ивановской области;

- формулировка основных выводов и рекомендаций по государственному управлению региональным рынком светлых нефтепродуктов.

Предмет и объект исследования Предметом исследования является экономико-математическое моделирование регионального рынка нефтепродуктов

Объектом исследования является рынок автобензинов Ивановской области.

Теоретическая и методологическая база исследования Теоретическую и методологическую основу исследования составили печатные и электронные работы, касающиеся проблем нефтедобывающей и нефтеперерабатывающей промышленности, деятельности крупнейших вертикально-интегрированных нефтяных компаний, качества и стоимости автомобильного топлива в России и Ивановском регионе; труды зарубежных и отечественных экономистов-математиков по моделированию товарных рынков; работы и пособия по статистическому анализу временных рядов, кластерному и корреляционно-регрессионному анализу взаимосвязей между факторами.

Информационная база исследования

Информационными источниками диссертационной работы послужили официальные статистические данные облкомстата Ивановской области и Российской Федерации, материалы периодической печати, Интернет-ресурсы, материалы мониторинга регионального рынка светлых нефтепродуктов, проведенного Ивановским отделением Федеральной антимонопольной службы.

Научная новизна диссертационного исследования Диссертационная работа содержит следующие положения, обладающие признаками научной новизны:

- сформулированы основные принципы математического моделирования регионального рынка нефтепродуктов как специфического товарного рынка;

- выявлены особенности функционирования автобензинового рынка Ивановской области и России в целом;

- разработан и исследован ряд модификаций абстрактной модели регионального рынка нефтепродуктов, содержащей и не содержащей управляющий элемент;

- проведена многокритериальная кластеризация автозаправочных станций Ивановской области;

- построена и исследована система эконометрических моделей динамики цен на автомобильные бензины.

Практическая значимость результатов исследования Предложенный в работе комплекс экономико-математических моделей может быть использован государственными структурами федерального и регионального уровней для анализа состояния и определения перспектив развития рынка нефтепродуктов, а также для разработки стратегии и тактики мероприятий по его регулированию.

Отдельные результаты исследований использованы в учебном процессе в Ивановском государственном химико-технологическом университете, а также при разработке учебно-методической литературы по дисциплинам "Методы и модели экономики" и "Эконометрика".

Апробация работы. Основные теоретические положения диссертации отражены в трех статьях; обсуждались на научно-практической конференции «Экономика и менеджмент» в Санкт-Петербурге, на научных семинарах кафедры экономики и финансов ИГХТУ.

Публикации

По теме диссертации опубликовано 4 работы общим объемом 2,6 п.л., в том числе авторские 2,6 п.л.

Структура диссертации Диссертация состоит из введения, трех глав, содержащих 11 параграфов, заключения, библиографического списка использованной литературы и приложений.

Заключение диссертации по теме «Математические и инструментальные методы экономики», Проскурин, Александр Олегович

Все выводы в регрессионном анализе (в эконометрическом исследовании) строятся на основании имеющихся исходных статистических данных типа: где хР иyi — значения соответственно j—й объясняющей переменной (/= 1,., т) и результирующего показателя, зарегистрированные на z-м наблюдении.

Экономические данные вообще и данные настоящего исследования подразделяются на два вида: перекрестные данные (cross - section data) и временные ряды (time series). Перекрестные данные - это данные, по какому — либо экономическому показателю, полученные для разных однотипных объектов (районов, регионов); /- обозначение для соответствующего объекта. При этом либо все данные относятся к одному и тому же моменту времени, либо их временная принадлежность несущественна. Временные ряды - данные, характеризующие один и тот же объект (регион), но в различные момент времени («такты»). Здесь i — номер периода времени, к которому привязаны соответствующие данные.

Решение задачи построения качественной модели регрессии (вообще эконометрической модели), соответствующей эмпирическим данным и целям исследования, является достаточно сложным и многоступенчатым процессом. Достаточно условно его можно разбить на три этапа:

1) выбор независимых переменных, существенно влияющих на зависимую величину, а также выбор формы уравнения регрессии (этап спецификации);

2) определение параметров выбранной модели (этап параметризации);

3) анализ качества модели и проверка ее адекватности эмпирическим данным, совершенствование модели (этап верификации).

Спецификация модели — первый и важнейший шаг эконометрического исследования. От того, насколько удачно решена проблема спецификации решающим образом зависит успех всего исследования. Проблема спецификации включает в себя: а) определение конечной целей моделирования (прогноз, имитация различных сценариев социально-экономического развития анализируемой системы, управление); б) определение списка экзогенных и эндогенных переменных; в) определение типа модели и вида связи между переменными; г) формулировка исходных предпосылок и априорных ограничений относительно случайной составляющей 8, а также взаимосвязи объясняющих переменных.

В частности для классической регрессионной модели требуется выполнение семи условий [7, 18].

1) Математическое ожидание случайного отклонения 8; равно нулю для всех наблюдений:

M(Sf)=0, .,п.

2) Гомоскедастичность (постоянство дисперсии отклонений):

D (£/)=D (Sj)-с? для любых наблюдений i и j.

3) Отсутствие автокорреляции, т.е. случайные отклонения е{ и £}• являются независимыми друг от друга для всех

Г 0, если j; =cov(/?„*,) = 1 2 . .

J (cr , если i — j.

4) Случайное отклонение должно быть независимо от объясняющих переменных: сг = 0.

5) Модель является линейной относительно параметров.

6) Отсутствует мультиколлинеарность, т.е. между объясняющими переменными отсутствует строгая (сильная) линейная зависимость.

7) Ошибки £;•, /=1,.,п, имеют нормальное распределение (£-~Лг(0,сг)).

Спецификация опирается на имеющиеся экономические теории, специальные знания или на интуитивные представления исследователя об анализируемой экономической системе.

На втором этапе построения регрессионной модели происходит оценивание ее параметров с целью достижения оптимального соответствия модели эмпирическим данным. Одним из самых распространенных приемов проведения этапа параметризации является метод наименьших квадратов (МНК).

Его суть состоит в минимизации суммы квадратов отклонений наблюдаемых значений зависимостей переменной у от ее значений у, получаемых по уравнению регрессии:

Q = t {уI - у,)2 = i (У, - /(о-;*/0,., я,00))2 -> min5 где ' /=i /=1 а - вектор оцениваемых параметров.

Адекватная реализация МНК существеннейшим образом зависит от вида функцииДа , jc,(1),., xf"*), а также исходных предпосылок модели. Скажем, процесс оценки параметров классических регрессионных моделей, линейных по параметрам, полностью формализован и содержится во многих стандартных пакетах прикладных программ.

Как правило, первое оцененное уравнение очень редко является удовлетворительным во всех отношениях. Обычно приходится постепенно подбирать формулу связи и состав объясняющих переменных, анализируя. на каждом этапе качество оцененной зависимости (этап верификации). Этот анализ включает статистическую и содержательную составляющую. Провер- . ка статистического качества регрессионного уравнения состоит из следующих элементов: проверка статистической значимости каждого коэффициента уравнения; л проверка общего качества уравнения регрессии (R , /^-статистика); - , проверка свойств данных, выполнение которых предполагалось при оценивании уравнения (проверка наличия автокорреляции остатков, их гомоскедастичности, проверка мультиколлинеарности объясняющих переменных).

Под содержательной составляющей анализа качества понимается рассмотрение экономического смысла оцененного уравнения регрессии: действительно ли значимыми-оказались объясняющие факторы, важные с точки зрения теории - положительны или отрицательны коэффициенты, показывающие направление воздействующих факторов; попали ли оценки коэффициентов регрессии в предполагаемые из теоретических соображений интервалы.

2.3. Кластерный анализ в задачах экономического анализа

При анализе и прогнозировании социально-экономических явлений исследователь довольно часто сталкивается с многомерностью их описания. Это происходит при решении задачи сегментирования рынка, прогнозирования конъюнктуры рынка отдельных товаров, изучении и прогнозировании экономической депрессии и многих других проблем.

Методы многомерного анализа - наиболее действенный количественный инструмент исследования социально-экономических процессов, описываемых большим числом характеристик. К ним относятся кластерный анализ, таксономия, распознавание образов, факторный анализ.

Кластерный анализ наиболее ярко отражает черты многомерного анализа в классификации, факторный анализ — в исследовании связи.

Первое применение кластерный анализ нашел в социологии. Название кластерный анализ происходит от английского слова cluster — гроздь, скопление. Впервые в 1939 был определен предмет кластерного анализа и сделано его описание исследователем Трионом. Главное назначение кластерного анализа - разбиение множества исследуемых объектов и признаков на однородные в соответствующем понимании группы или кластеры. Это означает, что решается задача классификации данных и выявления соответствующей структуры в ней. Методы кластерного анализа можно применять в самых различных случаях, даже в тех случаях, когда речь идет о простой группировке, в которой все сводится к образованию групп по количественному сходству [66,104].

Большое достоинство кластерного анализа в том, что он позволяет производить разбиение объектов не по одному параметру, а по целому набору признаков. Кроме того, кластерный анализ в отличие от большинства ма-тематико-статистических методов не накладывает никаких ограничений на вид рассматриваемых объектов, и позволяет рассматривать множество исходных данных практически произвольной природы. Это имеет большое значение, например, для прогнозирования конъюнктуры,, когда показатели, имеют разнообразный вид, затрудняющий применение традиционных экономет-рических подходов.

В случае розничного рыка нефтепродуктов методы кластерного анализа предполагается использовать при классификации автозаправочных станций по территориальному признаку, а также в соответствии с объемами реализации на них различных видов светлых нефтепродуктов.

Формально задача кластерного анализа заключается в том, чтобы на основании данных, содержащихся во множестве X, разбить множество объектов G на т {т - целое) кластеров (подмножеств) Qi, Q2, Qm, так, чтобы каждый объект G, принадлежал одному и только одному подмножеству разбиения и чтобы объекты, принадлежащие одному и тому же кластеру, были сходными, в то время, как объекты, принадлежащие разным кластерам были разнородными.

Например, пусть G включает п АЗС некоторого региона, любая из которых характеризуется принадлежностью тому или иному хозяйствующему субъекту (F]), географическим расположением внутри области* (F2), объемами реализации различных видов автомобильного топлива (F3) и т.д. Тогда Xj (вектор измерений) представляет собой набор указанных характеристик для первой АЗС, Х2 - для второй, Х3 для третьей, и т.д. Задача заключается в том, чтобы разбить АЗС на однородные в некотором смысле кластеры.

Решением задачи кластерного анализа являются разбиения, удовлетворяющие некоторому критерию оптимальности. Этот критерий может представлять собой некоторый функционал, выражающий уровни желательности различных разбиений и группировок, который называют целевой функцией. Например, в качестве целевой функции может быть взята внутри-групповая сумма квадратов отклонения: где Xj - представляет собой измерения у-го объекта.

Для решения задачи кластерного анализа необходимо определить понятие сходства и разнородности.

Понятно то, что объекты г-ый и у-ый попадали бы в один кластер, когда расстояние (отдаленность) между точками Хх и Xj было бы достаточно маленьким и попадали бы в разные кластеры, когда это расстояние было бы достаточно большим. Таким образом, попадание в один или разные кластеры объектов определяется понятием расстояния между Хг и Xj из Ер, где Ер - р-мерное евклидово пространство. Неотрицательная функция d(Xt, Xj) называется функцией расстояния (метрикой), если: а) d(Xi, Xj) > 0, для всех Х1 и Xj из Ер б) d(Xu Xj) = 0, тогда и только тогда, когда X, = Xj в) d(Xu Xj) = d(Xjt X) г) d(Xit Xj) <d(Xu X]) + d(Xk, Xj), где Xj; Xt и Xk- любые три вектора из

Значение d(Xh Xj) для Х, и Xj называется расстоянием между Х{ и Xj и эквивалентно расстоянию между <7, и Gj соответственно выбранным характеристикам (Fh F2, F3, ., Fp).

Наиболее часто употребляются следующие функции расстояний:

Ер.

1. Евклидово расстояние р

2. /у - норма d1(Xi,XJ)= Y xki-Xfg. к=1

3. Сюпремум - норма к = 1,2, .,р р р тУ>

4. 1Р - норма dp(Xi, Xj) = Y xki - Xlg. k=l

Евклидова метрика является наиболее популярной. Метрика Ь наиболее легкая для вычислений. Сюпремум-норма легко считается и включает в себя процедуру упорядочения, а 1Р - норма охватывает функции расстояний 1,2,3.

Пусть п измеренийXj, Х2,., Хп представлены в виде матрицы данных размеромр хп: fx Л j j Х\2 \ Х\п

X = Х2\ Х22 •••Х2п

Хр2 ••'Хрп J

Тогда расстояние между парами векторов cl(Xl, X]) могут быть представлены в виде симметричной матрицы расстояний: f ° du 1 \ •••"in

D = d2\ 0 -dn

Kdn\ dn2 . 0 ,

Понятием, противоположным расстоянию, является понятие сходства между объектами Gt. и Gj. Неотрицательная вещественная функция S(Xt; Xj) = Sg называется мерой сходства, если : 1) 0<S(Xi, Xj) <1 для X;, *Xj 2 )S(Xi,X} = l 3) S(Xr, Xj) = S(Xj, XJ

Пары значений мер сходства можно объединить в матрицу сходства: f 1 ^12 • s = ^21 1 . " S2 n

Sn2 ' . lj

Величину Sy называют коэффициентом сходства. Алгоритмы кластерного анализа отличаются большим разнообразием. Это могут быть, например, алгоритмы, реализующие полный перебор сочетаний объектов или осуществляющие случайные разбиения множества объектов. В то же время большинство таких алгоритмов состоит из двух этапов.

На первом этапе задается начальное (возможно, искусственное или даже произвольное)-разбиение множества объектов на классы и определяется, некоторый математический критерий качества автоматической классификации. Затем, на втором этапе, объекты переносятся из класса в класс до тех пор, пока значение критерия не перестанет улучшаться.

Многообразие алгоритмов кластерного анализа обусловлено также множеством различных критериев, выражающих те или иные аспекты качества автоматического группирования. Простейший критерий качества непосредственно базируется на величине расстояния, между кластерами. Однако такой критерий не учитывает "населенность" кластеров — относительную плотность распределения объектов внутри выделяемых группировок. Поэтому другие критерии основываются.на вычислении средних расстояний между объектами, внутри кластеров. Но наиболее часто применяются критерии в виде отношений показателей "населенности" кластеров к расстоянию между ними. Это, например, может быть отношение суммы межклассовых расстояний к сумме внутриклассовых (между объектами) расстояний или отношение общей дисперсии данных к сумме внутриклассовых дисперсий и дисперсии центров кластеров.

Функционалы качества и конкретные алгоритмы автоматической классификации достаточно полно и подробно рассмотрены в специальной литературе. Эти функционалы и алгоритмы характеризуются различной трудоемкостью и подчас требуют ресурсов высокопроизводительных компьютеров. Разнообразные процедуры кластерного анализа входят в состав практически всех современных пакетов прикладных программ для статистической обработки многомерных данных.

Одним из наиболее распространенных методов кластеризации, используемый, в частности, в программе STATISTICA, является так называемый метод к-средних.

Предполагается, что мы уже имеем гипотезы относительно числа кластеров (по наблюдениям или по переменным). Например, мы можем указать системе образовать ровно три кластера так, чтобы они были настолько различны, насколько это возможно. В общем случае метод k-средних строит ровно к различных кластеров, расположенных на возможно больших расстояниях друг от друга.

С вычислительной точки зрения этот метод может рассматриваться как дисперсионный анализ "наоборот". Программа начинает с к случайно выбранных кластеров, а затем изменяет принадлежность объектов к ним, чтобы: (1) - минимизировать изменчивость внутри кластеров, и (2) - максимизировать изменчивость между кластерами. Данный способ аналогичен методу "дисперсионный анализ (ANOVA) наоборот" в том смысле, что критерий значимости- в дисперсионном анализе сравнивает межгрупповую изменчивость с внутригрупповой при проверке гипотезы о том, что средние в группах отличаются друг от друга. В кластеризации методом к средних программа перемещает объекты (т.е. наблюдения) из одних групп (кластеров) в другие для того, чтобы получить наиболее значимый результат при проведении дисперсионного анализа (ANOVA).

Обычно, когда результаты кластерного анализа методом к средних получены, можно рассчитать средние для каждого кластера по каждому измерению, чтобы оценить, насколько кластеры различаются друг от друга. В идеале вы должны получить сильно различающиеся средние для большинства, если не для всех измерений, используемых в, анализе. Значения F-статистики, полученные для каждого измерения, являются другим индикатором того, насколько хорошо соответствующее измерение дискриминирует кластеры.

Глава 3. СТАТИСТИЧЕСКИЙ АНАЛИЗ ЦЕНООБРАЗОВАНИЯ И РЕАЛИЗАЦИИ НЕФТЕПРОДУКТОВ НА РЕГИОНАЛЬНОМ РЫНКЕ

3.1. Анализ динамических рядов цен на нефтепродукты в Ивановской области

Статистической базой данного исследования служит помесячная динамика цен на бензин Р-92 в Ивановской области в период 2000-2005 гг.

Выбор для анализа бензина марки Р-92 обусловлен его наиболее значительной долей в структуре потребления автобензинов в регионе и в России в целом. Предварительный анализ показал, что динамика цен на другие марки бензина (Н-80, П-95, С-98, ДТ) практически не отличается от рассматриваемой. Коэффициенты корреляции между соответствующими рядами колеблются в пределах от 0,987 до 0,994.

Таким образом, исходные данные представлены в виде временного ряда из 72 уровней (рис. 3.1).

Период

Рис. 3.1 .Динамика цен на бензин Р-92 в Ивановской области в 2000-2005 гг.

На основе данного временного ряда была построена тренд-сезонная модель, описывающая динамику цен на бензин Р-92 с целью осуществления прогноза на среднесрочную перспективу.

Как известно, построение тренд-сезонной модели предполагает выделение трех компонент временного ряда — трендовой (ut), сезонной (я,) и случайной (б(). Наиболее распространенными в практике статистических исследований являются аддитивная (3.1) и мультипликативная (3.2) модели: yt=ut+st+Et\ (3.1) y,=urs,-£n (3-2) где yt — уровни временного ряда.

Второй тип модели целесообразно использовать, когда сезонные колебания имеют тенденцию к увеличению с течением времени. Судя по графику, приведенному на рис. 3.1, изменение амплитуды сезонных колебаний цен, если и присутствует, то весьма незначительное. Поэтому, на наш взгляд, в качестве исходной модели следует выбрать аддитивную тренд-сезонную модель (3.1).

Тренд-сезонная модель была построена по приведенному ниже алгоритму.

1. Выбор и оценка трендовой компоненты.

Визуальный анализ динамики цен ограничивает выбор трендовой компоненты (кривой роста) следующими вариантами: линейный тренд: и, = а0 + axt; (3.3) полиномиальный: ut=a0+axt + . + amtm\ (3.4) экспоненциальный ut=ccQ-ea<, (3.5) где ос— параметры моделей, t- независимая переменная (время), t = 1, 2,., п.

При прочих равных условиях предпочтительнее выглядят первые два • ^ варианта, т.к. данные модели являются линейными по параметрам.

В качестве критерия окончательного выбора кривой роста рекомендуется использовать, во-первых, значение коэффициента детерминации R2, во-вторых, наличие статистической значимости параметров.

Оценка параметров производилась методом наименьших квадратов. Результаты параметризации отражены в табл. 1.

ЗАКЛЮЧЕНИЕ

В связи ростом автомобильного парка (как государственного, так и в большей степени частного) проблема производства качественного и доступного по цене автомобильного бензина является очень важной государственной задачей.

Известно, что сырьем для автомобильного топлива служит нефть. В первой главе дипломной работы предпринята попытка проанализировать мировой и российский рынок нефтепродуктов. Здесь:

1) обсуждены основные характеристики нефтедобывающей и нефтеперера s батывающей отраслей;

2) рассмотрены предпосылки вертикальной интеграции в нефтедобывающей и нефтеперерабатывающей отраслях;

3) приведены особенности российских ВИНК; г

4) рассмотрены методы работы ВИНК на рынке нефтепродуктов;

5) исследован российский и региональный (Ивановский) рынок автобензинов.

Во второй главе дипломной работы:

1) рассмотрена теоретическая модель оптимизации деятельности ВИНК;

2) исследован инструментарий;

3) приведены данные по производству и потреблению в России дизельного топлива;

4) проанализирован рынок автобензинов в Ивановском регионе;

5) предпринята попытка прогноза развития рынка автобензина России и Ивановской области с рассмотрением причин роста цен на автобензин и развития перспективных направлений усовершенствования добычи и переработки нефти.

В третьей главе проведен статистический анализ ценообразования на автобензины в Ивановской области на основе эконометрических моделей. Здесь:

1) произведен анализ динамики цен на автобензины в регионе в период 2000-2005 гг.;

2) построены два варианта тренд-сезонной модели динамики цен;

3) осуществлен прогноз цен на бензин марки Р-92 в Ивановской области на 2006 г. по разным вариантам моделей;

4) построены регрессионные модели факторного воздействия на динамику цен;

5) сделаны содержательные выводы по построенным моделям;

В результате выполненной работы были определены пути совершенствования добычи и переработки нефти, выявлены факторы, влияющие на цены на бензин, предложены модели расчета прогностических цен на бензин на 2006 год, показано, что прогноз цен на бензин марки Р-92 практически совпали с реальной ценой, что позволяет использовать эту методику расчета.

Список литературы диссертационного исследования кандидат экономических наук Проскурин, Александр Олегович, 2008 год

1. Айвазян С.А., Мхитарян B.C. Прикладная статистика и основы эконометрики. -М.: ЮНИТИ, 1998.

2. Алекперов В.Ю. Вертикальная интеграция и конкуренция на рынке нефти и нефтепродуктов // Нефть и бизнес, №2, 1997. С. 3-7.

3. Аллен Р. Математическая экономия. М.: Иностранная литература, 1963.

4. Андерсон Т. Введение в многомерный статистический анализ. -М.: Физматгиз, 1963.

5. Андреева E.JI., Колмановский В.Б., Шайхет JI.E. Управление системами с последействием. М: Наука, 1992.

6. Андрианов Д.Л. и др. Имитационное моделирование и сценарный подход в системах поддержки принятия решений //"Проблемы теории и практики управления", №12, 2002.

7. Арнольд В.И. "Жесткие" и "мягкие" математические модели. -М.: МЦНМО, 2000.

8. Ашманов С.А. Введение в математическую экономику. М.: Наука,. 1984.

9. Багриновский К.А. Модели и методы экономической кибернетики. М.: Экономика, 1973.

10. Багриновский К.А. Современные методы управления технологическим развитием. М.: РОССПЭН, 2001.

11. Баруча-Рид А.Т. Элементы теории марковских процессов и их приложения. М.: Наука, 1969.

12. Башмаков И. Цены на нефть: пределы роста и глубины падения // Вопросы экономики, №3, 2006. — С. 26-31.

13. Бергстром А. Построение и применение математических моделей -М.: Прогресс, 1970.

14. Березинская О.,.Миронов-В. Отечественный нефтегазовый комплекс: динамика конкурентоспособности и перспективы финансирования // Вопросы экономики, №8, 2006. С. 44-52.

15. Бокс Дж., Дженкинс Г. Анализ временных рядов, прогноз и управление. М.: Мир, 1974.

16. Большой экономический словарь / Под ред. А.Н.Азрилияна. М.: Институт новой экономики, 2002.

17. Боровиков В.П. Программа STATISTICA для студентов и инженеров. — М.: КомпьютерПресс, 2001.

18. Бородин С.А. Эконометрика. — Мн.: Новое знание, 2001.

19. Вагнер Г. Основы исследования операций / В трех,томах. М.: Мир, 1972.

20. Волконский В., Кузовкин А. Нефтяной комплекс: финансовые потоки и ценообразование // Экономист, №5, 2002. С. 21-32.

21. Воронина Н.В. Мировой рынок нефти: тенденции развития и особенности ценообразования //Практический маркетинг, №10, 2003.

22. Гихман И.И., Скороход А.В. Теория случайных процессов. Т. 1-3. М.: Наука, 1971, 1973, 1975.

23. Гликман Н. Эконометрический анализ региональных систем. — М.: Прогресс, 1980.

24. Гурвич Е. Макроэкономическая оценка роли российского нефтегазового комплекса // Вопросы экономики, №10, 2004. С. 3-12.

25. Гутман Г.В., Мироедов А.А., Федин С.В. Управление региональной экономикой. М.: Финансы и статистика, 2001.

26. Дельман О.А. Маркетинговые исследования региональных рынков нефтепродуктов : Дис. . канд. экон. наук: 08.00.05 : Чебоксары, 2002. -170 с.

27. Дерябина М. Реформирование естественных монополий: теория и практика // Вопросы экономики, №2, 2006. С. 52-56.

28. Доу Ш. Математика в экономической теории: исторический и методологический анализ //Вопросы экономики, №7, 2006. — С. 38-45.

29. Доугерти К. Введение в эконометрику: Пер. с англ. — М.: Инфра — М, 1997.

30. Дрейпер Н., Смит Г. Прикладной регрессионный анализ. В 2-х кн. М.: Финансы и статистика, 1986.

31. Дуброва Т.А. Статистические методы прогнозирования. М.: ЮНИТИ-ДАНА, 2003.

32. Замков О.О., Толстопятенко А.В., Черемных Ю.Н. Математические методы в экономике. М.: МГУ, Издательство «ДИС», 1998.

33. Ивановская область в 1995 году. Статистический сборник. -Иваново, Облкомгосстат, 1996.

34. Ивановская область в 2000 году. Статистический сборник. Иваново, Облкомгосстат, 2001.

35. Ивановская область: инвестиционный климат, законодательство,-программа, проекты. — Иваново, 2001.

36. Интрилигатор М. Математические методы оптимизации и экономическая теория. М.: Прогресс, 1975.

37. Иозайтис В. С, Львов Ю. А. Экономико-математическое моделирование производственных систем. М.: Высшая школа, 1991.

38. Иршинская Л.И. Конкурентоспособность и стратегии вертикально-интегрированных нефтяных компаний. -М.: Экономика, 2004.

39. Калинин А. Экономические проблемы переработки // Экономист, №5, 2006. С.25-29.

40. Кейн Э. Экономическая статистика и эконометрия. Вып. 1 и 2. -М.: Статистика, 1977.

41. Кейнс Дж. Общая теория занятости, процента и капитала. М.: Экономика, 1993.

42. Кендалл А., Стьюарт А. Многомерный статистический анализ и временные ряды. М.: Наука, 1976.

43. Кендалл М.Дж., Стьюарт А. Статистические выводы и связи. — М.: Наука, 1973.

44. Ким Дж., Мюллер Ч.У. Факторный, дискриминантный и кластерный анализ. — М.: Финансы и статистика, 1989.

45. Клейнрок Л. Теория массового обслуживания. М.: Машиностроение, 1979.

46. Кобринский Н.Е. Введение в экономическую кибернетику. М.: Экономика, 1977.

47. Кобринский Н.Е. Кузьмин В.И. Точность экономико-математических моделей. — М.: Финансы и статистика, 1981.

48. Кокурин Д., Мелкумов Г. Участники мирового рынка нефти // Вопросы экономики, №9, 2003. С. 27-35.

49. Конторович А.Э., Коржубаев А.Г., Эдер Л.В. Мировая система обеспечения энергетическими ресурсами: региональные центры, устойчивые тенденции, политика России. // Нефтяное хозяйство. 2004: - № 1.

50. Кривощекова Е., Окунева Е. Система регулирования нефтяного комплекса России // Вопросы экономики, №7, 2004. С. 42-50.

51. Крюков В. Анализ развития системы недропользования в России (о необходимости ужесточения институциональных условий) // Вопросы экономики, №2, 2006. С. 45-51.

52. Кузьмин В. И., Пронина Е. Н., Галуша Н. А. Ресурсная геополитика. М.: Инст. воен. и полит, анализа, 2000.

53. Ланкастер К. Математическая экономика. — М.: Прогресс, 1972.

54. Левшин Ф.М., Пономарёв В.В. Конъюнктура мировых товарных рынков. М.: Инфра-М., 2000.

55. Лиухто К. Российская нефть: производство и экспорт // Вопросы^ экономики, №9, 2003. С. 36-47.

56. Лопатников Л.И. Экономико-математический словарь. М.: Наука, 1987.

57. Магнус Я., Катышев П:, Пересецкий А". Эконометрика. НачальIный курс. М.: Дело, 2001.

58. Макконнел А., Брю С.П. Экономикс. М.: Республика, 1992.

59. Маленво Э. Статистические методы эконометрики. М.: Статистика, 1976.

60. Мастепанов A.M. Топливно-энергетический комплекс России на рубеже веков состояние, проблемы и перспективы развития. - М.: Современные тетради, 2002.

61. Мухин А. Российские вертикально-интегрированные нефтяные компании: проблемы управления // Вопросы экономики, №1, 1998. С. 4449.

62. Мышкис А.Д. Линейные дифференциальные уравнения с запаздывающим аргументом. М.: Гостехиздат, 1951.

63. Николис Г., Пригожин И. Познание сложного. Введение. М.: Мир, 1990.

64. Николис Г., Пригожин И. Самоорганизация в неравновесных системах. М.: Мир, 1979.

65. Петров В.В., Артюшкин В.Ф. Поведение цен на мировом рынке нефти: стратегические тренды, биржевые игры, макросценарии. — М.: ФАЗИС, 2004.

66. Пиотровский А., Денисов А. Кластерный анализ как инструмент подготовки эффективных маркетинговых решений // Практический маркетинг, №10, 2001. С. 25-35.

67. Плис А.И., Сливина Н.А. Mathcad 2000. Математический практикум для экономистов и инженеров. — М:: Финансы и статистика, 2000.

68. Попов А.А. Excel: практическое руководство. М.: ДЕСС КОМ,2000.

69. Проскурин А.О. Динамика ценообразования на автобензин в. Ивановской области: статистическое моделирование // Проблемы экономики,финансов и управления производством: Сборник научных трудов вузов России. Вып. 21. Иваново: ИГХТУ, 2007. - С. 142-144.

70. Проскурин А.О. Оптимизационная модель вертикально-интегрированной нефтяной компании // Проблемы экономики, финансов и управления производством: Сборник научных трудов вузов России. Вып. 24. Иваново: ИГХТУ, 2008. - С. 142-145.

71. Проскурин А.О. Проблемы развития регионального рынка нефтепродуктов // Сборник научных трудов «Экономика и менеджмент», вып.З., СПбГТИ(ТУ), СПб., ИК «Синтез». С. 49-50.

72. Проскурин А.О. Регрессионный анализ ценообразования на региональном рынке нефтепродуктов // Вестник ИНЖЕКОНА. Серия: Экономика, вып. 2(15), 2007. С.362-366.

73. Региональная экономика / Под. ред. М.В. Степанова. М.: Ин-фра-М., 2000.

74. Региональные рынки нефтепродуктов (вопросы анализа и прогнозирования) / Ариев Ю.К., Клепацкая И.Е. // Маркетинг. -2002.

75. Розанов Ю.В. Введение в теорию случайных процессов. М.: Наука, 1982.

76. Российский статистический ежегодник: стат. сб. / Госкомстат России. М.: Госкомстат, 2000.

77. Российский статистический ежегодник: стат. сб. / Госкомстат России. -М.: Госкомстат, 1997.

78. Самуэльсон П. Экономика. Т. 2. М.: НПО «Алгон», 1992.

79. Семенов П. Актуальные проблемы регионального развития // Экономист, №5,2006. С.25-29.

80. Смертин К.Б., Блажевич Е.В. Влияние изменений в налоговой системе на экономическую эффективность разработки нефтяных месторождений // Нефтяное хозяйство, №4, 2007. С. 87-94.

81. Соколов С.Н. Формирование и развитие стратегического потенциала регионального нефтегазового комплекса. Автореферат диссертации доктора экономических наук. Волгоград, 2003.

82. Статистический словарь / Гл. ред. Юрков Ю.А. М.: Финстатин-форм, 1996.

83. Таха Н., Хэмди А. Введение в исследование операций. М.:ИД «Вильяме», 2005.

84. Тейл Г. Прикладное экономическое прогнозирование. — М.: Прогресс, 1970.

85. Теория статистики / Под ред. Р.А. Шмойловой. М.: Финансы и статистика, 2001.

86. Тинтнер Г. Введение в эконометрию. — М.: Статистика, 1965.

87. Тренев Н.Н. Макроэкономика: современный взгляд. М.: «Издательство ПРИОР», 2001.

88. Трояновский В. М. Элементы математического моделирования в макроэкономике. М.: Изд-во РДЛ, 2001.

89. Фишер С., Дорнбуш Р., Шмалензи Р. Экономика. — М.: «Дело ЛТД», 1993.

90. Фролькис В. А. Введение в теорию и методы оптимизации для экономистов: Учебное пособие. Изд. 2. СПб.: Питер, 2002.

91. Хачатрян С. Р. Прикладные методы математического моделирования экономических систем: Научно-методич. пособие / Москов. академия экономики и права. М.: Экзамен, 2002.

92. Хейл Дж. Теория функционально-дифференциальных уравнений. М.: Мир, 1984.

93. Четыркин Е. М. Статистические методы прогнозирования. — М.: Статистика, 1975.

94. Шарипова Е., Черкашина И. Что дает рента федеральному бюджету? (анализ зависимости доходов бюджета от «нефтедолларов» // Вопросы экономики, №7, 2004. С. 34-41.

95. Шеннон Р.Ю. Имитационное моделирование систем искусство и наука /Под ред. Е.К. Масловского. - М.: Мир, 1978.

96. Шимко П.Д. Оптимальное управление экономическими системами. — С.- Пб., ИД «Бизнес-пресса», 2004.

97. Щуков В.Н. Экономический потенциал регионов России: Учеб. пособие. Иваново, ИГТА, 2002.

98. Эконометрика / Под ред. И.И. Елисеевой М.: Финансы и статистика, 2002.

99. Экономико-математические методы и прикладные модели / Под ред. В.В. Федосеева. М.: ЮНИТИ, 2002.

100. Экономико-математический энциклопедический словарь / Гл. ред. В.И. Данилов-Данильян. М.: Большая Российская энциклопедия, ИНФРА-М, 2003.

101. Эльсгольц JI.H. Дифференциальные уравнения с отклоняющимся аргументом. — М.: Физматгиз, 1973.

102. Ясин Е. Нефть, темпы и инфляция // Вопросы экономики, №9, 2005.-С. 3-12.

103. Witze A. Energy: That's oil, folks.//Nature, vol.445, №7123, 2006. -P. 14-17.