logo
Uchebnoe_posobie_Tam_stat1

5.1. Задачи изучения динамики внешнеторговых товаропотоков. Временные ряды в статистике внешнеторговых товаропотоков

Принятие обоснованного решения по управлению таможенной системой требует наличия информации о динамике показателей внешней торговли, прогнозе их изменения в ближайший и отдаленный периоды. Изучение динамики экспорта/импорта товаров позволяет обоснованно определять сумму таможенных платежей, попадающих в бюджет. Исследование сезонности колебаний потоков товаров и транспортных средств, проходящих через конкретный таможенных орган, позволяет обосновать его штатную численность и необходимое техническое оснащение. В этой связи изучение динамики внешней торговли осуществляется на всех уровнях таможенных органов.

Информационной базой для изучения динамики служат временные (динамические) ряды.

Временной ряд – это ряд хронологически упорядоченных значений меняющегося во времени показателя. Приведенный на конкретные моменты времени (даты) временной ряд называется моментальным, а ряд, приведенный на интервалы – интервальным. В статистике внешней торговли используются преимущественно интервальные временные ряды.

Требования, предъявляемые к исходным временным рядам при исследовании динамики:

В анализе временных рядов, как и в большинстве статистических методов предполагается, что исходные данные содержат детерминированную и случайную составляющие. В общем случае детерминированная составляющая может быть представлена в виде комбинации следующих компонент:

а) тренда определяющего главную тенденцию временного ряда;

б) более или менее регулярных колебаний относительно тренда – циклов;

в) периодических колебаний; такие колебания называются сезонной составляющей.

Основные задачи, решаемые при исследовании динамики внешней торговли:

Модель временного ряда представляет собой зависимость результативного признака от переменной времени или переменных, относящихся к другим моментам времени.

К моделям временных рядов, в которых результативный признак зависит от времени, относятся:

  1. модель тренда (модель зависимости результативного признака от трендовой компоненты);

  2. модель сезонности (модель зависимости результативного признака от сезонной компоненты);

  3. модель тренда и сезонности.

К моделям временных рядов, в которых результативный признак зависит от переменных, датированных другими моментами времени, относятся:

  1. модели с распределенным лагом10, которые объясняют вариацию результативного признака в зависимости от предыдущих значений факторных переменных;

  2. модели авторегрессии, позволяющие объяснять вариацию результативного признака в зависимости от предыдущих значений результативных переменных;

  3. модели ожидания, позволяющие объяснять вариацию результативного признака в зависимости от будущих значений факторных или результативных переменных.

Модели временных рядов делятся на модели, построенные по стационарным и нестационарным временным рядам.

Стационарные временные ряды характеризуются постоянными во времени средней, дисперсией и автокорреляцией, т.е. такие временные ряды не содержат трендовой и сезонной компоненты.

Если временной ряд не отвечает перечисленным условиям, то он является нестационарным (т.е. содержит трендовую и сезонную компоненты).

Применение традиционных методов корреляционно-регрессионного анализа для изучения причинно-следственных зависимостей переменных, представленных в форме временных рядов, может привести к ряду серьезных проблем, возникающих как на этапе построения, так и на этапе анализа разрабатываемых моделей. В первую очередь эти проблемы связаны со спецификой временных рядов как источника данных в эконометрическом моделировании.

Предполагается, что в общем случае каждый уровень временного ряда содержит три основные компоненты: тенденцию (Т), циклические или сезонные колебания (S) и случайную компоненту (E).

Если временные ряды содержат сезонные или циклические колебания, то перед проведением дальнейшего исследования взаимосвязи необходимо устранить сезонную или циклическую компоненту из уровней каждого ряда, поскольку ее наличие приведет к завышению истинных показателей силы и связи изучаемых временных рядов в случае, если оба ряда содержат циклические колебания одинаковой периодичности, либо к занижению этих показателей в случае, если сезонные или циклические колебания содержит только один из рядов или периодичность колебаний в рассматриваемых временных рядах различна.

Устранение сезонной компоненты из уровней временных рядов можно проводить в соответствии с методикой построения аддитивной и мультипликативной моделей.

Если рассматриваемые временные ряды имеют тенденцию, коэффициент корреляции по абсолютной величине будет высоким, что в данном случае есть результат того, что х и у зависят от времени, или содержат тенденцию. Для того чтобы получить коэффициенты корреляции, характеризующие причинно-следственную связь между изучаемыми рядами, следует избавиться от так называемой ложной корреляции, вызванной наличием тенденции в каждом ряде.

Влияние фактора времени будет выражено в корреляционной зависимости между значениями остатков εt за текущий и предыдущие моменты времени, которая получила название «автокорреляция в остатках».

Автокорреляция в остатках есть нарушение одной из основных предпосылок МНК – предпосылки о случайности остатков, полученных по уравнению регрессии. Один из возможных путей решения этой проблемы состоит в применении к оценке параметров модели обобщенного МНК. При построении уравнения множественной регрессии по временным рядам данных, помимо двух вышеназванных проблем, возникает также проблема мультиколлинеарности факторов, входящих в уравнение регрессии, в случае если эти факторы содержат тенденцию.