Эконометрическая модель прогноза грузооборота морских портов

Морской порт, являясь сложной экономической системой, обеспечивает потребности экономики страны в морских перевозках. Находясь в тесном взаимодействии с железнодорожным и автомобильным транспортом, морские порты принимают активное участие в решении задачи доставки грузов до конечного потребителя. Также морские порты принимают участие в пополнении бюджета страны и развивают торговые отношения государства, укрепляя его статус на мировой арене. В этой связи одной из важнейших задач является прогнозирование грузооборота морских портов.

Цель исследования состоит в построении и обосновании модели прогноза результативности деятельности морских портов, отражающей зависимость грузооборота портовой отрасли от основных макроэкономических показателей.

Объект данного исследования – российские морские порты. Для проведения исследования использованы анализ, синтез, контент-анализ научной литературы и статистических данных, в том числе, отраслевых, за ряд лет, что обосновывает достоверность полученных результатов. При построении эконометрической модели использовались методы корреляционного и дисперсионного анализа, наименьших квадратов.

Новым для данного исследования является применение в качестве модели прогноза грузооборота морских портов системы рекурсивных уравнений, в которой определяющими факторами грузооборота как результативного признака являются лаговые зависимые переменные за предыдущий период.

Разработанная эконометрическая модель может быть использована для краткосрочного прогнозирования грузооборота морской портовой отрасли, а также для оценки ее зависимости от состояния и уровня развития внешнеэкономической деятельности и экономики страны в целом.

1. Андрукович П. Ф. Заметки о принципах построения моделей прогноза экономических показателей (на примере прогнозной системы «ProRosEc») // Экономика и математические методы. – 2020. –Т. 56. – № 2. – С. 66–76. EDN: MWIIVQ.

2. Крюков В. А., Баранов А. О., Павлов В. Н., Суслов В. И., Суслов Н. И. Проблемы развития единого комплекса средств макроэкономического межрегионального межотраслевого анализа и прогнозирования // Экономика региона. – 2020. – Т. 16. – Вып. 4. – С. 1072–1086. DOI: 10.17059/ekon.reg.2020–4–5.

3. Самков Т. Л. Модель прогноза валового внутреннего продукта России в зависимости от финансовых инструментов торговли энергетическими и сырьевыми товарами // Проблемы региональной энергетики. – 2018. – № 1 (36). – С. 136–151.

4. Бабурина О. Н., Кузнецова Г. В., Подбиралина Г. В., Хекерт Е. В. Мировая торговля и международные морские перевозки в условиях новых геоэкономических рисков // Общественные науки и современность. – 2022. – № 3. – С. 50–66. EDN: EWNTXM.

5. Бабурина О. Н., Кондратьев С. И., Кузнецова Г. В. Мегатренды развития морского транспорта // Век глобализации. – 2022. – № 3 (43). – С. 72–86. EDN: AUHBIO.

6. Grass, E. Yu., Lepekhina, Yu. A. A system of measures to achieve the efficiency of the production processes of the enterprise. 11th International Scientific and Practical Conference CILDIAH-2022, 2023, Vol. 164, 00008. DOI: 10.1051/shsconf/202316400008.

7. Ивин Е. А., Горячева А. С., Курбацкий А. Н. Анализ состояния и перспективы развития грузопотоков через морские порты России // Проблемы развития территории. – 2020. – № 2 (106). – С. 62–80. DOI: 10.15838/ptd.2020.2.106.5.

8. Глебкова И. Ю., Качанова Н. Н. Факторный анализ показателей внешней торговли // Евразийский союз ученых. – 2015. – № 2 (11). – С. 56–59. EDN: XERELP.

9. Yu Xiao, Zhezhi Jin. The Forecast Research of Linear Regression Forecast Model in National Economy. Open Access Library Journal. 2021, Vol. 8, Iss. 8, e7797. DOI: 10.4236/oalib.1107797.

10. Kurenkov, P. V., Astafyev, A. V., Kolos, L. E., Chebotareva, E. A., Solop I. A., Denisenko, T. V. Development of logistics models for oil cargo transportation to reduce logistics costs and improve wagon mileage. Lecture Notes in Networks and Systems. 2022, Vol. 364, pp. 219–235. EDN: BNVPWS.

11. Краковский Ю. М., Давааням Т. Комплексное прогнозирование базовых показателей перевозочного процесса // Современные технологии. Системный анализ. Моделирование. – 2016. – № 3 (51). – С. 179–184. EDN: WMELEL.

12. Краковский Ю. М., Лузгин А. Н. Прогнозирование базовых показателей перевозочного процесса на основе сценарного подхода // Прикладная информатика. – 2017. – Т. 12. – № 2 (68). – С. 29–36. EDN: WCFIHO.

13. Киселенко А. Н., Сундуков Е. Ю., Тарабукина Н. А. Методы прогнозирования развития транспортных систем в современных условиях // Мир транспорта. – 2022. – Т. 20. – № 3 (100). – С. 40–49. DOI: 10.30932/1992-3252-2022-20-3-5.

14. Мачерет Д. А., Титов Р. А. Стратегическое планирование и экономическая оценка развития интермодальной транспортной инфраструктуры // Мир транспорта. – 2020. – Т. 18. – № 6. – С. 30–45. DOI: 10.30932/1992-3252-2020-18-6-30-45.

15. Щербанин Ю. А., Ивин Е. А., Курбацкий А. Н., Глазунова А. А. Эконометрическое моделирование и прогнозирование спроса на грузовые перевозки в России в 1992–2015 гг. // Научные труды. Институт народнохозяйственного прогнозирования РАН. – 2017. – Том 15. – С. 200–217.

16. Ширнаева С. Ю. Эконометрическое моделирование и прогнозирование показателей экспорта товаров Российской Федерации // Фундаментальные aисследования. – 2020. – № 6. – С. 172–177. – 2020. – № 6. – С. 172–177. [Электронный ресурс]: https://fundamental-research.ru/ru/article/view?id=42796. Доступ 09.10.2023.

17. Епихин А. И., Кондратьев С. И., Хекерт Е. В. Прогнозирование многомерных нестационарных временных рядов с использованием нейромоделирования // Морские интеллектуальные технологии. – 2020. – № 4–4 (50). – С. 23–27. EDN: ZPIZCJ.

18. Chien-Chang, Chou; Ching-Wu, Chu; Gin-Shuh, Liang. A modified regression model for forecasting the volumes of Taiwan’s import containers. Mathematical and Computer Modelling, 2008, Vol. 47, Iss. 9–10, pp. 797–807. DOI: 10.1016/j.mcm.2007.05.005/.

19. Eskafi, M., Kowsari, M., Dastgheib, A. et al. Amodel for port throughput forecasting using Bayesian estimation. Maritime Economics & Logistics, 2021, Vol. 23, pp. 348–368. DOI: https://doi.org/10.1057/s41278-021-00190-x.