СОДЕРЖАНИЕ
ВВЕДЕНИЕ. 3
ГЛАВА 1. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ПРОГНОЗИРОВАНИЯ ОБЪЁМОВ
ПРОДАЖ В ОТРАСЛИ АВТОМОБИЛЕСТРОЕНИЯ.. 5
1.1. Основные подходы к прогнозированию автомобильного
рынка. 5
1.2. Обоснование выбора метода прогнозирования
автомобильного рынка в РФ 14
ГЛАВА 2. ХАРАКТЕРИСТИКА ОТРАСЛИ АВТОМОБИЛЕСТРОЕНИЯ В РФ
КАК ОБЪЕКТА ПРОГНОЗИРОВАНИЯ.. 17
2.1. Ретроспективный анализ отрасли автомобилестроения. 17
2.2. Сценарии развития продаж в отрасли
автомобилестроения на краткосрочную перспективу. 18
ГЛАВА 3. ПРОГНОЗ СОСТОЯНИЯ АВТОМОБИЛЬНОГО РЫНКА В РФ.. 21
3.1 Построение прогнозной модели. 21
3.2 Составление прогноза состояния автомобильного рынка. 23
3.3 Верификация прогноза состояния автомобильного рынка
РФ.. 26
ЗАКЛЮЧЕНИЕ. 29
СПИСОК ЛИТЕРАТУРЫ.. 30
ПРИЛОЖЕНИЕ. 32
Актуальность
рассматриваемой темы заключается в том, что в настоящее время
автомобилестроению принадлежит самая ведущая роль в развитии и машиностроения
вообще, и транспортного машиностроения в частности. Автомобильная
промышленность мира - это емкий и весьма значительный сектор мировой экономики
и международного бизнеса, ведь это не только собственно автомобили, но и
разнообразные товары по обслуживанию автомобиля, а также, в значительной мере,
рынок производства и продажи автозапчастей.
Рынок автомобилей имеет
ряд смежных рынков и отраслей: от наиболее тесно прилегающих (рынка деталей и
блоков автомобилей и нефтедобывающей промышленности) до менее очевидных
(строительство дорог, производство аксессуаров для автомобилей и т.п.).
Автомобиль обеспечивает высокую мобильность человека, эффективность труда,
определяет современный образ жизни общества. Он является показателем уровня
обеспеченности материальными средствами, как отдельного человека (его
владельца), так и общества или государства в целом (в данном случае речь идет
об автообеспеченности населения страны).
Важной особенностью
автомобилей являются их адаптационные возможности в том, что касается, в
частности, интеграции в едином процессе перевозки с другими видами транспорта:
водным (паромы, суда для горизонтальной погрузки и разгрузки грузов и т.д.),
железнодорожным (платформы, трейлеры), авиационным (большегрузные самолеты).
При этом используется перевозка не только колесной техники, но и контейнеров,
также других видов «юнитизированных» грузовых мест. В результате клад
автомобильного транспорта в формирование единой мировой транспортной системы
весьма велик.
Объектом исследования
курсовой работы выступает автомобильный рынок РФ, а предметом - будущее
состояние автомобильного рынка РФ, рассматриваемое на краткосрочную
перспективу, а также пути и способы достижения этого состояния.
Целью курсовой работы
является разработка программы достижения прогнозируемых состояний объекта.
В связи с данной целью
можно выделить следующие задачи:
1. Провести
ретроспективный анализ развития автомобильного рынка РФ;
2. Определить факторы,
оказывающие влияние на объект исследования;
3. Составить прогноз
развития автомобильного рынка РФ в долгосрочной перспективе;
4. Разработать плана
мероприятий по достижению прогнозируемого состояния объекта исследования.
Работа состоит из трех
частей. Во введении данной работы отражены актуальность, цель, задачи.
В первой части курсовой
работы представлены основные подходы к прогнозированию объекта исследования и
дано обоснование методов прогнозирования;
Во второй части был
проведен ретроспективный анализ объекта исследования; описаны сценарии развития
в долгосрочной перспективе.
В третьей части работы
была построена прогнозная модель, составлен прогноз и проведена верификация
прогноза.
В заключении представлены
выводы по курсовой работе.
Автомобильный рынок РФ
относится к экономическим объектам, которые в свою очередь относятся к сложным,
многомерным, динамическим, нестационарным, активным (целенаправленным)
системам, что чрезвычайно затрудняет задачу прогнозирования экономических
показателей.
Изменение
структуры автопарка в России в последние годы представлено на рисунке 1.1.
Рис. 1.1. Изменение структуры автопарка в России в последние
годы [12, с. 67]
Доли
иномарок по отношению к отечественным автомобилям в парках федеральных округов
России в динамике 2004-2009 гг. представлены на рисунке 1.2.
Рис. 1.2. Доли иномарок по отношению к отечественным
автомобилям в парках федеральных округов России в динамике 2004-2009 гг. [8, с.
7-8]
Количество автомобилей, стоящих на учете в России по состоянию на
1 января 2010 года, превысило 33 млн. единиц, что на 3,3 % больше аналогичного
показателя на 1 января прошлого года. Как отмечают аналитики агентства
«Автостат», темпы роста российского парка легковых машин значительно снизились
в 2009 году по сравнению с предыдущими пятью годами.
Своим приростом в прошлом году российский автопарк обязан
покупателям иномарок, доля которых выросла на более чем 2 % до 36,4 %. Число
иномарок в стране увеличилось на 1 млн. единиц до 12 млн. автомобилей, причем
сильнее всего, на 27 %, выросло количество иномарок отечественного
производства. Машин российских марок в стране осталось, как и годом ранее,
около 21 млн. единиц. Доля машин марки Lada снизилась в 2009 году с 42,5 % до
40,8 %.По данным аналитического агентства «АВТОСТАТ», за первые 6 месяцев 2009
года в России было продано немногим более 728 тыс. новых легковых автомобилей,
что ниже результата за аналогичный период прошлого года на 691 тысячу машин.
Доля иномарок при этом сократилась до 73,34% (534 тыс. шт.). Отечественные
модели улучшили свои позиции: их доля увеличилась, достигнув отметки в 26,66%
(194 тыс. шт.) с 25,49% в первом полугодии прошлого года. [6, с. 372]
Лидером российского рынка по-прежнему остается тольяттинская LADA,
продажи, которой за рассматриваемый период составили более 183 тысяч штук, а
рыночная доля увеличилась до 25,14%. На другие отечественные марки с каждым
годом приходится все меньшая часть российского рынка легковых автомобилей: по
итогам первого полугодия эта цифра составила меньше 2% и существенного влияния
на рынок этот сегмент уже не оказывает.
Самой продаваемой иномаркой в России в первом полугодии текущего
года стали автомобили
Chevrolet с объемом продаж 60 тыс. шт. – их рыночная доля составила
9%. Благодаря модели Focus, которых было продано чуть более 29 тыс. шт.,
компания Ford переместилась на вторую позицию среди иномарок (49057 штук и 6,7%
рынка). Японский Nissan с 39 тысячами проданных автомобилей поднялся с пятой
строчки рейтинга на третье место. Toyota (38 тысяч шт.) переместилась на
четвертую позицию. Замыкает пятерку лидеров Hyundai с результатом в 37 тысяч
проданных новых автомобилей, изменение по сравнению с 2008 годом составляет
-63,9%. [3, с. 206]
Одной из главных причин значительного падения российского
автомобильного рынка в первой половине 2009 года стало существенное сокращение
объемов выдачи кредитов на покупку автомобилей. Специалисты аналитического агентства
«АВТОСТАТ» оценивают реализацию автомобилей в
кредит за первые шесть месяцев 2009 года на уровне 130 - 150 тысяч
машин. При этом за аналогичный период прошлого года в кредит было продано около
700 тысяч новых автомобилей. Таким образом, падение этого сегмента рынка
составило примерно 80%.
Преобладание продаж иномарок в условиях падающего рынка и снижения
автокредитования, а также отрицательная динамика курса доллара привели по
итогам 6 месяцев текущего года к спаду средневзвешенных розничных цен,
исчисляемых в долларах.
Наиболее доступной, как и прежде, остается продукция LADA –
средняя цена одного вазовского автомобиля составила 6,8 тыс. USD (по
средневзвешенном курсу USD за полугодие 33,27 руб.). [9, с. 38-40]
С точки зрения ценовой сегментации российского рынка, в первой
половине 2009 года произошли достаточно серьезные изменения. В отчетный период
наряду с увеличением розничной стоимости автомобилей, номинированной в рублях,
практически все автопроизводители достаточно активно использовали скидки,
бонусы и специальные акции. В итоге стоимость автомобилей в долларовом
эквиваленте снизилась в среднем на 19%, что сказалось на ценовой сегментации
рынка.
Так, вазовские автомобили «классического» семейства вновь
вернулись в диапазон до 6 тыс. USD, обеспечив ему порядка 5% рынка. В 2008 году
в этом диапазоне вообще не было продаж. За счет вазовских топ-моделей (LADA Priora
и «люксовые» исполнения LADA Kalina), а также ряда бюджетных иномарок
существенно расширился объем продаж в диапазоне от 6 до 10 тыс. USD. По итогам
января - июня на этот диапазон приходилось чуть более 30% рынка, тогда как по
итогам 2008 года лишь 12,6% рынка. За счет перемещения в более доступную нишу
почти в два раза сократился ценовой диапазон от 10 до 20 тыс. USD. Сейчас на
него приходится лишь чуть более четверти рынка (25,7%), тогда как в прошлом
году приходилось более 45%. Некоторое снижение фиксируется и в более высоких
ценовых диапазонах, но здесь движение не столь ощутимо. Уменьшение этих
сегментов составляет от 0,1 до 1,3%, что говорит о падении продаж дорогих
автомобилей наравне с рынком либо равномерном перемещении моделей в более
низкие ценовые сегменты.
[5, с. 372]
По данным аналитического агентства «АВТОСТАТ», через салоны
официальных дилеров за шесть месяцев текущего года в России было реализовано
немногим более 534 тысяч легковых автомобилей иностранных брендов, что на
49,47% меньше, чем за аналогичный период прошлого года.
Как и в 2008 году, региональная структура продаж иномарок
сохранилась без изменений. Подавляющее большинство реализуемых в стране
легковых автомобилей иностранных брендов (более 52%) приходится на четыре
субъекта Российской Федерации: Москву, Санкт-Петербург и соответствующие им
области. По оценке аналитического агентства «АВТОСТАТ», за шесть месяцев 2009
года в Москве и МО было реализовано более 222 тысяч автомобилей и, как
следствие, высокий процент (41,7%) от общероссийского объема продаж. В
Санкт-Петербурге продано 59 тысяч автомобилей, а доля рынка города на Неве и
Ленинградской области составляет 11%. Замыкает тройку лидеров Свердловская
область с результатом продаж чуть более 17 тысяч автомобилей (3,2%). Наименьший
спад продаж в первом полугодии 2009 года зафиксирован в Республике Мордовия
(-4,26%), Калининградской области (-14,5%) и Калужской области (-17,89%). [14, с. 470]
За первые шесть месяцев 2009 года в Россию юридическими лицами
официально импортировано более 280 тысяч легковых автомобилей, что на 71%
меньше, чем за аналогичный период прошлого года. Более 273 тысяч машин, или
97%, приходится на новые автомобили. Импорт подержанных
автомобилей с введением новых таможенных пошлин сократился в 25 раз
до 7771 шт. На долю «секонд-хэнда» теперь приходится менее 3% импорта, тогда
как годом ранее подержанные иномарки занимали примерно 20% от общего объема
импорта юридическими лицами.
В первом полугодии юридические лица больше всего импортировали
автомобили Nissan (34266 шт.), Chevrolet (28596 шт.) Toyota (24737 шт.),
Hyundai (24600 шт.) и KIA (23929 шт.). На эти пять марок приходится почти
половина (49%) импорта. Среди прочих брендов с относительно значимыми объемами
импорта можно выделить: Mitsubishi, Mazda, Peugeot, Daewoo и Ford, Honda,
Suzuki, Opel и Audi. В то же время более чем в 10 раз сократился ввоз
автомобилей таких марок, как Renault и Skoda, сборка которых налажена в России.
Также обращает на себя внимание существенное сокращение ввоза китайских
автомобилей.
Отметим также, что в первой половине текущего года импортеры
продолжали активно ввозить машины 2008 года выпуска. По данным «АВТОСТАТа», за
прошедшие 6 месяцев границу пересекли 160 тысяч прошлогодних иномарок, что
соответствует 56,4% от общего объема импорта. Тем не менее, от месяца к месяцу
доля машин 2008 года выпуска постепенно сокращается. Интересно, что наибольшую
долю машин 2008 года выпуска поставляют японские компании - Mazda, Mitsubishi,
Toyota, Subaru, а также корейская Hyundai и немецкий Volkswagen. [10, с. 77-80]
Кризисные явления конца
2008-2010 г.г. в реальной экономике внушают опасения за стабильность работы
автомобильной отрасли, однако антикризисные меры правительства и предприятий
должны сыграть необходимую роль в стабилизации положения в этой отрасли.
В силу ряда
объективных и субъективных причин наиболее популярен подход, основанный на
экстраполяции временных рядов. Однако такой подход не всегда дает
удовлетворительный прогноз, поскольку основан на учете только части причин, по
которым происходит изменение прогнозируемого показателя (ПП). Для выбора
эффективного метода прогнозирования необходимо провести системный анализ -
определить факторы, действующие на объект и в объекте исследования и оценить их
влияние на прогнозируемый показатель.
Основу
прогнозирования составляет либо причинно-следственные связи между ПП и
факторами на него влияющими, либо инерционные свойства объекта (в этом случае
«причиной» является время). Можно выделить пять причины изменения ПП, которые
разобьем на две группы: внешние и внутренние. К внешним причинам относятся
изменения входных возмущающих и управляющих переменных, а также
неконтролируемых - шумов. Внутренние причины связаны с такими свойствами
объекта, как динамичность, нестационарность и целенаправленность.
1. Влияние
возмущающих и управляющих переменных можно представить в виде следующей
математической модели:
P=F
(X) (1.1)
где P - ПП;
F - некоторая
функция;
X - вектор
возмущающих и управляющих переменных. [2, с. 398]
Прогнозирование
представляет собой достаточно сложную задачу, что подтверждается рассмотренным
анализом причин и факторов, потенциально влияющих на изменение прогнозируемого
показателя. Решение такой задачи, как и всякой другой сложной задачи, требует
системного подхода, который помогает понять суть проблемы и выбрать адекватные
методы ее решения, а также оценить причины возможных неудач.
Для
прогнозирования автомобильного рынка РФ могут быть использованы различные
методы прогнозирования.
Статистические
методы объединяют совокупность методов обработки количественной информации об
объекте прогнозирования по принципу выявления содержащихся в ней математических
закономерностей развития и математических взаимосвязей характеристик с целью
получения прогнозных моделей.
Методы
аналогий направлены на то, чтобы выявлять сходство в закономерностях развития
различных процессов и на этом основании производить прогнозы.
Опережающие
методы прогнозирования строятся на определенных принципах специальной обработки
научно-технической информации, реализующих в прогнозе ее свойство опережать
развитие научно-технического прогресса. [11, с. 320]
Экспертные
методы разделяются на два подкласса. Прямые экспертные оценки строятся по
принципу получения и обработки независимого обобщенного мнения коллектива
экспертов (или одного из них) при отсутствии воздействий на мнение каждого
эксперта мнения другого эксперта и мнения коллектива. Экспертные оценки с
обратной связью в том или ином виде воплощают принцип обратной связи путем
воздействия на оценку экспертной группы (одного эксперта) мнением, полученным
ранее от этой группы или от одного из ее экспертов.
Прямые
экспертные оценки по признаку аппарата реализации делятся на виды экспертного
опроса и экспертного анализа. В первом случае используются специальные
процедуры формирования вопросов, организации получения на них ответов,
обработки полученных ответов и формирования окончательного результата. Во
втором - основным аппаратом исследования является целенаправленный анализ
объекта прогнозирования со стороны эксперта или коллектива экспертов, которые
сами ставят и решают вопросы, ведущие к поставленной цели.
Методы
экстраполяции тенденций являются, пожалуй, самыми распространенными и наиболее
разработанными среди всей совокупности методов прогнозирования. Использование
экстраполяции в прогнозировании имеет в своей основе предположение о том, что
рассматриваемый процесс изменения переменной представляет собой сочетание двух
составляющих - регулярной и случайной:
(1.2)
Считается,
что регулярная составляющая f (a, х) представляет собой гладкую функцию от
аргумента (в большинстве случаев - времени), описываемую конечномерным вектором
параметров а, которые сохраняют свои значения на периоде упреждения прогноза.
Эта составляющая называется также трендом, уровнем, детерминированной основой
процесса, тенденцией. Под всеми этими терминами лежит интуитивное представление
о какой-то очищенной от помех сущности анализируемого процесса. Интуитивное, потому
что для большинства экономических, технических, природных процессов нельзя
однозначно отделить тренд от случайной составляющей. Все зависит от того, какую
цель преследует это разделение и с какой точностью его осуществлять. [8, с. 7-8]
Экстраполяционные
методы прогнозирования основной упор делают на выделение наилучшего в некотором
смысле описания тренда и на определение прогнозных значений путем его
экстраполяции. Методы экстраполяции во многом пересекаются с методами
прогнозирования по регрессионным моделям. Иногда их различия сводятся лишь к
различиям в терминологии, обозначениях или написании формул. Тем не менее сама
по себе прогнозная экстраполяция имеет ряд специфических черт и приемов,
позволяющих причислять ее к некоторому самостоятельному виду методов
прогнозирования.
Как
отмечается во многих исследованиях, для зарубежной методологии характерно
многообразие подходов к прогнозированию спроса, однако общим для большинства из
них остается дифференциация методологии относительно национального, регионального,
локального и отраслевого уровней; выделение компонентов совокупной занятости и
учет специфики их изменений. [4, с. 184]
Зарубежные
исследователи используют сочетание экспертных, статистических и математических
методов, с помощью которых оценивается место каждой отрасли экономики в
совокупной занятости в стране.
Анализ и
обобщение исследований по методам прогнозирования позволяет выделить несколько
методологических подходов.
Первый подход
(расчетный, нормативный)
Базируется на
исчислении необходимых ресурсов исходя из норм выработки, производительности
труда на конкретных рабочих местах. В случае внедрения комплексов новой техники
и технологии эти расчеты производятся по проектам эксплуатационной
документации.
Второй подход
(программы развития + опросный подход)
Строится на
оценках тенденций изменения интегрированных экономических показателей,
базируется на использовании следующих документов:
- прогнозы по
отраслям экономики;
-
региональные и отраслевые программы и прогнозы развития отраслей материального
производства;
-
региональные и отраслевые программы конверсии оборонных предприятий;
- данные
наиболее крупных предприятий - потребителей специалистов о перспективах своего
развития;
- программы
развития деятельности предприятий и организаций системы жизнеобеспечения
(энергетика, транспорт и т.д.);
- программы и
прогнозы служб занятости о предполагаемом высвобождении работников на
предприятиях и в организациях;
- программы
приватизации и развития малого бизнеса. [1, с. 447]
Третий подход
(динамический подход, поиск тенденций)
Опирается на
анализ тенденций изменений технико-экономических показателей, использует
многофакторные экономико-математические модели (корреляционно-регрессионный
анализ). Моделирование производится на основе создания информационно-нормативной
базы данных по технико-экономическим, демографическим и нормативно-справочным
показателям. Сущность прогноза сводится к определению движения занятости
специалистов в зависимости от изменения этих показателей.
Также в
зарубежной практике применяется регрессионный анализ отобранных показателей
позволяет строить корреляционно-регрессионную модель потребности в
специалистах, которая используется для оценки на интервале прогнозирования с
учетом ожидаемых значений технико-экономических показателей в прогнозируемом
периоде.
При выборе
метода обследования исследователями рассматривались различные варианты сбора
данных: экспертные интервью, опрос, личное анкетирование и т.д.
Автомобильный рынок РФ
относится к товарным рынкам РФ, которые подвержены влиянию различных нелинейных
факторов таких как, уровень наличной денежной массы, уровень монетизации и доля
скрытого объема производства, высокий уровень налогообложения, безработица.
Для составления прогноза
будут использоваться методы математического моделирования. В связи с тем, что
объект прогнозирования - величина многомерная и подвержен влиянию различных
факторов.
В курсовой работе для
исследуемых факторов наилучшими показателями характеризуется полиномиальная
функция. Данная функция может быть представлена следующим образом:
1.3
Параметризация данной
модели осуществляется с применением метода наименьших квадратов, используя в
качестве независимой переменной время t=1,2,…,n, а в качестве зависимой
переменной - фактические уровни временного ряда объемов денежного предложения.
[6, с. 372]
Применение метода
наименьших квадратов для оценки параметров функции приводит к следующей системе
нормальных уравнений:
1.4
Для второго фактора
наилучшими показателями характеризуется логарифмическая функция.
1.5
Параметризация данной
функции будет также осуществляться с применением метода наименьших квадратов.
В качестве метода
верификации прогноза избрана прямая и обратная верификация, параметризация
которых будет осуществлена в соответствующей части работы. При прямой
верификации используется линейная модель экспоненциального сглаживания Хольта,
в которой использован поправочный коэффициент α=0.3.
1.6
где N - число
предшествующих периодов, входящих в скользящее среднее;
Aj - фактическое значение в момент
времени j;
Fj - прогнозируемое значение в момент
времени j.
Также будет задействована обратная верификация.
Так как данные методы
являются оптимальными для выполнения поставленных задач. [16, с. 22]
Временной ряд
автомобильного рынка РФ, составленный за последние 6 лет, характеризуется
следующими показателями, представленными в таблице 2.1
Таблица 2.1
Статистические
характеристики временного ряда
|
Показатели
|
Значения
|
|
Среднее
значение
|
30,5667
|
|
Стандартная
ошибка
|
4,1848
|
|
Стандартное
отклонение
|
20,5012
|
|
Медиана
|
24,9
|
|
Минимум
|
7,6
|
|
Максимум
|
74,2
|
|
Сумма
|
733,6
|
|
Наибольший
(1)
|
74,2
|
|
Наименьший
(1)
|
7,6
|
|
Уровень
надежности (95,0%)
|
8,6569
|
Таким образом, на основе
анализа статистических характеристик временного ряда, можно сделать следующие
выводы:
Стандартная ошибка равная
4,1848 характеризует стандартное отклонение выборочного среднего. [4, с. 184]
Медиана 24,9 - это число,
которое является серединой множества чисел.
Стандартное отклонение
показывает, насколько широко разбросаны значения относительно их среднего, то
есть на 20,5012.
Минимум 7,6 - наименьшее
значение, которое принимает показатель.
Максимум 74,2 -
наибольшее значение, которое принимает показатель.
Наилучшим образом
выявленная тенденция описывается экспоненциальной зависимостью вида y=aebx,
которая характеризуется значением коэффициента детерминации на уровне 0,9991,
что свидетельствует о том, что тренд является достоверным, так как коэффициент
детерминации стремится к 1. Коэффициент детерминации показывает то, что
уравнение регрессии R^2 описывает 99,91% вариации переменной.
Аналогичные выводы о
наличии экспоненциальной зависимости могут быть получены в результате
проведенного корреляционного анализа между уровнями ряда, которые
свидетельствуют о существенной зависимости последующих уровней ряда от
предыдущих на лагах 1 - 3 (таблица.2.2).
Таблица 2.2
Расчёт
корреляции
|
№ лага
|
1
|
2
|
3
|
|
Коэффициент
корреляции
|
0,5371
|
0,1303
|
-0,1512
|
Таким образом, было
проведено исследование развития объекта прогнозирования с определенного момента
в прошлом и до настоящего времени. Результаты анализа доказывают, что на основе
представленного временного ряда можно составить прогноз развития автомобильного
рынка на 2011 год. [12, с. 67]
Необходимо оценить
статистическую пригодность названных факторов для использования в прогнозной
модели. Для этого необходимо исключить мультиколлинеарность факторов на основе
проведения корреляционного анализа между временными рядами. Результаты
корреляционного анализа представлены в таблице 2.3.
Таблица 2.3
Корреляционный
анализ прогнозного фона автомобильного рынка РФ
|
Наименование
показателя
|
1
|
2
|
3
|
4
|
|
1.
Инфляция
|
1,00
|
-0,94
|
-0,92
|
-0,95
|
|
2. Объем
ВВП
|
-0,94
|
1,00
|
0,98
|
0,98
|
|
3. Ср.
мес. зар. плата
|
-0,92
|
0,98
|
1,00
|
0,98
|
|
4. Эк-ки
актив. население
|
-0,95
|
0,98
|
0,98
|
1,00
|
Таким образом, можно
выделить следующие сценарии динамики автомобильного рынка:
Пессимистический.
Инфляция в 2011 году составит 12% (вместо планируемых 9-9,5%), что приведет к
ухудшению экономической обстановки в стране, что повлечет уменьшение спроса на
автомобильном рынке РФ.
Оптимистический.
Произойдет существенное улучшение общего состояния рыночной обстановки в
России.
В связи с тем, что
автомобильный рынок РФ подвержен воздействию со стороны различных факторов,
использование экстраполяционных методов прогнозирования представляется
возможным лишь в рамках верификации, тогда как прогнозная модель должна
строиться с учетом влияния различных факторов на данный рынок. [13, с. 49]
Необходимость
идентификации функции, лежащей в основе прогнозной модели, заставляет провести
оценку статистической значимости нескольких моделей: линейной, логарифмической,
степенной, экспоненциальной. Выбор модели будет осуществлен по коэффициенту
детерминации (R-квадрат), который дает количественную оценку меры анализируемой
связи.
Таблица 2.4
Характеристики
регрессионной модели
|
Наименование
показателя
|
Уровень
значимости
|
Коэффициент
детерминации
|
|
a1
|
a2
|
|
Степенная
|
0,05812
|
0,00006
|
0,8605
|
|
Логарифм
|
0,000004
|
0,00017
|
0,6622
|
|
Экспоненциальная
|
0,99999
|
1,0000
|
0,9992
|
|
Линейная
|
0,000028
|
0,0177
|
0,9264
|
Поскольку
экспоненциальная и линейная функции характеризуется наилучшими показателями,
следовательно, производственная функция будет строиться на основе
многофакторной линейной функции, которая в общем виде может быть представлена
следующим образом:
Y (t) = a0+a1x1
(t) +a2x2 (t) (2.1)
где Y (t) - количество
выпущенных автомобилей в России (тыс. шт),
x1 (t) -
экономически акт население,
x2 (t) -
уровень инфляции, t-момент времени (t=2002-2007 гг.).
В качестве метода
верификации прогноза избрана экспертная и обратная верификации, параметризация
которых будет осуществлена в соответствующей части работы. [1, с. 447]
Особенностью
экономических явлений является то, что они определяются большим числом
взаимодействующих факторов, поэтому, для определения связи между одной
зависимой переменной и несколькими независимыми переменными, применяется
множественный регрессионный анализ.
В нем анализу
подвергается зависимость одного признака (результирующего) от набора независимых
(факторных) признаков. Разделение признаков на результирующий и факторные
осуществляется исследователем на основе содержательных представлений об
изучаемом явлении (процессе).
Цель регрессионного
анализа состоит в определении общего вида уравнения регрессии, построении
оценок неизвестных параметров, входящих в уравнение регрессии, и проверке
статистических гипотез о регрессии.
Для корректного
использования регрессионного анализа требуется выполнение определенных условий.
Факторные признаки должны
быть некоррелированы (отсутствие мультиколлинеарности), они предполагаются
замеренными точно и в их измерениях нет автокорреляции, т.е. значения признаков
у одного объекта не должны зависеть от значений признаков у других объектов.
Для этого оценивается коэффициент корреляции, который не должен быть больше
0,6.
При построении
регрессионных моделей необходимо выбрать вид функциональной зависимости,
характеризующей взаимосвязи между результативным признаком и несколькими
признаками-факторами.
В данной работе используется
линейная регрессия, т.е. зависимость вида:
Y (t) = a0+a1x1
(t) +a2x2 (t) (3.1)
где Y (t) - результативный признак,
x1 (t), x2 (t) -
факторные признаки;
a1, a2 - коэффициенты регрессии,
показывающие степень влияния соответствующего фактора на прогнозируемый
показатель при фиксированном значении остальных факторов,
a0 - свободный член уравнения.
Полученная модель
представляет собой производственную функцию, то есть экономико-математическую
модель, которая позволяет учесть влияние факторных признаков на исследуемый
зависимый параметр.
Модель имеет аддитивный
характер, так как рассматриваемые факторы не взаимодействуют друг с другом,
следовательно, при построении модели используется сумма факторов, а не их
произведение.
Для оценки факторов
обычно используют коэффициент корреляции - R и коэффициент детерминации -
R-квадрат. Коэффициентом корреляции R определяет степень тесноты связи
результирующего признака Y со всем набором факторных признаков, он может
принимать значения в диапазоне от - 1 до +1, причём если значение находится
ближе к 1, то это означает наличие сильной связи между переменными, а если
ближе к 0, то слабой. Коэффициент детерминации R-квадрат имеет простой смысл -
это показатель того, насколько изменения зависимого признака объясняются изменениями
независимого. Чем ближе R-квадрат к единице, тем точнее уравнение регрессии
описывает эмпирические данные.
Полученные коэффициенты
представлены в таблице:
Таблица 3.1
Коэффициенты
уравнения множественной регрессии
|
b
|
B
|
Уровень
значимости
|
|
Константа
|
|
-15,366325
|
0,
190097
|
|
Экономически
активное население
|
1,0271
|
0,000007
|
0,000517
|
|
Уровень
инфляции
|
0,0339
|
0,279710
|
0,630120
|
Коэффициент детерминации
и коэффициент корреляции, равные соответственно R2 = 0,9983, R =
0,9966 характеризуются хорошими показателями.
После этого окончательная
производственная функция будет иметь вид:
Y (t) = -
15,3663+0,000007x1+0,2797x2 (3.2)
При построении прогнозной
модели необходимо рассмотреть следующие параметры прогноза: период основания,
период упреждения.
Период основания
прогноза, то есть промежуток от настоящего момента в прошлое, на данных
которого строится прогноз, равен 6 годам. Период упреждения (период времени от
настоящего времени в будущее, для которого составляется прогноз) в данной
модели равен 1 году.
Для построения прогноза
выпуска на автомобильном рынке РФ необходимо отобрать факторы, воздействующих
на результативный объект.
На основе двух
переменных, а именно: уровень инфляции и количество экономически активного
населения строится прогнозная модель.
Рассмотрим эти факторы
более подробно.
Рис. 3.1 Изменение уровня
экономически активного населения за 2005-2010гг
y =
-1,497х + 17,533
Рис. 3.2
Изменение уровня инфляции за 2005-2010гг.
Уравнение регрессии для
прогнозируемого объекта выглядит следующим образом:
Y = - 15,3663 + 0,000007*экономически
активное население + 0,2797*Уровень инфляции
Для интерпретации
направления связи между переменными смотрят на знаки «+» или «-» регрессионных
коэффициентов. Если регрессионный коэффициент положителен, то связь этой
переменной с зависимой переменной положительна, если регрессионный коэффициент
отрицателен, то и связь носит отрицательный характер.
Для того чтобы
осуществить прогноз с помощью полученной множественной регрессии необходимо
спрогнозировать факторные признаки. В данном случае это можно осуществить при
помощи уравнений, полученных при построении трендов временных рядов факторов. В
результате получаем следующие данные, представленные в таблице 3.2
Таблица 3.2
Прогноз факторов,
влияющих на количество выпущенных автомобилей
|
Год
|
Экономически
активное население млн. чел
|
Уровень
инфляции, %
|
|
2011
|
16100
|
9
|
Используя данные таблицы
3.2 и полученное уравнение регрессии можно построить прогноз в 2011 году:
Y (t) = -
15,3663+0,000007*16100+0,2797*9 = 93,4 млн. шт.
Во второй главе были
представлены различные сценарии объема автомобильного рынка РФ.
Выше обозначенное
значение было найдено в рамках умеренного сценария, согласно которому
сохранится имеющиеся тенденции.
Согласно
пессимистическому сценарию произойдет увеличение уровня инфляции и
незначительное увеличение экономически активного населения, что повлечет
следующие результаты:
Таблица 3.3
Прогнозные
значения показателей в 2011 году согласно пессимистическому сценарию
|
Наименование
показателей
|
Экономически
активное
население
млн. чел
|
Уровень
инфляции,
%
|
Кол-во
выпущенных
автомобилей,
млн. шт.
|
|
Их
значение
|
13700
|
10
|
78
|
То есть, очевидно, что в
случае реализации данного сценария замедлятся темпы роста ВВП, особо не
увеличатся активы автомобильного рынка на фоне увеличения численности
экономически активного населения. Однако вероятность реализации данного
сценария оценивается как низкая.
Новые прогнозные значения
показателей представлены в таблице:
Таблица 3.4
Прогнозные
значения показателей в 2011 году согласно оптимистическому сценарию
|
Наименование
показателей
|
Экономически
активное
население
млн. чел
|
Уровень
инфляции,
%
|
Кол-во
выпущенных
автомобилей,
млн. шт.
|
|
Их
значение
|
17201
|
8,5
|
100
|
Степень вероятности
осуществления данного сценария средняя и представляется возможным приближение
значения количества выпущенных автомобилей к спрогнозированному и
представленному выше.
Для проведения проверки
точности прогноза в данной работе используются следующие способы верификации:
экспертная, прямая и обратная.
Обратная верификация -
проверка точности прогнозной модели на периоде прогнозной ретроспекции, то есть
проводится сравнение полученных с помощью прогнозной модели значений и значений
исходного временного ряда. Для этого сравним временной ряд в ретроспективе с
2002-2007 гг. и расчетный ряд, построенный с помощью регрессионной модели на
основе значений факторных показателей. Данные представлены в таблице и на
графике:
Таблица 3.5
Сравнение
временных рядов
|
Год
|
Исходный
временной
ряд
|
Расчетный
временной
ряд
|
Абсолютное
отклонение
|
Относительное
отклонение
|
|
2005
|
10,5
|
10,4
|
0,1
|
-0,95
|
|
2006
|
15,4
|
16
|
-0,6
|
3,89
|
|
2007
|
23,9
|
24,8
|
-0,9
|
3,76
|
|
2008
|
35,1
|
34,8
|
0,3
|
-0,85
|
|
2009
|
54,5
|
51,9
|
2,6
|
-4,77
|
|
2010
|
74,2
|
75,7
|
-1,5
|
2,02
|
Таким образом, данные
таблицы свидетельствуют о незначительных отклонениях значений временных рядов.
Рис.3.3
Обратная верификация
Так как прогнозная модель
практически точно повторяет исходные данные, можно считать, что модель прогноза
построена верно.
Прямая верификация
проводится с помощью использования другого, альтернативного метода. В данной
работе использован метод экспоненциального сглаживания. Результаты верификации
представлены на рисунке 3.4.
Рис. 3.4
Экспоненциальное сглаживание
Таблица 3.6
Относительное отклонение
при экспоненциальном сглаживании, %
|
Год
|
2004
|
2005
|
2006
|
2007
|
2008
|
2009
|
2010
|
|
Значение
|
-2,21613
|
-2,21613
|
-2,21613
|
-2,21613
|
-2,21613
|
-2,21613
|
-2,21613
|
Экспертная верификация -
это сопоставление результатов прогноза с мнением экспертов, авторитетных в
данной области.
Таким образом, в целом
построенная модель и полученное прогнозное значение оценивается как
достоверное.
Характеризуя прогноз,
можно утверждать, что он является:
- поисковым, так как
направлен на получение информации о будущем состоянии объекта;
- точечным, потому что
результат представлен в виде единственного значения;
- многомерным, так как он
был составлен для объекта, характеризующегося 2 факторами.
В данной работе для
характеристики автомобильного рынка РФ использовалось количество выпущенных
автомобилей.
Для построения прогноза
был взят временной ряд выпуска автомобилей за 2005-2010 года. Исследование
развития рынка доказало, что на основе представленного временного ряда
представляется возможным построение прогнозного значения количества выпущенных
автомобилей в 2011 году.
Определение факторов
прямо и косвенно влияющих на развитие объекта прогнозирования показало, что на
выпуск автомобилей влияют такие показатели как экономически активное население
и инфляция. На основе данного вывода были разработаны условия прогнозирования,
из которых наибольшей вероятностью обладает оптимистический сценарий, в рамках
которого будет наблюдаться тенденция уровня инфляции.
С помощью метода
нелинейного оценивания в программном обеспечении «Статистика» были найдены
значения регрессионных коэффициентов, поэтому окончательная производственная
функция приняла следующий вид:
Y (t) = -
15,3663+0,000007x1-0,2797x2
На основе взятых факторов
был построен прогноз количества выпущенных автомобилей на 2008 год, который
составил 100 млн. шт.
Для полноты проведенного
анализа была проведена проверка точности прогноза (следовательно, и прогнозной
модели) с помощью обратного, экспертного и прямого методов верификации, которая
показала, что он является достоверным. В результате исследования было выявлено,
что наиболее существенное влияние на выпуск автомобилей влияют выше упомянутые
факторы, поэтому для увеличения выпуска автомобилей следует в первую очередь
разработать программу регулирования этих факторов.
1. Баранов
Э.Ф., Гельвановский М.И. Россия в цифрах 2006: Крат. стат. сб. / Росстат. - М.,
2006. - 447с.
2. Боровиков
В.П., Ивченко Г.И. Прогнозирование в системе STATISTICA в среде Windows. - М.:
Финансы и Статистика, 2008. - 398с.
3. Дуброва
Т.А. Статистические методы прогнозирования: Учеб. пособие для вузов. - М.:
ЮНИТИ - ДАНА, 2008. - 206с.
4. Егоров
В.В., Парсаданов Г.А. Прогнозирование национальной экономики: Учеб. пособие. -
М.: ИНФРА - М, 2009. - 184с.
5.
Ивашковский С.Н. Макроэкономика: Учебник. - 2-е изд., испр. и доп. - М.: Дело,
2009. - 372 с.
6. Колемаев
В.А. Математическая экономика: Учебное пособие. - М.: Дело, 2008. - 372 с.
7. Парсаданов
Г.А. Прогнозирование национальной экономики: Учебник/ Г.А. Парсаданов, В.В.
Егоров. - М.: Высш. шк., 2008. - 304с.
8. Демченко
И.Д. О перспективах развития автомобильного рынка // Экономика и жизнь. - 2007.
- №4. - С.7-8.
9. Новикова
В. Автомобильный рынок РФ: состояние и перспективы // Аналитический журнал. -
2007. - №10. - С.38-40.
10. Ротынских
М. Перспективы развития автомобильного рынка // Аналитический журнал. - 2006. -
№3. - С.77-80.
11. Серебреницкий П. П. Пособие для станочников. Лениздат, 2006г.
320 с.
12. «Справочник конструктора точного приборостроения». Под. ред
Явленского К. Н., Тимофеева Б. П., Чаадаевой Е. Е. Ленинград: «Машиностроение»
2008г. С. 67
13. Справочник по машиностроительным материалам. Т.1. Сталь. Под
ре. Г.И. Погодина-Алексеева. М.: "Государственное научно-техническое
издательство машиностроительной литературы", 2007г. С. 49
14. Стандартизация России /Под ред. В. В. Бойцова. М.: Изд-во
Стандартов, 2008. 470 с.
15. Технологическое обеспечение качества продукции в
машиностроении/Под. ред. Г. Д. Бурдина и С. С. Волосова. М.: Машиностроение,
2007. 289 с.
16. Управление качеством продукции. М.: Московский рабочий, 2006г.
22 с.
17. Худобин Л. В., Бердичевский Е. Г. Техника применения
смазочно-охлаждающих средств в металлообработке. М.: Машиностроение, 2007., 190
с.
18. Шарин Ю. С. Станки с числовым управлением. М.: Машиностроение,
2006. 150 с.
19. Шихельман Г. Л. Фрезерование на прецизионных станках. М.:
Машиностроение, 2007г. 128 с.
20. «Элементы приборных устройств. Курсовое проектирование». Под
ред. Тищенко О.Ф. Высш. школа. 2009г., ч.1,2
21. «Элементы приборных устройств». Под ред. Тищенко О.Ф. Высш.
школа. 2008г, ч.1,2
22. Якушев А. И. Взаимозаменяемость, стандартизация и технические
измерения. Изд. 5-е М.: Машиностроение, 2007г. 344 с.
23.
Официальный сайт Федеральной Службы Статистики РФ: www.gks.ru
24. Официальный
сайт программного обеспечения «Статистика 6.0. «: www.statsoft.ru
Таблица. Объемы выпуска автомобилей с 2005-2010 годы
|
Годы
|
Кварталы
|
Количество
выпущенных автомобилей
автомобильной
промышленностью в РФ, млн. шт.
|
|
2005
|
I
|
7,6
|
|
II
|
8,4
|
|
III
|
9,4
|
|
IV
|
10,5
|
|
2006
|
I
|
11,5
|
|
II
|
12,5
|
|
III
|
13,8
|
|
IV
|
15,4
|
|
2007
|
I
|
16,7
|
|
II
|
18,5
|
|
III
|
21,2
|
|
IV
|
23,9
|
|
2008
|
I
|
25,9
|
|
II
|
28,6
|
|
III
|
30,2
|
|
IV
|
35,1
|
|
2009
|
I
|
38,4
|
|
II
|
42,5
|
|
III
|
47,0
|
|
IV
|
54,5
|
2010
|
I
|
57,6
|
|
II
|
62,5
|
|
III
|
67,7
|
|
IV
|
74,2
|
ПРИЛОЖЕНИЕ 2
Автомобилизация
населения регионов России в 1977 2009 гг.
|
Ранг
|
Регион
|
Автомобилизация
населения, машин/1000 чел.
|
Прирост в 2000 — 2009
гг., %
|
|
1977
|
1992
|
2000
|
2004
|
2007
|
2009
|
|
1
|
г. Москва
|
14,3
|
53,0
|
113,1
|
188,8
|
223,8
|
256,2
|
126,5
|
|
2
|
Ханты-Мансийский а.о.
|
2,1
|
37,6
|
87,4
|
180,1
|
198,9
|
224,9
|
157,3
|
|
3
|
Калининградская обл.
|
5,8
|
40,2
|
106,1
|
205,2
|
208,0
|
220,8
|
108,1
|
|
4
|
Камчатская обл.
|
4,4
|
45,1
|
105,9
|
140,1
|
165,7
|
215,4
|
103,4
|
|
5
|
Московская обл.
|
8,6
|
44,3
|
81,3
|
131,5
|
148,5
|
203,2
|
149,9
|
|
6
|
г. Санкт-Петербург
|
10,4
|
40,9
|
90,9
|
147,9
|
183,7
|
194,5
|
114,0
|
|
7
|
Тюменская обл.
|
3,5
|
43,1
|
85,5
|
150,7
|
170,4
|
188,6
|
120,6
|
|
8
|
Краснодарский край
|
7,6
|
60,8
|
93,7
|
140,9
|
166,7
|
187,2
|
99,8
|
|
9
|
Сахалинская обл.
|
5,5
|
49,2
|
134,7
|
206,9
|
183,0
|
185,4
|
37,6
|
|
10
|
Самарская обл.
|
6,8
|
49,7
|
84,3
|
147,2
|
163,0
|
179,4
|
112,8
|
|
11
|
Воронежская обл.
|
5,3
|
50,8
|
90,1
|
127,7
|
105,8
|
174,4
|
93,6
|
|
12
|
Приморский край
|
5,1
|
44,0
|
95,7
|
181,4
|
202,1
|
167,5
|
75,0
|
|
13
|
Республика Хакасия
|
…
|
62,1
|
97,2
|
121,9
|
148,0
|
166,1
|
70,9
|
|
14
|
Республика Карелия
|
2,5
|
39,2
|
89,2
|
130,0
|
148,7
|
164,2
|
84,1
|
|
15
|
Ставропольский край
|
6,8
|
63,9
|
81,9
|
122,5
|
140,3
|
160,3
|
95,7
|
|
16
|
Ямало-Ненецкий а.о.
|
1,4
|
10,9
|
59,2
|
126,5
|
147,9
|
159,0
|
168,6
|
|
17
|
Белгородская обл.
|
3,5
|
44,0
|
89,8
|
112,8
|
137,3
|
158,6
|
76,6
|
|
18
|
Оренбургская обл.
|
5,3
|
60,8
|
91,1
|
117,6
|
132,6
|
158,4
|
73,9
|
|
19
|
Ленинградская обл.
|
4,5
|
32,2
|
59,8
|
96,5
|
139,8
|
157,3
|
163,0
|
|
20
|
Ростовская обл.
|
9,2
|
59,6
|
89,8
|
127,1
|
141,6
|
155,7
|
73,4
|
|
21
|
Республика Адыгея
|
4,2
|
66,4
|
111,3
|
135,4
|
154,4
|
152,3
|
36,8
|
|
22
|
Хабаровский край
|
3,2
|
32,8
|
72,1
|
147,5
|
130,0
|
151,6
|
110,3
|
|
23
|
Магаданская обл.
|
3,2
|
31,1
|
85,8
|
113,7
|
136,7
|
150,5
|
75,4
|
|
…
|
Россия
|
5,5
|
44,5
|
75,7
|
113,7
|
132,4
|
147,7
|
95,1
|
|
24
|
Амурская обл.
|
3,3
|
42,2
|
85,1
|
130,5
|
134,7
|
147,5
|
73,3
|
|
25
|
Республика
Башкортостан
|
3,8
|
44,4
|
70,9
|
108,0
|
124,6
|
143,5
|
102,4
|
|
26
|
Челябинская обл.
|
8,2
|
52,1
|
82,9
|
107,2
|
126,0
|
142,5
|
71,9
|
|
27
|
Липецкая обл.
|
3,4
|
38,5
|
60,3
|
97,1
|
131,6
|
141,6
|
134,8
|
|
28
|
Мурманская обл.
|
5,1
|
53,9
|
91,7
|
112,4
|
134,2
|
141,2
|
54,0
|
|
29
|
Волгоградская обл.
|
6,0
|
58,3
|
86,4
|
104,2
|
122,4
|
141,0
|
63,2
|
|
30
|
Иркутская обл.
|
5,1
|
56,6
|
90,6
|
128,4
|
133,4
|
140,8
|
55,4
|
|
31
|
Тамбовская обл.
|
2,5
|
34,5
|
61,4
|
94,1
|
122,7
|
139,1
|
126,5
|
|
32
|
Саратовская обл.
|
7,5
|
53,6
|
85,6
|
110,2
|
123,3
|
135,3
|
58,1
|
|
33
|
Курганская обл.
|
5,8
|
65,4
|
98,3
|
114,9
|
113,4
|
133,7
|
36,0
|
|
34
|
Омская обл.
|
4,6
|
44,7
|
69,2
|
103,1
|
125,3
|
133,4
|
92,8
|
|
35
|
Еврейская АО
|
…
|
27,7
|
48,9
|
90,2
|
113,2
|
133,1
|
172,2
|
|
36
|
Удмуртская Республика
|
5,4
|
43,8
|
66,4
|
87,1
|
109,7
|
131,9
|
98,6
|
|
37
|
Рязанская обл.
|
3,4
|
35,2
|
58,2
|
88,1
|
111,7
|
131,4
|
125,8
|
|
38
|
Тверская обл.
|
3,0
|
33,0
|
61,0
|
83,7
|
113,6
|
130,0
|
113,1
|
|
39
|
Астраханская обл.
|
2,9
|
31,1
|
59,0
|
77,4
|
95,9
|
129,5
|
119,5
|
|
40
|
Орловская обл.
|
3,0
|
38,6
|
65,5
|
94,7
|
112,7
|
128,4
|
96,0
|
|
41
|
Тульская обл.
|
4,7
|
39,7
|
65,0
|
94,2
|
116,1
|
128,3
|
97,4
|
|
42
|
Вологодская обл.
|
2,1
|
26,9
|
49,9
|
89,4
|
113,1
|
127,7
|
155,9
|
|
43
|
Томская обл.
|
4,0
|
48,6
|
93,8
|
98,7
|
124,2
|
126,0
|
34,3
|
|
44
|
Республика Северная
Осетия — Алания
|
6,5
|
56,8
|
72,6
|
99,9
|
113,4
|
126,0
|
73,6
|
|
45
|
Ульяновская обл.
|
3,4
|
39,5
|
65,0
|
94,2
|
114,8
|
125,7
|
93,4
|
|
46
|
Калужская обл.
|
4,7
|
42,4
|
67,0
|
94,6
|
114,0
|
125,5
|
87,3
|
|
47
|
Псковская обл.
|
3,1
|
42,0
|
71,0
|
104,1
|
119,3
|
125,3
|
76,5
|
|
48
|
Красноярский край
|
4,7
|
49,0
|
93,9
|
112,1
|
111,9
|
123,2
|
31,2
|
|
49
|
Нижегородская обл.
|
4,1
|
33,6
|
53,7
|
80,0
|
105,0
|
122,6
|
128,3
|
|
50
|
Республика Калмыкия
|
3,3
|
50,8
|
77,2
|
97,1
|
104,9
|
122,3
|
58,4
|
|
51
|
Республика Саха
(Якутия)
|
4,5
|
43,9
|
79,1
|
113,3
|
108,5
|
120,8
|
52,7
|
|
52
|
Кемеровская обл.
|
6,7
|
50,2
|
74,6
|
101,1
|
114,8
|
120,3
|
61,3
|
|
53
|
Алтайский край
|
3,2
|
56,9
|
82,9
|
110,4
|
125,1
|
118,8
|
43,3
|
|
54
|
Курская обл.
|
2,6
|
23,7
|
36,6
|
78,7
|
107,6
|
118,3
|
223,2
|
|
55
|
Читинская обл.
|
3,0
|
51,4
|
70,1
|
110,9
|
108,1
|
117,2
|
67,2
|
|
56
|
Республика Татарстан
|
2,8
|
31,1
|
54,4
|
97,1
|
108,2
|
116,9
|
114,9
|
|
57
|
Агинский Бурятский
а.о.
|
5,8
|
57,8
|
79,0
|
92,0
|
89,4
|
116,8
|
47,8
|
|
58
|
Республика Коми
|
3,1
|
40,2
|
58,0
|
96,9
|
102,4
|
115,5
|
99,1
|
|
59
|
Республика Алтай
|
2,2
|
39,3
|
75,0
|
86,6
|
103,8
|
115,3
|
53,7
|
|
60
|
Владимирская обл.
|
3,1
|
34,8
|
56,4
|
82,8
|
102,5
|
115,2
|
104,3
|
|
61
|
Кабардино-Балкарская Республика
|
7,6
|
65,9
|
87,0
|
94,6
|
106,9
|
112,8
|
29,7
|
|
62
|
Свердловская обл.
|
6,6
|
41,3
|
66,7
|
89,4
|
97,2
|
112,6
|
68,8
|
|
63
|
Костромская обл.
|
2,1
|
31,0
|
59,6
|
72,1
|
95,3
|
111,1
|
86,4
|
|
64
|
Новгородская обл.
|
3,8
|
32,9
|
48,7
|
81,4
|
100,5
|
109,5
|
124,8
|
|
65
|
Пензенская обл.
|
2,9
|
34,5
|
57,0
|
80,7
|
101,2
|
108,8
|
90,9
|
|
66
|
Смоленская обл.
|
3,1
|
40,8
|
66,5
|
87,6
|
99,9
|
108,7
|
63,5
|
|
67
|
Карачаево-Черкесская Республика
|
…
|
66,0
|
91,7
|
80,1
|
95,0
|
108,5
|
18,3
|
|
68
|
Пермская обл.
|
2,9
|
29,3
|
47,5
|
67,8
|
102,8
|
106,0
|
123,2
|
|
69
|
Кировская обл.
|
2,8
|
35,6
|
52,9
|
69,2
|
83,6
|
103,8
|
96,2
|
|
70
|
Ярославская обл.
|
3,2
|
32,1
|
52,5
|
80,1
|
98,1
|
103,0
|
96,2
|
|
71
|
Новосибирская обл.
|
5,6
|
52,3
|
73,3
|
88,6
|
96,2
|
99,8
|
36,2
|
|
72
|
Архангельская обл.
|
1,7
|
27,2
|
51,5
|
71,4
|
85,7
|
99,5
|
93,2
|
|
73
|
Республика Тыва
|
4,4
|
47,0
|
52,1
|
60,7
|
90,4
|
95,0
|
41,1
|
|
74
|
Республика Мордовия
|
1,7
|
28,2
|
47,9
|
65,9
|
78,6
|
92,0
|
62,1
|
|
75
|
Республика Марий Эл
|
1,8
|
28,7
|
43,5
|
61,9
|
75,4
|
91,6
|
110,6
|
|
76
|
Ивановская обл.
|
3,8
|
29,2
|
44,9
|
88,7
|
95,4
|
90,4
|
101,3
|
|
77
|
Республика Бурятия
|
4,1
|
45,2
|
72,6
|
75,1
|
76,2
|
87,8
|
20,9
|
|
78
|
Усть-Ордынский Бурятский
а.о.
|
…
|
59,4
|
67,6
|
80,6
|
69,7
|
85,1
|
25,9
|
|
79
|
Ненецкий а.о.
|
0,8
|
17,0
|
34,2
|
42,3
|
54,0
|
81,5
|
138,3
|
|
80
|
Чечня (до 1993 г. — Чечено-Ингушетия)
|
5,9
|
42,5
|
…
|
38,8
|
…
|
79,7
|
…
|
|
81
|
Чувашская Республика
|
1,6
|
19,4
|
33,8
|
51,7
|
64,3
|
70,7
|
109,2
|
|
82
|
Брянская обл.
|
1,7
|
24,3
|
34,6
|
45,6
|
57,6
|
65,9
|
90,5
|
|
83
|
Республика Ингушетия
|
…
|
…
|
…
|
…
|
54,8
|
56,9
|
…
|
|
84
|
Республика Дагестан
|
2,3
|
27,5
|
38,6
|
45,7
|
53,5
|
56,2
|
45,6
|
|
85
|
Таймырский (Долгано- Ненецкий
а.о.)
|
0,4
|
10,4
|
17,2
|
25,0
|
40,9
|
50,0
|
190,7
|
|
86
|
Коми-Пермяцкий а.о.
|
1,0
|
18,9
|
23,0
|
19,4
|
27,2
|
34,9
|
51,7
|
|
87
|
Корякский а.о.
|
0,1
|
…
|
8,3
|
…
|
16,6
|
18,6
|
124,1
|
|
88
|
Чукотский а.о.
|
…
|
6,3
|
9,5
|
14,1
|
15,1
|
17,7
|
86,3
|
|
89
|
Эвенкийский а.о.
|
…
|
10,4
|
12,0
|
8,3
|
9,4
|
8,6
|
–28,3
|
ПРИЛОЖЕНИЕ 3
Полный список регионов России по
обеспеченности автомобилями (Расчетная обеспеченность населения автомобилями на
тыс. чел. в 2009 г.), ВРП, душевому доходу
|
Регион
|
Обеспеченность
автомобилями
|
Душевой ВРП по ППС, долл
|
Средние денежные
доходы в мес., руб
|
Процент иномарок из
общего количества автомобилей
|
|
г. Москва
|
304
|
41514
|
29802
|
77
|
|
г. Санкт-Петербург
|
303
|
15646
|
14097
|
72
|
|
Калининградская
область
|
296
|
21375
|
8887
|
83
|
|
Московская область
|
294
|
38761
|
10797
|
71
|
|
Сахалинская область
|
284
|
26657
|
16211
|
74
|
|
Приморский край
|
279
|
28574
|
9040
|
65
|
|
Камчатская область
|
273
|
37820
|
13350
|
82
|
|
Тюменская область
|
273
|
67840
|
7820
|
54
|
|
Ленинградская область
|
272
|
14560
|
12780
|
69
|
|
Магаданская область
|
256
|
15575
|
9650
|
46
|
|
Республика Карелия
|
255
|
12750
|
13750
|
72
|
|
Самарская область
|
250
|
13480
|
11540
|
62
|
|
Краснодарский край
|
250
|
9198
|
7220
|
61
|
|
Свердловская область
|
249
|
13055
|
11010
|
54
|
|
Смоленская область
|
245
|
12319
|
6870
|
52
|
|
Тульская область
|
244
|
11950
|
6640
|
46
|
|
Новосибирская область
|
243
|
10120
|
8410
|
61
|
|
Липецкая область
|
242
|
7999
|
7710
|
57
|
|
Воронежская область
|
235
|
15670
|
7020
|
54
|
|
Вологодская область
|
234
|
14740
|
8680
|
62
|
|
Республика
Башкортостан
|
233
|
10774
|
8910
|
63
|
|
Оренбургская область
|
231
|
14590
|
6180
|
54
|
|
Калужская область
|
230
|
13865
|
7110
|
41
|
|
Республика Адыгея
|
227
|
7920
|
4710
|
47
|
|
Псковская область
|
225
|
9365
|
6380
|
51
|
|
Курганская область
|
222
|
7401
|
6540
|
54
|
|
Красноярский край
|
221
|
18143
|
9250
|
56
|
|
Ростовская область
|
219
|
8462
|
7550
|
63
|
|
Рязанская область
|
217
|
7840
|
6180
|
52
|
|
Ставропольский край
|
216
|
6660
|
6590
|
63
|
|
Новгородская область
|
215
|
9450
|
7210
|
46
|
|
Астраханская область
|
213
|
9169
|
7090
|
47
|
|
Республика Хакасия
|
213
|
8430
|
6372
|
52
|
|
Белгородская область
|
211
|
7894
|
7091
|
54
|
|
Челябинская область
|
210
|
10963
|
8617
|
51
|
|
Тверская область
|
208
|
9540
|
7356
|
67
|
|
Республика Алтай
|
204
|
12340
|
5470
|
57
|
|
Саратовская область
|
203
|
9450
|
6135
|
52
|
|
Алтайский край
|
203
|
7135
|
6255
|
53
|
|
Тамбовская область
|
202
|
8430
|
6871
|
56
|
|
Омская область
|
202
|
10719
|
8997
|
58
|
|
Костромская область
|
202
|
8930
|
6233
|
43
|
|
Волгоградская область
|
200
|
9637
|
8675
|
62
|
|
Республика Коми
|
200
|
24955
|
13410
|
67
|
|
Забайкальский кр.
|
200
|
7125
|
7846
|
59
|
|
Орловская область
|
197
|
8245
|
5883
|
54
|
|
Кемеровская область
|
196
|
10450
|
9445
|
57
|
|
Республика Татарстан
|
196
|
7351
|
9372
|
46
|
|
Курская область
|
196
|
8947
|
6706
|
58
|
|
Мурманская область
|
195
|
9856
|
12580
|
49
|
|
Нижегородская область
|
194
|
7495
|
8016
|
57
|
|
Ульяновская область
|
194
|
8655
|
6157
|
42
|
|
Томская область
|
193
|
16376
|
9896
|
38
|
|
Иркутская область
|
192
|
7385
|
8684
|
53
|
|
Владимирская область
|
192
|
7485
|
5684
|
47
|
|
Удмуртская республика
|
192
|
9376
|
6120
|
49
|
|
Пермский край
|
192
|
12243
|
10985
|
52
|
|
Карачаево-Черкесская
респ,
|
190
|
11674
|
5534
|
51
|
|
Амурская область
|
189
|
7874
|
7232
|
45
|
|
Пензенская область
|
187
|
6784
|
5658
|
34
|
|
Кировская область
|
186
|
9863
|
5772
|
32
|
|
Ярославская область
|
185
|
10430
|
8153
|
41
|
|
Республика Бурятия
|
185
|
9291
|
7020
|
43
|
|
Республика Калмыкия
|
183
|
8957
|
3524
|
31
|
|
Респ. Сев. Осетия
(Алания)
|
183
|
6495
|
6028
|
58
|
|
Архангельская область
|
177
|
8966
|
9541
|
42
|
|
Хабаровский край
|
167
|
11867
|
8763
|
44
|
|
Республика Мордовия
|
167
|
8696
|
4882
|
47
|
|
Ивановская область
|
162
|
7534
|
4465
|
49
|
|
Республика Саха
(Якутия)
|
156
|
5209
|
13632
|
78
|
|
Республика Марий-Эл
|
148
|
5563
|
4912
|
36
|
|
Кабардино-Балкарская
р.
|
146
|
7843
|
5082
|
39
|
|
Еврейская АО
|
135
|
7439
|
7397
|
62
|
|
Чувашская республика
|
133
|
5672
|
5384
|
41
|
|
Брянская область
|
123
|
6112
|
6111
|
37
|
|
Республика Тыва
|
120
|
7845
|
4720
|
32
|
|
Республика Ингушетия
|
94
|
5764
|
2925
|
54
|
|
Чукотский АО
|
79
|
8437
|
24330
|
72
|
|
Чеченская республика
|
75
|
6110
|
…
|
…
|
|
Республика Дагестан
|
71
|
7854
|
6261
|
73
|