Отделение статистики, анализа данных и демографии статистические методы анализа экономики и общества
Скачать 2.49 Mb.
|
СТАТИСТИЧЕСКИЙ АНАЛИЗ РЫНКА ИНТЕРНЕТ-ТОРГОВЛИ Сабинина Александра Владимировна (Дубна, МУПОЧ «Дубна») Интернет-торговля является одним из самых динамично-развивающихся видов электронной коммерции. Количественные исследования в маркетинге отвечают на вопросы «сколько» и «кто», дают возможность развиваться и быть конкурентоспособными продавцу, помогают произвести необходимые изменения в товаре или услуге, для того, чтобы клиент покупал чаще и больше. Это особенно актуально при анализе «виртуального» рынка, где изменения могут носить стремительный и кардинальный характер. В настоящий момент структура заказов по способу поиска товара и способу приобретения выглядит следующим образом (табл. 1). Таблица 1
Таким образом, около 90% пользователей используют Интернет как средство поиска информации о товаре. В целом продажа товаров занимает небольшую долю в целом множестве услуг, оказываемых посредством Интернета. Продажа авиа- и железнодорожных билетов, электронные платежи за оказанные услуги (в основном оплата связи) – являются самыми частыми из видов сделок. Однако по товарообороту, покупка товаров через сеть имеет высокую долю в объеме всех продаваемых товаров. Причем, по данным совместного исследования компаний Google и Ситибанк, больше половины всех покупок в Интернете делают москвичи, и около 20% - жители Санкт-Петербурга. Интернет остается также полезным источником информации не только о характеристиках товара, но и об отзывах, его местоположении продавца и ценовом спектре. Так сервис Яндекс-Маркет является хорошим индикатором и помощником в выборе товара на той или иной площадке, по той или иной цене. По данным службы с 2008 года по настоящий момент можно наблюдать рост числа посещений, причем на всем временном промежутке он имеет сезонный характер. Так количество ежемесячных посещений увеличивается на 13% в январе и падает на 12% в июле по сравнению с линейным трендом. Данные колебания можно объяснить увеличением желающих купить или найти подарок к праздникам, особенно к Новому году. Линейная зависимость времени и числа посещений является достаточно точной моделью (коэффициент детерминации равен 0,93), поэтому можно сделать точный прогноз с учетом сезонного фактора. Таким образом, в декабре 2012г. число ежемесячных посещений по прогнозу достигнет 16,2 млн чел, а к концу 2013 – 17,5 млн чел. В 2010 году доступ в Интернет имели 43,3 млн чел. (те, кто выходил хотя бы раз в месяц), и почти 30 млн. из них – это ежедневная аудитория. По данным компании Nielsen в 2010 г. 90 % людей, имеющие доступ к сети, делали интернет-покупку хотя бы один раз. Треть интернет-пользователей в России, совершавших покупки онлайн, делали это в течение последнего месяца. Рынок интернет-продаж является достаточно перспективным с точки зрения и покупателя и продавца. Об этом можно судить, принимая во внимание следующие факторы:
Литература
ЭКОНОМЕТРИЧЕСКИЙ АНАЛИЗ СТРАТИФИКАЦИИ РЕГИОНОВ ПО СТЕПЕНИ ИННОВАЦИОННОГО РАЗВИТИЯ Сергеева Анна Николаевна (Москва, МЭСИ) В настоящее время в России актуальным является вопрос перевода экономики страны на инновационный путь развития. Наряду с этапами исследования инновационный механизм включает в себя, получение результатов и их внедрение. Процесс внедрения с экономической точки зрения наиболее важен, так как во время него инновации из категории объектов инвестиционной деятельности переходят в категорию материальных ресурсов.  Рисунок 1. Уровень экономической активности населения, 2009 г., в % Для оценки инвестиционной привлекательности регионов была проведена стратификация регионов. Для анализа был выбран показатель внутренних затрат на научные исследования и разработки за 2009 год, так как он охватывает сразу две интересующие сферы изучения: инвестиции и инновации. Предварительно был проведен содержательный анализ изучаемого признака, диаграмма распределения которого позволила предположить наличие 3-х однородных групп, распределение которых носит характер логарифмически нормального распределения. Наблюдается значительная дифференциация между регионами, особенно при рассмотрении Москвы, в сравнении с остальными. Также можно отметить, что наблюдается нечеткое разделение регионов на 3 группы. Для проведения квалификации была использована методика расщепления смеси вероятностных распределений. По характеру распределения было определено число групп с различной интенсивностью развития результативной переменной, таким образом, после проведения анализа, были выявлены 3 страты: регионы с низкой, средней и высокой инвестиционной привлекательностью в инновационные разработки. Получение оценки параметров страт методом максимального правдоподобия позволило охарактеризовать каждую из них. Распределение регионов позволяет выявить наиболее благоприятную среду для инвестирования. Также для анализа характеристик страт были выбраны следующие показатели, также являющиеся значимыми для оценки инвестиционной привлекательности инновационных предприятий в региональном разрезе: потребительские расходы, инвестиции в основной капитал, число организаций выполнявших научные исследования и разработки, число созданных передовых производственных технологий, затраты на технологические инновации. Таблица 1 Характеристики распределения
По данным таблицы 1 видно, что наибольшее количество регионов вошло во вторую страту, которая характеризуется средней привлекательностью для инвестирования. Для того чтобы более подробно изучить характеристики самих страт необходимо провести анализ значений факторов внутри полученных групп (кластеров).Характерными признаками наиболее инновационно развитых регионов являются большое число предприятий, занимающихся научными исследованиями и разработками (практически на 30% превышает средний соответствующий показатель по второй страте), а также число созданных передовых производственных технологий (почти на 40% превышает средний уровень по второй страте). Большое количество предприятий, специализирующихся на инновациях, требует достаточно большого количество затрат, ввиду долгосрочной перспективы окупаемости полученных продуктов, поэтому для достижения наибольшего развития необходимо уже сейчас вкладываться в эти регионы. Главным инструментом технологического прорыва является поворот инвестиций к инновациям, инновационному предпринимательству, на что следует направить имеющиеся в руках государства силы и средства. Литература
Решение задачи прогнозирования цен на электроэнергию на рынке "На сутки вперед" эконометрическими методами Смирнова Евгения Олеговна (Иркутск, ИГУ) Реформирование электроэнергетики и введение с 2006 года Нового оптового рынка электроэнергии и мощности (НОРЭМ) ставит электроэнергетические компании в новые конкурентные условия, и поэтому задача прогнозирования цен РСВ (рынка на сутки вперед) становится все более актуальной. В частности, экстраполированные значения цен РСВ необходимы организациям, регулирующим энергосистему, для обоснования своей финансовой стратегии на рынке и определения доли электроэнергии, вырабатываемой на собственных станциях. [1] Прогнозирование цен РСВ заключается в построении модели на основании исторических данных для предсказания будущих наиболее точных значений цен. Сложность прогнозирования таких цен состоит в том, что расчетная модель рынка, которая определяет эти цены РСВ, ежегодно меняется. [2] При решении задачи известны ежедневные цены РСВ (переменная y) за 4 года (2008-2011). [3] В качестве возможных факторов, оказывающих влияние на поведение цен РСВ, помимо тренда, включены данные о погоде (средние дневные и ночные температуры), продолжительности светового дня, динамика ИПЦ, цен на топливо и курса валют (доллар, евро). Также в модели учитывались дни недели и праздники. Моделью, наиболее точно описывающей исходные данные, оказалась линейная модель множественной регрессии. Отбор влияющих факторов проводился с помощью корреляционного и регрессионного анализа. В результате с уровнями значимости α=0,05(*) и α=0,01(**) значимыми оказались как объективные факторы (дневная температура воздуха (  ), длина светового дня ( ), дни недели ( ) и праздники ( )), так и субъективные (динамика цен на газ ( ) и евро ( )): Коэффициент детерминации данной модели составляет 36%. Моделью, адекватно описывающей поведение случайных остатков  анализируемого временного ряда  , оказалась модель авторегрессии первого порядка AR(1): Коэффициент детерминации с учетом данной модели увеличился до  , то есть теперь 68% вариации результирующего признака объясняется изменением регрессоров и поведением случайной компоненты (рис.1).Рисунок 1. Фактические и прогнозные значения цен на электроэнергию за 2008-2011 г.г. Литература
СТРАНЫ БРИКС. ИХ УРОВЕНЬ ЖИЗНИ В СОПОСТАВЛЕНИИ С ДРУГИМИ СТРАНАМИ Собко Эдуард Олегович (Москва, МЭСИ) Страны БРИКС – это группа, состоящая из пяти быстроразвивающихся экономик мира. Выгодное положение этим странам обеспечивает наличие в них большого количества важных для мировой экономики ресурсов. В конечном итоге, прогнозируется, что значительные размеры экономик этих стран в будущем позволит им трансформировать экономический рост в политическое влияние, что приведёт к формированию новой экономической элиты и снизит влияние США. На данный момент, в исследовательских целях интерес представляет сравнения уровня жизни в странах БРИКС с уровнем жизни в других странах, которые как правило подразделяют на развитые и развивающиеся. В нашей работе мы исследовали совокупность данных, состоящую из 45 наблюдений (стран мира), по 10 различным показателям. Мы преднамеренно выбирали страны с разным уровнем развития и различным географическим положением. Десять показателей выбирались таким способом, чтобы наиболее репрезентативно охарактеризовать такой показатель как уровень жизни населения. Целью исследования является получение характеристики уровня развития стран БРИКС относительно других стран в разрезе уровня жизни населения. В итоге мы получили разбиение стран на 4 группы. Эти группы характеризуются разным уровнем жизни населения. Первый кластер состоял из одной страны – США. Во второй попали страны с развитой экономикой, такие как Япония Германия и Франция. Третий кластер составили страны западной и центральной Европы, за исключением стран попавших во второй кластер. Четвёртый кластер состоит из некоторых стран восточной Европы, Турции и др. Далее нами был проведён дискриминантный анализ, который определил принадлежность стран БРИКС к той или иной группе. Россия и Китай были включены во второй кластер, вместе с «развитыми странами Европы». Бразилия и Индия были отнесены к странам третьего кластера, а ЮАР попала в четвёртый кластер. Безусловно данное разбиение обусловлено взятыми показателями, однако необходимо отметить, что многие эксперты высказывают предположения о подобных классификациях стран. Следовательно результаты нашего исследования подтверждают данные предположения. ПРОБЛЕМЫ ПОСТРОЕНИЯ РЕЙТИНГОВОЙ ОЦЕНКИ РОССИЙСКИХ ПАЕВЫХ ИНВЕСТИЦИОННЫХ ФОНДОВ Спиридонова Антонина Владимировна (Саратов, СГУ) Одними из самых главных вопросов для потенциальных инвесторов являются вопросы оценки эффективности работы того или иного ПИФа и сравнения деятельности нескольких фондов. Оценка эффективности деятельности непосредственно связана с качеством управления инвестиционным портфелем фонда и, как правило, опирается на следующие показатели: • Стоимость чистых активов фонда и стоимость одного пая в динамике, динамика количества паев фонда; • Доходность фонда за определенный период; • Оценка степени риска инвестиционного портфеля фонда; • Соотношение рискованности вложений фонда и его доходности. Подобная методика с определенными модификациями используетсяуправляющими ведущих российских фондов для оценки эффективности управления инвестиционным портфелем, а также ведущими аналитиками для оценки эффективности работы ПИФов. Однако при использовании вышеописанных коэффициентов на российском рынке возникают такие проблемы, как: • отсутствие безрискового актива на российском фондовом рынке; • отсутствие признанного индекса облигаций; • неадекватности сравнения эффективности управления паевыми фондами синдексом РТС. В докладе обсуждаются результаты многофакторного анализа ПИФовРоссии на 22.12.2011, основанных не только на динамике прошлой доходности (коэффициенты Шарпа, Альфа, Бета), но и таких факторов как время жизни фонда, информационная прозрачность фонда и динамика изменения стоимости чистых активов фонда. Для примера приведён рейтинг ПИФов акций и смешанных инвестиций (на 22.12.2011). |
Похожие:
 | Программа дисциплины " Многомерные статистические методы" для направления... Экстернат – самостоятельное изучение обучающимся дисциплин согласно основной образовательной программе высшего профессионального... | | Программа дисциплины " Эконометрика " для направления 080100. 62... Гос впо по специальности 080507. 65 Менеджмент организации, утвержденными 17 марта 2000, №234 эк/сп |
| Программа дисциплины " Эконометрика-2" для направления 080100. 68... Гэ по русскому языку и литературе. Данная программа позволяет подготовиться к сдаче егэ. Особенностью данного курса является то,... | | Отчет о лаботарорной работе методы и средства анализа данных по теме:... Методы классификации, Data Mining, метод байеса, 8, id3, 1R, svm, ассоциативные правила, метод априори |
| Отчет о лаботарорной работе методы и средства анализа данных по теме:... Методы классификации, data mining, метод байеса, 8, id3, 1R, svm, ассоциативные правила, метод априори | | Отчет о лаботарорной работе методы и средства анализа данных по теме:... Методы классификации, data mining, метод байеса, 8, id3, 1R, svm, ассоциативные правила, метод априори |
| Отчет о лаботарорной работе методы и средства анализа данных по теме:... Методы классификации, data mining, метод байеса, 8, id3, 1R, svm, ассоциативные правила, метод априори | | Отчет о лаботарорной работе методы и средства анализа данных по теме:... Методы классификации, data mining, метод байеса, 8, id3, 1R, svm, ассоциативные правила, метод априори |
| Отчет о лаботарорной работе методы и средства анализа данных по теме:... Методы классификации, data mining, метод байеса, 8, id3, 1R, svm, ассоциативные правила, метод априори | | Факультет экономики ... |
 | Статистические методы анализа языка как способ повышения эффективности... Утверждена отделом документационно-содержательного обеспечения учебного процесса Ургпу | | Отчет о лабораторной работе методы и средства анализа данных по теме:... «Лабораторная работа с системой анализа данных Weka. Сравнение методов классификации» |
| Отчет о лабораторной работе методы и средства анализа данных по теме:... «Лабораторная работа с системой анализа данных Weka. Сравнение методов классификации» | | Рабочая программа по дисциплине Аналитическая химия и физико-химические методы анализа Цели и задачи дисциплины: Освоение теоретических основ современных химических методов анализа, аналитических методик и приемов, статистической... |
| Конспект лекций по системному анализу Лекция: История, предмет, цели системного анализа 2 Рассматриваются история развития и предмет системного анализа, системные ресурсы общества, предметная область системного анализа,... | | Анализа данных-4: анализ издержки-выгод Методы анализа данных-4: анализ издержки-выгоды, анализ издержки-эффективность (17 ноября 2005)1 |
