Необходимостта от количествено измерване на състоянието и динамиката на явленията и процесите, свързани с външноикономическата дейност, е осъзната още отдавна. По време на близо сто и двадесет годишното си съществуване, националната ни статистика на външната търговия непрекъснато се е развивала. Основните направления на това развитие се свеждат до усъвършенстване на методологията на наблюдение, до стремежа към по-пълно обхващане на единиците на наблюдение и до подобряване на организацията на статистическото изучаване на износа и вноса.

Статистическото изследване на вноса и износа е необходимо за формиране на текущата сметка на платежния баланс, за националните сметки на страната, за формиране на обема и стойността на световната търговия, за търговската политика на страната.

2. Цел на изследването

Конкретната цел на това изследване е да установя съществуват ли закономерности в изменението на вноса и износа на страната по основни стокови групи (храни, цигари, напитки). Както посочих вече, това ще е необходимо за избор на подходяща външнотърговска политика на страната.

За реализирането на тази цел съм си поставила следните основни задачи:

- Критичен преглед на международните препоръки и класификации в областта на външната търговия;

- Изследване на тенденциите на развитие чрез подходящи статистически водели по основни стокови групи за периода 1996 – 2002 г.

- Моделиране на сезонната вълна по основни стокови групи за периода 1996-2002 г.

- Разработване на краткосрочна екстраполационна прогноза за развитието на вноса и износа по месеци за 2003 г.

ПЪРВА ГЛАВА

МЕТОДОЛОГИЧЕСКИ ХАРАКТЕРИСТИКИ НА ИЗСЛЕДВАНЕТО

1. Обект на изследването

Обект на наблюдение от външнотърговската статистика е движението на стоки, преминаващи статистическата територия на страната на търговска и нетърговска основа. Техният внос или износ трябва задължително да увеличава или да намалява материалните ресурси на страната.

От 1992 година в износа и вноса се включва и стойността на стоките, подлежащи на преработка с обратното им връщане в съответната страна. До 1991 година се е включвала само стойността на промишлената продукция. От 1992 г. се включват още: износът и вносът на стоки, доставени безвъзмездно; количествата на изнесените и внесените стоки са в нето тегла по съответната мярка, а стоковите групи от 92 г. - в хил. тонове. В износа и вноса не са включени:

Ø изнесените и внесените стоки за консигнационна продажба;

Ø временният износ и временният внос с обратно връщане в неизменно състояние; транзитът на стоки; покъщнината и превозните средства на изселници (преселници) и личните вещи и покъщнината на пътници съгласно митническите правила; багажите и предметите (служебни и лични), предназначени за нашите и чуждите посолства, легации и консулства; подаръците, включително и колетните пратки; корабните провизии и горивото от наши пристанища за наши кораби; уловът на риба от българските риболовни предприятия; предоставените проекти, рецепти за производство и др. документация по линията на научно-техническото сътрудничество.

Основните дефиниции, с които се работи в Националния статистически институт след 1 януари 1992 година, са в съответствие с последните публикувани международни препоръки на Икономическата комисия на ООН за Европа.

Най - важните от тях са следните:

Под СТОКА следва да се разбира движима собственост, включително електроенергията.

СТАТИСТИЧЕСКАТА ТЕРИТОРИЯ на България отговаря на митническата й територия. Митническата територия на страната може и да не съвпада с държавната граница.

ДРУГА СТРАНА представлява всяка страна или територия, която не е част от статистическата територия на България.

Под ИЗНОС следва да се разбира движението на стоки, които, напускайки статистическата територия на страната, са подложени на митническа процедура по оформянето им за износ или за преработка и дообработка извън страната. Те могат да бъдат оформени по митническа процедура за реекспорт след преработка и дообработка в страната или под митнически контрол.

ТРАНСАКЦИЯ е всяка операция на търговска или нетърговска основа, която води до физическо движение на стоки между резиденти и нерезиденти, отчитано от външнотърговската статистика.

РЕЕКСПОРТ означава износ на чуждестранни стоки, които са били внесени преди това в страната и не са претърпели съществена преработка в нея.

РЕИМПОРТ означава внос на стоки от една държава, които преди това са били изнесени от нея за друга държава, но поради различни причини последната е отказала да ги приеме.

За ПЕРИОД НА ОТЧИТАНЕ се приема календарния месец, през който съответната стока е внесена или изнесена.

2. Източници на информация

- Митническите декларации - основен документ за наблюдение и отчитане е Единният административен документ (ЕАД) и допълнителният ЕАД. Те се попълват за всеки вид стока, преминаваща границата на Република България, която има определен тарифен номер по Митническата тарифа при условията на определения за тази стока митнически режим.

- Статистически формуляр - отчитането на внесените и изнесените количества електроенергия, природен газ, зареждането на кораби и самолети с гориво, храна и други провизии се извършва чрез месечния статистически отчет Схема 6-1Х-Х, при което попълнените отчети се получават в Националния статистически институт директно от фирмите, извършващи този вид дейност.

3. Обхват на изследването

Ще изследвам закономерностите на изменение в износа и вноса на основни стокови групи, каквито са храните, цигарите и напитките за периода от 1996 година до 2002 година на Република България. Критерии за отнасяне на външнотърговските сделки към дадена година е датата на приемане на Единния административен документ (ЕАД) от митническите органи. Данните за България се обработват и публикуват от Националния Статистически Институт (НСИ). От 01.01.1999 година НСИ въведе Специалната система на търговия (Special system of trade), по която страните от ЕС отчитат търговските потоци, в съответствие с новия закон за митниците, хармонизиран с Европейското законодателство. Митническите режими бяха променени, което рефлектира и върху обхвата на външнотърговските потоци.

Вносът включва всички стоки, които влизат в статистическата територия на страната от други страни и са поставени под митническа процедура за потребление в страната, за активно усъвършенстване в страната и активно усъвършенстване под митнически контрол, с цел да бъдат реекспоритани, а също и вносът на стоки след пасивно усъвършенстване извън страната .

Износът включва всички стоки, които напускат статистическата територия на страната и са под митническа процедура износ (краен износ, реекспорт след активно усъвършенстване) или пасивно усъвършенстване (обикновено стоки предназначени основно за обработване извън страната с цел обратното им връщане).

За разлика от 1998 година, през 1999 година статистиката на външната търговия не включва във вноса временно внесените стоки без преработка, а в износа - реекспорта на тези стоки.

Статистиката на външната търговия не отчита:

§ транзита на стоки;

§ стоките, оформени като внос за потребление в страната, които преди това са били под митнически икономически режим.

4. Основни понятия и дефиниции, използвани при статистическата отчетност на външната търговия у нас.

СТРАНА НА ПРОИЗХОД е страната, в която стоката е произведена. Произходът се определя съобразно специфични правила, посочени в Приложение №3 към чл. 29, ал. З от Наредбата за митнически контрол върху стоките, пренасяни през държавните граници на Република България .

СТРАНА НА ПОЛУЧАВАНЕ е последната известна страна до която се знае от гледна точка на вноса, че стоките трябва да бъдат доставени.

СТРАНА НА СДЕЛКАТА е страната, на територията на която се намира чуждестранната фирма (независимо от нейната национална принадлежност), с която намиращата се на българска територия фирма е сключила договор.

СТРАНА НА ВНОСА ИЛИ ИЗНОСА е страната, в която са извършени необходимите процедури по износа или вноса.

ТЕРИТОРИЯ. Статистическите отчети се отнасят до митническата площ на страната. В повечето случаи тя съвпада с географската й площ.

СТОЙНОСТ. Терминът "стойност" в митническата практика има по-скоро юридическо значение. Най-често статистиците определят само стойността на стоката, обявена в съответствие с митническите и административните процедури. Използва се стойността в момента на преминаване на границата. По отношение на вноса се използва стойността на мястото на изпращане плюс разходите по транспорт и застраховане до границата на страната вносител. По отношение на износа стойността се определя франко борд или франко вагон на границата на страната износител.

При оценка на износа се използват цените франко границата за стоки, преминаващи през сухопътните граници, и РОВ - при износа през морските граници. При оценка на вноса се използват цени франко границата за стоки, преминаващи през сухопътните граници, и СIF при морския транспорт на внасящата страна.

СТАТИСТИЧЕСКАТА СТОЙНОСТ следва да се указва в Единния административен документ за:

§ Износа - стойността на продажната цена на стоките франко границата на статистическата територия на страната и действаща в момента на техния износ - РОВ.

§ Вноса - стойността на стоките по покупни цени франко границата на статистическата територия и действаща в момента на техния внос - СIF.

5. Основни класификации и номенклатури, митническа тарифа. Единен административен документ.

Основните класификации и номенклатури в областта на статистиката на външната търговия, които са препоръчани от международните организации, са Стандартната международна търговска класификация (SIТС), Хармонизираната система за обозначение и кодиране на стоките (НS), Международната митническа тарифа за облагане на стоки и Класификацията по широки икономически категории. НСИ декларира, че след 1992 година се придържа стриктно към техните постановки. Хармонизираната система за обозначаване и кодиране на стоките е подписана през юни 1983 година в Брюксел, а от 1 януари 1988 година влиза в сила разработената от Съвета за митническо сътрудничество Международна конвенция по Хармонизираната система за обозначаване и кодиране на стоките. Системата е изградена на принципа на степента на обработката на стоките и е разработена на основата на Брюкселската митническа номенклатура. Стандартната международна търговска класификация. Централната класификация на продуктите и на още дванадесет международни и национални класификации. Въвеждането на Хармонизираната система е довело до наличието на точни и сравними данни за целите на международните търговски преговори. Хармонизираната система е класификация на стоките, които са в обръщение на международния пазар, и е надеждна основа за разработването на митническа тарифа и номенклатура на стоки.

6. Определяне на статистическата стойност

Тя винаги се указва в национална валута, но за да се осигури международна сравнимост статистическата стойност се преизчислява от български левове в USD. Преработката на данните от USD се прави от Информационно-изчислителния център на Министерството на финансите, като се използва средномесечният валутен курс на БНБ.

Всички страни членки на Световната търговска организация са задължени да спазват концепцията за стойността: внос - СIF (cost, insurance and freight) и износ - FОВ (free on board ), като е препоръчително тази концепция да се използва от всички страни и региони.

§ при вноса цена CIF включва стойността на стоката, застраховките и транспортните разходи до границата на страната.

Когато условията на доставка са различни от CIF, фактурната стойност се преизчислява, за да се получат условия на доставка CIF;

§ при износа цена FОВ включва стойността на стоката и транспорта до границата на страната.

Статистическата стойност на стоките под митнически икономически режими (активно усъвършенстване с последващ реекспорт) отчита цялата стойност както на временно — внесените суровини или полуфабрикати, така и на изнесените компенсаторни продукти.

За целите на платежния баланс и за изчисляване на външнотърговското салдо (Износ FОВ – Внос CIF) общият внос по цени CIF се преизчислява по цени FОВ. Относителният дял на разходите за транспорт, застраховки и други товарно-разтоварни услуги, включени в цена СIF, се оценява на около 8%, т.е. внос СIF*0,92=внос РОВ.

7. Използван курс на валутите

Всички сделки се преизчисляват в български левове по курс на съответната валута, обявен от БНБ за предпоследната сряда на предходния месец. При отклонения в курса на отделните валути към лева с повече от 5% се използва седмичен курс. За преизчисляването в USD и EUR е препоръчително да се използват средномесечните курсове, обявени от БНБ при условие, че в рамките на месеца няма отклонения, по-големи от 5%.

8. Технология на отчетността

· Митническите декларации от всички митнически бюра се изпращат в Изчислителния Център на Министерството на финансите, където се въвеждат на ЕИМ.

· Тримесечно НСИ получава файл с първични записи, които включват 25 полета, необходими за отчитането на външната търговия.

· Месечно НСИ получава информация: от ГУ "Митници" - за специалната търговия; от НЕК — за електрическата енергия; от Булгаргаз - за газта, от летищата и БМФ - съответно за самолетното и корабното снабдяване.

· Проверка на получената информация НСИ прави електронна проверка за достоверност на всички кодове, на средната цена за по-важните стоки и за съвместимост между отделните полета на Митническата декларация.

· Откритите грешки при възможност се коригират, при невъзможност се отправя питане до ГУ "Митници" с оглед последващото им коригиране.

· Провереният и коригиран файл се подлага на обработка за:

1. индикация на отчетния период;

2. изчисляване на Ц80;

3. отделяне на митническите режими, които не се включват във вноса или износа;

4. агрегация на данните и включването им към база данни

външна търговия.

· Статистически показатели

Данните за стоковия поток внос/износ се публикуват със следните реквизити:

1. отчетен период;

2. продуктов код, дефиниран съгласно Митническата тарифа;

3. страна - търговски партньор;

4. статистическа стойност — USD или левове;

5. нето тегло - кг;

6. допълнителна мярка (литър, брой и др.);

7. количество по допълнителната мярка.

9. Статистически методи за изучаване на тенденцията (закономерността) на развитие и сезонността.

Тенденцията на развитие, която се съдържа в икономическите временни редове, най-често може да се установи още на пръв поглед. Достатъчно е да се построи диаграмата на развитието, за да проличи нагледно дали през наблюдавания период изследваното явление е проявявало тенденция на намаление, тенденция на нарастване или е оставало стабилно, като се е колебаело около едно постоянно средно равнище. Нещо повече, чрез построената диаграма на развитието може да се установи приблизително и видът на математическата функция, чрез която ще се постигне най-добро описание на проявената закономерност на развитие.

Графически изобразен, трендът представлява плавна линия (права, парабола, хипербола, експоненциална крива и др.), която съответствува на определена математическа функция и изразява закономерностите в изменението на изследваното явление с течение на времето. Това дава основание при моделиране на тренда изследваното явление да се разглежда като функция от времето.

Ŷ = f(t)

Моделирането на тренда се свежда до установяване аналитичния вид на функцията f, която ще изрази най-адекватно проявените закономерности на развитие, и намиране на числовите стойности на нейните параметри въз основа на конкретните статистически данни.

В най-общи линии закономерността, която намира израз в аналитичния вид на функцията, по която ще се извърши изглаждането, може да се установи чрез построяване на диаграмата на развитието на изследвания ред. Като се има пред вид обаче, че съществуват редица математически функции, графичният вид на които е сходен, не винаги от диаграмата на развитието може да се установи най-подходящата функция за описване на тренда. Изборът на функцията може да се направи въз основа на логически обосновки, отнасящи се до закономерния процес на нарастване, израз на който е тенденцията на развитие. За тази цел изборът на подходящото уравнение за изглаждане трябва да се предхожда от задълбочен качествен анализ на науката, от чиято област е изследваното явление, за да се разкрие характерът на онази закономерност, която обективно определя правиломерното протичане на реда.

Разработени са и формални математически методи, които могат да бъдат в помощ на изследователя при избора на най-подходящата функция при моделиране на тенденцията на развитие. Те се свеждат до изучаване на последователните разлики във временния ред.

Проследяването на последователните разлики може да ориентира изследователя какъв вид функция да се използува за моделиране на тренда в конкретен статистически ред. Най-често срещани в практиката са следните случаи:

1. Изследваното явление нараства с постоянен абсолютен прираст, т.е. първите последователни разлики са постоянна величина. Това е показателно, че за моделиране на тенденцията в такъв ред успешно може да се използва уравнението на права:

Ŷt = a₀ + a₁t_i

2. При временен ред, за който са постоянни вторите последователни разлики, съдържащата се тенденция на развитие в него може да се опише успешно чрез използуване уравнението на парабола:

Ŷ_t = a₀ + a₁t_i + a₂(t_i)²

3. Когато в изследвания ред са приблизително постоянни третите последователни разлики, закономерността на развитието в изследваното явление може да се опише чрез уравнението на кубичната парабола.

Ŷ_t = a₀ + a₁t_i + a₂(t_i)² + a₃(t_i)³

4. Не са редки случаите, когато икономическите явления нарастват с постоянни темпове. В този случай развитието им може да се опише чрез уравнението на експоненциалната крива

Ŷt =loga₀ At_i

Ако се логаритмуват двете страни на това уравнение, то може да се представи и по следния начин:

log Ŷ_t = a₀ + a₁t_i ,

където a₁ = log A .

Последното уравнение показва, че изразена на полулогаритмичната скала по отношение на Y, експоненциалната крива се представя във вид на права линия. При експоненциалната крива са равни първите последователни разлики на логаритмите на Y, които съответствуват на параметъра а₁.

Практическото използуване на математическите функции за моделиране на тренда се свежда до намиране на числените стойности на техните параметри за конкретни статистически данни Когато тези функции са линейни (от вида на много степенните полиноми) или чрез някаква трансформация могат да се преобразуват в линейни, числените стойности на техните параметри се намират по метода на най-малките квадрати. В случай, че те не могат да се трансформират в линейни, методът на най-малките квадрати става практически неприложим и стойностите на техните параметри се намират чрез някои апроксимационни методи.

Многостепенните полиноми от различен порядък намират голямо приложение при моделиране на тенденцията на развитие на икономическите процеси и явления Аналитичният вид на многостепенен полином от к-ти порядък е следният:

Ŷ_i = a₀ + a₁t_i + a₂t_i² + …+a_kt_i^k

Вижда се, че уравнението на права линия може да се разглежда като многостепенен полином от първи порядък: Ŷ_t = a₀ + a₁t_i където a₀ и a₁ са параметри на функцията.

От описанието, което беше дадено на различните видове математически функции, се вижда, че редица от тях имат сходен графичен образ. Поради тази причина при моделиране на закономерностите на развитието в конкретен временен ред често се налага да се експериментират няколко конкуриращи се криви. Като най-подходяща за описание на тренда се избира онази от тях, която дава най-добро съвпадение между фактическите и изгладените стойности на реда.

Когато различните функции се експериментират по отношение на едни и същи статистически данни, колкото коефициентът на детерминация е по-голям (респективно коефициентът на корелация), толкова кривата описва по-добре проявената тенденция на развитие в изследвания ред.

При използуването на многостепенните полиноми за описване на тенденцията на развитие при установяване степента на полинома с успех може да се използува последователният F-критерий. Чрез него се установява ефектът от включването на всеки следващ член в многостепенния полином. Той е също критерий за оценка на точността на избора на трендовия модел.

В общи линии анализа се свежда до проверката на следните хипотези:

Нулева хипотеза: Съответния модел не отразява адекватно закономерностите в изследваното явление.

Алтернативна хипотеза: Моделът отразява адекватно разглежданото явление.

Нулева хипотеза: Параметрите на разглеждания модел са статистически не значими.

Алтернативна хипотеза: Параметрите на разглеждания модел са статистически значими.

Избираме риска за грешка да е а = 0.05.

Избираме за критерии за проверка на хипотезите относно адекватността на моделите F-критерия, а за проверка на хипотезите относно статистическата значимост на параметрите Т- критерия. И двата критерия се характеризират с едностранна критична област.

При равнище на значимост на F-критерия, означен като Signif F по-голямо от грешката а =0.05, се приема за вярна нулевата хипотеза т.е. модела е неадекватен.

При равнище на значимост на F-критерия, означен като Signif F по-малко от грешката а =0.05, се приема за вярна алтернативната хипотеза т.е. модела се приема за адекватен. Аналогично е и при Т-критерия.

Изследване на сезонните колебания

Сезонните колебания са определени като регулярно повтарящи се отклонения в развитието на изследвания процес с определена периодичност и амплитуда за периоди, които са по-малки от една година. Тези колебания са предизвикани от систематично и трайно действащи сезонни фактори. Сезонните колебания могат да се проявяват: по месеци, или тримесечия в рамките на годината; по дни в рамките на седмицата; по часове в рамките на денонощието и т.н. Дължината на периода, за който се проявява една сезонна вълна, формира сезонен цикъл. Да означим дължината на този период с p. Например, при тримесечни данни един сезонен цикъл е равен на четири тримесечия (p = 4), при месечни данни е равен на 12 месеца (p = 12) и т.н. Основната задача при анализа на сезонните колебания се свежда до декомпозиране на изследвания динамичен ред на съставящите го компоненти. На тази основа се извеждат обобщаващи измерители за действието на сезонните фактори и за останалите компоненти в реда. Методите за сезонна декомпозиция зависят от типа на динамичния ред и от характера на сезонните колебания. Отклоненията могат да се проявяват в комбинация със случайните колебания, или в комбинация с тренд и случайни колебания. Освен това сезонните колебания могат да се проявяват с променяща се във времето амплитуда (мултипликативно), или с постоянна амплитуда (адитивно). В първия случай компонентите на динамичния ред са свързани мултипликативно, а във втория – адитивно. В практиката на динамичния статистически анализ на социални и икономически процеси по-често се предполага, че компонентите на изследвания динамичен ред са свързани мултипликативно, тъй като почти е невъзможно или е много рядко срещано на социално-икономически процес с постоянна амплитуда на проявяване на сезонните колебания.

За описание на тренда при анализ на сезонните колебания се използват верижните средни, като броят на осредняваните величини се определя от дължината на сезонния цикъл (m = p). Следователно, методите за изчисляване на отделните характеристики зависят и от това, дали броят на осредняваните величини е четен, или нечетен. В икономическите изследвания по-често се използват месечни, или тримесечни данни за анализ на сезонните колебания (p = m = 12, или p = m = 4). В този случай могат се използват нецентрирани, или центрирани верижни средни за описание на тренда. В някои случаи обаче, дължината на сезонния цикъл е нечетен брой подпериоди. Например, сезонните колебания по дни в рамките на 5 дневната работната, или по часове в рамките на 7 часов работен ден и т.н. Тогава броят на осредняваните величини при изчисляването на верижните средни ще бъде също нечетно число (p = m = 5, или: p = m = 7 и т.н).

За да се извърши сезонна декомпозиция изследвания динамичен ред трябва да бъде с достатъчна дължина. В статистическата теория това условие е конкретизирано с изискването за най-малко 4 дължини на сезонния цикъл. Например, ако динамичният ред е съставен от месечни данни, минимално допустимата дължина е 4х12 = 48 елемента (месеца), а при тримесечни данни – 4х4 = 16 елемента (тримесечия).

За улеснение при представянето на различните характеристики за анализ на сезонните колебания, вместо с Y_t за t = 1,...,n, да означим елементите на динамичния ред с за i = 1,...,p и j = 1,...,k, където р е дължината на сезонния цикъл, а к е броят на тези цикли /години/. Например, при месечни данни р = 12 месеца, а к е броят на годините. Тогава дължината на динамичния ред е n = pk = 12k.

Сезонна декомпозиция при мултипликативни сезонни колебания

Като се имат предвид изброените изходни условия за провеждането на анализа, сезонната декомпозиция на изследвания динамичен ред, в който има мултипликативно проявяващи се сезонни колебания, може да се извърши в няколко последователни етапа:

а) Изчисляване на верижните средни величини, които характеризират тренда в динамичния ред.

Ако дължината на сезонния цикъл е четно число, верижните средни величини могат да се получат като центрирани (при p = m). В този случай се дават различни тегла на осредняваните елементи на динамичния ред. Когато дължината на сезонния цикъл е четно число верижните средни величини могат да се получат и като нецентрирани (при p = m). В този случай на осредняваните величини се дават еднакви тегла.

Центрираните верижните средни величини са изчислени по формулата:

б) Изчисляване на индивидуалните сезонните индекси.

Тези индекси характеризират относителния дял на промените в изследвания процес в резултат на действието на сезонните и случайните колебания през отделните подпериоди на които съответстват елементите на динамичните редове. Новополученият динамичен ред вече не съдържа тренд. Индивидуалните сезонни индекси се получават като процентно отношение на фактическите данни към верижните средни величини:

в) Изчисляване на коригираните сезонни индекси.

Коригираните сезонни индекси представляват усреднени характеристики на проявлението на сезонните фактори през отделните подпериоди на сезонния цикъл. За получаването на тези индекси се извършват няколко последователни операции върху индивидуалните индекси на сезонните колебания. Най напред се получават т.н. междинни средни индекси (F_i, i = 1,...,p) за всеки подпериод. За да се елиминира негативното влияние на екстремните стойности, от всеки подпериод на сезонния цикъл се отстраняват минималният и максималният индивидуален индекс. От останалите индекси се изчислява междинният среден индекс.

където q_i, (i = 1,...,p) е броят на индивидуалните индекси за i-я подпериод на сезонния цикъл след като са отстранени минималният и максималният индекс.

За да се елиминира несъответствието (което в някои случаи може да бъде значително по размер) сезонните индекси се изчисляват като се коригират междинните сезонни индекси по формулата:

За графично представяне на сезонните индекси се използва т.нар. сезонна вълна. По абсцисната ос на двумерна координатна система се скалират подпериодите на сезонния цикъл (1, 2, ...,p), а по ординатната ос – сезонните индекси (S_i, за i = 1,2,...,p).

Като се използват сезонните индекси може да се получат някои допълнителни динамични редове, които характеризират ролята на различните компоненти и се използват за решаването на различни теоретически и практически задачи на динамичния анализ:

§ Сезонно коригиран динамичен ред. Той съдържа “очистени” от сезонните колебания елементи, които характеризират тренда и случайните колебания в изследвания процес. Елементите на този ред () се получават по формулата:

§ Изравнен динамичен ред на тренда и цикличните колебания. Този динамичен ред съдържа елементи, които характеризират тренда и цикличните колебания в динамичния ред и са “очистени” от сезонни и случайни колебания. За да представим елементите му отново ще се върнем към първоначалната символика, т.е. вместо ij, за i = 1,...,p и j = 1,...,k, ще използваме t =1,...,n, където n = pk е дължината на реда. Елементите на изравнения динамичен ред на тренда и цикличните колебания (STC_t) се получават като се изравни сезонно коригираният динамичен ред с помощта на претеглени верижни средни величини по формулата:

Формулата не може да се използва за получаването на изравнените стойности за първите два и последните два елемента на динамичния ред. Вторият и предпоследният елемент могат да се намерят като се използват обикновени верижни средни величини при m = 3 по формулите:

А първият и последният елемент могат да се намерят по формулите:

§ Динамичен ред на случайните колебания. Елементите на този динамичен ред (I_t) са “очистени” от всички останали компоненти (тренд, циклични и сезонни колебания) и характеризират действието на случайни фактори в изменението на изследвания процес. Те се получават като се разделят елементите на сезонно коригирания динамичен ред на елементите на изравнения динамичен ред на тренда и цикличните колебания:

В съответствие с предполагаемия мултипликативен характер на връзките между отделните компоненти на изследвания динамичен ред, неговите елементи могат да бъдат изразени по следния начин:

Сезонна декомпозиция при адитивни сезонни колебания

Сезонната декомпозиция на динамичен ред, в който има адитивни сезонни колебания се извършва в същата последователност, която беше използвана при анализа на мултипликативните сезонни колебания.

а) Изчисляват се верижните средни величини по начините, които бяха описани при мултипликативните сезонни колебания.

б) Изчисляват се индивидуалните сезонни разлики.

Тези разлики характеризират проявлението на сезонните и случайните колебания през отделните подпериоди на които съответстват елементите на динамичните редове и се получават като разлика между фактическите данни и верижните средни величини:

За разлика от индивидуалните сезонни индекси индивидуалните сезонни разлики представляват абсолютни величини. Те показват абсолютния размер на измененията в изследвания процес, които настъпват в резултат на действието на сезонните и случайните фактори в отделните подпериоди.

в) Изчисляване на коригираните сезонни разлики.

Коригираните сезонни разлики представляват усреднени характеристики на проявлението на сезонните фактори през отделните подпериоди на сезонния цикъл. За тяхното получаване отново се извършват някои последователни операции върху индивидуалните сезонни разлики. Най-напред се получават т.н. междинни сезонни разлики като се осредняват индивидуалните сезонни разлики по едноименни подпериоди:

където q_i, (i = 1,...,p) е броят на индивидуалните разлики за i-я подпериод на сезонния цикъл.

За разлика от междинните сезонни индекси тук не се елиминират минималните и максималните стойности на индивидуалните разлики. Понеже се предполага, че сезонните колебания имат адитивен характер (с приблизително постоянна амплитуда), това означава също така, че екстремните стойности на индивидуалните разлики не се различават съществено от останалите и не оказват негативно влияние върху крайните резултати.

Двете величини: сумата от сезонните разлики и средната сезонна разлика, трябва да имат нулеви стойности. Това условие произтича от съдържателната интерпретация на разликите. Те измерват абсолютното средно изменение на изследвания процес в резултат на влиянието на сезонните фактори. Следователно, ако сезонната разлика е равна на нула това означава, че липсва влияние на сезонните фактори, ако тази разлика е по-голяма от нула – сезонните фактори оказват позитивно (нарастващо) влияние и когато разликата е по-малка от нула – сезонните фактори оказват негативно (намаляващо) влияние върху изследвания процес. Въпреки че тук не се елиминират екстремните стойности при изчисляването на междинните сезонни разлики, тяхната сума може да не е равна на нула. Това може да се дължи на различни причини: закръгления, различен брой осреднявани величини в отделните редове на таблицата и др.

За да се елиминира това несъответствие коригираните сезонни разлики се изчисляват като се коригират междинните сезонни разлики по формулата:

където е средната на междинните сезонни разлики:

Един от важните практически и методологически проблеми при сезонната декомпозиция е определянето на типа на сезонните колебания в изследвания динамичен ред. От това зависи изборът на методите, по който да се извърши разлагането на динамичния ред на съставящите го компоненти.

За определяне на типа на сезонните колебания в изследвания динамичен ред могат да се приложат различни практически правила. Най-често за тази цел се използва времедиаграмата на динамичния ред, ако той е достатъчно дълъг. В много случаи обаче графичният образ на този ред не позволява да се определи с достатъчна категоричност типа на сезонните колебания. Има известни основания да се предполага, че ако се приложи мултипликативния метод при адитивен тип сезонни колебания, не се нарушава коректността на анализа, докато при сезонни колебания от мултипликативен тип приложението на адитивния метод може да наруши тази коректност. Ето защо, когато изследователят има съмнение относно типа на сезонните колебания, по-добре е да използва мултипликативния метод за сезонна декомпозиция на динамичния ред.

За да се приложат коректно статистическите методи е необходимо да бъдат изпълнени условията за правилно построяване на динамичен ред, т.е. необходимо е да се осигури съпоставимост на данните, които се съдържат в реда.

Съпоставимостта трябва да се осигури в няколко аспекта:

1. Съпоставимост по време;

2. Съпоставимост по място;

3. Съпоставимост по обхват;

4. Съпоставимост по съдържание;

5. Съпоставимост по начин на получаване на съответните величини;

6. Съпоставимост по отношение на мярката;

7. Съпоставимост по мащаб на мерните единици.

ВТОРА ГЛАВА

ИЗСЛЕДВАНЕ НА ДИНАМИКАТА И СЕЗОННОСТТА НА ВНОСА И ИЗНОСА НА ОСНОВНИ СТОКОВИ ГРУПИ ЗА ПЕРИОДА 1996 – 2002 ГОДИНА.

1. Изследване на тенденцията на развитие

От интернет-страницата www.stat.bg съм извадила данните за износа на стоковите групи “Храни”, “Цигари” и “Напитки”, както и за вноса на “Храни, цигари, напитки” за периода 1996 - 2002 година, които образуват динамични временни редове. Те са показани в таблица 1, таблица 2, таблица 3 и таблица 4.

Таблица 1. Износ на храни (млн. щ.д.) за периода 1996-2002 г.

Месец/ Година	I	II	III	IV	V	VI	VII	VIII	IX	X	XI	XII
1996	17,3	21,1	26,3	26,6	23,0	21,7	24,6	29,0	34,2	35,1	28,0	22,8
1997	23,8	28,1	30,0	19,3	21,4	18,8	19,0	24,3	28,4	26,0	21,9	18,4
1998	15,2	16,8	19,2	21,4	16,9	19,6	17,0	17,3	15,8	34,0	20,8	21,1
1999	8,3	14,3	19,7	14,0	13,8	17,5	19,2	18,4	18,9	18,6	18,9	13,7
2000	6,4	12,8	12,1	13,7	11,6	15,4	12,0	12,8	13,9	15,9	15,5	14,6
2001	10,3	12,5	16,8	17,0	16,3	14,3	17,4	17,5	18,8	21,4	19,8	14,2
2002	10,7	13,5	17,1	15,2	14,8	19,5	19,2	25,8	24,6	29,5	25,6	18,0

Таблица 2. Износ на цигари (млн. щ.д.) за периода 1996-2002 г.

Месец/ Година	I	II	III	IV	V	VI	VII	VIII	IX	X	XI	XII
1996	10,0	23,1	21,0	10,7	11,5	9,0	16,8	18,5	19,0	24,3	15,4	15,5
1997	8,8	9,2	5,4	7,6	9,1	8,6	14,4	14,0	18,5	12,0	7,2	6,8
1998	4,3	6,9	6,8	5,5	5,8	5,1	4,0	6,6	2,1	3,3	3,2	3,7
1999	2,1	2,1	1,5	9,4	5,8	2,7	1,6	1,8	2,5	2,1	3,6	2,7
2000	0,9	3,0	4,0	1,6	3,3	2,2	1,3	2,1	1,9	5,5	4,3	2,3
2001	1,1	1,5	1,5	0,8	1,7	1,0	0,7	1,2	1,6	4,6	1,6	1,3
2002	0,6	1,1	1,2	0,4	1,8	1,9	2,9	0,6	0,8	1,5	0,5	1,7

Таблица 3. Износ на напитки (млн. щ.д.) за периода 1996-2002 г.

Месец/ Година	I	II	III	IV	V	VI	VII	VIII	IX	X	XI	XII
1996	12,4	14,6	14,8	17,4	16,2	13,9	13,1	16,5	12,0	15,1	14,6	12,5
1997	8,6	10,1	11,0	13,1	12,9	13,0	13,5	12,6	12,4	11,7	12,4	10,1
1998	9,1	11,1	13,9	14,5	14,2	15,4	13,9	11,5	10,5	9,1	9,1	9,4
1999	4,2	5,3	8,8	7,4	7,0	8,3	9,4	9,3	8,5	7,4	9,0	7,1
2000	4,5	5,6	8,0	6,3	7,4	6,2	6,2	6,6	5,9	6,8	6,4	6,1
2001	4,4	4,5	5,7	5,3	5,8	5,7	6,0	6,1	5,2	7,9	7,9	4,6
2002	5,4	4,8	5,6	6,8	5,3	6,0	6,3	5,5	4,9	6,0	7,2	5,8

Таблица 4. Внос на храни, напитки и цигари (млн. щ.д.) за периода 1996-2002 г.

Месец/ Година	I	II	III	IV	V	VI	VII	VIII	IX	X	XI	XII
1996	10,0	10,9	11,5	10,6	7,2	6,7	7,0	5,3	4,5	4,2	5,1	4,9
1997	3,2	4,0	5,1	5,5	8,7	9,2	9,0	9,1	15,8	17,9	18,3	17,7
1998	12,6	14,1	17,6	14,5	13,2	15,6	14,9	11,8	15,7	18,1	19,7	21,8
1999	13,4	13,9	16,9	15,1	12,1	10,8	11,7	12,5	12,4	13,1	15,5	17,7
2000	13,4	15,3	15,9	14,0	12,9	13,2	11,9	14,6	14,5	16,6	16,0	16,7
2001	16,1	16,9	18,5	14,8	15,0	13,2	15,9	12,9	16,2	20,9	19,6	18,5
2002	18,5	19,7	18,8	19,8	16,8	17,6	20,1	17,6	20,5	21,8	21,8	24,0

Графично явленията са представени на фиг. 1, 2, 3 и 4, за да може да се определят тенденциите им на развитие.

Фиг. 1. Износ на храни за периода 1996-2002 г.

Фиг. 2. Износ на цигари за периода 1996-2002 г.

Фиг. 3. Износ на напитки за периода 1996-2002 г.

Фиг. 4. Внос на храни, напитки и цигари за периода 1996-2002 г.

Графично не е възможно да се определят тенденциите.

За да избера най-подходящите функции, които описват тенденциите на развитие на тези явления, ще използвам програмата SPSS. Условно означавам променливите износ на храни hr_iznos, износ на цигари cg_iznos, износ на напитки np_iznos и внос на храни, цигари и напитки hcn_vnos, които ще улеснят анализа.

Първо изследваме тенденцията на износа на храни:

Independent: Time

Dependent Mth Rsq d.f. F Sigf b0 b1 b2 b3

HR_IZNOS LIN ,188 82 19,03 ,000 23,5252 -,1037

HR_IZNOS LOG ,216 82 22,58 ,000 29,3289 -2,9439

HR_IZNOS INV ,034 82 2,93 ,091 18,6095 8,5358

HR_IZNOS QUA ,402 81 27,17 ,000 29,7212 -,5360 ,0051

HR_IZNOS CUB ,494 80 26,07 ,000 24,7084 ,1515 -,0150 ,0002

HR_IZNOS COM ,170 82 16,82 ,000 22,8257 ,9948

HR_IZNOS POW ,202 82 20,70 ,000 30,9039 -,1518

HR_IZNOS S ,037 82 3,17 ,079 2,8762 ,4729

HR_IZNOS GRO ,170 82 16,82 ,000 3,1279 -,0053

HR_IZNOS EXP ,170 82 16,82 ,000 22,8257 -,0053

Фиг. 5. Изравняване на тренда на износа на храни

Вижда се, че са адекватни всички модели, без инверсен и S, тъй като равнищата им на значимост (sigf) са по-малки от 0,05. От тези модели избираме най-адекватният, а именно това е моделът с най-голям коефициент на детерминация Rsq. В случая това е кубичният модел, при който коефициентът на детерминация е 0,494, което показва, че 49% от измененията в износа на храни се дължат на трайни фактори, формиращи тенденцията на развитие. Конкретната аналитична форма на модела е:

Y=24.71+0.15t-0.02t²+0.0002t³

Ще проверим статистическата значимост на регресионните коефициенти.

Dependent variable.. HR_IZNOS Method.. CUBIC

Listwise Deletion of Missing Data

Multiple R ,70308

R Square ,49432

Adjusted R Square ,47536

Standard Error 4,22004

Analysis of Variance:

DF Sum of Squares Mean Square

Regression 3 1392,6876 464,22920

Residuals 80 1424,7019 17,80877

F = 26,06744 Signif F = ,0000

-------------------- Variables in the Equation --------------------

Variable B SE B Beta T Sig T

Time ,151478 ,195190 ,634197 ,776 ,4400

Time**2 -,015014 ,005319 -5,514084 -2,823 ,0060

Time**3 ,000158 4,1148E-05 4,657831 3,831 ,0003

(Constant) 24,708403 1,927159 12,821 ,0000

Фиг. 6. Изравняване на тренда на износа на храни чрез кубичния модел

Виждаме, че всички са значими, без коефициента пред първата степен на времето, защото неговото равнище на значимост е по-голямо от 0,05. Поради това търсим друг модел, който да е адекватен, т.е. модел, в който всички коефициенти са статистически значими. Това е квадратичният модел, чийто коефициент на детерминация е втори по големина. Той е 0,402, което показва, че 40,2% от измененията в износа на храни се дължи на трайнодействащи фактори.

Проверяваме статистическата значимост на неговите регресионни коефициенти.

Dependent variable.. HR_IZNOS Method.. QUADRATI

Listwise Deletion of Missing Data

Multiple R ,63367

R Square ,40154

Adjusted R Square ,38677

Standard Error 4,56245

Analysis of Variance:

DF Sum of Squares Mean Square

Regression 2 1131,2998 565,64988

Residuals 81 1686,0898 20,81592

F = 27,17390 Signif F = ,0000

-------------------- Variables in the Equation --------------------

Variable B SE B Beta T Sig T

Time -,535957 ,083061 -2,243901 -6,453 ,0000

Time**2 ,005086 ,000947 1,867806 5,371 ,0000

(Constant) 29,721221 1,529688 19,430 ,0000

Фиг. 7. Изравняване на тренда на износа на храни чрез квадратичния модел

Всички коефициенти са статистически значими, защото техните равнища на значимост са по-малки от 0,05, следователно това е моделът, който описва най-добре тенденцията на развитие на износа на храни. Конкретната форма на модела е:

Y=29.72-0.54t+0.005t²

Изследваме тенденцията на износа на цигари:

Independent: Time

Dependent Mth Rsq d.f. F Sigf b0 b1 b2 b3

CG_IZNOS LIN ,612 82 129,60 ,000 13,5837 -,1858

CG_IZNOS LOG ,659 82 158,75 ,000 23,4243 -5,1147

CG_IZNOS INV ,227 82 24,07 ,000 4,3864 21,7673

CG_IZNOS QUA ,731 81 110,06 ,000 18,1771 -,5063 ,0038

CG_IZNOS CUB ,732 80 72,98 ,000 18,7862 -,5898 ,0062 -2,E-05

CG_IZNOS COM ,752 82 249,31 ,000 16,3140 ,9643

CG_IZNOS POW ,643 82 147,90 ,000 76,6351 -,8915

CG_IZNOS S ,185 82 18,58 ,000 1,0403 3,4652

CG_IZNOS GRO ,752 82 249,31 ,000 2,7920 -,0363

CG_IZNOS EXP ,752 82 249,31 ,000 16,3140 -,0363

Фиг. 8. Изравняване на тренда на износа на цигари

Вижда се, че всички модели са адекватни. От тях избираме този с най-голям коефициент на детерминация. Това са три модела – Compound, Growth и Exponential. Проверяваме и трите модела за неадекватни регресионни коефициенти:

Dependent variable.. CG_IZNOS Method.. COMPOUND

Listwise Deletion of Missing Data

Multiple R ,86746

R Square ,75249

Adjusted R Square ,74948

Standard Error ,51160

Analysis of Variance:

DF Sum of Squares Mean Square

Regression 1 65,252230 65,252230

Residuals 82 21,462391 ,261736

F = 249,30507 Signif F = ,0000

-------------------- Variables in the Equation --------------------

Variable B SE B Beta T Sig T

Time ,964303 ,002220 ,420015 434,376 ,0000

(Constant) 16,313952 1,837685 8,877 ,0000

Dependent variable.. CG_IZNOS Method.. GROWTH

Listwise Deletion of Missing Data

Multiple R ,86746

R Square ,75249

Adjusted R Square ,74948

Standard Error ,51160

Analysis of Variance:

DF Sum of Squares Mean Square

Regression 1 65,252230 65,252230

Residuals 82 21,462391 ,261736

F = 249,30507 Signif F = ,0000

-------------------- Variables in the Equation --------------------

Variable B SE B Beta T Sig T

Time -,036350 ,002302 -,867464 -15,789 ,0000

(Constant) 2,792021 ,112645 24,786 ,0000

Dependent variable.. CG_IZNOS Method.. EXPONENT

Listwise Deletion of Missing Data

Multiple R ,86746

R Square ,75249

Adjusted R Square ,74948

Standard Error ,51160

Analysis of Variance:

DF Sum of Squares Mean Square

Regression 1 65,252230 65,252230

Residuals 82 21,462391 ,261736

F = 249,30507 Signif F = ,0000

-------------------- Variables in the Equation --------------------

Variable B SE B Beta T Sig T

Time -,036350 ,002302 -,867464 -15,789 ,0000

(Constant) 16,313952 1,837685 8,877 ,0000

Фиг. 9. Изравняване на тренда на износа на цигари чрез моделите Compound, Growth и Exponential

И трите модела имат статистически значими коефициенти на регресия, защото равнищата им на значимост са по-малки от 0,05. Коефициентите им на детерминация са 0,75249, което означава, че тези модели описват 75% от промените в износа на цигари. Конкретните аналитични форми на моделите са следните:

Compound:

Y=16.31*(0.96)^t

Growth:

Y=e^{(2.79-0.036t)}

Exponential:

Y=16.31(e^-0.36t)

Износът на цигари се описва еднакво добре от тези три модела. За да изберем един от трите модела, сравняваме други характеристики на моделите. Тъй като показателят SE B на константата е най-нисък при модела на нарастването, избираме него за най-адекватен и съответно най-добре описващ тенденцията на развитие на износа на цигари.

Фиг. 10. Изравняване на тренда на износа на цигари чрез модела на нарастване

Изследваме износа на напитки:

Independent: Time

Dependent Mth Rsq d.f. F Sigf b0 b1 b2 b3

NP_IZNOS LIN ,725 82 215,74 ,000 14,4196 -,1257

NP_IZNOS LOG ,644 82 148,15 ,000 19,9753 -3,1420

NP_IZNOS INV ,183 82 18,39 ,000 8,3528 12,1594

NP_IZNOS QUA ,761 81 128,87 ,000 15,9997 -,2359 ,0013

NP_IZNOS CUB ,781 80 95,28 ,000 14,5451 -,0364 -,0045 4,6E-05

NP_IZNOS COM ,721 82 211,81 ,000 15,0936 ,9863

NP_IZNOS POW ,604 82 125,04 ,000 26,8132 -,3345

NP_IZNOS S ,165 82 16,20 ,000 2,0529 1,2682

NP_IZNOS GRO ,721 82 211,81 ,000 2,7143 -,0138

NP_IZNOS EXP ,721 82 211,81 ,000 15,0936 -,0138

Фиг. 11. Изравняване на тренда на износа на напитки

Всички модели са адекватни, защото равнищата им на значимост са по-малки от 0,05. От тях избираме модела с най-голям коефициент на детерминация. Това е кубичният модел. Неговият коефициент на детерминация е 0,781, което означава, че 78,1% от промените в износа на напитки са предизвикани от трайнодействащи фактори. Изследваме по-подробно модела:

Dependent variable.. NP_IZNOS Method.. CUBIC

Listwise Deletion of Missing Data

Multiple R ,88393

R Square ,78133

Adjusted R Square ,77313

Standard Error 1,71530

Analysis of Variance:

DF Sum of Squares Mean Square

Regression 3 841,02090 280,34030

Residuals 80 235,38053 2,94226

F = 95,28071 Signif F = ,0000

-------------------- Variables in the Equation --------------------

Variable B SE B Beta T Sig T

Time -,036431 ,079338 -,246762 -,459 ,6473

Time**2 -,004536 ,002162 -2,694956 -2,098 ,0391

Time**3 4,57453677E-05 1,6725E-05 2,186714 2,735 ,0077

(Constant) 14,545106 ,783323 18,568 ,0000

Фиг. 12. Изравняване на тренда на износа на напитки чрез кубичния модел

Виждаме, че има статистически незначим регресионен коефициент. Това е коефициентът пред първата степен на времето. Избираме друг модел – моделът с малко по-малък коефициент на детерминация. Това е квадратичния модел с коефициент на детерминация 0,761.

Dependent variable.. NP_IZNOS Method.. QUADRATI

Listwise Deletion of Missing Data

Multiple R ,87228

R Square ,76088

Adjusted R Square ,75497

Standard Error 1,78260

Analysis of Variance:

DF Sum of Squares Mean Square

Regression 2 819,01044 409,50522

Residuals 81 257,39099 3,17767

F = 128,86979 Signif F = ,0000

-------------------- Variables in the Equation --------------------

Variable B SE B Beta T Sig T

Time -,235913 ,032453 -1,597944 -7,269 ,0000

Time**2 ,001297 ,000370 ,770623 3,506 ,0007

(Constant) 15,999740 ,597667 26,770 ,0000

Фиг. 13. Изравняване на тренда на износа на напитки чрез квадратичния модел

Вижда се, че няма статистически незначими регресионни коефициенти. Конкретната аналитична форма на модела е:

Y=15.99-0.24t+0.001t²

Изследваме тенденцията на развитие на вноса на храни, цигари и напитки:

Independent: Time

Dependent Mth Rsq d.f. F Sigf b0 b1 b2 b3

HCN_VNOS LIN ,558 82 103,63 ,000 7,7106 ,1482

HCN_VNOS LOG ,466 82 71,62 ,000 1,5518 3,5913

HCN_VNOS INV ,107 82 9,87 ,002 14,7536 -12,505

HCN_VNOS QUA ,564 81 52,49 ,000 6,8325 ,2094 -,0007

HCN_VNOS CUB ,597 80 39,44 ,000 4,3841 ,5452 -,0105 7,7E-05

HCN_VNOS COM ,506 82 84,06 ,000 7,4188 1,0131

HCN_VNOS POW ,436 82 63,40 ,000 4,2415 ,3210

HCN_VNOS S ,084 82 7,53 ,007 2,6192 -1,0225

HCN_VNOS GRO ,506 82 84,06 ,000 2,0040 ,0130

HCN_VNOS EXP ,506 82 84,06 ,000 7,4188 ,0130

Фиг. 14. Изравняване на тренда на вноса на храни, цигари и напитки

Всички модели са адекватни, но моделът с най-голям коефициент на детерминация е кубичният модел, с коефициент на детерминация 0,597, което означава, че 59,7% от измененията във вноса на храни, напитки и цигари се определя от трайнодействащи фактори. Изследваме по-подробно модела:

Dependent variable.. HCN_VNOS Method.. CUBIC

Listwise Deletion of Missing Data

Multiple R ,77239

R Square ,59659

Adjusted R Square ,58147

Standard Error 3,12908

Analysis of Variance:

DF Sum of Squares Mean Square

Regression 3 1158,4021 386,13405

Residuals 80 783,2936 9,79117

F = 39,43697 Signif F = ,0000

-------------------- Variables in the Equation --------------------

Variable B SE B Beta T Sig T

Time ,545176 ,144730 2,749434 3,767 ,0003

Time**2 -,010538 ,003944 -4,661909 -2,672 ,0091

Time**3 7,69962621E-05 3,0511E-05 2,740381 2,524 ,0136

(Constant) 4,384108 1,428953 3,068 ,0029

Фиг. 15. Изравняване на тренда на вноса на храни, цигари и напитки чрез кубичния модел

Всички регресионни коефициенти в модела са статистически значими. Конкретната аналитична форма на модела е:

Y=4.38+0.55t-0.01t²+7.69e^-05t³

2. Изследване на сезонните колебания

Ще използваме метода на мултипликативните сезонни колебания. Първо изследваме сезонните колебания на износа на храни:

Season

Results of SEASON procedure for variable HR_IZNOS

Multiplicative Model. Equal weighted MA method. Period = 12.

Seasonal

index

Period (* 100)

1 65,386

2 85,679

3 105,563

4 94,970

5 87,615

6 100,384

7 97,658

8 107,067

9 118,074

10 128,718

11 114,886

12 94,000

The following new variables are being created:

Name Label

ERR_1 Error for HR_IZNOS from SEASON, MOD_10 MUL EQU 12

SAS_1 Seas adj ser for HR_IZNOS from SEASON, MOD_10 MUL EQU 12

SAF_1 Seas factors for HR_IZNOS from SEASON, MOD_10 MUL EQU 12

STC_1 Trend-cycle for HR_IZNOS from SEASON, MOD_10 MUL EQU 12

Коригираните сезонни индекси формират сезонната вълна на износа на храни. Най-силно положително влияние на сезонни фактори върху износа на храни се наблюдава през месеците септември, октомври и ноември. Най-силно отрицателно влияние на сезонни фактори има през месеците януари и февруари.

Графично сезонната вълна на износа на храни е показана на фигура 16.

Фиг. 16. Сезонна вълна на износа на храни

Изследваме сезонността на износа на цигари:

Season

Results of SEASON procedure for variable CG_IZNOS

Multiplicative Model. Equal weighted MA method. Period = 12.

Seasonal

index

Period (* 100)

1 52,679

2 79,775

3 77,511

4 69,951

5 124,351

6 92,974

7 92,498

8 112,063

9 104,896

10 167,527

11 118,815

12 106,959

The following new variables are being created:

Name Label

ERR_2 Error for CG_IZNOS from SEASON, MOD_11 MUL EQU 12

SAS_2 Seas adj ser for CG_IZNOS from SEASON, MOD_11 MUL EQU 12

SAF_2 Seas factors for CG_IZNOS from SEASON, MOD_11 MUL EQU 12

STC_2 Trend-cycle for CG_IZNOS from SEASON, MOD_11 MUL EQU 12

Коригираните сезонни индекси формират сезонната вълна на износа на цигари. Най-силно положително влияние на сезонни фактори върху износа на цигари се наблюдава през месеците май и октомври. Най-силно отрицателно влияние на сезонни фактори има през месеците януари и април.

Графично сезонната вълна на износа на цигари е показана на фигура 17.

Фиг. 17. Сезонна вълна на износа на цигари

Изследваме сезонността на износа на напитки:

Season

Results of SEASON procedure for variable NP_IZNOS

Multiplicative Model. Equal weighted MA method. Period = 12.

Seasonal

index

Period (* 100)

1 70,371

2 80,281

3 104,881

4 103,637

5 104,248

6 105,833

7 110,357

8 109,819

9 97,453

10 106,305

11 111,724

12 95,092

The following new variables are being created:

Name Label

ERR_3 Error for NP_IZNOS from SEASON, MOD_12 MUL EQU 12

SAS_3 Seas adj ser for NP_IZNOS from SEASON, MOD_12 MUL EQU 12

SAF_3 Seas factors for NP_IZNOS from SEASON, MOD_12 MUL EQU 12

STC_3 Trend-cycle for NP_IZNOS from SEASON, MOD_12 MUL EQU 12

Коригираните сезонни индекси формират сезонната вълна на износа на напитки. Най-силно положително влияние на сезонни фактори върху износа на напитки се наблюдава през месеците юли, август и ноември. Най-силно отрицателно влияние на сезонни фактори има през месеците януари и февруари.

Графично сезонната вълна на износа на напитки е показана на фигура 18.

Фиг. 18. Сезонна вълна на износа на напитки

Изследваме сезонността на вноса на храни, напитки и цигари:

Season

Results of SEASON procedure for variable HCN_VNOS

Multiplicative Model. Equal weighted MA method. Period = 12.

Seasonal

index

Period (* 100)

1 93,958

2 101,029

3 110,793

4 97,822

5 89,615

6 91,155

7 92,490

8 82,836

9 96,050

10 111,471

11 114,766

12 118,015

The following new variables are being created:

Name Label

ERR_4 Error for HCN_VNOS from SEASON, MOD_13 MUL EQU 12

SAS_4 Seas adj ser for HCN_VNOS from SEASON, MOD_13 MUL EQU 12

SAF_4 Seas factors for HCN_VNOS from SEASON, MOD_13 MUL EQU 12

STC_4 Trend-cycle for HCN_VNOS from SEASON, MOD_13 MUL EQU 12

Коригираните сезонни индекси формират сезонната вълна на вноса на храни, напитки и цигари. Най-силно положително влияние на сезонни фактори върху вноса на храни, напитки и цигари се наблюдава през месеците октомври, ноември и декември. Най-силно отрицателно влияние на сезонни фактори има през месеците май, юни, юли и август.

Графично сезонната вълна на вноса на храни, напитки и цигари е показана на фигура 19.

Фиг. 19. Сезонна вълна на вноса на храни, напитки, цигари

3. Краткосрочна прогноза за 2003 г.

Въз основа на изведените модели за тенденцията на развитие на изследваните явления, ще направя краткосрочна прогноза за развитието им през 2003 г. Прогнозите са показани в таблици 5, 6, 7 и 8.

Таблица 5. Прогноза за развитието на износа на храни (млн. щ.д.) за 2003 г.

Месец, година	Износ на храни
Януари' 2003	19,9
Февруари' 2003	20,3
Март' 2003	20,6
Април' 2003	20,9
Май' 2003	21,3
Юни' 2003	21,6
Юли' 2003	22,0
Август' 2003	22,4
Септември' 2003	22,7
Октомври' 2003	23,1
Ноември' 2003	23,5
Декември' 2003	24,0

Според направената прогноза износът на храни ще продължи да се увеличава и през 2003 г.

Таблица 6. Прогноза за развитието на износа на цигари (млн. щ.д.) за 2003 г.

Месеци, години	Износ на цигари
Януари' 2003	0,76
Февруари' 2003	0,74
Март' 2003	0,71
Април' 2003	0,69
Май' 2003	0,66
Юни' 2003	0,64
Юли' 2003	0,62
Август' 2003	0,59
Септември' 2003	0,57
Октомври' 2003	0,55
Ноември' 2003	0,53
Декември' 2003	0,51

Според направената прогноза износът на цигари ще продължи да намалява и през 2003 г.

Таблица 7. Прогноза за развитието на износа на напитки (млн. щ.д.) за 2003 г.

Месеци, години	Износ на напитки
Януари' 2003	2,82
Февруари' 2003	2,75
Март' 2003	2,68
Април' 2003	2,61
Май' 2003	2,55
Юни' 2003	2,49
Юли' 2003	2,43
Август' 2003	2,37
Септември' 2003	2,32
Октомври' 2003	2,27
Ноември' 2003	2,22
Декември' 2003	2,17

Според направената прогноза износът на напитки ще продължи да намалява и през 2003 г.

Таблица 7. Прогноза за развитието на вноса на храни, напитки, цигари (млн. щ.д.) за 2003 г.

Месеци, години	Внос на храни, напитки, цигари
Януари' 2003	26,17
Февруари' 2003	26,69
Март' 2003	27,24
Април' 2003	27,81
Май' 2003	28,40
Юни' 2003	29,01
Юли' 2003	29,64
Август' 2003	30,30
Септември' 2003	30,97
Октомври' 2003	31,67
Ноември' 2003	32,39
Декември' 2003	33,14

Според направената прогноза вносът на храни, напитки и цигари ще продължи да се увеличава и през 2003 г.

ИЗВОДИ

Връзката между икономическата променлива Y_t и променливата за времето t е само условна, тъй като времето се разглежда само условно като фактор за изменението на променливата Y_t. Тази променлива играе само ролята на изкуствена (dummy) променлива, отчитаща действието на множество непредставени в явна форма факторни променливи. Математическата "зависимост" между Y_t и времето може да се опише с най-различни по форма функции: от линейна, квадратна, експоненциална, периодична до функции с много параметри и разнообразни математически свойства.

1. Износ на храни

От всички изпробвани модели (функции) се оказва, че най-адекватно измененията в износа на храни през периода 1996 – 2002 година се описва от квадратичен модел. Сезонността на явлението е проявена като спад пред януари и февруари и увеличаване на износа през септември, октомври и ноември.

2. Износ на цигари

От всички изпробвани модели (функции) се оказва, че най-адекватно измененията в износа на цигари през периода 1996 – 2002 година се описва от модела на нарастването. Сезонността на явлението е проявена като увеличение през месеците май и октомври и намаление през януари и април.

3. Износ на напитки

От всички изпробвани модели (функции) се оказва, че най-адекватно измененията в износа на напитки през периода 1996 – 2002 година се описва от квадратичния модел. Сезонността на явлението е проявена като увеличение през юли, август и ноември и намаление през месеците януари и февруари.

4. Внос на храни, напитки и цигари

От всички изпробвани модели (функции) се оказва, че най-адекватно измененията в вноса на храни, напитки и цигари през периода 1996 – 2002 година се описва от кубичния модел. Сезонността на явлението е проявена като увеличение през месеците октомври, ноември и декември и намаление през май, юни, юли и август.

Както вече посочих по-горе връзката между икономическите променливи – износ и внос и променливата на времето е само условна. Последната играе само ролята на изкуствена променлива, отчитаща действието на множество непредставени в явна форма факторни променливи. Основните фактори, от които зависи обемът и структурата на вноса и износа, могат да се разделят на две групи:

1. Фактори, които определят възможностите за износ и потребностите от внос на дадена страна, се изразяват в променливи за предлагане на една стока на външните пазари и в търсене на други от тези пазари. Обемът на износа се определя от икономическия потенциал на страната и капацитета на международните пазари.

2. Фактори, които се отнасят до условията, които ускоряват или задържат развитието на търговията между страните и се отнасят до географските и "психологични разстояния", транспортните разходи и времето за превоз на стоки, до т.нар. изкуствени препятствия, задържащи развитието на търговията (митнически ограничения, тарифи, количествени квоти и др. подобни мерки за държавно въздействие върху външната търговия).

Тези фактори имат разнороден и сложен за моделиране (описание) характер и трудно се измерват и включват в моделите. С известна степен на условност може да се приеме, че външнотьрговския стокообмен е синтезиран израз на целия комплекс от външноикономически връзки и взаимоотношения на националната икономика.

Определено тревожна е тенденцията на сравнително нарастване на стойностния обем на вноса, в резултат на което състоянието на търговския баланс на страната практически постоянно се влошава. Очевидно тази неблагоприятна тенденция е свързана в значителна степен и със силно рестриктивното въздействие на функционирането на механизма на валутен борд по отношение както на експорта, така и на инвестициите в реалния сектор (в частност - в производството) и оттам - на икономическия растеж. През първите 2 години след въвеждането на паричния съвет (1998 и 1999 година) е налице значително спадане на стойностния обем на експорта, последвано от съществено повишение през 2000 година. Обратно, през целия период след въвеждането на валутен борд е регистрирано ежегодно прогресивно увеличение на стойностния обем на вноса. Следва да отбележа обстоятелството, че един от факторите, допринесли за бързото нарастване на вноса, беше процесът на съществена либерализация на вносния режим.

Специално внимание заслужава въпросът за влиянието на изменението на курса на лева върху динамиката на износа и вноса. От теоретична гледна точка понижението на реалния курс на националната валута стимулира експорта и ограничава импорта и обратно - повишаването на курса на националната валута стимулира импорта и ограничава експорта. Въпросът за възможния ефект на динамиката на курса върху стокообмена и по-специално върху експорта е тясно свързан и с една характерна особеност на българската икономика, а именно - нейната силна импортоемкост (т.е. зависимост от вноса), която се отнася и до редица експортноориентирани отрасли.

Всички промени, които се наблюдават от началото на преходния период в българската икономика на практика са насочени към създаване на по-благоприятни условия за търговия. Но сами по себе си благоприятните условия във вид на споразумения и други нормативни документи не могат да увеличат външнотърговския стокообмен. За целта е необходимо реално нарастване на националното производство, добра общостопанска конюнктура и конюнктура на международните стокови пазари, свързани със структурата на българската външна търговия.

ЛИТЕРАТУРА

1. Балевски, Д., "Външнотърговска статистика" - 1989 г.

2. Величкова, Н., В. Павлова, "Статистически методи във външната търговия" - 1997 г.

2. Величкова, Н., "Статистически методи"-II част, 1997 г.

3. Гатев, К., "Въведение в статистиката" - 2001 г.

4. Гоев, В., "Статистическа обработка и анализ на информацията от социологически, маркетингови и политически изследвания със SPSS" -1996 г.

5. Димитров, А., "Въведение в иконометрията" - 1995 г.

6. Манов, А., “Статистика със SPSS” – 2001 г.

7. НСИ "Износ и внос" - 1996 - 2002

8. НСИ "Външна търговия на Република България" - 1997; 2001; 2002

9. НСИ "Социално-икономическо развитие – България '96" - 1997 г.

10. Закон за митниците, обнародван, Изв., бр. 21 от 11 март 1960 r., изм. и доп. ДВ, бр. 66 от 1966 r., бр. 26 от 1968 r., бр. 29 от 1969 r., бр. 85 от 1972 r., бр 84 от 1987 r., бр. 30 от 1990 г.

11. Правилник за прилагане на Закона за митниците, утвърден с постановление №5 на Министерския съвет от 30 ануари 1975 r., обн. ДВ, бр.12 от11 февруари 1975 r., изм. и доп. Бр.49 от 23 юни 1978 r., бр. 66 от 25 юли 1995 г.

12. Митническа тарифа, издание на Народното събрание, 1 януари 1996 г.

13. Митническа тарифа на Република България, приета с Постановление №237 на Министерския съвет от 1995 г. (обн. ДВ/109 от l995 г., доп. бр. 4 от 1996 г.)

14. www.nsi.bg

15. www.stat.bg

Ŷt = a0 + a1ti + a2(ti)2

Copyright © 2002 - 2024 Helpos.comАрхив от реферати, курсови работи, дипломни работи, есета

Ŷ_t = a₀ + a₁t_i + a₂(t_i)²

Copyright © 2002 - 2024 Helpos.com
Архив от реферати, курсови работи, дипломни работи, есета