Scientific journal
Fundamental research
ISSN 1812-7339
"Перечень" ВАК
ИФ РИНЦ = 1,674

ECONOMETRIC MODELING OF PRICE CAR IN THE SECONDARY MARKET IN THE CITY OF NABEREZHNYE CHELNY

Valeeva Z.F. 1 Isavnin A.G. 1
1 Kazan (Volga Region) Federal University Branch in Naberezhnye Chelny
In this paper, a model of the value of the selling price of cars in the secondary market by means of economic and mathematical modeling. The relevance of the study in this work stems from the necessity of formalizing the existing criteria for assessing the cost of selling cars in the secondary market, since, in practice, there is no well-founded criteria and models to define it. The study took into account the main parameters of the car influencing its value. The object of the study are cars in the secondary market in the city of Naberezhnye Chelny Tatarstan, the subject of investigation – the current level of the average cost of cars. For the econometric modeling based on the market offers a selection of built car sales. The main research method is a regression analysis method and Brandon.
statistical significance
regressive analysis
factors
estimation of criteria
design
method of Brandon
1. Zobnin V.A. Raschet i optimizacija stoimosti i vladenija legkovym avtomobilem v nekommercheskoj jekspluatacii. M., 2012. 74 р.
2. Isavnin A.G., Galiev D.R. Modeli portfelnogo investirovanija s primeneniem asimmetrichnyh mer riska i geneticheskih algoritmov // Finansovaja analitika: problemy i reshenija. 2011. no. 48. рр. 32–38.
3. Isavnin A.G., Farhutdinov I.I. Metod ocenki jekonomicheskoj jeffektivnosti primenenija proizvodstvennogo autsorsinga na avtomobilestroitelnom predprijatii Rossii // Regionalnaja jekonomika: teorija i praktika. 2012. no. 13. рр. 16–21.
4. Kuznecova O.A., Tatarnikova M.S. Jekonometricheskoe modelirovanie: uchebnoe posobie. Samara, 2012. 428 р.
5. Kucherova A.Ju. Raschet vlijanija ceny novyh mashin na srok sluzhby staryh // Biznesinform. 2009. no. 10. рр. 92–95.
6. Prut Ja.A. Jekonometricheskoe modelirovanija stoimosti avtomobilja Toyota Camry na vtorichnom rynke, primer, raschety. M., 2014. 4 р.

Цель данного исследования – построение математической модели, которая учитывала бы факторы, влияющие на стоимость бывших в употреблении автомобилей в целом.

Задачи исследования:

1. Отобрать достаточные факторы для построения модели стоимости б.у. автомобилей.

2. Построить многофакторное регрессионное уравнение.

3. Оценить модель на адекватность.

4. Произвести оценку влияния факторов на стоимость б.у. автомобиля.

В процессе исследования учитывались основные параметры автомобиля, влияющие на его стоимость на вторичном рынке.

Были отобраны такие факторы, как, пробег, тип кузова, год выпуска, мощность, количество владельцев, коробка передач, тип двигателя, привод, наличие кондиционера, наличие усилителя руля, наличие зимней резины, наличие автомагнитолы, наличие стеклоподъемников, наличие сигнализации, обогрев сидений, обогрев стекол, наличие ковриков, наличие литых дисков. Была построена матрица парных коэффициентов для устранения мультиколлинеарности, если таковая имеется и проведен ее анализ Для проверки значимости коэффициентов корреляции используем t-критерий Стьюдента. Фактическое значение этого критерия определяем по формулам:

valeeva01.wmf valeeva02.wmf (1)

Затем в несколько этапов был проведен pегрессионный анализ – заключающийся в исследовании влияния независимых переменных X1, X2, ..., Xp на зависимую переменную Y [5]. Зависимые переменные называют критериальными, а независимые переменные – регрессорами. Терминология этих переменных отражает только математическую зависимость переменных. Уравнение регрессии было применено для построения линии регрессии. Последнее позволило определить среднюю величину Y, при изменении величин Х. Итак было построено следующее регрессионное уравнение:

Y = 417564,5489817 – 0,859745052•x1 + + 20825,306•x2 + 1799,611•x3 + + 235839,626•x4, (2)

где x1 – пробег автомобиля в км; x2 – год выпуска; x3 – мощность, л.с.; x4 – количество владельцев (1 – один владелец, 0 – больше одного).

Таблица 1

Критическое значение t-статистики Стьюдента при уровне значимости 0,05 и числе степеней свободы 100: tкр ≈ 1,984.

Фактор

Значение коэффициента

Фактическое значение t-критерия Стьюдента

Пробег (X1)

0,061

10,163

Тип кузова (X2)

0,045

6,738

Год выпуска (X3)

0,087

4,217

Мощность (X4)

0,087

3,135

Количество владельцев (X5)

0,096

2,220

Коробка передач (X6)

0,063

9,650

Тип двигателя (X7)

0,099

1,100

Привод (X8)

0,100

2,529

Наличие кондиционера (X9)

0,100

3,704

Наличие усилителя руля (X10)

0,100

2,649

Наличие зимней резины (X11)

0,101

0,045

Наличие автомагнитолы (X12)

0,100

0,597

Наличие стеклоподъемников (X13)

0,098

1,644

Наличие сигнализации (X14)

0,087

2,975

Обогрев сидений (X15)

0,088

2,476

Обогрев стекол (X17)

0,100

1,853

Наличие ковриков (X18)

0,100

1,074

Наличие литых дисков (X20)

0,061

10,163

pic_96.tif

Результаты регрессионного анализа модели Y

Затем уравнение (2) было оценено при помощи математических критериев, что доказало, адекватность его построения. Оценка значимости уравнения множественной регрессии осуществлялась путем проверки гипотезы о равенстве нулю коэффициента детерминации. Коэффициент (индекс) детерминации показывает качества регрессионной модели. По-другому коэффициент детерминации дает понять, какая доля общей вариации выходной переменной Y определена зависимостью ее от входной переменной [1]. Коэффициент (индекс) детерминации был рассчитан по данным генеральной совокупности: R2 или b1 = b2 = ... = bm = 0 (гипотеза о незначимости уравнения регрессии, рассчитанного по данным основной совокупности) [2]. Для ее проверки использовался F-критерий Фишера. При этом было вычислено фактическое (наблюдаемое) значение F-критерия, через коэффициент детерминации R2, рассчитанный по данным конкретного наблюдения. По таблицам распределения Фишера – Снедоккора было найдено критическое значение F-критерия (Fкр). Для этого был задан уровень значимости α = 0,05 и два числа степеней свободы k1 = m и k2 = n – m – 1. Так как значения некоторых исходных данных больше 1 000, то можно данные либо разделить на 1 000, либо использовать решение MS Excel. Чем ближе этот параметр к единице, тем больше уравнение регрессии объясняет поведение Y [3].

Добавление в модель новых объясняющих переменных осуществилось до тех пор, пока рос скорректированный коэффициент детерминации. Так как фактическое значение оказалось F > Fkp, то коэффициент (индекс) детерминации статистически значим и уравнение регрессии статистически надежно [4]. Так же проведена проверка гипотезы об общей значимости – гипотеза об одновременном равенстве нулю всех коэффициентов регрессии при объясняющих переменных:

H0: R2 = 0; β1 = β2 = ... = βm = 0.

H1: R2 ≠ 0.

Проверка этой гипотезы осуществлялась с помощью F-статистики распределения Фишера (правосторонняя проверка). Затем был проведен статистический анализ полученного уравнения регрессии: проверка значимости уравнения и его коэффициентов, исследование относительных и абсолютных ошибок аппроксимации. Статистический анализ подтвердил правильность вычислений.

Модель (1) позволяет оценить степень влияния отдельных факторов на конечную стоимость б.у. автомобиля в числовом эквиваленте. Таким образом, пробег автомобиля в км влияет на стоимость б.у. автомобиля с отрицательным коэффициентом 0,85. Это значит, что при увеличении пробега его стоимость будет уменьшаться, но не значительно. Год выпуска также уменьшает стоимость б.у. автомобиля, при этом он имеет положительный коэффициент 20825,3, что адекватно, более ранний выпуск автомобиля снижает его стоимость с каждым годом. Коэффициент при факторе «мощность автомобиля», равный 1799,611, показывает положительную связь между ростом стоимости б.у. автомобиля и уровнем мощности автомобиля. Последний фактор «наличие одного или более владельцев» показывает, что влияние данного фактора на стоимость б.у. автомобиля велико и составляет 235839,62. Стоит учесть, что данная модель не отражает, какое именно количество владельцев и как в количественном виде влияет на стоимость б.у. автомобиля, она показывает общее влияние от наличия более одного владельца автомобиля.

Построенная в ходе исследования модель позволяет оценить и спрогнозировать стоимость б.у. автомобилей с учетом основных критериев: год выпуска, пробег, мощность и количество владельцев автомобиля, на основе реальных статистических данных, что делает модель экономически адекватным инструментом в оценки стоимости автомобиля.

Метод Брандона

Отбор и анализ факторных признаков, включаемых в модель множественной регрессии для Y.

Отбор факторных признаков проводится с помощью частных коэффициентов корреляции, необходимо, чтобы коэффициент корреляции r зависимости между результирующим показателем Y и каждым j-м фактором xj должен быть отличен от нуля, и факторы x1, x2, …, xn должны быть попарно независимыми.

На Y оказывают умеренное влияние – X1 (r yx1/x3,х4,х5 = 0,570255969061171), сильное влияние – X3 (r yx3/x1,x4,х5 = 0,801680915508622), причем связь между X1 и X4 слабая (r x1x4/y,х3,х5 = –0,390562532906476); связь между X1 и X5 слабая (r x1x5/y,х3,х4 = –0,189562532906476). Таким образом, для построения множественной регрессии выбираем пару факторов Х1Х3

  • пробег, в км – X1;
  • мощность, л. с. – X3.

Множественная нелинейная регрессия (Y)

Для построения уравнения множественной нелинейной регрессии был использован метод Брандона.

1. Было вычислено среднее значение:

2. valeeva03.wmf

3. Каждое i-е наблюдение yi было преобразовано по формуле

valeeva04.wmf

4. Для пары переменных y0i и xi1 так же, как и при парной регрессии, был выбран вид зависимости с максимальным уровнем спецификации по критерию Дарбина – Уотсона и по величине корреляционного отношения η:

valeeva05.wmf

Таблица 2

Уравнения парной регрессии для YX1

Уравнения регрессии

Коэффициенты

Значимость коэффициентов

η

Δ

R2

DW

Линейная модель:

a =

0,407564086

значим

0,99747

0,5075454

0,949955012

1,703775737

b =

0,002220105

значим

значим

значим

отсутствует

Гиперболическая модель:

а =

1,595658752

значим

0,94025

0,7359684

0,938526202

1,399608323

b =

–163,212555533

значим

значим

значим

отсутствует

Степенная модель:

а =

0,022672876

значим

0,93956

0,5539857

0,951140417

1,601376096

b =

0,740501814

значим

значим

значим

отсутствует

Логарифмическая модель:

а =

–2,642250878

значим

0,92863

0,5994034

0,948572187

1,599589833

b =

0,525215733

значим

значим

значим

отсутствует

Параболическая модель

2 порядка:

а =

1,562380177

значим

0,97924

0,5010562

0,950102748

1,800970503

b =

–0,004731608

значим

значим

значим

отсутствует

с =

0,000028484

значим

Параболическая модель

3 порядка:

а =

27,128414781

значим

0,99086

0,4982589

0,969996033

2,10078869

b =

–0,300803469

значим

значим

значим

отсутствует

с =

0,001015334

значим

d =

–0,000001564

значим

Учитывая значимость коэффициентов регрессии, значимость уравнения в целом, величину корреляционного отношения и коэффициента корреляции (для линейной модели), точность аппроксимации и отсутствие автокорреляции, в качестве модели выбираем параболическую модель второго порядка:

valeeva06.wmf

1. Вычислили значения valeeva07.wmf и valeeva08.wmf.

2. Для пары переменных y1i и xi3 выбрали вид зависимости с максимальным уровнем спецификации: valeeva09.wmf.

Составим аналогичную таблицу уравнения парной регрессии для YX5 (табл. 2).

Учитывая значимость коэффициентов регрессии, значимость уравнения в целом, величину корреляционного отношения и коэффициента корреляции (для линейной модели), точность аппроксимации, и отсутствие автокорреляции, в качестве модели выбираем параболическую модель третьего порядка:

valeeva10.wmf

После определения valeeva11.wmf строится общая формула множественной регрессии:

valeeva12.wmf

Она имеет вид

valeeva13.wmf

На основе проделанной работы выбрали модель с наивысшим уровнем спецификации. Спецификация моделей представлена в табл. 3:

Таблица 3

Множественные регрессии для YX1X3. Спецификации

Уравнения регрессии

Коэффициенты

Значимость коэффициентов

η

δ

R2

DW

valeeva14.wmf

а =

698,7455723

значим

0,99102

0,57

0,99

1,59

b =

4,975335196

значим

значим

значим

Отсутствует

с =

4,223837302

значим

valeeva15.wmf

а =

–2,000275095

значим

0,98543

0,43

0,98

2,11

b =

0,10271652

значим

 

с =

–0,000399076

значим

 

а =

0,190739587

значим

значим

 

значим

Отсутствует

b =

0,060311890

значим

 

с =

–0,000953275

значим

 

d =

7,17553E-06

значим

 

Экономическая интерпретация уравнения регрессии

Учитывая значимость коэффициентов регрессии, значимость уравнения в целом, величину корреляционного отношения, коэффициента корреляции (для линейной модели) и автокорреляцию остатков, видно, что наиболее целесообразно выбрать параболическую зависимость. Коэффициенты нелинейной модели, построенной методом Брандона, значимы (значит, эти коэффициенты формируются под воздействием неслучайных факторов), корреляционное отношение η = 0,98543 достаточно большое (тесная связь между рассматриваемыми признаками), точность аппроксимации высокая (всего 0,43 %), автокорреляция остатков отсутствует, значит, именно эта зависимость лучше описывает исходный Y – стоимость автомобиля, (в руб.).

Уравнение нелинейной зависимости выглядит следующим образом:

valeeva16.wmf

Уравнение в целом значимо, так как коэффициент детерминации очень высок R2 = 0,98201, а чем больше его величина, тем больше влияние данных признаков на величину результативного. Таким образом, на повышение стоимости автомобиля будут влиять мощность и пробег (чем меньше, тем дороже).