ISSN 1995-2732 (Print), 2412-9003 (Online)
УДК 332.1+330.4
DOI: 10.18503/1995-2732-2025-23-1-190-200
Аннотация
В условиях единого экономического пространства страны периодически поднимаются вопросы региональной вариации цен, выравнивания темпов роста цен и достижения пространственного равновесия. Актуальность их решения возрастает в условиях внешних шоков, определяющих изменение курсов валют, разрушение каналов поставок, изменение структуры добавленной стоимости и т.д. В целях прогнозирования регионального изменения цен с развитием информационных технологий исследователи все чаще обращают внимание на новые источники данных. Фискальные данные становятся одним из источников информации, генерирующих потоки географически структурированных данных и, следовательно, хорошо подходят для такой цели. Появление таких данных позволяет строить более сложные прогнозные модели, а рост числа учитываемых наблюдений способствует росту их статистической значимости. Целью работы является определение чувствительности оценок пространственной автокорреляции цен к выбору весовой матрицы и уровню агрегирования данных. Исследование проведено на данных сервиса онлайн-аналитики розничных продаж в РФ (https://продажи.рф), формирующих базу данных на основе чеков, регистрируемых оператором фискальных данных «Первый ОФД». Набор содержит ежедневные данные о регистрируемой цене лекарственных средств, применяемых при кашле и простудных заболеваниях (3 бренда), за период с 1 января 2021 года по 31 декабря 2023 года. Установлено, что уровень агрегации данных (в виде дневных, недельных или месячных значений) оказывает влияние на возможность интерпретации полученных результатов, а выбор той или иной матрицы весов – на силу выявляемой пространственной зависимости. Выделенные зависимости представляют интерес для широкого круга лиц, занимающихся вопросами пространственных измерений, а также проблемами регионального ценообразования.
Ключевые слова
цена реализации, пространственная автокорреляция, региональная дифференциация, уровень агрегации, матрица весов
Для цитирования
Пространственная автокорреляция цен: чувствительность к выбору весовой матрицы и уровню агрегирования данных / Тимирьянова В.М., Красносельская Д.Х., Прудников В.Б., Гирфутдинова А.Ф. // Вестник Магнитогорского государственного технического университета им. Г.И. Носова. 2025. Т. 23. №1. С. 190-200. https://doi.org/10.18503/1995-2732-2025-23-1-190-200
1. Tobler W.R. A Computer Movie Simulating Urban Growth in the Detroit Region // Economic Geography. 1970, vol. 46, pp. 234–240. https://doi.org/10.2307/143141.
2. ESG-трансформация инновационного развития экономики: региональные и отраслевые аспекты / Абзалилова Л.Р., Ахмадеев А.М., Бахитова Р.Х. [и др.]. М.: Изд-во «КноРус», 2023. 290 с.
3. Валинурова Л.С., Орешников В.В. Подход к моделированию инновационной деятельности региона // Вестник Пермского университета. Серия: Экономика. 2023. Т. 18. № 3. С. 275-291. https://doi.org/10.17072/1994-9960-2023-3-275-291.
4. Россинская Г.М., Ибрагимова З.Ф., Ишмухаметов Н.С. Продовольственная безопасность: формирование и проявление на разных уровнях экономической системы // Экономика и управление: научно-практический журнал. 2022. № 3(165). С. 11-17. https://doi.org/10.34773/EU.2022.3.2.
5. Юсупов К.Н., Гришин К.Е., Бикмаева А.Д. Стратегические ориентиры регионального развития в современных условиях: монография. Уфа: УУНиТ, 2022. 214 c.
6. Мантаева Э.И., Голденова В.С., Слободчикова И.В. Некоторые аспекты устойчивого развития региональной экономики // Научные труды Вольного экономического общества России. 2022. Т. 236, № 4. С. 78-97. https://doi.org/10.38197/2072-2060-2022-236-4-78-97.
7. Krivoshlykov V. S., Zhahov N. V., Borodin A. L. et al. Factor analysis of the system development of the food market of fish products. Proceedings of the 33rd International Business Information Management Association Conference, IBIMA 2019: Education Excellence and Innovation Management through Vision 2020: 33, Education Excellence and Innovation Management through Vision 2020, Granada, 2019, pp. 6217-6223.
8. Chakrabarty M., Majumder A., Ray R. A Framework for the Simultaneous Measurement of Spatial Variation and Temporal Movement in Prices in a Heterogeneous Country: The Dynamic Household Regional Product Dummy Model // Review of Income and Wealth. 2018, no. 64, pp. 703-730. https://doi.org/10.1111/roiw.12266.
9. Ray R. Spatial Differences in Prices in India, State Rankings and Inequality // Household Behaviour, Prices, and Welfare. Themes in Economics. Springer, Singapore. 2019, pp. 119–178. https://doi.org/10.1007/978-981-13-1930-3_6.
10. Weinand S., von Auer L. Anatomy of regional price differentials: evidence from micro-price data // Spatial Economic Analysis. 2020, no. 15(4), pp. 413–440. https://doi.org/10.1080/17421772.2020.1729.
11. Spatial quantitative analysis of garlic price data based on arcgis technology / Wu G., Zhang C., Liu P., Ren W., Zheng Y., Guo F., et al. // Comput Mater Contin. 2019, no. 58(1), pp. 183-195. https://doi.org/10.32604/cmc.2019.03792
12. Цыплаков А.А. Статистический анализ динамики региональных уровней цен // Мир экономики и управления. 2000. Т. 1. №. 1. С. 5-19.
13. Иванова В.И. Конвергенция цен на рынке зерна: исторический аспект // Пространственная экономика. 2015. №. 3. С. 34-56.
14. Кириллов А.М. Инфляция цен на продовольственные товары в регионах России: пространственный анализ // Пространственная экономика. 2017. № 4. С. 41–58. https://doi.org/10.14530/se.2017.4.041-058.
15. Кириллов А.М. Исследование пространственной автокорреляции: случай российской региональной инфляции // Прикладная эконометрика. 2021. № 64. C. 5–22. https://doi.org/10.22394/1993-7601-2021-64-5-22.
16. Динамика пространственной корреляции цен на овощи и фрукты / Тимирьянова В.М., Лакман И.А., Красносельская Д.Х., Столь А.В. // Пространственная экономика. 2023. Т. 19. № 2. С. 94–125. https://dx.doi.org/10.14530/se.2023.2.094-125.
17. Payne M.T., Smith M.G., Landry C.J. Price Determination and Efficiency in the Market for South Platte Basin Ditch Company Shares // JAWRA Journal of the American Water Resources Association. 2014, no. 50(6), pp. 1488–1500. https://doi.org/10.1111/jawr.12215.
18. Spatial analysis of residential fuel prices: Local variations in the price of heating oil in Northern Ireland / Walker R., McKenzie P., Liddell Ch., Morris Ch. // Applied Geography. 2015, no. 63, pp. 369-379. https://doi.org/10.1016/j.apgeog.2015.07.016.
19. Bergeaud A., Raimbault J. An empirical analysis of the spatial variability of fuel prices in the United State // Transportation Research Part A: Policy and Practice. 2020, no. 132(C), pp. 131-143.
20. Fingleton B., Fuerst F., Szumilo N. Housing affordability: Is new local supply the key? // Environment and Planning A: Economy and Space. 2019, no. 51(1), pp. 25-50. https://doi.org/10.1177/0308518X18798372.
21. Fackler P. L., Goodwin B. K. Chapter 17 Spatial price analysis. Marketing, Distribution and Consumers. 2001, pp. 971–1024. https://doi.org/10.1016/s1574-0072(01)1002.
22. Аnselin L. Under the hood: issues in the specification and interpretation of spatial regression models // Agricultural economics. 2002, no. 27(3), pp. 247-267.
23. Патракеева О.Ю., Кулыгин В.В. Весовые матрицы в моделях оценки пространственных эффектов транспортной инфраструктуры в российских регионах // Развитие водных транспортных магистралей в условиях глобального изменения климата на территории Российской Федерации (Евразии) («Опасные явления – IV») памяти члена-корреспондента РАН Д.Г. Матишова: материалы IV Международной научной конференции (г. Ростов-на-Дону, 5–9 сентября 2022 г.). Ростов-на-Дону: Изд-во ЮНЦ РАН, 2022. С. 412-415.
24. Bell K.P., Bockstael N.E. Applying the Generalized-Moments Estimation Approach to Spatial Problems Involving Micro-Level Data // Review of Economics and Statistics. 2000, no. 82(1), pp. 72–82. https://doi.org/10.1162/003465300558641.
25. Демидова О.А. Пространственно-авторегрессионная модель для двух групп взаимосвязанных регионов (на примере восточной и западной части России) // Прикладная эконометрика. 2014. № 2 (34). С. 19–35.
26. Балаш В.А., Файзлиев А.Р. Пространственная корреляция в статистических исследованиях // Промышленность: экономика, управление, технологии. 2008. №. 4. С. 122-125.
27. Kostov P. Model Boosting for Spatial Weighting Matrix Selection in Spatial Lag Models // Environment and Planning B: Planning and Design. 2010, no. 37(3), pp. 533–549. https://doi.org/10.1068/b35137.
28. Карачурина Л.Б., Мкртчян Н.В. Опыт расчета расстояний между разными типами населенных пунктов России (для оценки дальности миграции населения) // Вестник Санкт-Петербургского университета. Науки о Земле. 2023. № 68 (3). C. 418–442. https://doi.org/10.21638/spbu07.2023.301.
29. Абрамов А., Глущенко К. Матрица кратчайших расстояний между административными центрами российских регионов. Новосибирск: НГУ, 2000. Режим доступа: http://nsu-ef.ru/teachers/ Gluschenko_KP/Research/Data/Distances.xls, свободный. Загл. с экрана (дата обращения: 20.06.2024 г.).
30. A framework for electricity price spike analysis with advanced data mining methods / Zhao J.H., Dong Zh.Y., Li X., Wong K.P. // IEEE Transactions on Power Systems. 2007, no. 22(1), pp. 376-385.
31. Рейтинг операторов фискальных данных – 2024. Режим доступа: https://www.klerk.ru/blogs/platformaofd/602111/ (дата обращения: 20.06.2024г.).
32. Коломак Е.А. Пространственные экстерналии как ресурс экономического роста // Регион: экономика и социология. 2010. №. 4. С. 73-87.
33. Impact of Polygon Geometry on the Identification of Economic Clusters / Frizado J., Smith B.W., Carroll M.C. et al. // Letters in Spatial and Resource Sciences. 2009, no. 2(1), pp. 31–44. https://doi.org:10.1007/s12076-008-0020-6.
34. Иванова В.И. Региональная конвергенция доходов населения: пространственный анализ // Пространственная экономика. 2014. № 4. С. 100-119. https://doi.org/10.14530/se.2014.4.100-119.