XII Международная студенческая научная конференция Студенческий научный форум - 2020

ВВЕДЕНИЕ

Исторически так сложилось, что стоимость страны по показателю ВВП существует в условиях весьма сильной динамической изменчивости. Маленькая площадь страны, неплодородная почва и иные географические и политические факторы сильно влияют на потенциальное развитие государства. Так же на возможное развитие очень сильно влияет обменный курс корейской воны и доллара, поскольку государство из-за технологического отрыва предлагает всему миру технику и электронные устройства, а оплата происходит преимущественно в долларах. В связи с этим автор задаётся гипотезой, что обменный курс имеет влияние на импорт и экспорт Южной Кореи.

Для проверки данной гипотезы автор задаётся целью создать эконометрическую модель и проверить её на качество и адекватность для выявления ошибок. Данное исследование сможет не только показать зависимость между обменным курсом корейской воны и доллара и объёмом импорта или отсутствие этой зависимости, но и дать базисную информацию для исследования стратегий национальной безопасности Южной Кореи.

Объектом исследования является объем импорта в период с 2000 по 2018.

Цель данного исследования выявить и проанализировать зависимость объема зависимости импорта и курса валюты "Корейский вон"

Новизна данной работы раскрывается в анализе о количественной оценке, прогнозировании и преодолении взаимосвязи между обменным курсом и зависимостью импорта

В ходе выполнения работы выполняются следующие задачи:

•Построение спецификации эконометрической модели зависимости импорта от обменного курса корейской воны;

•Сбор необходимых статистических данных;

•Оценивание модели и анализ качества ее спецификации;

•Проверка адекватности предпосылок теоремы Гаусса-Маркова;

•Проверка адекватности модели и прогнозирование.

В качестве информационной базы для проведения данного исследования выступают по исследуемой теме, учебники и материалы лекций по эконометрике, данные от службы Корейиской государственной статистики.

ОСНОВНАЯ ЧАСТЬ

Курсом валюты автор считает относительную цену валют двух стран, то есть цена одной валюты в единицах другой. В данной работе курс корейской воны мы будем брать по отношению к одной из самых популярных мировых валют – к доллару США.

Обменный курс имеет сильную связь с доходами частных организаций, и, соответственно, с ВВП Южной Кореи. Чем дороже национальная валюта, тем больше доход и размер ВВП в сопоставимых ценах к базисному году. Таким образом, затраты на импорт переносятся легче, и их объём увеличивается. В обратном случае в дело вступает экспорт – происходит стимулирование у иностранных резидентов покупать товар из Южной Кореи. Импорт в то же время становится более дорогим. Более сильный доллар, например, может создать проблемы для американских компаний, которые экспортируют товары в другие страны. Для иностранных потребителей и компаний, которым приходится платить за товары в долларах, цены на эти товары становятся более высокими. Ценность прибыли, которую они заработали от экспортных продаж, также падает, когда они переходят на доллары, получаемые из-за границы.

Нижеприведенная модель представляет собой модель, указывающую сумму импорта по курсу обмена. Спецификация её выглядит следующим образом:

-Импорт

- свободный член

- коэффициент при Ert

- случайные остатки;

- курс балют

При проверке модели на качество автор использовал F-тест, позволяющий с помощью сравнения значения F-статистики и F-критического сделать утверждение о качестве модели. Если значение F-статистики больше критического порога, то модель признается качественной

n=70 k=1.

F=20.10146341

Fкр = 3.9840 ,при a=0.05 v1=1 v2=70

F>Fкр можно сделать утверждение о том, что модель качественная.

Для проверки модели на адекватность следует определить объём контролирующей выборки, оценить утвержденную модель по контролирующей выборке и сделать интервальный прогноз, чтобы понять – входят ли существующие значения из контролирующей выборки в интервал оценок.

Контролирующий выборка t=1,20,40,65

Im=-8181538.468 + 53947163406*Ert + ut

(10754881.95) (12032469685)

Контролирующая выборка :

t1: Im= 44746013 Er= 0.000937

t20: Im =34772163 Er=0.000844

t40: Im=37959391 Er=0.000893

t65: Im=40111785 Er=0.000846

_t =

₌ ϐ_{u *}

_{q =}

tкрит= 1.996008354 при α=0,05, v=67

граница следующий:

t1 (34303047.73; 50405844.24)

Y0min	34303047.73
Y0max	50405844.24
2014. 01	44,746,013	0.0009367681498829040

t20 (29261128.92; 45402814.15)

Y0min	29261128.92
Y0max	45402814.15
2015. 08	34,772,163	0.0008436682696363790

t40 (32028154.18; 47986014.81)

Y0min	32028154.18
Y0max	47986014.81
2017. 04	37,959,391	0.0008932559178204560

t65 (29480099.42; 45437980)

Y0min	29480099.42
Y0max	45437980
2019. 06	40,111,785	0.0008460236886632830

при t=1 Im=44746013 ϵ (

при t=20 Im=34772163 ϵ (

при t=40 Im=37959391ϵ (

при t=65 Im=40111785 ϵ (

Таким образом, модель признаётся адекватной и может использоваться для оценки импорта с 95% уровнем доверия.

Но следует также проверить и случайные остатки нашей модели для выявления автокоррелированности или его отсутствия и характера распределения. Для этого используется тест Голфелда-Квандта и тест Дарбина-Уотсона.

Тест Голфелда-Кванта позволяет проверить предпосылку о гомоскедастичности случайных остатков. Для проверки данного условия воспользуемся тестом Голдфелда-Квандта. Для этого выборка была разбита на 2 части n =34.

	18609401727	21863368.21
	34416453827	29673490.41
	0.009053837	4346191.162
	0.292369849	32
	5.52268E+12	6.0446E+14
	43301104538	2052731.834
	21772373564	20125883.96
	0.110007606	3607217.836
	3.955363439	32
	5.14673E+13	4.16385E+14
GQ	1.451686738
1/GQ	0.688853851
Fkp	1.804481608
GQ	1.451686738	<	Fkp	1.804482
1/GQ	0.688853851	<	Fkp	1.804482

Поскольку и значение GQ и 1/GQ меньше значения F критического, то следовательно случайные остатки имеют гомоскедатичность с 95% уровнем доверия, что является хорошей ситуацией для модели.

Для проверки утверждения об отсутствии автокорреляции случайных остатков воспользуемся тестом Дарбина-Уотсона (далее – DW).

общий
53947163406	-8181538.468		n=70
12032469685	10754881.95		n'=21
0.230782155	3968787.47		k=1
20.10146341	67
3.16624E+14	1.05534E+15
DW=2,5	2.5		n=70
			k=1
dL=1,43	1.43
dU=1,49	1.49
Cov =0

1.545651527

DW ϵ М3, следовательно cov(u_i;u_i-1)=0 и дополнительную переменную включать необязательно.

Вывод

Для проведения регрессионного анализа через составление эконометрической модели курса корейских денег на импорт (объем импорта и курс валюты по месяцам в долларах за 2014-2019 года):

Im=8181538.468 + 53947163406*Ert + ut

(10754881.95) (12032469685)

Модель оказалась адекватной.

Когда стоимость доллара растет с экономической точки зрения, количество импорта должно быть уменьшено. Но с помощью графика и проверки выше, можно увидеть, что стоимость валюты и ее доход имеют прямую зависимость. Причина заключается в том, что 50% общего объема производства страны зависит от экспорта. С его побочными эффектами, даже когда стоимость корейских валюты низкая, страна может только рисковать своими потерями. По этим причинам, государство должно сделать следующее:

1. Поддерживать курс валюты максимально стабильным.

2. Принимать решения, которые бы минимизировали потери от импорта при низким курсе валюты.

СПИСОК ЛИТЕРАТУРЫ

[электронные ресурсы]курс корейский вон на доллар https://fred.stlouisfed.org/series/EXKOUS

[электронные ресурсы] Корейская государственная статистика http://kosis.kr/statisticsList/statisticsListIndex.do?menuId=M_01_01&vwcd=MT_ZTITLE&parmTabId=M_01_01#SelectStatsBoxDiv

ПРИЛОЖЕНИЕ

Дата	Импорт	курс 1 вон на доллар
2014. 01	44,746,013	0.0009367681498829040
2014. 02	42,061,554	0.0009392317084624780
2014. 03	45,558,675	0.0009678668215253580
2014. 04	45,873,333	0.0009802960494069210
2014. 05	42,607,483	0.0009883376161296700
2014. 06	42,476,381	0.0009728572818367550
2014. 07	45,863,916	0.0009861932938856020
2014. 08	42,791,869	0.0009476876421531460
2014. 09	44,184,712	0.0009358914365933550
2014. 10	44,097,421	0.0009026085386767760
2014. 11	41,343,254	0.0009096697898662790
2014. 12	43,909,896	0.0009144947416552350
2015. 01	39,283,025	0.0009104151493080840
2015. 02	33,998,316	0.0009013068949977470
2015. 03	38,485,935	0.0009324878776575900
2015. 04	37,858,798	0.0009023641941887750
2015. 05	36,039,800	0.0008964589870013450
2015. 06	36,598,398	0.0008547008547008550
2015. 07	38,647,067	0.0008456659619450320
2015. 08	34,772,163	0.0008436682696363790
2015. 09	34,540,504	0.0008771160424524170
2015. 10	36,762,975	0.0008634832915983080
2015. 11	34,049,682	0.0008528784648187630
2015. 12	35,462,311	0.0008339588024351600
2016. 01	31,321,901	0.0008086035416835130
2016. 02	29,163,323	0.0008745080891998250
2016. 03	33,344,423	0.0008777319406653210
2016. 04	32,388,783	0.0008391373667869430
2016. 05	33,025,444	0.0008682062858135090
2016. 06	33,890,231	0.0008926977325477590
2016. 07	33,371,802	0.0008940545373267770
2016. 08	35,103,611	0.0009080177971488240
2016. 09	33,988,443	0.0008732099196646870
2016. 10	35,050,112	0.0008557980316645270
2016. 11	37,240,858	0.0008280202036929700
2016. 12	38,303,957	0.0008605111436193100
2017. 01	37,645,403	0.0008844078889183690
2017. 02	36,203,282	0.0008941344778254650
2017. 03	42,579,492	0.0008788118463836890
2017. 04	37,959,391	0.0008932559178204560
2017. 05	39,287,764	0.0008740494712000700
2017. 06	40,551,012	0.0008936550491510280
2017. 07	38,607,157	0.0008866820358219540
2017. 08	40,549,772	0.0008730574471800240
2017. 09	41,695,884	0.0008925383791503030
2017. 10	37,856,562	0.0009189487226612750
2017. 11	42,013,512	0.0009341429238673520
2017. 12	43,529,066	0.0009364172675344130
2018. 01	45,805,322	0.0009235315847802000
2018. 02	41,722,154	0.0009402914903620120
2018. 03	44,897,838	0.0009363295880149810
2018. 04	43,693,963	0.0009279020135473690
2018. 05	44,458,729	0.0008972633467922840
2018. 06	45,000,164	0.0008938946992044340
2018. 07	44,917,044	0.0008985533291400840
2018. 08	44,360,778	0.0009014693951140360
2018. 09	41,032,928	0.0008767315448009820
2018. 10	48,480,618	0.0008914244963451600
2018. 11	46,808,199	0.0008943743851176100
2018. 12	44,024,694	0.0008950948800572860
2019. 01	45,105,425	0.0008946144211844700
2019. 02	36,616,013	0.0008788890841975740
2019. 03	41,986,787	0.0008634087376964250
2019. 04	44,991,912	0.0008403361344537820
2019. 05	43,665,405	0.0008644536652835410
2019. 06	40,111,785	0.0008460236886632830
2019. 07	43,736,818	0.0008229098090849240
2019. 08	42,469,083	0.0008324315325064510
2019. 09	38,739,579	0.0008558712769599450

Код для цитирования: Скопировать