grp

ВРП на душу населения за 2017 год

Тыс. руб.

auto

число собственных легковых автомобилей на 1000 человек населения на 2017 год

Ед.

refinery

наличие НПЗ в регионе

Дамми

HHI

Индекс Херфиндаля-Хиршмана, рассчитанный для рынка АЗС в каждом регионе

-

Описательная статистика для всех переменных представлена в Приложении 3. Так как зависимая переменная price_autoи независимая переменная grpизмеряются в денежном выражении и принимают положительные значения, для улучшения качества модели автор использовал логарифмирование данных переменных. На основе анализа распределения независимой переменной popтакже было решено использовать в моделях логарифмическое преобразование переменной.

Корреляционная матрицапредставлена в Приложении 4.Значениястатистически значимых коэффициентов корреляции при интерпретации по шкале Чеддока не свидетельствуют о наличии высокой или весьма высокой связи между большей частью регрессоров. Исключение составляют переменные roads и stat_sq, между которыми выявлена весьма высокая сила связи (коэффициент корреляции по Пирсону составляет 0,92 и значим на 1%-ном уровне). Следовательно, при построении моделей необходимо исключить одновременное включение в модель обеих переменных.

Следует отметить большое стандартное отклонение для регрессоров pop иsquare. Такой результат объясняется тем, что в РФ в качестве субъектов выступают не только регионы, но и города. Население распределено неравномерно и преимущественно концентрируется в европейской части страны, в то время как наиболее крупные по площади регионы находятся в Сибири и на Дальнем Востоке. Также среди регионов отмечается существенное различие в количестве АЗС - в удаленном Ненецком автономном округе на 2017 год было всего 4 станции, в то время как в Московской области работало 1516станций.

Для построения пространственных матриц с помощью сервиса GoogleMaps была собрана информация о расстоянии в километрах и времени в пути в часах между каждыми двумя административными центрами. Для обоих случаев выбиралась кратчайшая (в терминах расстояния и времени соответственно) дорога, проходящая по территории Российской Федерации. Следует отметить, что Сахалинская область расположена на острове, поэтому в расчеты включена паромная переправа с материка.

В ходе сбора данных о времени в пути были выявлены некоторые особенности. Во-первых, сервис GoogleMapsокругляет до целых значений время в пути для всех городов, поездка между которыми занимает более 24 часов. Разбиение пути на несколько частей и последующее суммирование временных затрат позволило бы справиться с этой проблемой. Однако, в связи с трудоемкостью сбора данных это решение не было реализовано. Во-вторых, так как указанный картографический сервис учитывает затрудненное движение, ДТП и ремонтные работы на дорогах, в разные дни время в пути между одними и теми же городами может различаться. Ниже представлена разница времени в пути для трассы Москва-Пермь и Пермь-Екатеринбург (Таблица 3):

Таблица 3

Время в пути по трассам Пермь-Екатеринбург и Пермь-Москва

Трасса	Время 1	Время 2	Время 3	Время 4	Отклонение
Пермь-Москва	20 ч 7 мин	19 ч 50 мин	19 ч 59 мин	20 ч 10 мин	1,68%
Пермь-Екатеринбург	4 ч 59 мин	4 ч 50 мин	4 ч 51 мин	5 ч 6 мин	5,50%

Мы видим, что разница в рассматриваемых случаях достигает 5,50%. Сложно говорить о том, насколько значима данная разница. В будущем можно исправить данную проблему, вычисляя среднее значение для каждого расстояния.Также возможно использование другого картографического сервиса, который позволяет исключить опцию учета затруднительного движения на дороге, ДТП и ремонтных работ.

Для матрицы обратного числа автозаправок был использован упомянутый ранее сайт АЗС-локатор. Данный сайт может синхронизироваться с картографическими данными сервисов GoogleMapsи Яндекс.Карты и указывать количество АЗС на указанном маршруте. В расчет включались АЗС, находящиеся в радиусе 200 метров от трассы, так как именно указанный диапазон был предложен сервисом.



5. Описание результатов

В данном разделе в соответствии с этапами, указанными в начале третьей части исследования, построены пространственные модели SAR на выборке по 82 субъектам РФ. Для моделирования использованы четыре типа матрицы пространственных весов: матрица обратного расстояния, матрица обратного времени в пути, матрица обратного числа АЗС и матрица числа АЗС к времени в пути.

Для каждого типа матрицы вынесено по четыре модели, причины построения которых указаны в предыдущем разделе. Виды эконометрических уравнений представлены ниже:

1 вид:

2 вид:

3 вид:



4 вид:

В первую очередь для определения целесообразности построения пространственных эконометрических моделей была рассчитана статистика Moran'sI, которая представлена в Таблице 4.

Таблица 4

Результаты теста Moran'sI

Тип матрицы	Статистика Moran'sI	p-value
Обратное расстояние	0.050	0.000
Обратное время в пути	0.088	0.000
Обратное число АЗС	0.455	0.000
Число АЗС/время в пути	0.001	0.061

Для трех из четырех типов матриц пространственых весов индекс оказался статистически значимым на уровне 1%, что позволяет отклонить нулевую гипотезу теста об отсутствии пространственной автокорреляции.

Для матрицы числа станций, скорректированного на время в пути, Moran'sI показал значимость на 10%-ном уровне, однако в построенных с её помощью спецификацииях коэффициент при пространственной матрице не был значим.Также все модели, построенные с помощью указанной матрицы, уступали остальным по значениям информационного критерия Акаике и критерия log-likelihood. По этим причинам модели, оцененные с применением данного типа матрицы, не будут вынесены в таблицу с результатами в тексте работы. Ознакомиться с результатами оценивания этих моделей можно в Приложении 5.

Одна из возможных причин сравнительно низкого качества моделей с матрицей на основе плотности станций - возможные различия в маршрутах, которые были построены сервисами АЗС-локатор и Google maps. В ходе работы с двумя сервисами было обнаружено, что АЗС-локатор преимущественно строит маршруты по федеральным и региональным трассам, в то время как сервис Google базируется и на дорогах местного значения.

Результаты оценивания моделей SAR с помощью матриц обратного расстояния, обратного времени в пути и обратного количества станций представлены в Таблице 5.

Таблица 5

Результаты моделирования

Модель	1	2	3	4	5	6	7	8	9	10	11	12
Тип матрицы	Обратное расстояние	Обратное время в пути	Обратное число АЗС
const	1.004	1.084	1.007	1.096	0.532	0.472	0.526	0.472	0.102	0.028	0.097	0.028
auto	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000*	0.000*	0.000*	0.000*
log(grp)	0.014	0.018**	0.016*	0.019*	0.015*	0.019**	0.017**	0.020**	0.016***	0.018***	0.017***	0.019***
log(pop)	-0.018***	-0.003	-0.019***	-0.005	-0.017***	-0.003	-0.017***	-0.004	-0.009**	-0.000	-0.010**	-0.002
refinery	-0.009	-0.012	-0.008	-0.011	-0.009	-0.012	-0.009	-0.011	-0.010	-0.012	-0.010	-0.011
roads	-	-	0.000**	0.000*	-	-	0.000**	0.000*	-	-	0.000**	0.000*
square	0.000***	0.000**	0.000***	0.000**	0.000***	0.000**	0.000***	0.000**	0.000	-0.000	0.000	-0.000
stat_pop	-0.050	-0.003	-0.050	-0.004	-0.034	0.008	-0.035	0.007	-0.025	0.003	-0.025	0.002
stat_sq	0.000*	0.000	-		0.000	0.000	-	-	0.000	0.000	-	-
HHI	-	0.000***	-	0.000***	-	0.000***	-	0.000***	-	0.000***	-	0.000***
	0.739**	0.673*	0.736**	0.668*	0.863***	0.838***	0.862***	0.837**	0.964***	0.957***	0.964***	0.957***
AIC	-262.36	-272.75	-263.55	-273.83	-268.52	-278.37	-269.73	-279.46	-318.66	-326.2	-320.68	-328.02
Log-likelihood	141.182	147.374	141.776	147.916	144.262	150.187	144.864	150.732	169.332	174.102	170.341	175.012

Уровни значимости: * - 10%, ** - 5%, *** - 1%

Среди всех построенных моделей по результатам анализа информационного критерия Акаике и критерия log-likelihood лучшей является последняя спецификация, в которой использована матрица обратного числа АЗС, а также учтены параметры, отвечающие за рыночную концентрацию и плотность асфальтированных дорог.

Проведем интерпретацию значимых коэфициентов в лучшей модели:

1) При увеличении ВРП на душу населения в регионе на 1% средняя потребительская цена автомобильного бензина увеличивается на 0.019%.

2) При увеличении индекса HHI на единицу цена на автомобильный бензин увеличивается на 0.005%.

3) При увеличении плостности асфальтированных дорог на 1 км путей на 1000 км² цена на автомобильный бензин увеличится на 0.0016%.

При сравнении качества моделей, базирующихся на одних и тех же регрессорах и различающихся исключительно типом используемой матрицы, можно отметить следующую зависимость: в последовательности матрица обратных расстояний - матрица обратного времени в пути - матрица обратного количества АЗС значения критерия Акаике уменьшаются, а значения log-likelihood увеличиваются. Следовательно, можно говорить о том, что матрица обратного числа АЗС является лучшей среди всех используемых в данной работе.

Для начала рассмотрим оценки коэффициента , который стоит при матрице пространственных весов и отвечает за наличие пространственной автокорреляции. Оценки значимы для всех моделей: на 5%-ном и 10%-ном для моделей с матрицей обратного расстояния, на 1%-ном для матрицы обратноговремени в пути (кроме одной модели, для которой коэффициент значим на 5%-ном уровне) и на 1%-ном уровне для всех моделей с использованием матрицы обратного числа АЗС. При этом для всех случаев сохраняется положительный знак при коэффициенте. Таким образом, можно говорить о наличии положительной пространственной автокорреляции в исследуемых данных, и выбор модели SAR оправдан для выбранного исследовательского вопроса.

Рассмотрим показатель refinery (дамми-переменная на наличие в регионе НПЗ). Переменная не оказалась значима ни в одной модели, следовательно,невозможно верифицировать гипотезу о положительном влиянии данного фактора на цену бензина. Такой результат можно обосновать тем, что в моделях никак не учитываются мощности НПЗ.

Оценки коэффициентов при плотности станций также не оказались значимыми. Исключение составляет только первая модель, в которой плотность станций относительно площади региона имеет 10%-ный уровень значимости. Таким образом, гипотезы об отрицательном влиянии отношения количества АЗС к площади региона и к площади населения не были верифицированы.

Показатель логарифмированной переменной ВРП на душу населения значим в 11 из 12 моделей. В последних четырех моделях, построенных с помощью матрицы обратных АЗС, уровень значимости равен 1%. Положительный знак при оценке значимых коэффициентов сохраняется. Комбинация данных результатов позволяет принять гипотезу о положительном влиянии ВРП на душу населения на цену бензина. Данный результат можно противопоставить выводу, полученному Иншаковым и Богачковой (2015) на страновых данных об отрицательном влиянии ВВП.

Индекс рыночной концентрации значим на 1%-ном уровне во всех 6 моделях, в которых был использован. При этом прослеживается следующий факт: включение индекса Херфиндаля-Хиршмана увеличивает качество моделей для всех типов матриц. Таким образом, полученный результат совпадает с выводами, сделанными в работах Новаковски и Карасевича (2016), Ожковски и другихавторов (2018).

Рассмотрим оценки коэффициентов при контрольных переменных и сравним их значимое влияние с ожидаемым.

Оценка логарифма переменной pop, отвечающей за численность населения в регионе, значима во всех моделях, в которых не используется индекс рыночной концентрации. Знак отрицательный, что говорит об отрицательном влиянии численности населения на цену бензина. Данный результат согласуется с предположением, выдвинутым в данной работе, и выводом авторов Валдакхани и Бабакана (2014).

Плотность автотранспортных средств значима на 10%-ном уровне только для последних четырех моделей. Так как данные модели выше по качеству, чем аналогичные модели с применением другой матрицы, и знак при оценке коэффициента положительный, мы можем говорить об увеличении цены на бензин с увеличением плотности автотранспортных средств (при прочих равных). Данный результат подтверждает наше предположение о положительном влиянии на цену бензина и идет в разрез с результатами, полученными Валдакхани и Бабаканом (2014).

Площадь региона значима для 8 моделей и сохраняет положительный знак в этих спецификациях, однако для лучших по критериям качества моделей значимость фактора не выявлена.

Подведем общий итог по данному разделу. Из четырех поставленных гипотез в ходе сравнительного анализа построенных моделей были верифицированы две о положительном влиянии на розничную цену бензина индекса рыночной концентрацииХерфиндаля-Хиршмана и показателя ВРП на душу населения. Первый резульат совпадает с выводами авторов Новаковски и Карасевича (2016), Ожковски и другихавторов (2018), исследующих аналогичный исследовательский вопрос для других стран. Второй результат отличается от того, который был выявлен в работе Иншакова и Богачковой (2015) на страновом уровне. Однако, по предположению автора, положительное влияние ВРП на цену можно объяснить большим объемом спроса на рыне. Верифицировать гипотезы об отрицательном влиянии плотности АЗС и присутствия в регионе НПЗ не удалось. Причину первого автор данной работы не смог определить, в то время как для второго незначимого фактора считает причиной игнорирование мощности заводов.

По результатам моделирования было выявлено, что между ценами на бензин в российских регионах существует положительная автокорреляционная связь, значимая на 1%-ном уровне. Использование матрицы пространственных весов, рассчитанной как обратное число АЗС на маршрутах между административными округами, позволяет получить более качественные модели по сравнению с другими типами матриц, рассмотренных в данной работе.



Заключение

Цены на бензин являются важной темой для разных стран, при этом в России существует не только проблема их ежегодного повышения, но и проблема разницы в средних ценах на региональном уровне.Цель данной работы заключается вопределении факторов, которые объясняют разницу цен на автомобильный бензин в регионах России.

Данные для исследования были собраны на сайтах Росстата, ФАС иМинистерства энергетики РФ. Выборка содержит информацию по 82 субъектам РФ.

В качестве наиболее подходящей для исследовательского вопроса была выбрана пространственная модельSAR, так как она позволяет учитывать влияние цен на бензин в регионах друг на друга. Указанная модель была построена с помощью четырех типов матриц пространственных весов, построенных на основе следующих вычислений: обратное расстояние между административными центрами регионов, обратное время в пути, обратное количество АЗС и число АЗС по отношению к времени в пути.Сбор данных для матриц осуществлялся с помощью сервисов Google Maps и АЗС-локатор.

В результате работы достигнута поставленная цель: определены значимые факторы, влияющие на цену на автомобильный бензин в субъектах РФ.По результатам эмпирической части автором верифицированы следующие гипотезы:

H3: ВРП на душу населения положительно влияет на цену бензина.

H4: индекс рыночной концентрации HHI положительно влияет на цену бензина.

Не подтвердились гипотезы об отрицательном влиянии присутствия в регионе НПЗ и плотности АЗС с разными знаменателями (численность населения и площадь территории региона). Отсутствие значимости первого фактора может быть связано с тем, что российские НПЗ располагают разными мощностями.

Работа имеет ряд ограничений. Во-первых, статистические данные и информация для пространственных матриц не связаны во времени и собраны за 2017 и 2019 годы соответственно. С данной проблемой можно справиться,потратив большое количествовремени на более тщательный и полный сбор единой по времени выборки, так как региональная статистика, как правило, публикуется спустя 1-2 года.

Во-вторых, при работе с картографическим сервисом Google Maps возникли проблемы с изменчивостью времени в пути в зависимости от возникающих на дорогах затруднений движения. Более того, маршруты длительностью более суток округлялисьдо целых значений. В дальнейшем возможно использование другого сервиса, который позволяет учитывать точное время в пути без ДТП, пробок и ремонтных дорог.

В-третьих, индекс Херфиндаля-Хиршмана был посчитан не по всем существующим в России АЗС, так как на сайте АЗС-локатор нет информации обо всех АЗС, функционирующих в РФ. С данной проблемой можно справиться путем дополнения выгруженных данных с других доступных источников.

Ввиду трудоемкости или невозможности сбора некоторых данных в работе не было оценено влияние следующих факторов:

1) Качество нефти, которая преимущественно используется АЗС в каждом регионе, а также себестоимость её добычи.

2) Наценка АЗС, оптовых продацов и НПЗ.

3) Влияние крупных ВИНК, которое реализуется посредством доступа к месторождениям нефти и нефтехранилищам, административного ресурса.

В качестве областей для будущих исследований можно выделить несколько направлений:

1) Включение в работу фактора мощностей работающих в регионе НПЗ, так как в данной работе дамми-переменная на наличие НПЗ не была статистически значима.

2) Расширение выборки и применение пространственно-временных моделей.На сегодняшний день модели, одновременно учитывающие временную структуру данных и их пространственные связи, являются наиболее популярным направлением в пространственной эконометрике (LeGallo, Pirotte, 2017). Это актуально и для используемых в работе данных, так как позволит учитывать индивидуальные эффекты регионов. Таким образом, в дальнейшемвозможно улучшение работы путем использования панельных данных.

3) Исследование пространственных эффектов для отдельно западных и восточных регионов страны. В некоторых работах (Коломак, 2010; Демидова, 2013) подчеркивается неоднородность российских регионов, что дает основания для разделения данных на две подвыборки и работы с каждой частью по-отдельности. Однако, указанные ранее авторы отмечают, что разделение регионов целесообразно проводить при наличии данных более чем за 1 год.

4) Включение в анализ соседних стран. Анализ в данной работе включает только российские регионы, что не учитывает возможное влияние других стран, имеющих общую границу с Россией.



Список использованных источников

Нормативно-правовые акты

1. Указ Президента РСФСР от 03.12.1991 N 297 «О мерах по либерализации цен»;

2. Постановление Правительства РСФСР от 19.12.1991 N 55 «О мерах по либерализации цен»;

3. «Общероссийский классификатор экономических регионов. ОК 024-95», утвержденный Постановлением Госстандарта России от 27.12.1995 N 640;

4. «Налоговый кодекс Российской Федерации (часть вторая)» от 05.08.2000 N 117-ФЗ;

5. Доклад ФАС России «О состоянии конкуренции в Российской Федерации за 2016 год».

Специальная литература

1. Бобылев Ю.Н. Развитие нефтяного сектора в России // Вопросы экономики. 2015, №6. С. 63-105;

2. Демидова О.А. Выявление пространственных эффектов для основных макроэкономических показателей российских регионов. НИУ ВШЭ. 2013. [Электронный ресурс]

URL: http://www.hse.ru/data/2013/12/03/1335971579/Demidova_Article_HSE_2013.pdf(дата обращения 29.10.2018);

3. Дорошенко В.В., Моргунов Е.В. Оценка состояния конкурентоспособности продукции российских ВИНК на отечественном рынке// Проблемы развития рыночной экономики: (сб. науч. тр.): Вып. 1 / РАН. Ин-т проблем рынка. - М.: Центр «Транспорт», 2010. - С. 64-74;

4. Зверев Д. В., Коломак Е. А. Субфедеральная фискальная политика в России: межрегиональные различия и связи// Серия "Научные доклады: независимый экономический анализ", N209. М.: Московский общественный научный фонд; Сибирский центр прикладных экономических исследований, 2010 - 160 с.

5. Иншаков О.В., Богачкова Л.Ю. Региональная и антимонопольная политика: проблема гармонизации на российских внутренних рынках бензина // Вопросы экономики. 2013, № 41. С. 2-11;

6. Коссов В.В.,Коссова Е.В.Цена бензина как общественное явление //Экономическая политика. 2010, № 1. С. 149-166;

7. Мазурова О.В. Оценка ценовой эластичности спроса на моторное топливо в транспортном комплексе // Пространственная экономика. 2015. № 1 с. 109-122;

8. Anselin, L., Griffith, D. Do spatial effects really matter in regression analysis?// Papers in Regional Science. Vol. 65, 1988, p. 11-34;

9. Anselin L. Spatial Econometrics: Methods and Models, Dordrecht, Kluwer Academic Publishers, 1988.

10. Anselin, L., Bera, A.K. Spatial dependence in linear regression models with an introduction to spatial econometrics//Handbook of Applied Economic Statistics. 1998 p. 237-289.

11. Barron, J.M., Taylor, B.A. and Umbeck, J.R. Number of Sellers, Average Prices and Price Dispersion // International Journal of Industrial Organization. Vol. 22, No. 8-9 2004a, p. 1041-1066.

12. Buccellato, T. Convergence across Russian Regions: A Spatial Econometrics Approach // Discussion paper 70, 2007.

13. Clemenz, G. and Gugler, K. Locational Choice and Price Competition: Some Empirical Results for the Austrian Retail Gasoline Market // Empirical Economics. Vol. 31, No. 2 2006, p. 291-312.

14. Eckert, A. and West, D.S. Price Uniformity and Competition in a Retail Gasoline Market // Journal of Economic Behavior and Organization. Vol. 56, No. 2 2005a, p. 219-237;

15. Fingleton, B. Models and Simulations of GDP per Inhabitant Across Europe's Regions: A Preliminary View. // European Regional Growth 2003, pp 11-53.

16. Hastings, J.S. Vertical relationships and competition in retail gasoline markets: Empirical evidence from contract changes in Southern California. // The American Economic Review, 2004, Vol. 94, No. 1, p. 317-328.

17. Hosken, D.S., McMillan, R.S. and Taylor, C.T. Retail Gasoline Pricing: What Do We Know? // International Journal of Industrial Organization. Vol. 26, No. 6 2008, p. 1425-1436;

18. Le Gallo J., Pirotte A. Models for Spatial Panels. In: Matyas L. (eds) The Econometrics of Multi-dimensional Panels. // Advanced Studies in Theoretical and Applied Econometrics, vol 50 2017, p. 263-289;

19. Li, H., Calder, L., Cressie, N. Beyond Moran's I: Testing for Spatial Dependence Based on the Spatial Autoregressive Model. // Geographical Analysis. 39 (4). 2007, p. 357-375;

20. Lugovoy O., Dashkeev V., Mazaev I. Analysis of Economic Growth in Regions: Geographical and Institutional Aspect. // Consortium on Applied Economic Research. The Canadian International Development Agency. Moscow: Institute for the Economy in Transition, 2007, 164 p.

21. Nowakowski M., Karasiewicz G. Market Structure and Price-Cost Margins in European Retail Gasoline Industry. // Journal of Management and Business Administration. Central Europe. Vol. 24, No. 3/2016, p. 105-124;

22. Oczkowski E., Wong A., Sharma K. The Impact of Major Fuel Retailers on Regional New South Wales Petrol Prices // Economic Analysis and Policy. Vol. 57, 2018, p. 44-59.

23. Pennerstorfer D. Spatial price competition in retail gasoline markets: evidence from Austria // The Annals of Regional Science. 2009, Volume 43, Issue 1, p. 133-158.

24. Vakulenko E.S. Does Migration Lead to Regional Convergence in Russia? // NRU Higher School of Economics. Working Papers WP BRP 53/EC/2014.

25. Valadkhani, A., Babacan, A. Modelling How Much Extra Motorists Pay on the Road? A Cross-sectional Study of Profit Margins of Unleaded Petrol in Australia //Energy Policy. Vol. 69, 2014, p. 179-188;

26. Van Meerbeeck, W. Competition and Local Market Conditions on the Belgian Retail Gasoline Market // De Economist. Vol. 151, No. 4 2003, p. 369-388.

Электронные ресурсы

1. Министерство энергетики РФ. Добыча и переработка нефти [Электронный ресурс] URL:https://minenergo.gov.ru/opendata/7705847529-dobychanefti(дата обращения 01.05.2019).

2. Министерство энергетики РФ. Реестр проектируемых, строящихся и введенных в эксплуатацию нефтеперерабатывающих заводов в Российской Федерации [Электронный ресурс] URL:https://minenergo.gov.ru/opendata/7705847529-reestrnpz (дата обращения 01.05.2019).

3. НО Российский топливный союз. Обобщенная структура цены моторного топлива (Аи-92) по состоянию на май 2018 г. [Электронный ресурс] URL: http://www.rfu.ru/analytics/analytical-materials/1597-obobshchennaya-struktura-tseny-motornogo-topliva-ai-92-po-sostoyaniyu-na-maj-2018-g.html (дата обращения 11.02.2019).

4. Поисково-информационный сервис АЗС-Локатор [Электронный ресурс]URL: https://locator.transitcard.ru/(дата обращения 10.05.2019).

5. РБК. В России проходит акция протеста автомобилистов [Электронный ресурс]URL: https://www.rbc.ru/society/24/05/2008/5703ccaa9a79470eaf76ac0a (дата обращения 19.04.2019).

6. РБК. Забастовки в Нигерии переросли в беспорядки, есть погибшие [Электронный ресурс]URL: https://www.rbc.ru/society/10/01/2012/5703f19d9a7947ac81a63b58 (дата обращения 17.04.2019).

7. РБК. Протестующие захватили пункт пропуска на границе США и Мексики[Электронный ресурс]URL: https://www.rbc.ru/rbcfreenews/5885cb6c9a7947009cb98fb8 (дата обращения 17.04.2019).

8. РБК. Путин пообещал поговорить с ФАС о возможности «прибить цены» на бензин [Электронный ресурс] URL: https://www.rbc.ru/economics/01/02/2018/5a733a199a7947756ddc6392 (дата обращения 20.04.2019).

9. РИА Новости. Во Франции около 19 тысяч человек приняли участие в акциях "желтых жилетов" [Электронный ресурс] URL: https://ria.ru/20190511/1553419177.html (дата обращения 11.05.2019).

10. Росстат. Количество автозаправочных станций (АЗС) по субъектам Российской Федерации на конец 2017 года. [Электронный ресурс] URL: gks.ru/free_doc/new_site/business/trans-sv/azs.xls (дата обращения 16.03.2019).

11. Росстат. Сборник «Регионы России. Социально-экономические показатели. 2018» [Электронный ресурс] URL: http://www.gks.ru/free_doc/doc_2018/region/reg-pok18.pdf (дата обращения 15.03.2019).

12. ФАС. Доклад о состоянии конкуренции за 2016 год. [Электронный ресурс] URL: https://fas.gov.ru/documents/596439 (дата обращения 04.02.2019).

13. ФАС. Доклад о состоянии конкуренции за 2017 год. [Электронный ресурс] URL: https://fas.gov.ru/documents/658027 (дата обращения 24.03.2019).

14. ФАС. Мониторинг цен на нефтепродукты [Электронный ресурс] URL: https://public.tableau.com/profile/fasanalytics#!/vizhome/_1206/sheet0 (дата обращения 19.03.2019).

15. Финансовый словарь проекта «Финам» [Электронный ресурс] URL: https://www.finam.ru/dictionary/wordf00B02/ (дата обращения 21.11.2018).

1. 

Приложение 1

Средняя цена на автомобильный бензин в регионах РФ

Год	Минимальная цена	Максимальная цена	Разница, %
	Субъект	Значение	Субъект	Значение
2014	Омская область	29.71	Чукотская АО	49.70	67
2015	Кемеровская область	31.67	Чукотская АО	51.43	62
2016	Республика Алтай	33.51	Чукотская АО	52.50	57
2017	Чеченская республика	35.67	Чукотская АО	53.17	49
2018	Калужская область	39.86	Чукотская АО	53.92	35

*Источник: ФАС. Монитогинг цен на нефтепродукты



Приложение 2

Плотность автомобильных дорог общего пользования с твердым покрытием*

	2010	2011	2012	2013	2014	2015	2016	2017
Центральный федеральный округ	232	240	319	337	345	349	355	358
Северо-Западный федеральный округ	45	47	56	60	61	61	62	62
Южный федеральный округ	132	144	187	204	223	227	229	232
Северо-Кавказский федеральный округ	221	294	348	367	374	392	393	401
Приволжский федеральный округ	150	152	200	207	218	226	227	229
Уральский федеральный округ	23	24	32	38	39	39	40	41
Сибирский федеральный округ	21	28	33	34	35	35	35	36
Дальневосточный федеральный округ	6,1	6,2	8,2	8,8	9,1	9,5	9,5	9,5

*на конец года; км путей на 1000 км² территории)



Приложение3

Описательные статистики

Обозначение переменной	Минимум	Медиана	Среднее	Максимум	Стандартное отклонение
pop	44	1221	1775	12507	1805.872
square	0.9	69.65	212.260	3083.5	464.122
stations	4	248	355	1516	296.277
log(grp)	115	357	536	6288	847.074
auto	143	308	324	2435	242.677
refinery	0	0	0.427	1	0.498
HHI	791	2727.500	3550.341	10000	2781.048
roads	1.4	216	297.787	2496	408.799
log(price)	3.59	3.65	3.66	3.93	0.053
log(pop)	3.78	7.11	7.11	9.43	0.906
stations_sq	0.023	4.427	18.136	455.385	66.465
stations_pop	0.083	0.212	0.225	0.474	0.079



Приложение4

Корреляционная матрица

	auto	refinery	HHI	roads	log(price)	log(pop)	log(grp)	stat_sq
auto
refinery	-0.03
HHI	-0.03	-0.11
roads	0.06	-0.02	-0.18*
log(price)	0.07	-0.12	0.51***	0.00
log(pop)	0.02	0.43***	-0.52***	0.37***	-0.28***
log(grp)	0.36***	0.07	0.11	-0.05	0.35***	-0.05
stat_sq	0.00	0.02	-0.13	0.92***	0.06	0.34***	0.15
stat_pop	0.07	-0.21*	0.06	-0.14	-0.03	-0.32***	-0.43***	-0.21*

Уровни значимости: * - 10%, ** - 5%, *** - 1%



Приложение 5

Оценки коэффициентов для моделей с использованием матрицы отношения числа АЗС к времени в пути

Модель	13	14	15	16
Тип матрицы	Число АЗС/время в пути
const	5.846**	5,812**	5,729**	5.679**
auto	0.000	0.000	0.000	0.000
log(grp)	0.015	0.019**	0.017*	0.020**
log(pop)	-0.019***	-0.003	-0.020***	-0.004
refinery	-0.010	-0.013	-0.009	-0.012
roads	-	-	0.000*	0.000
square	0.000***	0.000**	0.000***	0.000**
stat_pop	-0.037	-0.012	-0.037	0.012
stat_sq	0.000	0.000	-	-
HHI	-	0.000***	-	0.000***
	-0.589	-0.627	-0.559	-0.592
AIC	-258.3	-269.98	-259.53	-271.08
Log-likelihood	139.149	145.989	139.764	146.54

Уровни значимости: * - 10%, ** - 5%, *** - 1%

Размещено на Allbest.ru