Рейтинг стран мира по автомобилизации - числу машин на душу населения

Экономист: падение доллара возможно ниже 50 руб.

Начальник отдела глобальных исследований «Открытие Инвестиции» Михаил Шульгин уверен в том, что в доллар может упасть до 50 руб.

Эксперт рассказал, что стоимость американской валюты формируется под воздействием нескольких факторов:

объем свободных финансов на рынке;
уровень спроса на доллары США.

После снятия Центробанком РФ некоторых ограничений, американская валюта начала активно расти. Это связано с туристическим сезоном, когда россияне приобретали доллары и евро для поездок за границу, а также переводили средства на счета в иностранные банки.

Это произойдет, если одновременно будут выполнены следующие условия:

резко увеличится валютное предложение;
сократится спрос на валюту.

Также, эксперт заметил, что такой курс не выгоден для экономики РФ. Все дело в том, что большинство российских товаров продают за доллары. Кроме этого, бюджет РФ на этот и последующий год рассчитан по курсу 75-80 руб.

Шульгин предположил, что даже если американская валюта упадет до 50 руб. или ниже, то российские власти попытаются стабилизировать ситуацию с курсом.

Предсказание спроса с точки зрения бизнеса

Предсказание спроса — один из ключевых инструментов для функционирования процессов в компаниях из FMCG, QSR (рестораны быстрого питания) и ритейла. На примере ритейла при повышении точности прогнозирования значительно повышается эффективность таких процессов, как:

финансовое планирование и целеполагание;
управление ассортиментом;
ценообразование и планирование промо;
оптимизация товарных запасов на всех узлах логистической цепи;
открытие новых точек.

Глубокий анализ данных позволяет получить дополнительную информацию для поддержки принятия решений:

найти различия в структуре спроса между торговыми точками и объединить их в кластеры со схожей структурой;
понять, какие потребности являются ключевыми для покупателя, и сформировать дерево принятия решений;
выделить товары, по которым будет формироваться восприятие бренда, и товары, которые могут генерировать дополнительную прибыль;
определить эффективные и неэффективные промо-механики;
учитывать такие кросс-эффекты, как каннибализация и гало.

Предсказания можно осуществлять в различных разрезах, что дает возможность рассчитать ключевые бизнес-показатели:

розничный товарооборот и валовую прибыль;
трафик торговой точки;
средний чек.

Внедрение системы предсказания спроса на базе машинного обучения позволяет сделать первый шаг к построению рекомендательной системы в областях ассортиментного, ценового и промо-планирования за счет скорости расчета прогнозов при возможности задавать различные входные параметры.

Например, на этапе планирования акции менеджер может смоделировать множество сценариев с различными механиками промо и выбрать тот, который будет максимально удовлетворять поставленным KPI.

Как получить максимум?

Необходимы данные глубиной от 1,5 лет. Также есть критический минимум данных — это справочник товаров, исторические продажи, исторические цены и промо.
Требуется постоянная корректировка метрик. Нельзя зацикливаться на одном текущем понимании метрики. Следует улучшать алгоритм в сторону метрики, а метрику — в сторону идеального направления.
Необходимо работать с обратной связью. Непрерывно собирать гипотезы от бизнес-пользователей, менеджеров и технических специалистов.
Нужно грамотно организовывать работу на проекте. Приводить данные в порядок. Тестировать гипотезы. Оценивать, какие признаки дают эффект, и постоянно улучшать модели.

Совет 2. Не забывайте о регрессионных моделях.

Регрессия — вообще, метод довольно универсальный. Его преимущество перед временными рядами в том, что в случае временных рядов вы делаете прогноз на основании значений только лишь дохода за предыдущие периоды времени, а в регрессионных моделях вы рассматриваете ещё и другие метрики.

Существует несколько способов посчитать доход. Например, доход — это аудитория, умноженная на ARPU (доход с пользователя). Аудитория — количественная метрика, она говорит о масштабе проекта, на неё сильно влияет трафик. А доход с пользователя — метрика качественная, говорящая о том, насколько ваши пользователи готовы платить. И эти метрики можно и нужно рассматривать и прогнозировать отдельно: они ведут себя по-разному, на них влияют разные факторы.

Похожие рассуждения можно проделать, рассмотрев и другую формулу дохода: платящие пользователи, умноженные на доход с платящего (ARPPU). Да и вообще, теоретически можно “скормить” регрессионной модели все имеющиеся у вас метрики, пускай сама всё считает и находит закономерности.

Пример реализации линейной регрессии на Python

Буквально несколько советов:

Если это возможно (в Excel — не всегда), то включайте в модель только значимые переменные. Если вы даёте на вход сто метрик, то необязательно все сто должны участвовать в итоговом уравнении.
Старайтесь, чтобы метрики, которые вы даёте на вход, были максимально независимы друг от друга, слабо коррелировали. В противном случае вы рискуете получить неустойчивый результат (который хорошо повторит ваши исходные данные, но будет выдавать что-то странное, когда речь пойдет о прогнозе).
Изучайте остатки. Если вы изучали регрессию в вузе, то наверняка помните страшное слово “гетероскедастичность” — речь о ней самой. Если вы всё сделали правильно, то взглянув на график остатков, вы ничего не сможете сказать: там будет непредсказуемая случайная величина с математическим ожиданием, равным нулю. Если же вы видите в остатках какую-то закономерность (допустим, синусоиду), то возможно вы как раз нарвались на гетероскедастичность, то есть не учли дополнительную логику, по которой распределены данные. И в этом случае вам надо просто изменить уравнение регрессии, добавив в него неучтённое уравнение (в нашем случае — синусоиду).

Пример гетероскедастичности: на графике остатков видно, что в них наблюдается как минимум линейная закономерность; стоит перестроить уравнение регрессии

Какой автомобиль имеет самый большой в мире пробег?

Большинство из нас автомобилистов мечтают, чтобы их автомобиль проехал как можно больше километров. Но к большому сожалению многие современные автомобили не могут похвастаться большим ресурсом своих двигателей и сроком службы других авточастей. Те автомобили, которые когда-то имели огромный потенциал большого пробега больше в мире не производятся. Так что вряд ли теперь кто-то в ближайшие годы повторит установленый мировой рекорд по пробегу авто. Напомним нашим читателям, что в 2014 году, владелец авто 1966 Volvo 1800S Ирвин Гордон стал мировым рекодсменом среди автовладельцев легковых транспортных средств. Дело в следующем, его автомобиль Вольво проехал 3 млн. 039 тыс. 122 мили (4 млн. 890 тыс. 992 км).

Авто это роскошь или средство передвижения?

При этих глобальных цифрах и далеко идущих планах стоит отметить и тот момент, что во многих странах мирового сообщества автомобиль все еще остается роскошью, а не повседневным средством передвижения. И хотя в каждой стране сейчас есть люди, имеющие собственные автопарки с эксклюзивными моделями авто, для большинства обывателей этих же стран машина является недостижимой мечтой.

Передвижение на собственном автомобиле – это в первую очередь независимость от внешних обстоятельств и возможность четкого планирования ежедневного времяпрепровождения. Поэтому можно смело сказать, что миллиардный рекорд во всем мире – это далеко не предел.

Предыдущая запись Новый Honda Pilot может кардинально поменяться

Следующая запись Самые экономичные автомобили

Сколько автомобилей приходится на тысячу граждан в разных странах

Узнав, сколько выпускается автомобилей за год, интересно понять, в какие страны уходят все эти новые машины. Для этого необходимо узнать статистику обеспеченности легковыми автомобилями.

Статистика обеспеченности автомобилями

Лидерами по владению личными автомобилями стали американцы. В США на каждую тысячу человек населения проходится целых 799 автомобилей. То есть в Америке свой автомобиль есть почти у каждого. На втором месте в этом рейтинге Италия. Там на каждую тысячу жителей приходится в среднем 618 автомобилей. Замыкает тройку лидеров по обеспеченности автомобилями Германия, имея 544 автомобиля на каждую тысячу человек. В России данный показатель гораздо скромнее и составляет 284 автомобиля на 1 000 россиян. Украина еще ниже в рейтинге, имея всего 162 машины на тысячу граждан.

В России только у каждого четвертого есть машина

Рынок электромобилей 2021 года — продажи превысили 3 млн авто

Прошедший год наглядно показал, что мир начал движение к тотальной электрификации. Несмотря на падение рынка электротранспорта в первую половину «коронавирусного» года, вторая его часть характеризовалась увеличением продаж почти вдвое.

Согласно исследованиям аналитической компании Canalys, мировой сбыт екарсов за 2021 год насчитывает 3,1 млн единиц — доля их реализации в общем объеме авто составила почти 5 % против 2,5 % в 2019 г. При этом 2,2 млн пришлось на полноценные электромобили (BEV), более 900 тыс. — на гибриды (PHEV).

Особенный рост электрорынка отмечен в Европе — по данным EV-Volumes, он увеличился на 137 % по сравнению с 2021 годом. За пределами Европы прирост более медленный, но в целом мировая ситуация говорит о глобальной тенденции электрификации.

Европа выбивается в лидеры

Впервые с 2015 года Европа заняла лидирующую позицию по объему реализации электрокаров, обогнав Китай. Стремительный рост начался с июня 2021 г. после 80%-ного провала рынка в первой половине года. Бум продаж на европейском континенте пришелся на декабрь: по данным EV-Volumes, прирост составил 260 %, объем реализации — 285 тыс. авто, что соответствует рыночной доле 20 %.

В результате в течение 2021 года в Европе продано 1 млн 395 тыс. электромобилей против 1 млн 337 тыс. в Китае. В США объем реализации — 328 тыс. машин, прирост рынка составил только 4 %. В Японии наблюдается тенденция снижения сбыта, особенно среди отечественных брендов — продана 31 тыс. авто против 43 тыс. в 2019 г. Другие рынки включают:

Канаду — с реализацией 47 тыс. машин;
Южную Корею — 52 тыс.;
Тайвань — 7 тыс. (к слову, прирост +308 %);
другие небольшие сегменты по всему миру.

Доля электрокаров (BEV + PHEV) в Европе выросла с 3,3 % в 2019 году до 10,2 % в 2021 году, что также делает ее лидером отрасли. В Китае показатель лишь слегка увеличился — с 5,1 до 5,5 %.

Рейтинг стран по объему рынка

Аналитические агентства EV-Volumes, Statista в структуре продаж электротранспорта выделяют страны:

Китай — 1337 тыс. авто;
Германию — 398 тыс.;
США — 328 тыс.;
Францию — 194 тыс.;
Великобританию — 181 тыс.;
Норвегию — 108 тыс.;
Швецию — 96 тыс.;
Нидерланды — 90 тыс.;
Италию — 61 тыс.;
Южную Корею — 52 тыс.;
Бельгию — 48 тыс.;
Канаду — 47 тыс.

Что касается показателя распространения электрокаров внутри страны, бесспорным лидером остается Норвегия (74,8 %). В 2021 году половина реализованных здесь машин — на электротяге. Норвежская преданность «зеленому» транспорту вне конкуренции. В стране предусмотрены щедрые госсубсидии владельцам электрокаров, впервые введенные еще в 1990-х годах (налоговые льготы, отсутствие сборов при поездке по платной дороге, бесплатные парковки и так далее).

На втором месте — Исландия (45 %), на третьем — Швеция (32,2 %), на четвертом — Нидерланды (24,95 %), на пятом — Финляндия (18,1 %). Наименьшая доля электротранспорта в общем количестве отмечена в Китае (6,2 %) и США (2,3 %).

Прогнозы аналитиков на 2022 год

Высокие темпы производства, поддержка правительством как производителей, так и покупателей электроавто и различные стимулы «около» отрасли (например, развитие сети электрозаправок), в следующем году должны привести к ударным темпам роста числа электромобилей. По самому скромному подсчету экспертов, уровень BEV может превысить 10 % с последующим нарастанием.

Рост доли электромобилей пока тормозит дефицит полупроводников. Аналитики утверждают, что из-за недостатка чипов в первом квартале 2021 г. потери производства составили 1,4 млн электромобилей. Но ко второй половине 2022 г. проблема должна решиться. Однако перед производителями может встать другое препятствие — подорожание цен на литий (основной элемент для тяговых батарей).

Рост спроса на электромобили может стимулировать появление в 2022 году сразу множества совершенно новых моделей: Renault Megane E-Tech, VW ID.5, Cupra Born, BMW iX. По прогнозам GlobalData, в 2022 году мировое производство электромобилей составит 5,9 млн единиц. Пока, напомним, подсчеты за три квартала 2022 года оценивают рынок в 4,3 миллиона машин.

Россиянам рассказали, в каких валютах лучше всего хранить накопления

Главный аналитик «Совкомбанка» Михаил Васильев рассказал о том, что россияне начали задумываться от избавления от долларов и евро после того, как США и ЕС начали процесс изъятия денежных средств.

Америка не постеснялась «забрать» золотовалютные резервы РФ, а также личные накопления и имущество простых россиян, которое находится за рубежом.

На фоне активного введения санкций возникает вопрос, в какой валюте лучше всего хранить сбережения

Эксперт отвечает, что лучше обратить внимание на национальные валюты дружественных стран, например на юань, гонконгский доллар или тенге

На самом деле, выбор огромен. Но все зависит от потребностей самого человека. Если он планирует часто путешествовать по миру, бывать в странах, где активно используются доллары и евро, то полностью избавляться от этих валют не стоит.

Эксперт говорит о том, что хранить сбережения можно не только в иностранных валютах, но и в других активах, например в драгоценных металлах, акциях надежных компаний или государственных облигациях.

По теме:«Не торопитесь с продажей!»: что будет с долларом и рублем после 20 июля 2022 года и стоит ли покупать валюту сейчас – новости«50 или 75?»: что будет происходить с долларом и рублем в России летом и осенью 2022 года – свежие прогнозы аналитиков«Укрепится до 80₽!»: что будет с долларом июне 2022 года, чем опасно укрепление рубля и выгодно ли продавать валюту – прогноз

Сколько компонентов и запчастей имеет современный автомобиль?

За более чем 130-летнюю историю всей автопромышленности автомобили стали технологичней и сложней. Вы не поверите друзья, но по своей сложности все современные автомобили уже превосходят те первые спутники земли. Также, сама электронная начинка новых современных автомобилей в наши дни, по производительности, намного превосходит те компьютеры, которые были 15 лет назад.

Как вы думаете господа, из каких частей состоит автомобиль? Конечно же в каждой из машин имеется разное количество деталей и компонентов. Но кто-то из нас однажды или хотя-бы раз подсчитатал это количество, нет или да? Отвечаем, в среднем в современном автомобиле содержится около 30 тысяч различных частей.

На сколько мы используем свой автомобиль

В мире больше миллиарда машин, а каждый год выпускается еще по 90 миллионов новых автомобилей. Люди проводят долгие часы в бесконечных пробках. На фоне этой информации очень интересно выглядит статистика о том, на сколько процентов мы используем свой автомобиль. Эксперты подсчитали, что большинства личных автомобилей 95% времени стоят, а не ездят. Стоят они ночью на парковке, в течении дня пока ждут своего владельца в течении рабочего дня, и даже при передвижении куда-то простой в тех же пробках или на светофорах занимает солидное количество времени.

Большую часть времени автомобили стоят

Сколько всего в мире машин

Производство автомобилей началось еще в позапрошлом тысячелетии и с тех пор ежегодно набирает обороты. Задумывались ли вы, сколько за это время накопилось машин на нашей планете? Международная ассоциация автопроизводителей подсчитала примерное количество автомобилей в мире. Точную цифру вычислить невозможно, поскольку далеко не все автомобили являются официально зарегистрированными, так что исследование охватило только машины, зафиксированные документально. По данным специалистов Международной ассоциации автопроизводителей на момент проведения исследования в 2015 году на планете Земля насчитывалось минимум 1 282 000 000 автомобилей.

На нашей планете больше миллиарда машин

Ранее подобные подсчеты проводили сотрудники другой аналитической организации и пришли к похожим результатам, насчитав 1,2 миллиардов машин.

Почему новый автомобиль так специфически пахнет?

Как вы друзья думаете, сколько веществ находится в самом воздухе салона нового автомобиля? Никто не знает. (?) По некоторым данным, в запахе нового автотранспортного средства который мы ощущаем постоянно внутри машины, содержится как минимум 50 органических химических соединений. Большинство химических элементов внутри нового автомобиля состоит из-за паров выделяемых конкретно пластиком, клеем и герметиком. Помимо всего этого к ним добавляются и пары от резиновых и ковровых покрытий. Также, особый запах, который мы ощущаем в салоне автомобиля дает и обшивка дверей и сидений.

Совет 1. Используйте временные ряды.

Трудно (а чаще всего попросту невозможно!) предсказать будущий доход, не зная дохода за прошлые временные периоды. Поэтому чаще всего у вас есть данные о том, как доход, который вы предсказываете, вёл себя в прошлом. А значит, вы имеете дело с временными рядами.

И здесь есть несколько методов, на которых хотелось бы остановиться:

Тренды и сезонность

Вообще, про них мы уже писали отдельный лонгрид. А сейчас я хочу дополнить несколькими практическими советами:

Будьте осторожны с полиномиальными трендами. Они хорошо (иногда лучше всех других методов) повторяют имеющиеся данные. Но когда дело доходит до прогноза — их штормит. В зависимости от степени полинома, хвост графика (собственно, прогноз) может загибаться в ту или иную сторону. И чем выше степень, тем выше гибкость графика и вероятность того, что он загнётся не туда.

Лучше всего помогает понять динамику простой линейный тренд. Да, это так. Он просто говорит, растёт ваш доход или падает, а также указывает, с какой скоростью он это делает. Чтобы понять, куда вы движетесь — этого достаточно. Чтобы сделать точный прогноз — едва ли.

Разбивайте временной ряд на отрезки. У всего есть жизненный цикл, и у онлайн-проектов тоже. Соответственно, будет опрометчиво делать прогноз, выстраивая линейный тренд на всех данных с самого начала жизни проекта: слишком много всего уже успело в нем измениться. Будет лучше выделить на графике несколько этапов, понять причины перехода из одного этапа в другой, а прогноз сделать в первую очередь на основании данных по последнему этапу. Помните себя на интервале 5-10 лет назад? Далеко не каждый из вас тогда мог представить себя образца 2017 года. И пусть это будет иллюстрацией необходимости разбиения временного ряда на отрезки.

Пример прогноза с применением тренда и сезонности

Авторегрессия

Практика показывает, что это более точный метод, чем простое использование трендов и сезонности. По сути, вы строите регрессионную модель дохода на основании значений этого же дохода за один, два, …, N предыдущих периодов.

Таким образом вы можете найти скрытые закономерности в данных, которые не смогли найти тренды с сезонностью. Чем больше периодов вы закладываете в регрессию, тем на более долгий срок вы сможете сделать прогноз.

Допустим, если вы имеете данные по доходу за каждый из дней прошлого года, то вы вполне можете строить прогноз на каждый из 30 дней будущего месяца, добавив в регрессионную модель 30 переменных.

ARMA и ARIMA

Эти модели являются развитием модели авторегрессии. Собственно, авторегрессия входит в них, и “AR” в их названиях обозначает как раз её. А “MA” обозначает скользящее среднее (moving average), и это говорит нам о том, что данные модели ещё глубже проникают в данные, лучше распознавая их внутренние закономерности.

В Excel реализовать их уже не так просто (хотя уже есть соответствующие надстройки), но по-прежнему возможно. Лучше всего, конечно, воспользоваться статистическими инструментами. Я бы рекомендовал SPSS или Statistica, но моя рекомендация базируется не более чем на опыте личного использования.

Как правило, ARMA и ARIMA дают прогнозы более точные, чем простая авторегрессия, но прирост точности уже не так велик, как у авторегрессии по сравнению с трендами и сезонностью. Поэтому если вам нужен быстрый прогноз, то в сторону ARMA и ARIMA можно не копать.

Пример реализации модели ARIMA в пакете Statistica

Сайт электронного правительства

Последний популярный и весьма надежный способ выхода из ситуации — это использование официального сайта электронного правительства. Гражданин должен заранее зарегистрироваться на «Госуслугах», а также осуществить подтверждение учетной записи. Без этого начать проверку будет невозможно.

Инструкция по «пробиванию» ТС через ЕСИА выглядит приблизительно следующим образом:

Зайти на gosuslugi.ru, а затем войти на сайт под своим именем.
Заглянуть в «Каталог электронных услуг».
Отыскать опцию под названием «Регистрация ТС». Она находится в категории «Транспорт и вождение». Можно для облегчения процесса воспользоваться поисковой строкой.
Выбрать услугу, отвечающую за проверку регистрации транспорта.
Заполнить форму заявления в электронном виде, следуя простейшим подсказкам на экране.
Отправить сформированный запрос на обработку.

Дело сделано. Как только гражданин отправит запрос, он сможет увидеть зарегистрированные на него транспортные средства. Очень удобно! Теперь ясно, как узнать, сколько машин на меня зарегистрировано.

Важно: для «пробивания» ТС в Интернете могут пригодиться различные сведения — номер свидетельства о регистрации авто, номерные знаки или данные водительского удостоверения гражданина

Что показывает план-факт анализ продаж

Анализируя управленческие решения, следует помнить, что процессы стратегического и операционного менеджмента разделены во времени. Планирование ведется, исходя из сформировавшихся на момент условий и параметров внешней среды, рынка, технологии, положения в компании; а реализация планов – уже в других условиях, и она может сильно отличаться от задуманного. Эффективность планирования оценивает план-факт анализ, в тоже время он дает основания для корректировки стратегии.

Оценивать управленческие решения имеет смысл на длинных горизонтах планирования – квартал, год (см. таблицы 8 и 9).

Таблица 8. План-факт анализ выручки фабрики «Петрушкин двор» за 2018–2019 годы

	2018 (план)	2019 (факт)	Исполнение плана, %	2019 (план)	2019 (факт)	Исполнение плана, %
Выручка, всего	170 000	160 000	94,1%	165 000	170 000	103,0%
в т.ч.:
мишки	100 000	95 000	95,0%	100 000	105 000	105,0%
мышки	50 000	46 000	92,0%	47 000	45 000	95,7%
шалунишки	20 000	19 000	95,0%	18 000	20 000	111,1%

Как видим из таблицы, в 2018 году план не был выполнен по всем номенклатурным единицам. В 2019 году ситуация улучшилась – план в целом по компании и по всем видам продукции был перевыполнен, исключение – мышки. Отклонение в планировании до 10% может считаться нормой, большие ошибки уже требуют пояснений, например, почему по продукту шалунишки на 2019 год был поставлен план ниже, чем факт 2018 года?

Таблица 9. План-факт анализ за июнь 2020 года

	Июнь (план) 2020	Июнь (факт), 2020	Исполнение плана, %	Отклонение, %
Выручка, всего	20 000	21 500	107,5%	7,5%
в т.ч.:
мишки	5 000	8 500	170,0%	70,0%
мышки	10 000	8 000	80,0%	-20,0%
шалунишки	5 000	5 000	100,0%	0,0%

Чтобы оптимизировать управление операционной деятельностью, настоятельно рекомендуется делать план-факт анализ как можно ближе к текущему моменту, насколько позволяют возможности экономистов и программного обеспечения. Получив план-факт за прошлый месяц, мы сможем увидеть, хоть и с небольшим опозданием, что наш план заметно отклоняется от реальности, как в приведенном примере (см. таблицу 8). Мы видим, что падают продажи нашего самого рентабельного продукта –мышек, а мишки, наоборот, расходятся как горячие пирожки. В первом случае нам надо что-то предпринимать, чтобы увеличить продажи, а во втором – учесть в производственной программе, и затем в планах закупки – рост производства по этой номенклатурной единице.

Оценка качества и экономический эффект от прогнозирования

При оценке качества прогнозов принято использовать две ключевые метрики:

WAPE (взвешенная абсолютная процентная ошибка) — показывает ширину разброса наших прогнозов, учитывая веса товаров в общих продажах;
BIAS (смещение) — показывает смещение ошибок прогноза в положительную или отрицательную сторону.

При оценке качества прогноза ставится общая цель на уменьшение WAPE и задаются ограничения на BIAS в зависимости от прогнозируемой категории. Например, для скоропортящихся продуктов смещение BIAS в положительную сторону критично, так как это приводит к риску списания товара.

Повышение точности предсказания спроса оказывает прямое влияние на экономический эффект в управлении товарными запасами. Для его оценки сравниваются два модельных сценария — со старым и новым прогнозом. Затем оценивается сокращение влияющих на выручку и валовую прибыль негативных эффектов, вызванных перепрогнозом и недопрогнозом конкретных связок «товар — магазин — период».