Статистическое исследование рынка электронной коммерции в России

Сушко Артем Николаевич

Борисенко Елизавета Игоревна

Аннотация: в статье представлено статистическое исследование рынка электронной коммерции, проведенное на основе официальных данных Росстата и ЕМИСС. Исследование нацелено на выявление ключевых факторов роста, региональных различий и прогнозирование динамики развития электронной коммерции в России. Авторами анализируются следующие показатели рынка: доля онлайн-продаж в общем объеме розничной торговли, характеристики объектов розничной торговли и демографические особенности населения регионов РФ. Кроме того, в исследовании наглядно проиллюстрировано влияние COVID-19 на ускорение темпов распространения онлайн-формата розничной торговли.

В статье используются методы статистического анализа: дескриптивный и корреляционный анализ, множественная и парная регрессия, анализ временных рядов с экстраполяцией тренда, а также методы многомерной классификации.

Результаты исследования подчеркивают значительный рост сегмента электронной коммерции начиная с 2019 года, что можно объяснить пандемией, ставшей ключевым фактором увеличения онлайн-продаж. Помимо этого, были выявлены значительные различия между регионами России в уровне развития электронной коммерции, что указывает на неоднородность изучаемого рынка. Авторами прогнозируется продолжение роста доли онлайн-продаж и подчеркивается важность адаптации к меняющимся условиям рынка. Статья вносит вклад в понимание динамики рынка электронной коммерции в России и может служить основой для дальнейших исследований, а также руководством для разработки стратегий развития онлайн-торговли как для бизнеса, так и для государственных регуляторов.

Введение

В современном мире розничная торговля испытывает значительные изменения, обусловленные цифровизацией экономики и изменением потребительских предпочтений. Электронная коммерция в настоящее время является одним из наиболее динамично развивающихся секторов рыночной экономики, что подтверждается постоянным ростом объема онлайн-продаж и расширением ассортимента товаров и услуг, доступных через интернет. По данным NielsenIQ, онлайн-торговля является главным драйвером сегмента FMCG, показывая почти 30-процентный рост, лишь на четверть обусловленный инфляцией [3]. Актуальность статистического исследования рынка электронной коммерции определяется необходимостью понимания текущих тенденций и прогнозирования будущих изменений в этой сфере, что важно как для бизнес-сообщества, так и для государственных регуляторов.

Ученые в области экономики и маркетинга, такие как М. Смит и Дж. Бейли, акцентировали внимание на влиянии интернет-технологий на формирование новых моделей потребительского поведения и структуры рыночных отношений. Тем не менее, их работы часто сосредоточены на качественных аспектах взаимодействия продавцов и покупателей, оставляя в стороне количественный анализ и статистическую обработку данных, что не позволяет полноценно оценить динамику внедрения электронной коммерции на макро- и микроуровнях.

Существующие исследования зачастую упускают важные факторы, влияющие на развитие электронной коммерции. Это создает пробел в понимании полной картины рынка и приводит к неполноте аналитических выводов.

В данной работе будет осуществлен комплексный статистический анализ рынка электронной коммерции России, который включает в себя не только изучение основных тенденций и показателей, но и многоуровневый анализ данных, позволяющий выявить скрытые закономерности и факторы роста. Мы стремимся исправить упомянутые недостатки предыдущих исследований и дополнить их результаты, применяя современные методы статистического анализа для более точного прогнозирования дальнейшего развития Интернет-торговли.

Цель исследования: комплексный анализ рынка электронной коммерции в Российской Федерации в разрезе субъектов, включая изучение основных тенденций, показателей динамики и перспектив развития, а также выявление факторов, оказывающих на него влияние.

Задачи исследования:

  1. Проанализировать статистические данные, относящиеся к рынку электронной коммерции в России.
  2. Проанализировать влияние различных факторов на долю онлайн-продаж в общем объеме розничного оборота.
  3. Выявить ключевые тенденции развития сектора, обусловленные цифровизацией и пандемией.
  4. Оценить региональные различия в развитии электронной коммерции на территории РФ.
  5. Классифицировать субъекты РФ в зависимости от уровня развития в них электронной коммерции.
  6. Сформулировать прогнозы относительно будущего развития рынка электронной коммерции в России.
  7. Методы исследования:
  8. Дескриптивный анализ – для описания основных характеристик данных о рынке.
  9. Корреляционный анализ – для выявления взаимосвязей между различными показателями.
  10. Множественная и парная регрессия – для изучения влияния одного или нескольких независимых показателей на исследуемую переменную.
  11. Анализ временных рядов с экстраполяцией тренда — для определения динамики и составления прогноза на три последующих периода.
  12. Методы одномерной и многомерной классификации (включая древовидную кластеризацию и многомерное шкалирование) – для группировки объектов исследования по схожим характеристикам и показателям развития электронной коммерции.

Новизна данной работы заключается в комплексном подходе к анализу рынка электронной коммерции с учетом последствий пандемии COVID-19, использовании современных методов статистического анализа для изучения рынка и в выявлении скрытых закономерностей и факторов роста, которые не были полностью исследованы в предыдущих работах.

Анализ актуальных исследований и публикаций

В поисках ответов на вызовы, которые ставит перед нами стремительно развивающаяся сфера электронной коммерции, мы обратились к двум статьям, посвященным этой теме: «Приоритеты развития электронной коммерции на 2022 год» авторства А.В. Веригиной и Д.В. Коваля, а также «Тенденции и прогноз развития интернет-торговли в экономике России» Н.М. Демушкина.

Первая статья, «Приоритеты развития электронной коммерции в 2022 году», представляет собой анализ текущего состояния электронной коммерции в России. Авторы исследуют влияние таких факторов, как глобализация, информационные технологии и интернет, на торговые предприятия. Особое внимание уделяется адаптации отечественных бизнес-моделей к передовому зарубежному опыту, внедрению инновационных технологий, а также вопросам безопасности и эффективности электронной торговли. В статье также рассматриваются факторы, стимулирующие развитие отрасли. К этим факторам относятся рост благосостояния населения, увеличение числа пользователей интернета и нормативно-правовая поддержка. Авторы не ограничиваются анализом, но и предлагают конкретные рекомендации по дальнейшему развитию электронной коммерции в России.

В основе исследования лежат методы научного анализа и синтеза, а также структурно-функциональный и системный подходы. Сравнительный анализ успешных практик в сфере электронной коммерции позволяет авторам сделать выводы о возможностях повышения конкурентоспособности российских предприятий. Подчеркивая значительное влияние интернет-технологий на бизнес и общество, авторы указывают на важность таких элементов, как безопасные платежные системы и специализированное программное обеспечение, для успешного развития электронной коммерции в России.

Выводы статьи «Приоритеты развития электронной коммерции в 2022 году» подчеркивают потенциал электронной коммерции как инструмента для развития российского бизнеса в условиях глобализации. Авторы отмечают необходимость преодоления языковых и технических барьеров для выхода на мировой рынок, а также важность создания инфраструктуры, способной обеспечить безопасные онлайн-трансакции.

Вторая статья, «Тенденции и перспективы развития интернет-торговли в экономике России», фокусируется на актуальных вопросах и тенденциях развития интернет-торговли в России. Автор анализирует рост объемов онлайн-продаж, особенно в контексте пандемии Covid-19, которая подтолкнула многие предприятия к поиску новых путей реализации товаров и услуг в онлайн-пространстве. В статье выделены ключевые факторы, способствующие развитию электронной коммерции. К этим факторам автор относит: инновационное развитие экономики, распространение широкополосного интернета и применение цифрового маркетинга. Автор также не обходит стороной актуальные проблемы, замедляющие развитие интернет-торговли, включая информационную перегрузку, нехватку квалифицированных специалистов, ограничения в использовании платежных карт, низкий уровень клиентского сервиса и проблемы с доставкой.

Таким образом, статья «Тенденции и перспективы развития интернет-торговли в экономике России» предлагает комплексный взгляд на состояние и перспективы интернет-торговли в России. Автору удалось объединить теоретический анализ с эмпирическими данными, демонстрируя значительный рост сектора и выявляя как возможности, так и препятствия для его развития. Важным аспектом исследования является обоснование необходимости адаптации российских компаний к меняющимся условиям рынка и цифровой трансформации. Анализ проблем и вызовов, с которыми сталкивается сектор электронной коммерции, позволяет понять, какие шаги необходимо предпринять для обеспечения его устойчивого роста в будущем. В статье прогнозируется, что тенденции увеличения объемов интернет-торговли сохранятся, в частности, благодаря преимуществам онлайн-продаж, использованию Big Data для анализа предпочтений клиентов, снижению цен в онлайн-магазинах и повышению эффективности интернет-рекламы.

Однако авторы обеих статей не рассматривали рынок электронной коммерции в разрезе субъектов Российской Федерации, что не позволяет сделать декомпозицию данного рынка и принять во внимание различные экономические, социальные и демографические особенности регионов и сделать выводы о развитии электронной коммерции по каждому региону, выявив как регионы-лидеры, так и отстающие регионы.

Материалы и методы

Представленное исследование рынка электронной коммерции базируется на статистических данных федеральных служб. Основными источниками информации являются данные Росстата и ЕМИСС (табл. 1).

Система показателей

Таблица 1 – Система показателей. Источник: составлено авторами на основе официальной статистики Росстата и ЕМИСС [1, 2].

Система показателей для анализа включает в себя такие индикаторы как оборот розничной торговли, доля в нем сетевых ритейлеров, характеристики объектов торговли, характеристики населения России в разбивке по регионам (Чукотский АО был исключен из анализа за отсутствием данных).

Методы исследования охватывают дескриптивный анализ, корреляционный анализ, множественную и парную регрессию, а также методы многомерной классификации, такие как кластерный анализ и анализ главных компонент с помощью пакета Statistica. Эти методы позволяют выявить основные факторы, влияющие на развитие рынка, и понять взаимосвязи между различными характеристиками субъектов РФ и развитием в них электронной коммерции.

Исследование будет проведено в несколько этапов, начиная со сбора и предварительного анализа данных, заканчивая проверкой сформулированных гипотез.

Объектом исследования выступает рынок электронной коммерции в Российской Федерации, а предметом — доля и динамика онлайн-продаж, а также факторы, влияющие на их изменение. Целью исследования является комплексный анализ текущего состояния рынка Интернет-торговли в стране и выявление тенденций его развития.

В рамках исследования будут проверены гипотезы о связи между выбранными показателями и долей онлайн-продаж в общем обороте розничной торговли, о вариативности показателей по отдельным группам субъектов Российской Федерации, а также о положительной динамике изменения анализируемого показателя, подчиняющейся регрессионной модели.

Результаты и исследования

В начале исследования нами был проведен расчет описательных статистик по результативной переменной Y — “Доля продаж через Интернет в общем объеме оборота розничной торговли, %” в целом по совокупности и в разрезе федеральных округов, что позволило сделать следующие выводы:

  1. Существуют значительные различия в анализируемом показателе между федеральными округами, при этом разрыв между самым большим значением (ЮФО ≈ 4,7) и самым маленьким (СКФО ≈ 0,6) составляет 7,25 раза.
  2. Внутри каждого федерального округа также наблюдается значительный разброс значений. Например, в ЮФО размах вариации составляет 9,6, что свидетельствует о наличии субъектов с экстремально высокими (например, Севастополь) и низкими (Республика Калмыкия) значениями.
  3. Распределение коэффициента вариации говорит о высоком разбросе внутри каждого федерального округа, так как значения показателя превышают 33%.

  Далее, для результативной переменной Y – «Доля продаж через Интернет в общем объеме оборота розничной торговли» была построена диаграмма «бочка с усами» (рис. 1).

Диаграмма

Рисунок 1 – Диаграмма «бочка с усами» для зависимой переменной Y. Источник: построено на основе данных Росстата.

Исходя из приведенного графика, можно сделать ряд выводов:

  1. Ориентируясь на средние значения, расположенные в центре “бочек”, можно выявить самую низкую среднюю, которая наблюдается в СКФО. Полученная закономерность ожидаема, так как в этом федеральном округе находятся субъекты, которые обладают наименьшей доступностью цифровых услуг и сервисов [5].
  2. Согласно представленной информации, наибольшая вариация (наиболее длинные “усы”) наблюдается в ЮФО и УФО, что обусловлено наличием субъектов с аномальными (экстремальными) значениями.

Для выявления наличия связи между исследуемыми показателями и раскрытия ее характера были рассчитаны значения парного коэффициента корреляции Пирсона и коэффициента Спирмена между зависимой переменной Y и факторами Xj и визуализирована следующая матрица (рис. 2):

Матрица парных коэффициентов корреляции

Рисунок 2 – Матрица парных коэффициентов корреляции. Источник: построено на основе данных Росстата, ЕМИСС.

Согласно приведенным на рисунке 2 значениям коэффициентов корреляции, существует умеренная положительная корреляция между долей продаж через Интернет в общем объеме оборота розничной торговли и X1 (оборот розничной торговли по субъектам Российской Федерации, млн руб.), X2 (оборот розничной торговли в расчете на душу населения по субъектам Российской Федерации, руб.), X3 (доля оборота розничной торговли розничных торговых сетей в общем объеме оборота розничной торговли), X4 (объекты розничной торговли, кол-во единиц), X5 (объекты розничной торговли, площадь торгового зала, кв.м.) и X6 (численность постоянного населения в среднем за год), указывающая на наличие взаимосвязи.

То есть с ростом оборота розничной торговли в целом, в расчете на душу населения, а также доли оборота розничной торговли розничных торговых сетей в общем объеме оборота розничной торговли, растет и доля продаж через Интернет в общем объеме оборота розничной торговли. С увеличением площади объектов розничной торговли  и численности постоянного населения также растет доля продаж через Интернет в общем объеме оборота розничной торговли.

Этому могут способствовать следующие факторы:

  1. Расширение ассортимента товаров и услуг, доступных к покупке через Интернет.
  2. Улучшение качества обслуживания покупателей в Интернете.
  3. Увеличение скорости доставки товаров и услуг.
  4. Снижение стоимости товаров и услуг, доступных к покупке через Интернет.

Однако высокие коэффициенты корреляции между некоторыми из X-переменных указывают на возможную проблему мультиколлинеарности, особенно это выражено между X1 и X5, X1 и X6, X4 и X5, X4 и X6, а также X5 и X6, где коэффициент корреляции достигает максимального значения в 0,92. Исходя из этого, были построены множественные линейные уравнения регрессии для X1 и X3, X3 и X6, однако они  были отвергнуты ввиду высоких значений p-value для свободных членов, и была построена модель с использованием единственного показателя с самым высоким значением коэффициента корреляции: Y’ = 1,907364 + 0,000001*X6. Таким образом, при росте численности населения субъекта на одного человека доля продаж через Интернет увеличивается на 0,0001%.

Исходя из характеристик полученного парного уравнения регрессии, были сделаны следующие выводы:

  1. Множественный коэффициент корреляции (Multiple R), равный 0,55, отражает средний уровень взаимосвязи между вариацией результативного показателя Y и вариацией X6.
  2. Множественный коэффициент детерминации (Multiple R?), равный 0,3 или 30%, говорит о том, что статистическая линейная связь между результативным показателем Y и фактором X6 довольно слабая. Лишь 30% вариации переменной Y  объясняется X6.

С целью проверки полученной модели на актуальность, был проведен F-тест, согласно которому критерий Фишера оказался равен 36,5, что намного выше табличного значения равного 3,96 при a=0,05 и степенях свободы v1=1, v2=84. Следовательно, данная модель статистически значима.

Для того, чтобы осуществить классификацию многомерных наблюдений на основе определения расстояний между объектами и получить однородные в некотором смысле группы, называемых кластерами, была проведена многомерная группировка методом древовидной кластеризации (рис. 3):

Древовидная диаграмма групп субъектов РФ

Рисунок 3 – Древовидная диаграмма групп субъектов РФ. Источник: построено на основе данных Росстата.

В нашем случае, мы получили две группы:  кластер 1 от Республики Северная Осетия до Белгородской области (правая часть диаграммы) и кластер 2 от Москвы до Воронежской области (левая часть диаграммы).

Для наглядности классификация была также визуализирована на карте регионов России (рис. 4).

Многомерная группировка регионов России

Рисунок 4 — Многомерная группировка регионов России на карте по изучаемым показателям. Источник: построено на основе данных Росстата.

Далее, были оценены описательные статистики по двум кластерам, что позволило сделать следующие выводы:

  1. Кластер 1 (бледно розовый цвет) имеет меньшее среднее значение и меньший разброс, что указывает на более однородную группу по сравнению с кластером 2.
  2. Кластер 2 (бордовый цвет), напротив, имеет более высокое среднее значение и большее стандартное отклонение, что свидетельствует о большей вариабельности значений Y в этом кластере.
  3. Максимальные значения Y в обоих кластерах схожи, однако кластер 1 имеет значение, близкое к верхнему пределу (10,4 против 9,2), что указывает на наличие более экстремальных значений в этом кластере.

В качестве ещё одного метода выявления структуры множества субъектов Российской Федерации с точки зрения анализируемых показателей было проведено многомерное шкалирование. Концентрация большинства субъектов в центральной части графика на рисунке 5 указывает на их средние показатели по выбранным факторам и свидетельствует о типичных условиях развития электронной коммерции в этих регионах.

Выбивающиеся группы: некоторые субъекты, окруженные красными овалами, находятся на периферии графика. Это может отражать уникальные условия или значительные отличия в факторах, влияющих на электронную коммерцию. К примеру, удаленность от центральных регионов, особенности экономического развития или инфраструктурные особенности (для Магаданской обл. и Ненецкого АО, региона с экстремальным значением — Севастополь — и др.).

Распределение субъектов РФ в двухмерном пространстве

Рисунок 5 – Распределение субъектов РФ в двухмерном пространстве с учетом веса факторов X1-X10. Источник: построено на основе данных Росстата и ЕМИСС.

В рамках последующего исследования была проведена одномерная группировка субъектов Российской Федерации конкретно по анализируемому показателю Y, который представляет долю продаж через интернет в общем объеме розничного оборота. Эта группировка позволила классифицировать регионы на основе распространенности в них электронной коммерции и выявить кластер лидеров, средний уровень и аутсайдеров цифровой экономики.  Группы были определены следующим образом:

1 группа (лидеры): субъекты с долей продаж через интернет от 6,97 до 10,4. Эти регионы демонстрируют наиболее высокий уровень проникновения электронной коммерции.

2 группа (типичные субъекты): субъекты с долей продаж от 3,53 до 6,97. Эти регионы соответствуют среднему уровню развития онлайн-торговли в России.

3 группа (аутсайдеры): субъекты с долей продаж от 0,1 до 3,53.  Эти субъекты имеют минимальную долю онлайн-продаж, что может указывать на недостаточное развитие инфраструктуры или низкий уровень цифровой грамотности населения.

Представленная на рисунке 6 карта является эффективным инструментом для визуализации географического распределения данных о доле продаж через интернет. Каждый субъект РФ окрашен в цвет, соответствующий группе, к которой он принадлежит.

Карта регионов РФ по доле продаж через Интернет

Рисунок 6 – Карта регионов РФ по доле продаж через Интернет. Источник: построено на основе данных Росстата.

Бордовый цвет – лидеры электронной коммерции. Эти регионы выделяются высокой долей онлайн-продаж в общем объеме розничной торговли, что вероятнее всего связано с высоким уровнем развития интернет-инфраструктуры, цифровой грамотности населения и доступности онлайн-сервисов.

Темно-розовый цвет – типичные субъекты. Регионы, окрашенные в зеленый цвет, представляют средний уровень доли продаж через интернет. Это большинство регионов, которые отражают общенациональные тенденции в области электронной коммерции.

Бледно-розовый цвет – аутсайдеры. Субъекты, отмеченные красным цветом, имеют минимальные показатели по доле продаж через интернет. Это может указывать на ряд проблем, таких как недостаток развития интернет-инфраструктуры, низкий уровень доступности онлайн-торговли для населения или другие социально-экономические сложности. Так, например, известны случаи жалоб жителей северных регионов России на платную доставку маркетплейсов, в частности — Wildberries в Ханты-Мансийском автономном округе [4].

Как можно заметить, регионы с наибольшим распространением электронной коммерции в большей мере смещены в сторону западной части страны, хотя по результатам многомерной группировки схожие условия для ее развития существуют и в более восточных субъектах.

Если обратиться к общестрановым показателям в динамике, то согласно данным Росстата доля продаж через Интернет в общем объеме оборота розничной торговли непреклонно растет. Так, в 2014 году этот показатель составлял 0,7%, а в 2022 году — уже 6% (рис. 7):

Динамика доли продаж через Интернет

Рисунок 7 – Динамика доли продаж через Интернет в общем объеме оборота розничной торговли, 2014-2022 годы. Источник: построено на основе данных Росстата.

Отчетливый всплеск доли продаж через Интернет виден после 2019 года – это можно объяснить пандемией COVID-19 и возникшими в связи с ней ограничениями и мерами самоизоляции. В этот период были закрыты торговые центры, введены ограничения на перемещения по городу, из-за чего люди стали намного чаще покупать товары через Интернет.

Введя дискретную переменную t, мы выявили наличие тенденции в исследуемом временном ряду Y, подчиняющейся следующей модели: Y’ = -0,8025 + 0,6665*t. Следовательно, ежегодный прирост доли продаж через Интернет составляет около 0,7%. Множественный коэффициент детерминации при этом составил 0,93, т.е. 93% колебаний исследуемого показателя описывается построенной моделью.

Критерий Фишера в данном случае оказался равным 44,15, что намного выше табличного значения равного 4,45 при a=0,05 и степенях свободы v1=1, v2=7. Это означает, что данная модель статистически значима.

На основе регрессии была построена модель линейного тренда с помощью метода аналитического выравнивания уровней временного ряда Y (рис. 8):

Результаты прогнозирования

Рисунок 8 – Результаты прогнозирования с помощью регрессионной динамической модели с дискретной переменной t. Источник: построено на основе данных Росстат.

Таким образом, были получены прогнозные значения доли продаж через Интернет на перспективу в 3 года: 5,9% в 2023, 6,5% в 2024 и 7,2% в 2023.

Стоит отметить, однако, что в данной модели и прогнозе не учитывается сезонная составляющая, которая может присутствовать в анализируемых данных. Для учета сезонной составляющей ряда, необходимо скорректировать полученные прогнозные значения на индекс сезонности.

Для этого используем имеющиеся в системе ЕМИСС поквартальные данные и построим расчетную таблицу для определения данного индекса (табл. 2):

индекс сезонности доли Интернет-продаж

Таблица 2 – Расчетная таблица для определения индекса сезонности доли Интернет-продаж. Источник: рассчитано на основе данных ЕМИСС.

Фактические значения временного ряда поквартально приведены на рисунке 9:

Динамика доли продаж через Интернет

Рисунок 9 – Динамика доли продаж через Интернет в общем объеме оборота розничной торговли, поквартально, 2021-2023 годы. Источник: построено на основе данных Росстата.

Путем введения дискретной переменной t была аналогично построена модель для рассматриваемого периода: Y’ = 3,6213 + 0,3487*t, что свидетельствует о ежеквартальном увеличении доли продаж через Интернет более чем на 0,3%.  При этом вероятность того, что колебания анализируемого показателя описываются построенной моделью, составила 90,5%.

F-критерия Фишера в данном случае был равен 86,04, что намного выше табличного значения равного 5,12 при a=0,05 и степенях свободы v1=1, v2=9. Таким образом делаем вывод, что модель статистически значима.

Итоговый прогноз с учетом индекса сезонности был рассчитан  и визуализирован на рисунке 10:

Точечный прогноз доли продаж через Интернет

Рисунок 10 – Точечный прогноз доли продаж через Интернет на январь-декабрь 2024, январь-март 2024, январь-июнь 2024. Источник: построено на основе данных ЕМИСС.

В разрезе кварталов, а также с учетом индекса сезонности, прогноз получился более реалистичным и сглаженным. На январь-декабрь 2024 г. прогнозная доля продаж через Интернет составила 7,8%, на январь-март 2024 г. – 8,1%, на январь-июнь 2024 г. – 8,5%.

Далее, было проведено сглаживание временного ряда, с разными сглаживающими константами:  0,1 (Alpha=0,100),  0,5 (Alpha=0,500),  0,9 (Alpha=0,900), из которых последняя дала наиболее приемлемый результат (рисунок 11, где на оси абсцисс указаны порядковые номера лет с 2014 по 2026).

График сглаженного временного ряда доли продаж через Интернет

Рисунок 11 – График сглаженного временного ряда доли продаж через Интернет при a=0,9. Источник: построено на основе данных Росстат, ЕМИСС.

Аналогичным образом было проведено сглаживание поквартально (рисунок 12, где на оси абсцисс указаны порядковые номера кварталов с 1 кв. 2021 по 3 кв. 2024).

Графики сглаженного временного ряда

Рисунок 12 – Графики сглаженного временного ряда (поквартально) доли продаж через Интернет при a=0,9. Источник: построено на основе данных Росстат, ЕМИСС.

Затем было проведено экспоненциальное сглаживание с учетом тренда (метод Хольта) (рисунок 13, где на оси абсцисс указаны порядковые номера кварталов с 1 кв. 2021 по 3 кв. 2024).

Прогнозные значения доли продаж через Интернет

Рисунок 13 – Прогнозные значения доли продаж через Интернет для сочетания констант Alpha=0,1 и Gamma=0,1. Источник: построено на основе данных Росстат.

Как видим на рисунке 13, добавление сглаживающей константы, отвечающей за долговременный тренд, позволило повысить точность модели и спрогнозировать рост доли продаж через Интернет в общем объеме оборота розничной торговли до 8% к середине 2024 года.

Заключение

На основе проведенного комплексного статистического анализа рынка электронной коммерции в Российской Федерации можно сделать следующие заключения:

  1. Рынок электронной коммерции в России продемонстрировал значительный рост, особенно после 2019 года, что было связано с ограничениями, введенными из-за пандемии COVID-19. Это привело к значительному увеличению доли онлайн-продаж в общем объеме розничного оборота.
  2. Исследование показало наличие значительных региональных различий в доле онлайн-продаж, что было визуализировано с помощью пиксельных карт. Наличие групп субъектов с различными сочетаниями влияющих на электронную коммерцию факторов было выявлено путем многомерного шкалирования.

Исследование подтверждает значительные региональные различия в развитии электронной коммерции. Отдельные регионы, такие как Москва и Санкт-Петербург, а также другие крупные города и их окрестности, демонстрируют высокий уровень развития и проникновения электронной коммерции, обусловленный лучшей доступностью интернет-инфраструктуры, высоким уровнем доходов населения и развитием логистических сетей.

Регионы-лидеры: В этих регионах наблюдается наибольшая доля онлайн-продаж в общем объеме розничной торговли, что связано с высокой цифровой грамотностью населения, развитой инфраструктурой и большим выбором интернет-магазинов. Регионы-лидеры также активно внедряют инновационные технологии в сфере электронной коммерции, что способствует увеличению объемов онлайн-продаж.

Средний уровень развития: Большинство регионов России попадают в эту категорию, демонстрируя средние показатели доли онлайн-продаж. В этих субъектах наблюдается постепенное наращивание объемов интернет-торговли, однако для дальнейшего роста необходимо совершенствование логистической инфраструктуры и повышение доступности интернет-сервисов для более широких слоев населения.

Регионы-аутсайдеры: В отдаленных и малонаселенных регионах, таких как некоторые субъекты Северного Кавказа, Дальнего Востока и Сибири, доля онлайн-продаж остается на относительно низком уровне. Хотя, стоит отметить, что данные регионы имеют довольно слабо развитую и оффлайн торговлю — в таких регионах, зачастую, отсутствуют крупные бренды, магазины. Поэтому, развитие интернет-торговли для таких регионов должно становиться приоритетом. Однако, проблемы с доступностью интернета, высокая стоимость доставки и отсутствие развитой логистической инфраструктуры затрудняют развитие электронной коммерции в этих регионах. И без стимулирования со стороны государства, данные проблемы не могут быть решены.

Дальнейшие исследования могут быть посвящены изучению регионов с экстремальными значениями и выявлению причин и факторов, оказавших влияние на развитие электронной коммерции в данных субъектах.

  1. Регрессионный анализ с фиктивной переменной также подтвердил наличие расслоения в совокупности исходных данных и различия во влиянии факторов на долю онлайн-продаж в разных субъектах.
  2. Прогнозирование показало продолжение устойчивой тенденции к росту доли онлайн-продаж, что подтверждает актуальность и перспективность рынка электронной коммерции в России.
  3. Сезонная корректировка прогнозов позволила учесть периодические колебания в динамике онлайн-продаж, делая прогнозы более точными и реалистичными.
  4. Кроме того, было определено, что онлайн-торговля, как правило, хорошо развита в наиболее густонаселенных юго-западных регионах, в то время как более актуальной может быть доставка в малонаселенные северо-западные регионы. Следовательно, во второй группе субъектов требуется дополнительное стимулирование и поддержка исследуемого сегмента.
  5. Как регионы со средним уровнем развития, так и аутсайдеры обладают значительным потенциалом для роста в сегменте электронной коммерции. Государственная поддержка, направленная на развитие интернет-инфраструктуры, обучение цифровой грамотности и стимулирование местных и крупных всероссийских предприятий к созданию онлайн-платформ, может способствовать ускорению роста онлайн-продаж в этих регионах.
  6. Статистические наблюдения насчет доли продаж через Интернет, полученные в ходе проведенного анализа:
  • при росте численности населения субъекта на одного человека доля продаж через Интернет увеличивается на 0,0001%;
  • исходя из динамики показателя за 2014-2022 гг, ежегодный прирост доли продаж через Интернет составляет около 0,7%;
  • исходя из динамики показателя за период с января 2021 года по октябрь 2023 года, ежеквартальное увеличение доли продаж через Интернет составляет более чем на 0,3%;
  • согласно прогнозу, рост доли продаж через Интернет в общем объеме оборота розничной торговли достигнет 8% к середине 2024 года. Добавление сглаживающей константы, отвечающей за долговременный тренд, позволило повысить точность модели.

Авторское исследование подчеркивает важность региональной политики в сфере развития электронной коммерции, а также необходимость адресных мер поддержки для стимулирования роста в малонаселенных регионах с низким уровнем развития интернет-торговли.

Список использованных источников:

  1. Официальная статистика Федеральной службы государственной статистики. Электронный ресурс URL: https://rosstat.gov.ru.
  2. Официальные статистические показатели Единой межведомственной информационно-статистической системы. Электронный ресурс URL: https://fedstat.ru.
  3. Тренды рынка интернет-торговли FMCG в 2023 от NielsenIQ. Электронный ресурс URL: https://nielseniq.com/global/ru.
  4. Петиция к маркетплейсу Wildberries с требованием отмены платной доставки в дальние регионы (в частности, ХМАО). Электронный ресурс URL: https://www.change.org
  5. Стало известно, в каких регионах СКФО низкая цифровая доступность. Электронный ресурс URL: https://kavkaz.rbc.ru/kavkaz/22/12/2021/61c33bb69a79470766ca4a8b
  6. Жильцов Д.А. Методика оценки результативности маркетинговых решений в системе управления интернет-маркетингом // Вестник Московского финансово-юридического университета МФЮА. — №4. – 2019. – С. 176–181.
  7. Жильцов Д.А. Интернет-маркетинг на рынке логистических услуг: тенденции, теория и практика / Монография, Москва: Издательство Перо, 2023. — 162 с.
  8. Жильцова О. Н. Современные организационные формы управления маркетингом // Маркетинг и логистика. – 2019. – №5 (25). — с. 33-41.
  9. Оценка влияния новых глобальных трендов на развитие цепей поставок / Г. П. Быкова, Ф. Венде -Д., О. Н. Жильцова, Д.А. Жильцов // Вестник Евразийской науки. — 2023. — Т 15. — № 1. — URL: https://esj.today/PDF/84ECVN123.pdf
  10. Романенкова О.Н. Инновации как движущая сила развития корпоративных сетей торговли на рынке России // Российское предпринимательство. — 2014. — № 22 (268). — c. 36-43.
  11. Синяева И. М., Жильцова О. Н. Теоретические аспекты инновационного бизнеса: структура  коммерческой системы и интеллектуального продукта // Маркетинг и логистика. – 2018. – №3 (17). – с. 83-96.
  12. Формирование и развитие интернет-рекламы в комплексе интегрированных маркетинговых коммуникаций: теория и практическая реализация: Монография / О.Н. Романенкова. – М.: Издательско-торговая корпорация «Дашков и К», 2013. – 140 с.

УДК: 339.371

Сушко А. Н. – студент магистратуры направления «Менеджмент» направленность «Продуктовый маркетинг и аналитика», кафедра логистики, Финансовый университет при Правительстве Российской Федерации, Москва, Россия.

e-mail: arty.sushko@yandex.ru

Научный руководитель: Жильцова О.Н., к.э.н., доцент кафедры логистики, Финансовый университет при Правительстве Российской Федерации, Москва, Россия.

Борисенко Е. И. — студент магистратуры направления «Менеджмент» направленность «Продуктовый маркетинг и аналитика», кафедра логистики, Финансовый университет при Правительстве Российской Федерации, Москва, Россия.

e-mail: elizaveta_b_2000@mail.ru

Научный руководитель: Жильцов Д.А., к.э.н., доцент кафедры логистики, Финансовый университет при Правительстве Российской Федерации, Москва, Россия.

Article on the topic: Statistical Research of the E-Commerce Market in Russia

Sushko A. — Master’s student in the direction of «Management» in the direction of «Product Marketing and Analytics», Department of Logistics, Financial University under the Government of the Russian Federation, Moscow, Russia.

Scientific supervisor: Zhiltsova O.N., Ph.D., Associate Professor of the Department of Logistics, Financial University under the Government of the Russian Federation, Moscow, Russia.

Borisenko E. — Master’s student in the direction of «Management» in the direction of «Product Marketing and Analytics», Department of Logistics, Financial University under the Government of the Russian Federation, Moscow, Russia.

Scientific supervisor: Zhiltsov D.A., Ph.D., Associate Professor of the Department of Logistics, Financial University under the Government of the Russian Federation, Moscow, Russia.

Annotation: The article presents a statistical study of the E-Commerce market based on official data from Rosstat and EMISS. The research is aimed at identifying key growth factors, regional differences and forecasting the dynamics of E-Commerce development in Russia. The authors analyze the following market indicators: the share of online sales in the total volume of retail trade, characteristics of retail facilities and demographic characteristics of the population of the regions of the Russian Federation. In addition, the study clearly illustrates the impact of COVID-19 on accelerating the spread of the online format in retail trade.

The article uses statistical analysis methods: descriptive and correlation analysis, multiple and paired regression, time series analysis with trend extrapolation as well as multidimensional classification methods.

The results of the study highlight substantial growth of the E-Commerce segment starting in 2019 due to the pandemic, which has become a key factor in driving online sales. In addition, significant differences between the regions of Russia in the level of E-Commerce development were revealed, which indicates the heterogeneity of the analyzed market. The authors predict continued growth in the share of online sales and emphasize the importance of adaptation to changing market conditions. The article contributes to understanding the dynamics of the E-Commerce market in Russia and can serve as a basis for further research, as well as a guide for developing strategies for the development of online commerce for both businesses and government regulators.

При цитировании статьи в других источниках просим использовать следующий формат: Сушко А. Н., Борисенко Е. И. Статистическое исследование рынка электронной коммерции в России // Маркетинг и логистика. – 2024. – 3 (53). — с.

Полная версия журнала в pdf-формате по ссылке «Маркетинг и логистика».