CC BY
217
УДК 338.51 DOI: 10.5862/JE.245.6
Т.П. Некрасова, А.О. Алексеева
ЦЕНОВАЯ ПОЛИТИКА ПРЕДПРИЯТИЯ НЕФТЕГАЗОВОЙ ПРОМЫШЛЕННОСТИ
T.P. Nekrasova, A.O. Alekseeva THE PRICING POLICY OF THE OIL AND GAS COMPANY
Рассмотрены проблемы ценовой политики предприятий нефтегазовой промышленности и проанализированы особенности рынка нефтепродуктов. Разработана усовершенствованная модель прогнозирования цены на нефть в условиях российского рынка марки Urals. Для построения модели прогнозирования цены на нефть используются статистические методы прогнозирования как наиболее точные: построение тренда, метод корреляционно-регрессионного анализа. Проанализированы существующие зависимости между парами показателей: цена на нефть сорта Urals — спрос на нефть; цена на нефть сорта Urals — цена на нефть сорта Brent; цена на нефть сорта Urals — предложение на нефть; цена на нефть сорта Urals — мощности производства нефтеперерабатывающего завода; цена на нефть сорта Urals — насыщенность рынка нефти. Построена линия тренда и рассчитаны цены на нефть в рамках ретропрог-ноза. Рассчитан коэффициент корреляции в рамках регрессионной статистики; критерии Фишера, Дар-бина—Уотсона, Бреуша—Годфри, Стьюдента; коэффициенты уравнения. Выработаны рекомендации по усовершенствованию методов ценообразования и прогнозирования предприятий нефтегазовой промышленности на примере ОАО «ЛУКОЙЛ». Результаты построения модели прогнозирования цены на нефть положительные. Ценообразование двух сортов нефти имеет линейную зависимость, следовательно, этот фактор повысит прогностическую возможность нашей модели. Рассчитав коэффициенты уравнения регрессии, получили прогнозную цену на нефть сорта Urals на 2016 г. в размере 42,05 долл./барр. (с учетом спекулятивного фактора — 31 долл./барр.). В качестве базовых рекомендаций по установлению ценовой политики ОАО «ЛУКОЙЛ» выделена необходимость учета влияния мировых цен на товары-аналоги, а именно, цена одного из эталонных сортов нефти Brent.
ЦЕНОВАЯ ПОЛИТИКА; НЕФТЕГАЗОВАЯ ПРОМЫШЛЕННОСТЬ; ПРОГНОЗИРОВАНИЕ; МАТЕМАТИЧЕСКИЕ МЕТОДЫ ПРОГНОЗИРОВАНИЯ; ЦЕНА НА НЕФТЬ.
The paper has analyzed the issues of pricing policy of the oil and gas industry and the properties of the market for oil products. An improved model for forecasting the price of Urals crude oil on the Russian market has been worked out. The model is based on the statistical approach and involves trend determination, correlation and regression analysis. The existing dependencies between the following pairs of variables were analyzed: Urals price and demand for crude oil; Urals price and Brent price; Urals price and crude oil supply; Urals price and oil production capacity of an oil refinery; Urals price and saturation of the crude oil market. A trend line has been built and the crude oil prices have been forecasted. The correlation coefficient has been determined within the regression statistics as well as the Fisher, Durbin-Watson, Breusch-Godfrey and Student criteria. The coefficients of the equation have been calculated. Some recommendations for improving the pricing and forecasting methods in the oil and gas company with an example of JSC Lukoil have been made. The results for building the model for forecasting oil prices are positive. The pricing of the two grades of oil has a linear relationship, and therefore, this factor will improve the predictive ability of our model. Calculating the coefficients of the regression equation yielded the target price for Urals oil in 2016 in the amount of $42.05 per barrel (and $31 per barrel if calculated including the speculative factor). The necessity of consideration of taking into account the prices on the equivalent commodities, namely the price of Brent crude oil, has been emphasized as a basic recommendation on the pricing policy of JSC Lukoil.
PRICING POLICY; OIL AND GAS INDUSTRY; FORECASTING; METHEMATICAL METHODS IN ECONOMICS; OIL PRICE.
Введение. В ценовой политике предприятия нефтегазовой промышленности важное место занимает прогнозирование цен на
нефть. Сложность этого процесса заключается в том, что присутствует спекулятивный момент, а именно: влияние на цену факто-
ров, практически не поддающихся количественной интерпретации. При этом мнения ученых и экспертов сильно различаются при определении факторов, влияющих на изменение цены на нефть. Исследование спроса и предложения на нефть позволяет увидеть потребность в данном товаре и сбалансированность в предложении на рынке. Составление прогноза цен дает возможность определить тенденцию поведения производителей, а значит, и рынка в целом. Изучение результатов как зарубежных, так и российских исследований в области нефтяной промышленности, показывает, что существует ряд проблем: особенности ценообразования в российских условиях, неопределенность на российском нефтяном рынке ценообразования (в частности, на рынке нефтяных деривативов), проблема прогнозирования цен на нефть. Кроме того, ситуация в мировой экономике в конце 2014 — начале 2015 г. показала необходимость более точного прогнозирования цен на нефть, выявления факторов, влияющих на цены.
При проведении научного исследования проанализированы методы прогнозирования, которые могли быть использованы при определении цены на нефть: модели на основе статистических методов, метод наименьших квадратов, метод скользящей средней, метод экспоненциального сглаживания, построение тренда, методы экономико-математического моделирования. Анализ этих подходов позволил разработать новую модель определения цены на нефть на предприятии нефтегазового комплекса России.
Основной целью исследования является определение ценовой политики предприятия нефтегазового комплекса, а именно: разработка усовершенствованной модели прогнозирования цены на нефть марки Urals в условиях российского рынка. Для проведения анализа и составления прогноза используются данные компании ОАО «ЛУКОЙЛ», а также данные международных энергетических агентств. В качестве методической основы использовались труды отечественных и зарубежных ученых.
Методика исследования. На сегодня основными (маркерными) сортами нефти, за ценами на которые следят во всем мире, являются
американский сорт West Texas Intermediate (WTI) и нефть с месторождений Северного моря, сорта Brent. Российская нефть идет на экспорт в западном направлении под маркой Urals. Ее стоимость определяется дисконтированием цены на нефть сорта Brent, поскольку российская нефть считается менее качественной из-за большей плотности и повышенного содержания серы [15].
Для построения модели прогнозирования цены на нефть используются статистические методы прогнозирования как наиболее точные: построение тренда, метод корреляционно-регрессионного анализа.
Итак, линия тренда — инструмент технического анализа. Главная характеристика линии тренда — величина ее угла. Прорыв линии сопротивления или поддержки — признак резкого изменения цены, т. е. тренд (тенденция). Линия тренда отличается от линий сопротивления и поддержки тем, что она характеризует направленное изменение цены. Построение тренда осуществляется при помощи методов линейной регрессии. Итак, величина наклона линии тренда является ее основной характеристикой.
Проанализированы существующие зависимости между парами показателей:
— цена на нефть сорта Urals — спрос на нефть;
— цена на нефть сорта Urals — цена на нефть сорта Brent;
— цена на нефть сорта Urals — предложение на нефть;
— цена на нефть сорта Urals — мощности производства нефтеперерабатывающего завода;
— цена на нефть сорта Urals — насыщенность рынка нефти.
Построим график зависимости показателей и найдем линию тренда, а затем по тренду рассчитаем цены в рамках ретропрогноза и будущую стоимость нефти. Для этого введем исходные данные (табл. 1).
Очевидно, что точки расположены не близко к линии тренда, это говорит о том, что нет линейной зависимости между всеми факторами, влияющими на цену нефти. Тем не менее, все коэффициенты корреляции больше 50%, поэтому можно говорить об объясняющей способности выбранных факторов.
Таблица 1
Входные параметры
Год Цена марки Urals Цена марки Brent Спрос Предложение Мощность Насыщенность
Долл./барр. Тыс. барр./мес.
1995 109,1316 110,7897 96025,083 70304,5833 74245,663 25720,5
1996 103,18 107,2529 98280,417 71985 74393,92 26295,41667
1997 105,65 108,7211 99697,083 74218,9167 75986,492 25478,16667
1998 105,425 107,8829 100012,92 75689,8333 78030,467 24323,08333
1999 105,2625 108,1753 101780,33 74843,3333 80084,292 26937
2000 106,3067 109,198 101502,08 77723,1667 81528,691 23778,91667
2001 108,95 111,963 101639,17 77672,0833 81316,421 23967,08333
2002 104,0783 108,1152 101473,08 77099,5833 81444,216 24373,5
2003 99,55714 103,4552 102842,08 79603,0833 81995,155 23239
2004 95,29091 98,49633 104359,58 83400,4167 82258,336 20959,16667
2005 85,77895 88,17129 104897,25 85101,1667 82795,393 19796,08333
2006 77,42857 79,677 104418,08 85140,4167 85344,983 19277,66667
2007 59,52273 63,09742 103732,33 85168,75 85355,179 18563,58333
2008 46,69048 50,42032 100316,33 86571,3333 85460,07 13745
2009 54,797 58,61714 95997,417 85744,5 85900,401 10252,91667
2010 53,44909 57,00097 97250,5 88164,4167 86970,671 9086,083333
2011 57,16857 60,75567 95727,917 88597,25 88096,775 7130,666667
2012 64,63 66,18583 94573,083 90504 88004,209 4069,083333
2013 72,09143 70,49902 94896,083 90893,75 89102,396 4002,333333
2014 79,55286 75,09145 85865,333 92998,5833 89846,148 —7133,25
2015 82,54649 85
Графики зависимостей цены нефти сорта Urals от выделенных факторов выглядят следующим образом (рис. 1—4).
Так как переменные факторы (спрос, предложение, насыщенность рынка, мощность производства) изменяются с течением времени, мы проанализируем их изменение и спрогнозируем их значение на 2016 г., как переменных временного ряда. Помимо визуальных (графических) оценок воспользуемся методом наименьших квадратов. В базе данного анализа лежит один переменный фактор — фактор времени. Поскольку это промежуточное измерение, оно как нельзя лучше подходит нам в силу простоты вычислений, достаточной точности, для определения конечной модели прогнозирования цены на нефть.
В данном виде анализа данные характеризуются четырьмя параметрами: тренд,
циклические изменения, сезонные изменения, неравномерность. Тренд — направленное изменение данных за относительно долгий промежуток времени. Циклические изменения — отклонение тренда по причинам экономических условий — рост или спад в экономики, периоды «шока» и т. п. Сезонные изменения — для данных, информация о которых доступна в месячных или квартальных интервалах. В нашем случае сезонность может проявиться как косвенный фактор сезонности спроса-предложения нефтепродуктов. Неравномерность — это случайные колебания в тренде, которые невозможно или очень трудно предсказать. На рынке нефти и нефтепродуктов такой неопределенной переменной может выступать сложно прогнозируемый спекулятивный фактор.
Рис. 1. Построение линии тренда Urals — Brent
Рис. 2. Построение линии тренда Urals — предложение
Рис. 3. Построение линии тренда Urals — мощность
Цена сорта нефти Urals, долл. бэрр. Рис. 4. Построение линии тренда Urals — насыщенность
В формализованном математическом выражении данные описывает следующее уравнение:
У, = Т( + С, + + Я,
где У — текущее значение во временном ряду в период времени Т, — трендовый компонент в момент времени ,; С, — циклический компонент в момент времени ,; ^ — сезонный компонент в момент времени ,; Я — случайный компонент в момент времени
Для того чтобы рассчитать прогнозное значение переменной У,, нам необходимо декомпозировать ряд, т. е. удалить влияние сезонных факторов из временного ряда. Сделаем это методом скользящей средней, который позволяет отвлечься от случайных колебаний временного ряда, что достигается путем замены значений внутри выбранного интервала средней арифметической величиной. Интервал, величина которого остается постоянной, постепенно сдвигается на одно наблюдение. Величина интервала скольжения Р может принимать любое значение от минимального (Р = 2) до максимального (Р= N — 1, где N — длина рассматриваемого временного ряда). Сглаженный ряд короче первоначального на Р — 1 наблюдение.
В качестве примера расчета составим прогноз по спросу. Данные возьмем за 20 лет (1995—2014 гг.), и спрогнозируем величину спроса на 2016 г.
Для того чтобы увидеть сезонность и тренд, данные возьмем поквартально. Таким образом, сначала рассчитываем скользящее среднее по четырем кварталам (сдвиг = 1 шаг), затем усредняем его по значениям двух лет (сдвиг = 1 шаг). Теперь можем рассчитать сезонный фактор по формуле
где St — сезонный фактор в момент времени ,; У, — величина спроса в момент времени ,; S , средн — централизованное скользящее среднее.
Данные для расчета зависимости без сезонного фактора мы берем из табл. 2.
Таким образом, получаем значения спроса без учета сезонного фактора и на основе данной величины можем определить уравнение тренда. Оно выглядит следующим образом: у = —6,0253л2 + 426,98х + 95453.
Как отмечалось ранее, изменение спроса на нефть нелинейно; выявлено, что динамику спроса лучше всего описывает полином второй степени — параболическое уравнение. По нему можем рассчитать прогнозные значения спроса на 2016 г. — 3 491 185,7 млн барр. в год. Это соответствует прогнозам разных аналитических агентств (EIA, J.P. Morgan). Ожидается падение спроса на нефть и в более долгосрочной перспективе в том числе. Связано это с постепенным отказом экономик развитых стран от нефтезависимых производств и переходом на более экономичные формы энергии. Тем не менее, процесс этот очень медленный, эволюционного характера, и перспектива отказа от нефти настолько далека, что имеет сегодня, на наш взгляд, лишь теоретическую обоснованность на данный момент.
Используя корреляционно-регрессионный анализ, рассчитаем прогнозную точность модели расчета цены на нефть марки Urals. Уравнение регрессии:
Poil=aPBrent + blogD + cS + dC + Dummy,
где Poil — зависимая переменная цены на нефть сорта Urals; PBren t — объясняющая новая переменная — цена на нефть сорта Brent; log D — величина спроса, логарифмированная для управления дисперсией остатков регрессионной модели зависимости цены и спроса; S — величина предложения; C — величина мощности нефтепромышленности; Dummy — мнимая переменная, отражающая влияние спекулятивного фактора (при наличии фактора равна 1, при отсутствии — 0).
Определимся с корреляцией между объясняемой переменной «цена на нефть сорта Urals» и отобранными объясняющими переменными: «LogСпрос», «предложение», «мощность», «цена на нефть сорта Brent». Проведем проверку значимости модели в целом (входные параметры приведены в табл. 1).
Рассчитаем коэффициент корреляции в рамках регрессионной статистики, критериев Фишера, Дарбина—Уотсона, Бреуша—Годфри, Стьюдента, коэффициентов уравнения. Также важны для нас остатки модели для проверки модели на статистическую значимость.
Таблица 2
Влияние сезонного фактора на спрос на нефть
Год Сезонный фактор поквартально Сумма
I II III IV
1995 0,976268 1,01901
1996 1,038645 0,961289 0,986481 1,025391
1997 1,01155 0,976371 0,993008 1,024742
1998 1,01121 0,968526 0,991093 1,017337
1999 1,031987 0,960766 0,989491 1,032642
2000 1,006905 0,968927 1,001357 1,013333
2001 1,018526 0,972716 0,999986 1,010805
2002 1,012507 0,971235 0,995841 1,014394
2003 1,021806 0,975045 0,988691 1,01297
2004 1,020157 0,97446 0,993085 1,014783
2005 1,020928 0,976038 0,994038 1,009103
2006 1,021396 0,974669 0,996177 1,013415
2007 1,009095 0,980218 0,997535 1,020694
2008 1,008325 0,98789 0,988731 1,01392
2009 1,011421 0,976179 0,9903 1,009298
2010 1,004225 0,983894 1,011462 1,014138
2011 1,002584 0,972878 1,013016 1,005773
2012 1,001748 0,988262 0,999998 1,006383
2013 0,99764 0,991041 1,007406 1,01226
2014 0,997909 0,980734
Среднее значение 1,013082 0,975849 0,995472 1,015284 3,999687
Среднее значение скорректированное 1,012582 0,975349 0,994972 1,014784 3,997687
Среднее последнее значение 0,999099 0,986679 1,003702 1,009321 3,998801
Скорректированное среднее 1,013 0,98 0,992 1,015 4,0
Критерий Фишера (Е-статистика) — проверка значимости модели регрессии проводится с использованием Е-критерия Фишера, расчетное значение которого находится как отношение дисперсии исходного ряда наблюдений изучаемого показателя и несмещенной оценки дисперсии остаточной последовательности для данной модели.
Критерий Фишера также показывает, что уравнение в целом значимо. Напомним, что табличное значение Е-статистики должно быть меньше расчетного: Етабл = 3,06.
Регрессионная статистика
Множественный Я 0,9989193
Я2 0,9978397
Нормированный Я2 0,9972636
Стандартная ошибка 1,1599728
Наблюдения 20
Таким образом, анализ используемой модели показывает, что она в целом статистически значима: Я2 = 0.
df SS MS F Значимость F
Регрессия 4 9322,522 2330,631 1732,1194 8,65859E-20
Остаток 15 20,18305 1,345537
Итого 19 9342,706
Критерий Дарбина—Уотсона (ВЖ) — статистический критерий, используемый для определения наличия автокорреляции первого порядка элементов исследуемой модели. Этот критерий не используется для выявления автокорреляции остатков, если модель представляет собой авторегрессию — линейную зависимость от предыдущих значений ряда.
Тест Дарбина—Уотсона дает нам значение ВЖ = 1,23, что входит в табличный интервал для наших условий выборки и степеней свободы: & = 0,9; du = 1,83. Автокорреляция в остатках отсутствует, значит, модель значима.
Тест Бреуша—Годфри — применяется в эконометрике для проверки автокорреляции произвольного порядка в случайных ошибках регрессии. В отличие от теста Дарбина— Уотсона этот тест можно использовать для любых моделей. Тест Бреуша—Годфри также подтверждает значимость модели.
et et-1
et 1
et-1 0,398503024 1
Необходимо проверить значимость данного коэффициента корреляции с помощью 1-критерия Стьюдента. Результаты расчета:
Статистика Стьюдента 1,843399
Критерий Стьюдента по таблице 2,1315
Модель считается ненадежной, если ¿габл > гфакг , т. е. корреляции между остатками нет. Это говорит о значимости основной модели.
Результаты исследования. Результаты построения модели прогнозирования цены на нефть положительные. Можем сделать вывод о том, что ценообразование двух сортов нефти имеет линейную зависимость, следовательно, этот фактор повысит прогностическую возможность нашей модели. Рассчитав коэффициенты уравнения регрессии, получили прогнозную цену на нефть сорта Urals на 2016 г. в размере 42,05 долл./барр. (с учетом спекулятивного фактора — 31 долл./барр.).
Выводы. Таким образом, рассмотрев проблемы ценообразования в нефтяной промышленности и проанализировав особенности рынка нефтепродуктов, были выработаны рекомендации по усовершенствованию методов ценообразования и прогнозирования на предприятиях нефтегазовой промышленности на примере ОАО «ЛУКОЙЛ». Среди базовых рекомендаций по установлению ценовой политики ОАО «ЛУКОЙЛ» стоит выделить необходимость учета влияния мировых цен на товары-аналоги (было рассмотрено влияние цены одного из эталонных сортов нефти Brent).
Учитывая, что ценовая политика предприятий нефтегазового комплекса включает не только прогноз цены на нефть, а и ряд других направлений, в дальнейшем необходимо проанализировать баланс спроса и предложения нефти на российском рынке и определить наиболее эффективные направления деятельности предприятий нефтегазового комплекса в условиях постоянного колебания цен на нефть.
СПИСОК ЛИТЕРАТУРЫ
1. Бобылев Ю.Н., Приходько С.В., Дробышев-ский С.М., Тагор С.В. Факторы формирования цен на нефть. М.: Ин-т экономики переходного периода, 2006. 116 с.
2. Бушуев В.В., Конопляник А.А., Миркин Я.М. Цены на нефть: анализ, тенденции, прогноз. М.: Энергия, 2013. 344 с.
3. Варшавский Л.Е. Моделирование динамики цены на нефть при разных режимах развития рынка нефти // Прикладная эконометрика. 2009. № 1(13). С. 70—88.
4. Вишнякова М.С., Паньков М.С. Непрозрачность формирования стоимости нефтепродуктов на внутреннем рынке России // Вестник Самарского государственного экономического университета. 2013. № 4(102). С. 16-20.
5. BP: прогноз развития мировой энергетики до 2030 г. М., 2012. 88 с. URL: http://www.imemo.ru/ (дата обращения: 10.01.2016).
6. Глухов В.В., Медников М.Д., Коробко С.Б. Математические методы и модели для менеджмента. СПб.: Лань. 2005. 528 с.
7. Методика определения цен на российском рынке нефти, Независимое агентство нефтегазового сектора ООО «НААНС-МЕДИА». М., 2013. URL: http://naans-media.ru/upload/img/ (дата обращения: 10.01.2016).
8. Нефтегазодобывающая и нефтеперерабатывающая промышленность: тенденции и прогнозы // Аналитический бюллетень. 2010. № 1. РИА-Аналитика. 78 с. URL: http://vid1.rian.ru/ig/ratings /oil6.pdf (дата обращения: 10.01.2016).
9. Прохорова Е.М. Эволюция ценообразования на мировом нефтяном рынке // Вестник БИСТ. 2010. № 1(5). С. 150-159.
10. Силкина Г.Ю., Шевченко С.Ю. Модели и методы управления экономическими рисками : учеб. пособие. СПб.: Изд-во Политехн. ун-та, 2009. 200 с.
11. Соколов А.Н. Прогноз цены на нефть до 2022 года // Нефтегазовое дело: [электрон. науч. журнал]. 2012. № 4. С. 553-561. URL: http://ogbus. ru/article/prognoz-ceny-na-neft-do-2022-goda/ (дата обращения: 09.01.2016).
12. Финансовый отчет ОАО «ЛУКОЙЛ» за 2014 год. URL: http://www.lukoil.ru/ (дата обращения: 10.01.2016).
13. Чураков Е.П. Математические методы обработки экспериментальных данных в экономике. М.: Финансы и статистика. 2004. 242 с.
14. International Energy Outlook 2014, Energy Information Administration (EIA). URL: http://www. eia.gov/oiaf/ieo/ (дата обращения: 10.01.2016).
15. Все о нефти. URL: http://vseonefti.ru/neft /oil-price.html (дата обращения: 10.01.2016).
REFERENCES
1. Bobylev Iu.N., Prikhod'ko S.V., Drobyshevskii S.M., Tagor S.V. Faktory formirovaniia tsen na neft'. M.: In-t ekonomiki perekhodnogo perioda, 2006. 116 s. (rus)
2. Bushuev V.V., Konoplianik A.A., Mirkin Ia.M.
Tseny na neft': analiz, tendentsii, prognoz. M.: Energiia, 2013. 344 s. (rus)
3. Varshavskii L.E. Modelirovanie dinamiki tseny na neft' pri raznykh rezhimakh razvitiia rynka nefti. Prikladnaia ekonometrika. 2009. № 1(13). S. 70—88. (rus)
4. Vishniakova M.S., Pan'kov M.S. Neprozrachnost' formirovaniia stoimosti nefteproduktov na vnutrennem rynke Rossii. Vestnik Samarskogo gosudarstvennogo ekonomicheskogo universiteta. 2013. № 4(102). S. 16— 20. (rus)
5. BP: prognoz razvitiia mirovoi energetiki do 2030 g. M., 2012. 88 s. URL: http://www.imemo.ru/ (data obrashcheniia: 10.01.2016). (rus)
6. Glukhov V.V., Mednikov M.D., Korobko S.B. Matematicheskie metody i modeli dlia menedzhmenta. SPb.: Lan'. 2005. 528 s. (rus)
7. Metodika opredeleniia tsen na rossiiskom rynke nefti, Nezavisimoe agentstvo neftegazovogo sektora OOO «NAANS-MEDIA». M., 2013. URL: http://naans-media. ru/upload/img/ (data obrashcheniia: 10.01.2016). (rus)
8. Neftegazodobyvaiushchaia i neftepererabatyvaiushchaia
promyshlennost': tendentsii i prognozy. Analiticheskii biulleten '. 2010. № 1. RIA-Analitika. 78 s. URL: http:// vid1.rian.ru/ig/ratings/oil6.pdf (data obrashcheniia: 10.01.2016).
9. Prokhorova E.M. Evoliutsiia tsenoobrazovaniia na mirovom neftianom rynke. Vestnik BIST. 2010. № 1(5). S. 150-159. (rus)
10. Silkina G.Iu., Shevchenko S.Iu. Modeli i metody upravleniia ekonomicheskimi riskami : ucheb. posobie. SPb.: Izd-vo Politekhn. un-ta, 2009. 200 s. (rus)
11. Sokolov A.N. Prognoz tseny na neft' do 2022 goda. Neftegazovoe delo: elektron. nauch. zhurnal. 2012. № 4. S. 553-561. URL: http://ogbus.ru/article/ prognoz-ceny-na-neft-do-2022-goda/ (data obrashcheniia: 09.01.2016). (rus)
12. Finansovyi otchet OAO «LUKOIL» za 2014 god. URL: http://www.lukoil.ru/ (data obrashcheniia: 10.01.2016). (rus)
13. Churakov E.P. Matematicheskie metody obrabotki eksperimental'nykh dannykh v ekonomike. M.: Finansy i statistika. 2004. 242 s. (rus)
14. International Energy Outlook 2014, Energy Information Administration (EIA). URL: http://www. eia.gov/oiaf/ieo/ (data obrashcheniia: 10.01.2016). (rus)
15. Vse o nefti. URL: http://vseonefti.ru/neft/oil-price.html (data obrashcheniia: 10.01.2016). (rus)
НЕКРАСОВА Татьяна Петровна — профессор Санкт-Петербургского политехнического университета Петра Великого, доктор экономических наук.
195251, ул. Политехническая, д. 29, Санкт-Петербург, Россия. E-mail: [email protected]
NEKRASOVA Tat'iana P. — Peter the Great St. Petersburg Polytechnic University. 195251. Politechnicheskaya str. 29. St. Petersburg. Russia. E-mail: [email protected]
АЛЕКСЕЕВА Анастасия Олеговна — магистр Санкт-Петербургского политехнического университета Петра Великого.
195251, ул. Политехническая, д. 29, Санкт-Петербург, Россия. E-mail: [email protected]
ALEKSEEVA Anastasiia O. — Peter the Great St. Petersburg Polytechnic University.
195251. Politechnicheskaya str. 29. St. Petersburg. Russia. E-mail: [email protected]
© Санкт-Петербургский государственный политехнический университет, 2016
