Динамика потребительских цен на продовольственные товары в Ростовской области в 2021–2025 гг.: сопоставление с общероссийским уровнем и типология ценовых рядов

Введение

Экономическая доступность продовольствия зависит от соотношения потребительских цен, доходов населения и структуры потребления [1, 4, 19]. В Доктрине продовольственной безопасности она рассматривается наряду с физической доступностью [3]. Поэтому анализ цен не заменяет оценку доходов, расходов, фактического потребления и соответствия питания рациональным нормам [20, 21, 22]. В настоящей работе динамика цен рассматривается как самостоятельная характеристика регионального продовольственного рынка.

Исследования российских регионов выявляют пространственную взаимосвязь продовольственных цен, интенсивность которой снижается с увеличением расстояния между территориями [5]. В 2013–2022 гг. наблюдалось сближение темпов продовольственной инфляции, однако его выраженность различалась по товарам и регионам [7, 9]. Анализ ежедневных данных также показывает, что пространственная зависимость цен неодинакова по товарным категориям и меняется во времени [24].

Исследования отдельных товарных рынков выявляют разные механизмы ценовой динамики. Для продовольственных товаров отмечается передача мировых ценовых шоков во внутренние цены, причём её величина меняется во времени [6]. На рынке рыбной продукции структура розничной цены зависит прежде всего от стоимости сырья и расходов в сфере обращения [8]. Для продукции растениеводства сезонная амплитуда связана с запасами и условиями хранения [11]. Вместе с тем устойчивость профилей помесячной динамики по совокупности продовольственных товаров внутри одного региона изучена недостаточно.

Ростовская область выбрана объектом исследования для сопоставления динамики цен на одинаковый набор продовольственных товаров с общероссийскими показателями. Цель исследования – сопоставить динамику цен в Ростовской области с общероссийской, проверить наличие общего регионального сдвига накопленных приростов и выделить устойчивые профили региональных ценовых рядов.

В исследовании проверялись две гипотезы. Согласно первой, накопленный прирост цен по рассматриваемым товарам в Ростовской области статистически значимо отличается от соответствующих общероссийских показателей. Вторая гипотеза предусматривает устойчивость распределения товаров по ценовым профилям при изменении порогов классификации и продолжительности временного окна.

Методический вклад работы состоит в сочетании парного сопоставления региональных и общероссийских рядов с типологией товаров по относительным долям дисперсий оценённых составляющих. Расчёты выполнены на сопоставимом наборе помесячных рядов. Общероссийский показатель служит статистическим ориентиром, но не образует независимую контрольную группу, поскольку включает данные Ростовской области. Полученная разность характеризует положение регионального ряда относительно общей динамики и не оценивает причинное влияние региональных условий.

Материалы и методы

Эмпирическую базу составили официальные данные Росстата о среднемесячных потребительских ценах по субъектам Российской Федерации за 2021–2023 гг. [13, 14, 15] и 2024–2025 гг. [16, 17]. Основная выборка сформирована до анализа результатов и не является сплошным воспроизведением нормативного перечня [10]. В неё вошли 18 позиций перечня: говядина, куры, рыба, сливочное масло, молоко, яйца, подсолнечное масло, сахар, пшеничная мука, ржано-пшеничный и пшеничный хлеб, рис, гречка, картофель, капуста, лук, морковь и яблоки. Дополнительно включена близкая по содержанию статистическая позиция «макаронные изделия». В нормативном перечне ей соответствует более узкая позиция «вермишель». В основную выборку не вошли свинина, баранина, соль, чай, пшено и вермишель. Чтобы оценить зависимость общего вывода от состава товаров, для этих шести позиций дополнительно рассчитаны конечные приросты. Компонентная типология сохранена для 19 непрерывных помесячных рядов. Основной массив включает 2280 наблюдений.

Период анализа охватывает январь 2021 г. – декабрь 2025 г. В данных Росстата за 2021 г. цена подсолнечного масла опубликована в рублях за 1 кг, а с 2022 г. – в рублях за 1 л. Для обеспечения сопоставимости значения за 2021 г. переведены в рубли за 1 л умножением на 0,92 кг/л. Округлённый коэффициент соответствует средней массе литра подсолнечного масла при 20 °C, приведённой в ГОСТ ISO 6883-2024 [2]. Для пшеничного хлеба показатель за 2021 г. рассчитан как простое среднее арифметическое цен двух публиковавшихся сортовых категорий. Весовые данные о структуре продаж отсутствовали. С 2022 г. использована объединённая позиция Росстата. Основной показатель рассчитан между январём 2021 г. и декабрём 2025 г. Значения за декабрь 2020 г. использованы только как внешняя контрольная точка для 14 общероссийских рядов и в основные расчёты не включены [18].

Для каждого товара показатели рассчитывались отдельно по Ростовской области и Российской Федерации. Началом периода принят январь 2021 г. (t₀), окончанием – декабрь 2025 г. (t₁).

Накопленное изменение цены за весь период определялось по формуле:

где C_i – накопленный прирост цены i-го товара за период, %;

P_i,_t0 – средняя потребительская цена i-й товарной позиции в январе 2021 г.;

P_i,_t1 – средняя потребительская цена i-й товарной позиции в декабре 2025 г.;

i – номер товарной позиции.

Месячная динамика оценивалась с помощью логарифмического изменения цены:

где r_it – логарифмическое изменение цены i-й товарной позиции в месяце t;

P_it – средняя потребительская цена i-й товарной позиции в месяце t;

P_i,_t−1 – цена i-й товарной позиции в предыдущем месяце;

t – порядковый номер месяца;

i – номер товарной позиции.

Для представления месячных изменений в процентах значения r_it умножались на 100. При небольших изменениях эта величина приблизительно равна месячному темпу прироста цены. Стандартное отклонение величины 100r_it использовано как показатель краткосрочной изменчивости. Корреляция региональных и общероссийских рядов рассчитана по их месячным логарифмическим изменениям.

Для каждого регионального товарного ряда оценена линейная регрессионная модель натурального логарифма цены с индикаторами месяцев года. Поскольку модель строилась отдельно для каждого товара, его индекс в следующей формуле опущен:

где ln P_t – натуральный логарифм средней потребительской цены в месяце t;

α – постоянная модели;

β – коэффициент линейного изменения логарифма цены за один месяц;

t – порядковый номер месяца;

D_mt – фиктивная переменная, равная 1, если наблюдение t относится к календарному месяцу m, и 0 в остальных случаях;

γ_m – коэффициент календарного месяца m, характеризующий среднее отличие логарифма цены от январского уровня после учёта линейного тренда.

ε_t – остаток регрессионной модели.

m – номер календарного месяца от 2 до 12, январь принят за базовый месяц.

Стандартные ошибки коэффициента β рассчитаны по методу Ньюи — Уэста с ядром Бартлетта и 12 лагами [23]. Это оценки, устойчивые к гетероскедастичности и автокорреляции (HAC – heteroskedasticity and autocorrelation consistent). Длина лага выбрана для учёта возможной остаточной зависимости в пределах годового цикла. Поскольку каждый ряд содержит 60 наблюдений, для пограничных случаев дополнительно рассчитаны ошибки с 4 и 6 лагами. Как дополнительная проверка гетероскедастичности использованы робастные стандартные ошибки в модификации HC3 (heteroskedasticity-consistent, вариант 3). Они не учитывают автокорреляцию остатков и не заменяют основную HAC-оценку. Годовой темп прироста, соответствующий оценённому линейному тренду, определялся по формуле:

где – годовой темп прироста по линейному тренду, %;

– оценка коэффициента линейного тренда за один месяц.

Для описания структуры ряда оценки модели представлены в виде трёх составляющих: трендовой, сезонной и нерегулярной. Сезонная составляющая отражает повторяющийся эффект календарного месяца. Такое представление используется для описания ряда и не является классической сезонной декомпозицией или сезонной корректировкой. Постоянная α не включена в составляющие, поскольку она не влияет на их дисперсии. Оценённые составляющие определялись следующим образом:

где – оценённое значение трендовой составляющей в наблюдении t;

– оценённое значение сезонной составляющей в наблюдении t;

– оценённое значение нерегулярной составляющей в наблюдении t;

– оценка коэффициента линейного тренда;

– оценка среднего отличия календарного месяца m от января после учёта линейного тренда;

– фиктивная переменная, равная 1, если наблюдение t относится к календарному месяцу m, и 0 в остальных случаях;

– оценённый остаток регрессионной модели в наблюдении t;

– порядковый номер наблюдения.

– номер календарного месяца от 2 до 12. Январь принят за базовый месяц.

Для нормировки использована сумма выборочных дисперсий оценённых составляющих:

где – сумма выборочных дисперсий трёх составляющих;

– оператор выборочной дисперсии;

– оценённое значение трендовой составляющей в наблюдении t;

– оценённое значение сезонной составляющей в наблюдении t;

– оценённое значение нерегулярной составляющей в наблюдении t.

Относительная доля дисперсии каждой оценённой составляющей определялась как отношение её выборочной дисперсии к сумме V:

где – относительная доля дисперсии оценённой трендовой составляющей;

– относительная доля дисперсии оценённой сезонной составляющей;

– относительная доля дисперсии оценённой нерегулярной составляющей;

– выборочная дисперсия оценённой трендовой составляющей;

– выборочная дисперсия оценённой сезонной составляющей;

– выборочная дисперсия оценённой нерегулярной составляющей;

– сумма выборочных дисперсий трёх составляющих.

Для классификации дополнительно рассчитаны амплитуда сезонной составляющей и максимальное нерегулярное отклонение цены:

где – амплитуда сезонной составляющей i-го товарного ряда, %;

– максимальное нерегулярное отклонение цены i-го товарного ряда, %;

– оценённая сезонная составляющая i-го товарного ряда для месяца m;

– оценённая нерегулярная составляющая i-го товарного ряда в наблюдении t;

– номер календарного месяца от 1 до 12;

– порядковый номер наблюдения.

Товарные ряды отнесены к пяти профилям: отрицательный тренд, преобладание нерегулярных колебаний, сочетание сезонности и положительного тренда, преобладание положительного тренда и смешанная структура. Пороговые правила приведены в таблице 1. Они применялись последовательно в указанном в таблице порядке. Устойчивость классификации проверена при изменении порогов и длины временного окна.

Таблица 1 – Профили ценовой динамики и ориентиры для наблюдения

Профиль	Товары	Критерий	Ориентир для наблюдения
Отрицательный тренд	Гречка	< 0 и p < 0,05	Снижение после ценового подъёма
Преобладание нерегулярных колебаний	Яйца, сахар, картофель, капуста	Доля нерегулярной составляющей является наибольшей, максимальное нерегулярное отклонение цены составляет не менее 20%	Резкое отклонение и последующая коррекция
Сезонность и тренд	Лук, морковь	Доля сезонной составляющей не менее 25%, её амплитуда не менее 30%, > 0	Повторяющаяся сезонная волна при положительном тренде
Преобладание тренда	Говядина, куры, рыба, сливочное масло, молоко, подсолнечное масло, ржано-пшеничный и пшеничный хлеб, макаронные изделия, яблоки	Доля трендовой составляющей не менее 65%, > 0	Сохранение повышенного уровня цен
Смешанный	Мука, рис	Пороговые условия не выполнены	Сочетание умеренного тренда и отклонений

Региональные показатели сопоставлены с общероссийскими по 19 парным накопленным приростам. Среднюю разность проверяли парным t-критерием. Устойчивость вывода оценивали критерием знаковых рангов Уилкоксона. Дополнительно рассчитаны коэффициент ранговой корреляции Спирмена для накопленных приростов и коэффициенты корреляции Пирсона для месячных логарифмических изменений. 95%-й доверительный интервал средней разности рассчитан на основе t-распределения. Непараметрический интервал оценён по 200000 повторным выборкам с возвращением. Зависимость вывода от состава выборки проверена по расширенному набору из 25 товаров.

Практическая эквивалентность проверена двумя односторонними тестами при границе ±5 п.п. Эта граница использована как аналитический ориентир допустимого различия накопленного прироста за пятилетний период и не является нормативным показателем. При одновременной проверке товарных трендов применена последовательная поправка Холма. Устойчивость результатов оценена при равных весах товарных групп, последовательном исключении товаров, расширении набора до 25 позиций, исключении пшеничного хлеба, сокращении периода до 2022–2025 гг., изменении числа лагов, порогов классификации и длины временного окна.

Результаты

С января 2021 г. по декабрь 2025 г. сильнее всего подорожало сливочное масло: его цена выросла на 102,4 %. Ещё по восьми позициям прирост превысил 60%, в том числе по двум видам хлеба, говядине, рыбе и луку. Только гречка в декабре 2025 г. стоила дешевле, чем в начале периода (табл. 2).

Таблица 2 – Показатели динамики цен по 19 товарам, январь 2021 г. – декабрь 2025 г.

Примечание: разность равна приросту в Ростовской области за вычетом общероссийского прироста и рассчитана по неокруглённым значениям. Изменчивость – стандартное отклонение месячных логарифмических изменений, умноженных на 100.

Наиболее высокие годовые темпы прироста по линейному тренду получены по сливочному маслу, луку, яблокам, рыбе и говядине. По картофелю и капусте высокий накопленный прирост сочетается с неустойчивой статистической значимостью линейного тренда: удорожание складывалось из отдельных волн. По яйцам положительный тренд сопровождается небольшим итоговым приростом из-за чередования резких подъёмов и последующих снижений.

На рисунке 1 показаны разные формы ценовой динамики. Цена сливочного масла к концу периода закрепилась на более высоком уровне. Для яиц и лука характерны повторяющиеся подъёмы и снижения. Цена гречки снизилась после максимума 2021–2022 гг. Цена риса после подъёма 2022–2023 гг. уменьшалась, но к концу периода оставалась выше уровня января 2021 г.

Рисунок 1 – Изменение цен отдельных продовольственных товаров в Ростовской области с января 2021 г. по декабрь 2025 г.

Источник: составлено автором по среднемесячным данным Росстата [13, 14, 15] и [16, 17].

Средняя разность накопленных приростов составила +1,5 процентного пункта, медианная разность составила −1,6 процентного пункта. Общий региональный сдвиг не выявлен ни парным t-критерием, ни критерием Уилкоксона (p = 0,572 и p = 0,738 соответственно). 95%-й доверительный интервал, рассчитанный на основе t-распределения, составил от −4,0 до +6,9 п.п. Интервал по 200000 повторным выборкам с возвращением составил от −3,4 до +6,5 п.п. Оба интервала включают ноль.

Два односторонних теста не подтвердили эквивалентность в пределах ±5 п.п. (p = 0,096). Отсутствие общего сдвига, таким образом, не означает совпадения региональной и общероссийской динамики.

Ранжирование товаров по темпам удорожания близко: коэффициент Спирмена равен 0,940 при p < 0,001. Медианная корреляция месячных изменений региональных и общероссийских рядов составляет 0,901. Вывод об отсутствии общего направленного сдвига сохраняется при равных весах товарных групп и последовательном исключении любой одной позиции.

Проверки при исключении пшеничного хлеба, обоих хлебных рядов и при сокращении периода до 2022–2025 гг. не изменили вывода об отсутствии общего регионального сдвига. На сопоставимом интервале 2022–2025 гг. в динамике цены пшеничного хлеба сохранилось преобладание трендовой составляющей. Приведение цены подсолнечного масла к одной единице измерения также не изменило общий вывод. В расширенной выборке из 25 товаров средняя разность составила +1,3 п.п. Общий сдвиг не выявлен ни парным t-критерием, ни критерием Уилкоксона (p = 0,532 и p = 0,596).

Доля дисперсии трендовой составляющей преобладает в десяти рядах, прежде всего по товарам животного происхождения и хлебу. Для кур, подсолнечного масла, макаронных изделий и яблок наряду с трендом заметна нерегулярная составляющая.

Яйца, сахар, картофель и капуста отнесены к профилю с преобладанием нерегулярных колебаний. Лук и морковь сочетают сезонность с положительным трендом. Для гречки характерен отрицательный тренд. Мука и рис имеют смешанную структуру (табл. 3).

Таблица 3 – Относительные доли дисперсий оценённых составляющих и устойчивость классификации по 19 товарам

Примечание к таблице 3: доли указаны в порядке «трендовая, сезонная, нерегулярная» и округлены до целых процентов. Из-за округления сумма долей в отдельных строках может отличаться от 100% на 1 п. п. Устойчивость – число совпадений с базовой классификацией в девяти вариантах порогов.

Несмотря на высокую корреляцию месячных изменений, накопленные приросты заметно различаются по отдельным товарам (рис. 2). Наибольшие положительные разности получены по луку, сливочному маслу, картофелю, яблокам, пшеничному хлебу и капусте. Наибольшие отрицательные разности отмечены по рису, яйцам, ржано-пшеничному хлебу и гречке. Такое распределение не даёт оснований говорить ни об общем ценовом преимуществе региона, ни о его устойчивом отставании.

Рисунок 2 – Сопоставление накопленного прироста цен в Ростовской области и общероссийского показателя, январь 2021 г. – декабрь 2025 г.

Источник: составлено автором по сопоставимым рядам Росстата [13, 14, 15] и [16, 17].

Примечание: пунктирная линия соответствует равенству накопленных приростов. Цвет и форма маркера обозначают профиль регионального товарного ряда.

Рисунок 3 показывает различия в соотношении трендовой, сезонной и нерегулярной составляющих, которые не видны при сопоставлении только накопленных приростов.

Рисунок 3 – Относительные доли дисперсий оценённых трендовой, сезонной и нерегулярной составляющих

Источник: разработано автором по данным Росстата [13, 14, 15] и [16, 17].

При изменении порогов 16 из 19 товаров сохраняют исходный профиль. Подсолнечное масло, макаронные изделия и яблоки переходят в смешанную группу при повышении порога трендовой доли до 70%. На окнах 36, 48 и 60 месяцев неизменны 12 профилей. После поправки Холма значимыми остаются 17 из 19 оценок тренда. Для капусты вывод об отсутствии линейного тренда сохраняется при 4, 6 и 12 лагах. Для картофеля тренд значим при 4 и 6 лагах, но незначим при 12 лагах. Оценки HC3 дают формальную значимость для обоих товаров, но не учитывают автокорреляцию. Поэтому основной вывод по ним основан на оценках HAC.

Обсуждение результатов

Высокая корреляция месячных изменений региональных и общероссийских цен согласуется с выводами о пространственной взаимосвязи продовольственной инфляции [5] и сближении её темпов в российских регионах [7]. Различия накопленных приростов по товарам согласуются с неодинаковой сходимостью цен по товарным группам [9]. Анализ ежедневных российских данных также подтверждает различия пространственной зависимости по товарным категориям [24]. Синхронное направление краткосрочных изменений не означает равенства накопленного роста цен.

Отсутствие общего регионального сдвига не исключает отклонений по отдельным товарам. Более быстрый рост отмечен по луку, сливочному маслу, картофелю, яблокам, пшеничному хлебу и капусте. По рису и яйцам региональный прирост, напротив, был ниже общероссийского на 19,8 и 14,3 п.п. соответственно. Наблюдаемые отклонения нельзя объяснить без данных о переработке, хранении, межрегиональном ввозе и торговых надбавках. Предыдущие исследования показывают, что на внутреннюю динамику цен влияют воздействия внешних ценовых шоков [6] и структура розничной цены [8].

Накопленный прирост зависит от двух крайних месяцев, а регрессионный тренд характеризует среднее направление с учётом повторяющихся месячных сдвигов. Поэтому заметный конечный прирост картофеля и капусты не означает устойчивого линейного тренда, а небольшой итоговый прирост яиц сочетается с положительной трендовой оценкой. Совместное использование этих показателей позволяет различать устойчивое направление изменения и отдельные ценовые волны.

Практическая значимость

При региональном ценовом мониторинге предложенная типология позволяет определить направление дополнительной проверки. Для товаров с выраженной сезонностью необходимо сопоставлять цены с запасами и календарём поступления продукции [11]. Для рядов с нерегулярными колебаниями целесообразно анализировать объёмы предложения, стоимость сырья и торговые надбавки [8]. Устойчивый тренд требует проверки того, сохраняется ли новый уровень цены после краткосрочного шока. Такая последовательность помогает отбирать товары для углублённого анализа, но не раскрывает механизм ценообразования без дополнительных данных.

Ограничения исследования

Динамика средней потребительской цены отражает не только изменение зарегистрированных цен, но и ассортиментные, территориальные и структурные сдвиги [12]. Средняя цена относится к товару-представителю и не тождественна индексу потребительских цен. Данные не учитывают качество, формат торговли и структуру покупок. Компонентная типология относится к основной выборке из 19 товаров. Расширенная проверка по 25 позициям подтверждает только устойчивость вывода о среднем сдвиге и не распространяет ценовые профили на дополнительные товары. Полученные результаты не могут автоматически переноситься на всю совокупность продовольственных товаров или на региональный индекс потребительских цен.

За пять лет каждый календарный месяц представлен пятью наблюдениями, поэтому профили относятся только к периоду 2021–2025 гг. Пересчёт цены подсолнечного масла за 2021 г. основан на округлённом коэффициенте 0,92 кг/л и вносит небольшую погрешность. Смена статистической позиции пшеничного хлеба в 2022 г. также ограничивает сопоставимость, хотя проверки без 2021 г. и без этого товара не меняют основных выводов. Для причинного анализа необходимы данные о запасах, межрегиональном ввозе, издержках и торговых надбавках.

Заключение

В 2021–2025 гг. динамика цен на рассматриваемые товары в Ростовской области в целом была синхронна с общероссийской. Общий направленный сдвиг не выявлен ни в основной выборке из 19 товаров, ни в расширенной проверке по 25 позициям. Эквивалентность в пределах 5 п.п. также не подтверждена. Усреднение скрывает разнонаправленные отклонения отдельных товарных рынков.

Регрессионная типология выявила неоднородность региональных рядов. В десяти преобладает тренд, в четырёх – нерегулярные колебания, в двух сезонность сочетается с положительным трендом, два имеют смешанную структуру, один – отрицательный тренд. При изменении порогов исходный профиль сохранили 16 из 19 товаров, а при изменении длины временного окна – 12.

Совместный анализ величины изменения и формы ценовой траектории позволяет различать устойчивое удорожание, сезонную волну и краткосрочное отклонение. Полученная типология может использоваться региональными органами исполнительной власти при отборе товаров для углублённого ценового мониторинга и подготовке аналитических материалов о продовольственном рынке. Типология помогает определить, какие дополнительные сведения о запасах, поставках и торговых надбавках необходимы на следующем этапе анализа. Результаты характеризуют только динамику цен и не заменяют оценки доходов, расходов и потребления.