Статистический анализ и эконометрическое моделирование экспорта нефти и нефтепродуктов Российской Федерации: методическое руководство и прогноз до 2028 года

Представьте: Россия, страна, контролирующая от 12% до 14% мирового нефтяного рынка, сталкивается с беспрецедентными вызовами и возможностями. Ежедневные поставки в объеме 7,6 млн баррелей нефти, принесшие в 2024 году 189 млрд долларов доходов, являются не просто цифрами, а пульсом национальной экономики, ее главной артерией. В условиях стремительных геополитических сдвигов, глобального энергоперехода и постоянной волатильности мировых цен, понимание и прогнозирование динамики экспорта нефти и нефтепродуктов становится не просто академическим интересом, а стратегической необходимостью.

Эта работа призвана не только осветить актуальные тенденции и факторы, влияющие на экспорт углеводородов из России, но и предоставить студентам экономического или технического вуза, специализирующимся на экономике, статистике, международной торговле или энергетике, всеобъемлющее методическое руководство. Наша главная цель — разработать и продемонстрировать последовательный подход к глубокому статистическому анализу динамики экспорта нефти и нефтепродуктов Российской Федерации за период с 2015 по 2025 год, а также построить прогнозные модели до 2028 года. Мы подробно остановимся на инструментарии эконометрики и прикладной статистики, которые позволяют не только описывать прошлое, но и предвидеть будущее, давая возможность оценивать эффективность экспортной политики и адаптироваться к изменяющимся условиям. Структура курсовой работы тщательно продумана: от базовых понятий и методов анализа временных рядов до сложных эконометрических моделей, факторного анализа и оценки перспектив развития экспорта.

Теоретические основы статистического анализа временных рядов

В мире экономики, где прошлое часто диктует будущее, а каждое событие оставляет свой след, анализ временных рядов становится незаменимым инструментом. Он позволяет нам не просто наблюдать за изменениями, но и разгадывать их скрытые закономерности, выявлять движущие силы и, в конечном итоге, строить обоснованные прогнозы. В контексте экспорта нефти и нефтепродуктов, понимание этих основ критически важно для точной оценки динамики и перспектив, ведь без этого любые выводы будут неполными или ошибочными.

Основные понятия и определения

Прежде чем погрузиться в глубины анализа, необходимо четко определить термины, которые станут нашими ориентирами.

Экспорт — это не просто продажа чего-либо за границу. Это сложный экономический процесс, при котором товары, услуги и капитал покидают территорию одной страны, чтобы быть реализованными на внешних рынках. С таможенной точки зрения, это процедура, в рамках которой товары Евразийского экономического союза вывозятся за пределы его таможенной территории для постоянного нахождения там. Для России экспорт нефти и нефтепродуктов — это кровеносная система, питающая бюджет и определяющая ее позицию на мировой арене.

Импорт, в свою очередь, является зеркальным отражением экспорта: это ввоз иностранных товаров, услуг, технологий или капитала в страну для их реализации и применения на внутреннем рынке без обязательств по обратному вывозу. Баланс между экспортом и импортом формирует торговый баланс страны, который является важнейшим показателем ее экономической мощи.

Сердцевина российского экспорта – это, безусловно, нефть. Это природная, маслянистая, горючая жидкость, залегающая в осадочных породах земной коры. Она представляет собой сложнейшую смесь углеводородов и других химических соединений, образующуюся в результате преобразования органических веществ под воздействием высоких температур и давлений. Нефть является не только важнейшим полезным ископаемым, но и главным ископаемым топливом, служащим основой для производства энергии и широкого спектра промышленных продуктов.

Производными от нефти являются нефтепродукты. Это смеси углеводородов и индивидуальные химические соединения, получаемые в результате переработки нефти и попутных нефтяных газов. К ним относятся различные виды топлива (бензин, дизельное топливо, керосин), горюче-смазочные материалы (масла, смазки), растворители, а также ценное нефтехимическое сырье, используемое в производстве пластмасс, синтетических волокон и многих других материалов. Экспорт как сырой нефти, так и продуктов ее переработки формирует основной объем российского энергетического экспорта.

Теперь, когда мы определили предмет нашего анализа, обратимся к его методологической основе – временному ряду. Временной ряд – это упорядоченная последовательность наблюдений за определенным экономическим показателем, зафиксированных в различные моменты времени (например, объемы экспорта нефти по месяцам или кварталам). Цель анализа временных рядов состоит в том, чтобы выявить внутренние закономерности, понять факторы, влияющие на изменения показателя, и на основе этого построить прогноз на будущее.

Каждый временной ряд, как правило, состоит из четырех основных компонентов, которые, подобно слоям геологической породы, рассказывают свою историю:

• Тренд (T_t): Это долгосрочная, устойчивая тенденция изменения показателя, отражающая фундаментальные сдвиги в экономике, технологиях или политике. Например, общий рост объемов экспорта на протяжении десятилетий.
• Сезонность (S_t): Это регулярно повторяющиеся колебания, связанные с календарными факторами (времена года, месяцы, праздники). Например, увеличение спроса на мазут зимой или снижение спроса на бензин в период отпусков.
• Цикличность (C_t): Это колебания, обусловленные экономическими циклами, которые могут длиться от двух до пяти лет (или дольше), но не имеют строго фиксированного периода, в отличие от сезонности. Это могут быть фазы экономического роста и спада.
• Случайные колебания (ε_t): Это непредсказуемые, ситуативные изменения, которые невозможно объяснить другими компонентами. Они представляют собой «шум» в данных, вызванный неожиданными событиями, ошибками измерения или другими неконтролируемыми факторами.

Понимание этих компонентов позволяет нам «разобрать» временной ряд на части, чтобы изучить каждую из них в отдельности, а затем «собрать» его обратно для более точного прогнозирования.

Методы декомпозиции и сглаживания временных рядов

Представьте, что перед вами сложная музыкальная композиция. Чтобы понять ее структуру, вы можете разложить ее на отдельные инструменты: мелодию, гармонию, ритм. Подобно этому, декомпозиция — это анализ временного ряда путем разложения его на вышеупомянутые отдельные компоненты (тренд, сезонность, цикличность, случайные колебания). Это помогает понять, что конкретно влияет на данные и каков вклад каждого фактора в общую динамику.

В зависимости от характера взаимосвязи между компонентами, временные ряды могут быть представлены в виде:

• Аддитивной модели: Y_t = T_t + S_t + C_t + ε_t. Эта модель предполагает, что компоненты суммируются, и изменения в одном компоненте не влияют на величину других. Она часто используется, когда сезонные колебания имеют относительно постоянную амплитуду независимо от уровня тренда.
• Мультипликативной модели: Y_t = T_t ⋅ S_t ⋅ C_t ⋅ ε_t. Здесь компоненты умножаются, что означает, что амплитуда сезонных и циклических колебаний может расти или уменьшаться пропорционально уровню тренда. Это более реалистичная модель для многих экономических рядов, где, например, сезонные продажи увеличиваются с общим ростом рынка.
• Смешанной модели: Комбинация аддитивных и мультипликативных элементов.

После декомпозиции или в качестве первого шага к ней, часто применяются методы сглаживания временного ряда. Их основная задача — убрать «шум» (случайные колебания) из данных, чтобы более четко выявить лежащую в основе тенденцию развития. Это похоже на фильтр, который делает изображение более ясным.

Одним из простейших, но широко используемых методов является скользящее среднее (Moving Average, MA). Его суть заключается в расчете среднего значения для определенного «окна» последовательных наблюдений, которое затем «скользит» вдоль всего ряда. Например, 3-периодное скользящее среднее для момента времени t будет равно (Y_t-1 + Y_t + Y_t+1) / 3.

Однако, у скользящего среднего есть существенные ограничения:

1. Неэффективность в вычислении: Для больших рядов и длинных окон расчеты могут быть трудоемкими.
2. Невозможность продления на первые и последние точки ряда: Мы не можем рассчитать скользящее среднее для самых первых и самых последних точек ряда, так как для этого требуются значения, выходящие за границы доступных данных.
3. Неприменимость для прогнозирования за пределами ряда: Скользящее среднее, основанное на прошлых значениях ряда, не может использоваться для прямого прогнозирования будущих значений за пределами уже имеющихся данных. Оно лишь сглаживает существующие данные. MA-модели, используемые в эконометрике, имеют иную логику, основанную на прошлых ошибках прогноза.

Более продвинутые методы сглаживания включают экспоненциальное сглаживание. В отличие от простого скользящего среднего, которое придает равный вес всем наблюдениям в окне, экспоненциальное сглаживание придает больший вес недавним наблюдениям и экспоненциально уменьшающийся вес более старым. Это позволяет модели быстрее реагировать на изменения в тренде или уровне ряда.

Дальнейшим развитием являются методы, такие как метод Хольта-Винтерса (Holt-Winters method). Он представляет собой расширенное экспоненциальное сглаживание, которое способно учитывать не только тренд, но и сезонность временного ряда. Это особенно ценно для анализа экспорта, где и долгосрочные тенденции, и сезонные пики (например, связанные с отопительным сезоном) играют важную роль. Метод Хольта-Винтерса включает три компонента: уровень, тренд и сезонность, которые обновляются с каждым новым наблюдением.

В конечном итоге, трендовые и тренд-сезонные модели основываются на фундаментальном допущении о сохранении основных факторов и тенденций, наблюдавшихся в прошлом, или их предсказуемом изменении в будущем. Это позволяет, построив математическую модель, описывающую эти тенденции, экстраполировать ее на будущие периоды.

Концепция стационарности и ее проверка

В эконометрике существует краеугольный камень, на котором строится большинство моделей временных рядов – это стационарность. Представьте себе маятник, который колеблется с постоянной амплитудой и частотой вокруг фиксированной точки. Его поведение предсказуемо. Нестационарный же маятник может со временем менять свою амплитуду, смещать центр колебаний или вообще двигаться хаотично.

Стационарность временного ряда означает, что его статистические свойства, такие как среднее значение (математическое ожидание), дисперсия и автокорреляционная структура, остаются неизменными во времени. Точнее, ряд (X_t) считается стационарным, если:

1. Стационарность по среднему: Все уровни как случайные величины имеют одинаковые средние значения, то есть E(X_t) = μ = const для всех t.
2. Стационарность по разбросу: Уровни имеют одинаковые дисперсии, то есть Var(X_t) = σ² = const для всех t.
3. Стационарность по автоковариации: Ковариация между X_t и X_t-k зависит только от лага k, а не от самого t.

Почему стационарность так важна? Большинство классических эконометрических моделей, таких как ARMA и ARIMA, предполагают стационарность входных данных. Применение этих моделей к нестационарным рядам может привести к «ложной регрессии» (spurious regression), когда обнаруживаются статистически значимые, но экономически бессмысленные взаимосвязи. Это означает, что без проверки стационарности выводы могут быть ошибочными.

Нестационарные временные ряды могут содержать тренд, сезонность или цикличность. Для приведения таких рядов к стационарному виду используются различные преобразования. Наиболее распространенным и эффективным является дифференцирование (разностное преобразование). Это означает вычисление разницы между последовательными наблюдениями: Y’_t = Y_t — Y_t-1. Если ряд имеет тренд, первое дифференцирование часто помогает его устранить. Если присутствует сезонность, может потребоваться сезонное дифференцирование: Y»_t = Y_t — Y_t-s, где s – период сезонности.

Для формальной проверки стационарности применяются статистические тесты:

• Тест Дики–Фуллера (Dickey-Fuller test) и его расширенная версия Расширенный тест Дики–Фуллера (Augmented Dickey-Fuller, ADF). Эти тесты проверяют нулевую гипотезу о наличии единичного корня в ряду, что указывает на нестационарность. Если нулевая гипотеза отвергается, ряд считается стационарным.
• Тест KPSS (Kwiatkowski-Phillips-Schmidt-Shin test). В отличие от ADF, тест KPSS проверяет нулевую гипотезу о стационарности ряда. То есть, если нулевая гипотеза отвергается, ряд считается нестационарным. Эти тесты часто используются в паре для получения более надежного вывода о стационарности.

Помимо формальных тестов, визуальный анализ также играет ключевую роль. Автокорреляция — это мера корреляции между значениями ряда с разницей во времени (лагами). Графики автокорреляционной функции (ACF — Autocorrelation Function) и частной автокорреляционной функции (PACF — Partial Autocorrelation Function) используются для:

• Проверки стационарности: Для стационарных рядов ACF быстро убывает до нуля. Для нестационарных рядов, особенно с трендом, ACF убывает медленно, часто имеет значимые значения на многих лагах.
• Идентификации структуры ряда: Форма графиков ACF и PACF помогает определить порядок авторегрессионных (AR) и скользящего среднего (MA) компонентов в моделях ARIMA. Например, быстрое обрезание PACF и медленное убывание ACF указывает на MA-процесс, а обратная ситуация – на AR-процесс.

Таким образом, стационарность — это не просто теоретическое требование, а практический фундамент для построения адекватных и надежных эконометрических моделей экспорта.

Эконометрическое моделирование и прогнозирование экспорта: от теории к практике

Эконометрика, по своей сути, является мостом между экономической теорией и статистическими данными. Она позволяет нам не просто наблюдать за экономическими процессами, но и измерять их, выявлять причинно-следственные связи и, что особенно важно для нашего исследования, строить обоснованные прогнозы. В контексте экспорта нефти и нефтепродуктов, эконометрическое моделирование оказывается эффективным и надежным инструментом для анализа макроэкономических процессов, позволяющим учесть сложную зависимость экспорта от широкого спектра социально-экономических и политических факторов. Оно позволяет перейти от описательной статистики к прогностической аналитике. А что делать, если мы не используем эти методы? Тогда наши прогнозы будут неточными и не смогут отразить реальную картину.

Модели авторегрессии и скользящего среднего (ARMA, ARIMA)

В основе многих эконометрических моделей временных рядов лежат две фундаментальные концепции: авторегрессия и скользящее среднее. Их комбинации образуют мощный инструментарий для анализа и прогнозирования.

Авторегрессия (AR — Autoregressive): Представьте, что будущее значение экспорта нефти зависит от того, каким он был в предыдущие периоды. Это и есть суть авторегрессии. Модель AR(p) предполагает, что текущее значение переменной (Y_t) является линейной комбинацией p ее прошлых значений (Y_t-1, Y_t-2, …, Y_t-p) и случайного шока (ε_t).

Формально:

Yt = c + φ1Yt-1 + φ2Yt-2 + ... + φpYt-p + εt

где c — константа, а φ_i — авторегрессионные коэффициенты.

Скользящее среднее (MA — Moving Average): В отличие от AR, модели MA(q) предполагают, что текущее значение переменной зависит не от прошлых значений самой переменной, а от прошлых значений ошибок прогноза (случайных шоков). То есть, если в прошлом мы недооценили или переоценили прогноз, это «эхо» может влиять на текущее значение.

Формально:

Yt = μ + θ1εt-1 + θ2εt-2 + ... + θqεt-q + εt

где μ — среднее значение ряда, а θ_i — коэффициенты скользящего среднего.

Модели ARMA (Autoregressive Moving Average): логично, что модели ARMA(p, q) комбинируют в себе оба этих подхода. Они включают как авторегрессионные члены, так и члены скользящего среднего, что позволяет более гибко описывать динамику стационарных временных рядов.

Формально:

Yt = c + φ1Yt-1 + ... + φpYt-p + θ1εt-1 + ... + θqεt-q + εt

Однако, как мы уже обсуждали, многие экономические временные ряды, включая объемы экспорта, являются нестационарными. Для работы с ними были разработаны модели ARIMA (Autoregressive Integrated Moving Average). Это расширенная версия ARMA, включающая компонент интеграции (I), который относится к методам вычисления разницы между последовательными наблюдениями (дифференцирование) для получения стационарного процесса из нестационарного. Модель ARIMA(p, d, q), где:

• p — порядок авторегрессии (количество прошлых значений ряда).
• d — порядок интегрирования (количество дифференцирований, необходимых для достижения стационарности).
• q — порядок скользящего среднего (количество прошлых ошибок прогноза).

Модели ARIMA широко используются для прогноза временных рядов в различных областях, включая макроэкономические показатели, финансовые рынки и, конечно, экспортные потоки.

Для временных рядов с выраженными сезонными компонентами, что характерно для экспорта нефти и нефтепродуктов (например, сезонное изменение спроса на топливо), применяются модели SARIMA (Seasonal ARIMA). Они добавляют сезонные параметры к модели ARIMA, позволяя учитывать повторяющиеся паттерны на фиксированных интервалах (например, ежемесячно, ежеквартально). Модель SARIMA(p, d, q)(P, D, Q)_S включает как несезонные (p, d, q), так и сезонные (P, D, Q) компоненты, где S — период сезонности.

Наконец, для учета влияния внешних факторов (экзогенных переменных), таких как мировые цены на нефть, курсы валют или геополитические события, используется модель SARIMAX (Seasonal ARIMA with Exogenous Regressors). Эта модель позволяет не только прогнозировать сам временной ряд, но и оценивать, как изменения во внешних факторах влияют на его поведение. При прогнозировании объемов экспорта и импорта России, методы эконометрического анализа, в частности модели SARIMAX, активно применяются для таких стран-партнеров, как Китай и Индия, а также в целом для оценки динамики внешней торговли со странами ЕАЭС.

Методология построения эконометрических моделей экспорта

Построение эконометрической модели – это не просто набор формул, а целенаправленный процесс, требующий последовательных шагов и тщательного анализа. Вот обобщенная методология, которую можно применить для построения моделей экспорта:

1. Идентификация ряда и первичный анализ:
   • Визуальный анализ: Построение графика временного ряда. Позволяет наглядно увидеть наличие тренда, сезонности, цикличности и аномалий.
   • Декомпозиция: Разложение ряда на компоненты (тренд, сезонность, остатки) для лучшего понимания его структуры.
   • Расчет ACF и PACF: Построение графиков автокорреляционной и частной автокорреляционной функций для предварительной оценки стационарности и определения возможных порядков AR и MA.
2. Проверка стационарности:
   • Применение формальных тестов, таких как ADF-тест и KPSS-тест.
   • Если ряд нестационарен, проведение дифференцирования (одного или нескольких раз, а также сезонного дифференцирования при необходимости) до тех пор, пока ряд не станет стационарным. Количество дифференцирований определяет параметр d в модели ARIMA.
3. Выбор порядка модели (p, d, q) для ARIMA или (p, d, q)(P, D, Q)_S для SARIMA:
   • На основе анализа ACF и PACF для стационаризованного ряда определяются потенциальные значения p и q (несезонные компоненты) и P и Q (сезонные компоненты).
   • Используются информационные критерии, такие как критерий Акаике (AIC) и Байесовский информационный критерий (BIC). Модель с наименьшими значениями AIC и BIC, как правило, считается лучшей, поскольку она обеспечивает хороший компромисс между точностью и сложностью модели.
4. Оценка параметров модели:
   • После выбора порядка модели ее параметры оцениваются с использованием методов максимального правдоподобия. На этом этапе получаем численные значения коэффициентов φ, θ, а также их стандартные ошибки и p-значения.
5. Диагностика остатков (проверка адекватности модели):
   • Критерии адекватности трендовых моделей включают проверку наличия определенных свойств у остаточной последовательности (разницы между фактическими и прогнозными значениями).
   • Отсутствие автокорреляции остатков: Остатки должны быть «белым шумом», то есть независимыми и не иметь автокорреляции. Это проверяется с помощью теста Льюнга-Бокса (Ljung-Box test) или анализом графика ACF остатков. Если остатки автокоррелированы, модель не полностью уловила динамику ряда, и ее нужно пересмотреть (изменить порядки p, d, q).
   • Нормальное распределение остатков: Остатки должны быть распределены нормально со средним, близким к нулю. Это проверяется с помощью графиков гистограмм, Q-Q графиков и тестов, таких как тест Шапиро-Уилка или Колмогорова-Смирнова.
   • Постоянная дисперсия остатков (гомоскедастичность): Дисперсия остатков должна быть постоянной во времени. Это проверяется визуально (график остатков во времени) или с помощью тестов, таких как тест ARCH/GARCH.

Только после того, как модель прошла все диагностические проверки и ее остатки удовлетворяют необходимым условиям, она считается адекватной и может быть использована для прогнозирования.

Оценка точности и интерпретация прогнозных моделей

Построить модель – это лишь полдела; гораздо важнее оценить ее точность и правильно интерпретировать полученные результаты. Ведь даже самая сложная эконометрическая модель бесполезна, если она неспособна дать надежный прогноз.

Для оценки работы модели прогнозирования используются различные метрики:

1. Средняя абсолютная ошибка (MAE — Mean Absolute Error):
   MAE = (1/n) Σi=1n |yi - ŷi|
   Где y_i — фактическое значение, ŷ_i — прогнозное значение, n — количество наблюдений. MAE измеряет среднюю абсолютную разницу между фактическими и прогнозными значениями. Она выражается в тех же единицах, что и исходный ряд, что делает ее интуитивно понятной.
2. Средняя абсолютная процентная ошибка (MAPE — Mean Absolute Percentage Error):
   MAPE = (1/n) Σi=1n (|yi - ŷi| / |yi|) * 100%
   MAPE выражается в процентах, что позволяет сравнивать точность прогнозов для различных рядов с разными масштабами. Однако, MAPE может давать искаженные результаты, если фактические значения y_i близки к нулю.
3. Среднеквадратическая ошибка (RMSE — Root Mean Square Error):
   RMSE = √((1/n) Σi=1n (yi - ŷi)2)
   RMSE также выражается в тех же единицах, что и исходный ряд. Она чувствительна к большим ошибкам, поскольку возводит их в квадрат, что делает ее полезной для моделей, где крупные ошибки особенно нежелательны.

Допустимый уровень погрешности для экономических прогнозов часто рассматривается в пределах 5% (для MAPE) как хороший показатель, однако его приемлемость сильно зависит от конкретной задачи прогнозирования и чувствительности прогнозируемого показателя к изменениям. Для высоколиквидных и волатильных рынков, таких как нефтяной, даже 10% погрешности может считаться удовлетворительным для долгосрочных прогнозов, тогда как для краткосрочных операционных решений требуется значительно большая точность.

Важно понимать, что применение эконометрических моделей является наиболее приемлемым и достоверным для составления краткосрочных прогнозов внешней торговли, обычно охватывающих период до 1-2 лет. Чем дальше горизонт прогнозирования, тем больше неопределенности и тем ниже точность модели из-за влияния непредсказуемых факторов.

Наконец, эконометрические и статистические методы позволяют не только предсказывать будущие объемы экспорта, но и оценить эффективность экспортной политики страны и выявить ее зависимость от различных социально-экономических факторов. Анализируя значимость коэффициентов внешних переменных в моделях SARIMAX, мы можем количественно оценить, как изменения в государственной политике, налогообложении или мировых ценах влияют на экспортные потоки. Это дает лицам, принимающим решения, ценную информацию для корректировки стратегий и повышения конкурентоспособности страны на мировом рынке.

Динамика и факторный анализ российского экспорта нефти и нефтепродуктов (2015-2025 гг.)

Россия, будучи одним из ключевых игроков на глобальном энергетическом рынке, неизменно вызывает пристальное внимание аналитиков. Экспорт нефти является не просто одной из статей внешней торговли, а стержнем экономической стабильности страны, и ее динамика напрямую отражает состояние мировой экономики и геополитической обстановки. За последние 5-10 лет российский энергетический экспорт пережил трансформации, обусловленные как внутренними, так и внешними факторами.

Общая динамика объемов и стоимости экспорта

Экспорт нефти является основной статьей товарных поставок из России на международные рынки, и страна стабильно контролирует 12-14% мирового нефтяного рынка. Это не просто внушительная цифра, а индикатор глобального влияния.

Рассмотрим динамику объемов экспорта российской нефти:

Год	Объем экспорта сырой нефти, млн тонн	Изменение относительно предыдущего года, %	Объем экспорта нефти, млн баррелей в сутки (средний)	Доходы от экспорта нефти, млрд долларов
2021	263,6	—	—	—
2022	264,7	+0,4	—	—
2023	240,8	-9,1	—	—
2024	247,9	+3,0	7,6	189
2025	(прогноз)	—	~6,5 (июнь)	—

Примечание: Данные по доходам и объему в баррелях в сутки приведены только для 2024 года, так как полные и сопоставимые данные за все годы не представлены в фактах.

Как видно из таблицы, после незначительного роста в 2022 году, в 2023 году произошло существенное сокращение объемов экспорта сырой нефти на 9,1% до 240,8 млн тонн. Это стало прямым следствием введения западных санкций и ценового потолка. Однако, к 2024 году наметилась положительная динамика: объем экспорта вырос до 247,9 млн тонн, что сопровождалось значительными доходами в 189 млрд долларов при среднем объеме поставок 7,6 млн баррелей в сутки. В июне 2025 года общий объем экспорта нефти из России и стран Центральной Азии составил около 6,5 млн баррелей в сутки, что демонстрирует определенную стабилизацию, хотя и на уровне чуть ниже пиковых значений 2024 года. Это подтверждает, что, несмотря на санкции, Россия находит способы поддерживать свои экспортные потоки.

Что касается нефтепродуктов, то здесь наблюдается более неоднородная динамика:

Год	Объем экспорта нефтепродуктов морским путем, млн тонн
2023	125,1
2024	113,7

В 2024 году экспорт нефтепродуктов из России морским путем сократился на 9,1% до 113,7 млн тонн по сравнению со 125,1 млн тонн в 2023 году. Это может быть связано с давлением на российские нефтеперерабатывающие заводы (НПЗ), о чем будет сказано далее. Однако, в начале декабря 2023 года наблюдался рост российского экспор��а топлива, в основном за счет поставок дизельного топлива и нафты, что указывает на гибкость и способность адаптироваться к рыночным условиям. Например, в 2021 году экспорт бензина из России увеличился на 15,8% относительно 2020 года, достигнув 2,55 млрд долларов, что демонстрирует потенциал роста в отдельных сегментах.

Россия экспортирует различные сорта нефти, каждый из которых имеет свою специфику и географию поставок:

• Urals, Siberian Light, CPC Blend, ARCO и Novy Port: Эти сорта отгружаются из западных портов и традиционно ориентированы на европейский рынок, но после санкций их покупателями стали преимущественно страны Азии.
• ESPO Blend и Sokol: Отгружаются из дальневосточных портов и ориентированы исключительно на рынок Азии, прежде всего на Китай и Индию.

Ключевые покупатели и переориентация экспорта

Введение западных санкций и ценового потолка оказало драматическое влияние на географию российского экспорта нефти. Если до 2022 года Европа была основным потребителем, то после санкций произошла кардинальная переориентация поставок из Европы в Азию. Этот процесс был стремительным и масштабным: Россия переориентировала 86% нефти и 84% нефтепродуктов на дружественные страны.

Крупнейшими покупателями российской нефти в 2024 году стали:

1. Индия: Продажи сырой нефти из России в Индию в 2023 году достигли рекордных 37 млрд долларов, увеличившись более чем в 13 раз по сравнению с 2021 годом. Индия стала основным покупателем морских партий российского сорта Urals, а также арктических сортов сырья. При этом часть этой нефти была переработана Индией и затем экспортирована в США в виде нефтепродуктов на сумму более 1 миллиарда долларов, что указывает на обход санкционных ограничений.
2. Китай: Традиционно является крупным импортером российской нефти. Китай приобретает порядка 2 млн баррелей нефти в сутки, в основном по нефтепроводам и морским путем. Наряду с Индией, на эти две страны в 2024 году приходилось 3,5 млн баррелей ежедневно.
3. Турция: Является третьим по величине импортером российской нефти.

Влияние санкций и ценового потолка, установленного на уровне 60 долларов за баррель для сорта Urals, стало значительным фактором. С 1 апреля 2025 года нефть сорта Urals торгуется почти постоянно ниже этого ценового потолка, что означает, что российским компаниям приходится продавать нефть со значительным дисконтом. Это снижает доходы от экспорта, несмотря на сохранение объемов.

Макроэкономические и геополитические факторы, влияющие на экспорт

В условиях нестабильности мировой экономики и геополитической напряженности, факторный анализ приобретает особое значение для объяснения изменений в экспорте нефти и нефтепродуктов. Он позволяет не просто констатировать изменения, но и выявить их первопричины.

Факторный анализ позволяет установить корреляционную зависимость и выявить основные факторы, влияющие на объем экспорта нефти и нефтепродуктов. Ключевые факторы включают:

1. Мировые цены на нефть (Brent, Urals): Это, пожалуй, самый очевидный и прямой фактор. Рост мировых цен на эталонные сорта (например, Brent) обычно приводит к росту цен на российскую нефть (Urals), что, в свою очередь, увеличивает стоимостной объем экспорта. И наоборот. Снижение цены Urals ниже 60 долларов за баррель в 2025 году напрямую сказалось на экспортных доходах.
2. Курс рубля: Ослабление рубля делает российский экспорт более конкурентоспособным на мировых рынках, так как доходы в иностранной валюте конвертируются в большее количество рублей. И наоборот, укрепление рубля может снизить рентабельность экспортеров.
3. Объемы добычи и переработки нефти: Объем экспорта напрямую зависит от возможностей страны по добыче и переработке сырья. Если добыча растет, а внутреннее потребление стабильно, то экспортный потенциал увеличивается. Сокращение объемов переработки нефти на российских НПЗ, как это произошло в 2024 году, может привести к изменению структуры экспорта (например, больше сырой нефти, меньше нефтепродуктов). Общий объем добычи нефти в России в 2024 году составил 530,2 млн тонн.
4. Геополитические факторы: Санкции, торговые войны, конфликты, а также соглашения ОПЕК+ (которое ограничивает объемы добычи для стабилизации цен) оказывают колоссальное влияние на экспортные потоки, маршруты, объемы и доходы. Переориентация на Азию – яркий пример такого влияния.

Очевидно, что мировой спрос оказывает наиболее сильное влияние на величину российского экспорта. Вне зависимости от внутренних факторов, если нет глобального спроса, экспортные возможности сокращаются.

Интересным аспектом является низкая эластичность российского экспорта по ценам и валютному курсу. По оценкам, эластичность экспорта по реальному эффективному обменному курсу рубля составляет от 0,1 до 0,3, что указывает на слабую реакцию объемов экспорта на изменения курса. То есть, даже при значительном ослаблении рубля, объемы экспорта увеличиваются лишь незначительно. Причины этого могут быть многогранны:

• Малые размеры внутреннего российского рынка: Производители ориентированы на экспорт, и внутренний рынок не может поглотить значительно большие объемы при изменении курса.
• Особенности фискальной системы России: Экспортные пошлины, бюджетное правило. Фискальная политика может сглаживать или нивелировать курсовые эффекты.
• Защитные меры импортеров: Страны-импортеры могут иметь свои защитные механизмы, которые не позволяют им резко увеличивать закупки даже при снижении цен в валюте.
• Зависимость экспортных фирм от импорта: Для производства экспортной продукции могут использоваться импортные компоненты, что снижает эффект от девальвации.

Роль экспортных пошлин и их изменение

Исторически экспортные пошлины играли значительную роль как источник доходов федерального бюджета России, особенно в периоды высоких цен на нефть. Однако в последние годы их роль постепенно падает. Например, в 2022 году нефтегазовые доходы, включая экспортные пошлины, составили около 42% федерального бюджета, тогда как в начале 2010-х годов их доля могла превышать 50%. В 2024 году доля нефтегазовых доходов в федеральном бюджете РФ составила 30,5%.

Снижение значимости экспортных пошлин связано с изменением налоговой политики, направленной на стимулирование инвестиций в нефтегазовый сектор и повышение конкурентоспособности российских экспортеров. Авторы, такие как Магомедов И.Р., Мицек С.А. и Мицек Е.Б., в своих исследованиях рекомендуют постепенный отказ от этого инструмента. Вместо прямых пошлин применяются другие фискальные механизмы, такие как налог на добычу полезных ископаемых (НДПИ) и налог на дополнительный доход (НДД), что позволяет более гибко регулировать налоговую нагрузку и привязывать ее к рентабельности добычи, а не к простому факту экспорта. Эта тенденция отражает стремление к более эффективному управлению доходами и поддержке сектора в условиях глобальной конкуренции.

Перспективы развития российского экспорта и вызовы мирового рынка (прогноз до 2028 года)

Будущее российского экспорта нефти и нефтепродуктов определяется сложным переплетением внутренних стратегических решений и глобальных трендов. От того, насколько точно удастся предвидеть эти тенденции и адаптироваться к ним, зависит не только стабильность энергетического сектора, но и устойчивость всей национальной экономики. Как Россия сможет сохранить свою роль на мировом рынке, несмотря на все вызовы?

Прогнозные сценарии экспорта нефти и нефтепродуктов

Прогнозирование экономических показателей – задача, сопряженная с высокой степенью неопределенности, особенно в условиях современного динамичного мира. Тем не менее, ведущие аналитические центры и государственные органы, такие как Минэкономразвития РФ, регулярно разрабатывают прогнозные сценарии для ключевых отраслей, включая экспорт нефти и нефтепродуктов. Эти сценарии, как правило, представлены в двух основных вариантах: базовом и консервативном, иногда с добавлением оптимистического.

• Базовый сценарий обычно строится на предположении о сохранении текущих тенденций и умеренном развитии мировой экономики, без серьезных потрясений. Он предполагает постепенную стабилизацию мировых цен на нефть, сохранение объемов добычи в рамках соглашений ОПЕК+ и дальнейшую адаптацию к новым экспортным маршрутам. Например, базовый прогноз может предполагать, что к 2028 году объемы экспорта нефти и нефтепродуктов будут оставаться примерно на текущем уровне или покажут незначительный рост за счет увеличения спроса в Азиатском регионе.
• Консервативный сценарий учитывает потенциальные риски и негативные факторы. Это может быть сценарий, при котором мировые цены на нефть падают из-за глобального экономического спада, усиливается давление санкций, или ускоряется переход к «зеленой» экономике, что снижает спрос на углеводороды. В таком случае, объемы экспорта могут сократиться, а доходы уменьшиться.

Факторы, лежащие в основе этих прогнозов, многообразны:

• Внутренняя энергетическая политика: Это планы по добыче, переработке, а также стимулирование экспорта или переориентация на внутренний рынок.
• Мировая конъюнктура: Включает темпы роста мировой экономики, уровень глобального спроса на энергию, решения ОПЕК+, а также геополитическую стабильность.
• Технологические изменения: Развитие новых технологий в добыче, переработке и потреблении энергии (например, электромобили, возобновляемые источники энергии).

Основываясь на доступных данных, можно предположить, что в среднесрочной перспективе (до 2028 года) Россия продолжит поддерживать значительные объемы экспорта нефти и нефтепродуктов, но с акцентом на азиатские рынки. Однако, доходы будут сильно зависеть от мировых цен и сохраняющихся дисконтов.

Риски и возможности на мировом рынке

Зависимость экономики России от нефтегазового экспорта остается значительной. В 2024 году доля нефтегазовых доходов в федеральном бюджете РФ составила 30,5%. Эта цифра, хотя и снизилась по сравнению с пиковыми значениями прошлых лет, все еще подчеркивает уязвимость экономики к колебаниям мировых цен на углеводороды. Изменения в развитии внешней торговли тесно связаны с экономической и политической обстановкой в стране, что затрудняет экстраполяционное предсказание и требует исследования зависимости от экономического развития и внешнеэкономической политики.

Глобальный энергобаланс и переход к «зеленой» экономике представляют собой один из наиболее фундаментальных долгосрочных рисков для российского экспорта. Увеличение инвестиций в возобновляемые источники энергии, ужесточение экологических норм, развитие электротранспорта и повышение энергоэффективности ведут к постепенному снижению мирового спроса на ископаемое топливо. Хотя этот процесс инерционен и займет десятилетия, его влияние уже ощущается. Для России это означает необходимость диверсификации экономики и поиска новых источников роста.

Давление ощущают и российские нефтеперерабатывающие заводы. В 2024 году объем переработки нефти в России снизился до самого низкого показателя с 2012 года (около 267 млн метрических тонн). Это было вызвано комбинацией факторов: падением цен на топливо, ростом процентных ставок и западными санкциями, которые затрудняют доступ к технологиям и оборудованию. Снижение объемов переработки означает уменьшение производства нефтепродуктов, что может повлиять на структуру экспорта, смещая ее в сторону сырой нефти, и снизить добавленную стоимость.

Тем не менее, существуют и возможности:

• Растущий спрос в Азии: Экономики Китая, Индии и других стран Азиатско-Тихоокеанского региона продолжают расти, увеличивая потребность в энергии. Это позволяет России сохранять значительные объемы экспорта, переориентировав географию поставок.
• Технологическая модернизация: Инвестиции в модернизацию НПЗ и развитие новых технологий переработки могут увеличить глубину переработки и производство более маржинальных нефтепродуктов.
• Развитие новых энергетических проектов: Исследование и разработка месторождений в Арктике, а также развитие СПГ-проектов, могут диверсифицировать энергетический портфель России.

Устойчивость несырьевого неэнергетического экспорта

На фоне волатильности сырьевых рынков, особое значение приобретает динамика несырьевого неэнергетического экспорта (ННЭ). Именно этот сегмент демонстрирует относительную устойчивость в периоды кризисов, что подчеркивает его роль в диверсификации экономики.

Например, в период пандемии COVID-19 в 2020 году, когда глобальная экономика столкнулась с беспрецедентными вызовами:

• Общий объем экспорта товаров из России в 2020 году снизился на 20,7% по сравнению с 2019 годом, составив 337,2 млрд долларов, а экспортные цены на нефть и газ показали значительное падение.
• В то же время, несырьевой неэнергетический экспорт (ННЭ) России сократился лишь на 5,2% до 153,6 млрд долларов.

Эта разница в динамике указывает на то, что ННЭ обладает большей стабильностью и меньшей зависимостью от глобальной конъюнктуры цен на сырье. Развитие этого сектора, включающего продукцию машиностроения, химической промышленности, сельского хозяйства и IT-услуг, является стратегическим направлением для снижения зависимости от углеводородов и обеспечения долгосрочной устойчивости российской экономики. Это не просто статистический факт, а ключевой вывод, указывающий на путь к более стабильному и устойчивому экономическому будущему страны.

Заключение

Путешествие по динамике и перспективам российского экспорта нефти и нефтепродуктов, которое мы предприняли, позволило нам не только заглянуть в статистические отчеты, но и понять глубинные механизмы, управляющие этим ключевым сектором экономики. Мы видели, как цифры оживают, когда их интерпретируют через призму эконометрических моделей и факторного анализа, раскрывая сложную паутину взаимосвязей между макроэкономическими показателями, геополитическими событиями и внутренними экономическими решениями.

Подводя итоги, можно сформулировать следующие ключевые выводы:

1. Актуальность и сложность темы: Экспорт нефти и нефтепродуктов остается жизненно важным для экономики России, формируя значительную часть бюджетных доходов. Его динамика неразрывно связана с глобальной энергетической конъюнктурой, мировыми ценами на нефть и геополитической обстановкой, что делает анализ и прогнозирование чрезвычайно актуальными и сложными задачами.
2. Методологическая строгость: Мы подчеркнули критическую важность использования адекватных статистических и эконометрических методов. Понимание компонентов временного ряда (тренд, сезонность, цикличность, случайные колебания), концепции стационарности и методов ее проверки (тесты Дики–Фуллера, KPSS, анализ ACF/PACF), а также применение моделей ARIMA, SARIMA и SARIMAX – все это составляет необходимый фундамент для построения достоверных прогнозных моделей.
3. Динамика и переориентация: За период 2015-2025 гг. российский экспорт нефти и нефтепродуктов продемонстрировал значительную волатильность, особенно после введения западных санкций. Однако, произошла успешная и масштабная географическая переориентация поставок на «дружественные» страны, прежде всего Индию и Китай, которые стали крупнейшими покупателями. Это свидетельствует о высокой адаптивности российского энергетического сектора.
4. Факторный анализ: Мировой спрос, мировые цены на нефть (Brent, Urals), курс рубля и объемы добычи/переработки являются ключевыми факторами, определяющими величину и структуру экспорта. При этом выявлена относительно низкая эластичность российского экспорта по ценам и валютному курсу, что требует особого внимания к структурным реформам.
5. Перспективы и вызовы: Прогноз до 2028 года указывает на сохранение значительных объемов экспорта, но с продолжающимся влиянием ценового потолка и дисконтов. Главными вызовами остаются глобальный энергопереход к «зеленой» экономике, снижение мирового спроса на ископаемое топливо в долгосрочной перспективе, а также давление на российские нефтеперерабатывающие заводы. Возможности лежат в дальнейшем укреплении позиций на азиатских рынках и диверсификации экспорта.
6. Устойчивость ННЭ: Отмечена относительная устойчивость несырьевого неэнергетического экспорта в периоды кризисов, что подчеркивает необходимость его развития как фактора снижения зависимости от углеводородов.

Таким образом, эконометрические методы являются не просто академическим инструментом, а крайне важным элементом аналитического инструментария в условиях высокой волатильности рынка и геополитической нестабильности. Они позволяют не только измерять прошлое, но и строить обоснованные гипотезы о будущем, предоставляя лицам, принимающим решения, ценную информацию для формирования эффективной экспортной политики. Разработанная методология служит практическим руководством для будущих исследований, позволяя студентам и аналитикам проводить глубокий и достоверный анализ, необходимый для понимания и управления динамикой российского энергетического экспорта.

Список использованной литературы

1. Введение в эконометрику : Учеб. для студентов вузов / Пер. с англ.: О.О. Замков [и др.] ; МГУ им. М.В. Ломоносова, Экон. фак. – 2-е изд. – М. : Инфра-М, 2007. – 418 с.
2. Маргелов М.В. Нефтяной фактор мировой политики // США. Канада: экономика-политика-культура. 2004. N 8. С. 68-77.
3. Нефть и нефтепродукты. Общие правила и нормы : Сб. – Изд. офиц. – М. : ИПК Издательство стандартов, 2003. – 90 с.
4. Орлов В. П. Нефтяной бизнес ждет государственной поддержки // Национальные проекты. 2008. N 7-8. С. 54-57.
5. Осадчий А. Нефть и газ российского шельфа: оценки и прогнозы // Наука и жизнь. 2006. N 7. С. 2-7.
6. Салимов С. Нефтегазовые ресурсы Каспия // Мировая экономика и международные отношения. 2007. N 10. С. 42-45.
7. Статистика : Курс лекций / Под ред. В.Г. Ионина ; Новосиб. гос. акад. экономики и упр. – 310 с.
8. Статистика : Учеб. пособие для вузов. – 2-е изд. – СПб. : Питер, 2007. – 287 с.
9. Статистика : Учеб. пособие для студентов вузов. – М. : Финансы и статистика, 2003. – 237 с.
10. Статистика. Расчеты в Microsoft Excel : Учеб. пособие для студентов вузов. – М. : КолосС, 2005. – 350 с.
11. Эдер Л. В. Нефтяной аспект энергобезопасности Европы и позиция России // Актуальные проблемы Европы. 2008. N 2. С. 152-168.
12. Эконометрика : Учеб. для студентов вузов / Под ред. И.И. Елисеевой. – 341 с.
13. Ясин Е. Нефть, темпы и инфляция // Вопросы экономики. 2005. N 9. С. 4-20.
14. Нефть: основные понятия и термины — что это такое простыми словами, понятие и определение // Финам. 29.06.2023. URL: https://www.finam.ru/encyclopedia/item/neft-osnovnye-ponyatiya-i-terminy-20230629-170130/ (дата обращения: 17.10.2025).
15. Что такое Экспорт: понятие и определение термина // Tochka.com. URL: https://www.tochka.com/glossary/eksport/ (дата обращения: 17.10.2025).
16. Что такое Экспорт. ВЭД Глоссарий // Альта-Софт. URL: https://www.alta.ru/ved_glossary/eksport/ (дата обращения: 17.10.2025).
17. Импорт товаров: виды, особенности оформления и таможенные процедуры в России // Контур. URL: https://kontur.ru/articles/6569 (дата обращения: 17.10.2025).
18. Значение слова НЕФТЬ // Карта слов. URL: https://kartaslov.ru/значение-слова/нефть (дата обращения: 17.10.2025).
19. Что такое Нефтепродукты? // Neftegaz.ru. URL: https://neftegaz.ru/tech_library/nefteprodukty/ (дата обращения: 17.10.2025).
20. Особенности и виды нефтепродуктов // ТЕК-ИНЖИНИРИНГ. URL: https://tek-ing.ru/osobennosti-i-vidy-nefteproduktov/ (дата обращения: 17.10.2025).
21. Нефтепродукты // PetroDigest.ru. URL: https://petrodigest.ru/nefteprodukty/ (дата обращения: 17.10.2025).
22. Анализ временных рядов: полное руководство для начинающих // Habr. URL: https://habr.com/ru/articles/775080/ (дата обращения: 17.10.2025).
23. Сидоров С.Г., Никологорская А.В. Анализ временных рядов как метод построения прогноза потребления электроэнергии // CyberLeninka. URL: https://cyberleninka.ru/article/n/analiz-vremennyh-ryadov-kak-metod-postroeniya-prognoza-potrebleniya-elektroenergii (дата обращения: 17.10.2025).
24. Татаренко С. И. Методы и модели анализа временных рядов : метод. указания к лаб. работам. Тамбов : Изд-во ФГБОУ ВПО «ТГТУ», 2008. URL: https://www.tstu.ru/book/elib/pdf/2008/tatarenko_2008.pdf (дата обращения: 17.10.2025).
25. Некрасова Е.А., Ярыгина А.А. Анализ динамики объёмов экспорта нефти и импорта продуктов из нефти // CyberLeninka. URL: https://cyberleninka.ru/article/n/analiz-dinamiki-obyomov-eksporta-nefti-i-importa-produktov-iz-nefti/viewer (дата обращения: 17.10.2025).
26. Магомедов И.Р. Факторный анализ экспорта нефти и нефтепродуктов из Российской Федерации в современных условиях // CyberLeninka. URL: https://cyberleninka.ru/article/n/faktornyy-analiz-eksporta-nefti-i-nefteproduktov-iz-rossiyskoy-federatsii-v-sovremennyh-usloviyah/viewer (дата обращения: 17.10.2025).
27. Экспорт нефти из России // TAdviser. URL: https://www.tadviser.ru/index.php/%D0%A1%D1%82%D0%B0%D1%82%D1%8C%D1%8F:%D0%AD%D0%BA%D1%81%D0%BF%D0%BE%D1%80%D1%82_%D0%BD%D0%B5%D1%84%D1%82%D0%B8_%D0%B8%D0%B7_%D0%A0%D0%BE%D1%81%D1%81%D0%B8%D0%B8 (дата обращения: 17.10.2025).
28. Мхитарян В. С. Статистические методы анализа экономики и общества : Тр. конф. М.: НИУ ВШЭ, 2021. URL: https://publications.hse.ru/books/476563604 (дата обращения: 17.10.2025).
29. Шорохова И. С., Кисляк Н. В., Мариев О. С. Статистические методы анализа : учебное пособие. Екатеринбург : Изд-во Уральского ун-та, 2015. URL: http://elar.urfu.ru/handle/10995/36122 (дата обращения: 17.10.2025).
30. Актальчиков Р.А. Эконометрическое моделирование цен на нефть // CyberLeninka. URL: https://cyberleninka.ru/article/n/ekonometricheskoe-modelirovanie-tsen-na-neft/viewer (дата обращения: 17.10.2025).
31. Трофимов С. Е. Эконометрическое моделирование динамического временного ряда цены на нефть // CyberLeninka. URL: https://cyberleninka.ru/article/n/ekonometricheskoe-modelirovanie-dinamicheskogo-vremennogo-ryada-tseny-na-neft/viewer (дата обращения: 17.10.2025).
32. Шмаргунова Е.А. Прогнозирование экспорта и импорта по стр. Санкт-Петербург : Изд-во СПбГУ, 2018. URL: https://dspace.spbu.ru/bitstream/11701/17812/1/V14-3864_2018.pdf (дата обращения: 17.10.2025).
33. Ширнаева С. Ю. Эконометрическое моделирование и прогнозирование показателей экспорта товаров Российской Федерации // Фундаментальные исследования. 2017. N 8-2. С. 407-412. URL: https://fundamental-research.ru/ru/article/view?id=42704 (дата обращения: 17.10.2025).
34. Ширнаева С. Ю. Чистый экспорт товаров Российской Федерации: статистическое и эконометрическое моделирование // Вестник Алтайской академии экономики и права. 2020. N 12-2. С. 467-472. URL: https://vaael.ru/ru/article/view?id=1814 (дата обращения: 17.10.2025).
35. 5 техник, применяемых в анализе временных рядов, которые должен знать каждый. Часть 2 // Habr. URL: https://habr.com/ru/companies/otus/articles/818035/ (дата обращения: 17.10.2025).
36. Мицек С. А., Мицек Е. Б. Статистический и эконометрический анализ российского экспорта // CyberLeninka. URL: https://cyberleninka.ru/article/n/statisticheskiy-i-ekonometricheskiy-analiz-rossiyskogo-eksporta/viewer (дата обращения: 17.10.2025).
37. Экспорт нефти из России и Центральной Азии в июне символически вырос к маю // Интерфакс. 17.08.2023. URL: https://www.interfax.ru/business/916053 (дата обращения: 17.10.2025).
38. Экспорт нефтепродуктов из России // TAdviser. URL: https://www.tadviser.ru/index.php/%D0%A1%D1%82%D0%B0%D1%82%D1%8C%D1%8F:%D0%AD%D0%BA%D1%81%D0%BF%D0%BE%D1%80%D1%82_%D0%BD%D0%B5%D1%84%D1%82%D0%B5%D0%BF%D1%80%D0%BE%D0%B4%D1%83%D0%BA%D1%82%D0%BE%D0%B2_%D0%B8%D0%B7_%D0%A0%D0%BE%D1%81%D1%81%D0%B8%D0%B8 (дата обращения: 17.10.2025).
39. География экспорта: Кто покупает нефть у РФ? // YouTube. URL: https://www.youtube.com/watch?v=S012tE5zFmI (дата обращения: 17.10.2025).