JEL C13 JEL C51 JEL G32 JEL L71

ЭКОНОМЕТРИЧЕСКИЙ АНАЛИЗ ФАКТОРОВ РЕНТАБЕЛЬНОСТИ НЕФТЯНЫХ СКВАЖИН В УСЛОВИЯХ ОГРАНИЧЕННОЙ ВЫБОРКИ ДАННЫХ Эконометрический анализ факторов рентабельности нефтяных скважин в условиях ограниченной выборки данных

Опубликовано в Теоретическая экономика · Номер 8, 2026 · Страницы 96–111 · Рубрика: НОВАЯ ИНДУСТРИАЛИЗАЦИЯ: ТЕОРЕТИКО-ЭКОНОМИЧЕСКИЙ АСПЕКТ
DOI: https://doi.org/10.52957/2221-3260-2026-8-96-111
Получено: 22.06.2026 Одобрено: 10.08.2026 Опубликовано: 30.08.2026
Рентабельность скважин является одним из ключевых показателей эффективности нефтедобывающих предприятий, поскольку отражает влияние производственных, технологических и экономических факторов на финансовый результат. Применение эконометрических методов при анализе объектов добычи осложняется ограниченным объемом данных и высокой взаимосвязью объясняющих переменных, что приводит к мультиколлинеарности и снижению надежности результатов. Анализ отечественных и зарубежных исследований показывает, что существующие работы преимущественно посвящены совершенствованию методов регрессионного анализа или изучению отдельных факторов эффективности нефтедобычи, тогда как построение эконометрической модели в условиях малых выборок остается недостаточно разработанным. Цель исследования – разработка и апробация алгоритма эконометрического анализа факторов рентабельности нефтяных скважин, обеспечивающего получение статистически устойчивой и экономически интерпретируемой модели при ограниченном числе наблюдений. Эмпирическую основу составили данные по 18 нефтяным скважинам одного нефтедобывающего предприятия. В качестве зависимой переменной использован показатель рентабельности скважины, а объясняющих факторов — объем добычи нефти, обводненность продукции, постоянные и переменные затраты, налог на добычу полезных ископаемых. Применены корреляционный анализ, методы парной и множественной линейной регрессии, диагностика мультиколлинеарности, графический анализ остатков и программная среда R. Разработан алгоритм эконометрического моделирования, включающий диагностику взаимосвязей факторов, выявление мультиколлинеарности, корректировку модели и повторную оценку регрессионной зависимости. Установлено, что исключение мультиколлинеарного фактора повышает статистическую устойчивость модели и обеспечивает корректную интерпретацию влияния показателей на рентабельность скважин. Практическая значимость состоит в возможности применения алгоритма нефтедобывающими предприятиями для анализа факторов рентабельности скважин. Ограничением исследования является небольшой объем выборки, что требует дальнейшей апробации алгоритма на расширенных массивах производственных данных.
рентабельность нефтяных скважин, эконометрическое моделирование, регрессионный анализ, мультиколлинеарность, эффективность нефтедобычи, производственные затраты, факторный анализ, нефтедобывающее предприятие
Финансирование
Исследование выполнено за счет гранта, предоставленного Академией наук Республики Татарстан образовательным организациям высшего образования, научным и иным организациям на поддержку планов развития кадрового потенциала в части стимулирования их научных и научно-педагогических работников к защите докторских диссертаций и выполнению научно-исследовательских работ (соглашение о предоставлении гранта №9/2025-ПД-ВШН от 22.12.2025г.)
Текст Список литературы
Текст (PDF)
Читать Скачать

1. Донды А. В., Мазитов Р. И., Закирова Ч. С. Влияние внедрения организационно-технических мероприятий (ОТМ) при проведении ремонта скважин на эксплуатационные расходы предприятия // Достижения, проблемы и перспективы развития нефтегазовой отрасли: сборник материалов V Международной научно-практической конференции. — Альметьевск : Альметьевский государственный нефтяной институт, 2020. — Т. 1. — С. 113–117. — URL: https://isu.agni-rt.ru/projects/elibrary/index.php?page=view_file&file=131

2. Закирова Ч. С., Садыкова Р. Р., Галимова Л. Р. Исследование факторов, влияющих на эффективность эксплуатации скважин на поздней стадии разработки // Ученые записки Альметьевского государственного нефтяного института. — 2016. — № 2. — С. 97–102. — URL: https://elibrary.ru/contents.asp?titleid=

3. Akhtar N. A Study on Improved Ridge Estimators // Mathematics. — 2024. — Vol. 12, No. 19. — Article 3027. — 28 p. https://doi.org/10.3390/math12193027

4. Akhtar N., Alharthi M. F. Enhancing accuracy in modelling highly multicollinear data using alternative shrinkage parameters for ridge regression methods // Scientific Reports. — 2025. — Vol. 15. — Article 10774. — 16 p. https://doi.org/10.1038/s41598-025-94857-7 EDN: https://elibrary.ru/HTPBPE

5. Fox J., Weisberg S. An R Companion to Applied Regression. — 3rd ed. — Thousand Oaks : Sage Publications, 2019. — 608 p. — ISBN 978-1-5443-3647-3.

6. Greene W. H. Econometric Analysis. — 8th ed. — New York : Pearson, 2018. — 1126 p. — ISBN 978-0-13-446136-6.

7. Gujarati D. N., Porter D. C. Basic Econometrics. — 5th ed. — New York : McGraw-Hill/Irwin, 2009. — 922 p. — ISBN 978-0-07-337577-9.

8. Jacob J. Robust Variance Inflation Factor: A Promising Approach for Collinearity Diagnostics // Sankhya B. — 2024. — Vol. 86. — P. 1–20. https://doi.org/10.1007/s13571-024-00342-y EDN: https://elibrary.ru/YBZXZX

9. James G., Witten D., Hastie T., Tibshirani R. An Introduction to Statistical Learning: with Applications in R. — 2nd ed. — Cham : Springer, 2021. — 607 p. — ISBN 978-1-0716-1418-1. https://doi.org/10.1007/978-1-0716-1418-1

10. Kim J. H. Multicollinearity and misleading statistical results // Korean Journal of Anesthesiology. — 2019. — Vol. 72, No. 6. — P. 558–569. https://doi.org/10.4097/kja.19087

11. Kutner M. H., Nachtsheim C. J., Neter J., Li W. Applied Linear Statistical Models. — 5th ed. — New York : McGraw-Hill/Irwin, 2005. — 1396 p. — ISBN 978-0-07-310874-2.

12. Montgomery D. C., Peck E. A., Vining G. G. Introduction to Linear Regression Analysis. — 6th ed. — Hoboken : Wiley, 2021. — 704 p. — ISBN 978-1-119-57872-7. https://doi.org/10.1002/9781119578727

13. Ponomarenko T., Marin E., Galevskiy S. Economic Evaluation of Oil and Gas Projects: Justification of Engineering Solutions in the Implementation of Field Development Projects // Energies. — 2022. — Vol. 15, No. 9. — Article 3103. — 20 p. https://doi.org/10.3390/en15093103 EDN: https://elibrary.ru/HMXOFT

14. Ponomarenko T., Nevskaya M., Jonek-Kowalska I. Mineral Resource Depletion Assessment: Alternatives, Problems, Results // Sustainability. — 2021. — Vol. 13, No. 2. — Article 862. — 22 p. https://doi.org/10.3390/su13020862 EDN: https://elibrary.ru/OJPQMN

15. Popescu C., Gheorghiu S. A. Economic Analysis and Generic Algorithm for Optimizing the Investments Decision-Making Process in Oil Field Development // Energies. — 2021. — Vol. 14, No. 19. — Article 6119. — 25 p. https://doi.org/10.3390/en14196119 EDN: https://elibrary.ru/APRAMX

16. R Core Team. R: A Language and Environment for Statistical Computing. — Vienna : R Foundation for Statistical Computing, 2024. — URL: https://www.R-project.org/

17. Salmerón-Gómez R., García-García C. B., Rodríguez-Sánchez A. Overcoming the Limitations of the Variance Inflation Factor // Computational Economics. — 2024. — 25 p. https://doi.org/10.1007/s10614-024-10575-8

18. Soage A., Juanes R., Colominas I., Cueto-Felgueroso L. Optimization of Financial Indicators in Shale-Gas Wells Combining Numerical Decline Curve Analysis and Economic Data Analysis // Energies. — 2024. — Vol. 17, No. 4. — Article 864. — 18 p. https://doi.org/10.3390/en17040864 EDN: https://elibrary.ru/EDGYBT

19. Vatcheva K. P., Lee M., McCormick J. B., Rahbar M. H. Multicollinearity in Regression Analyses Conducted in Epidemiologic Studies // Epidemiology (Sunnyvale). — 2016. — Vol. 6, No. 2. — Article 227. — 9 p. https://doi.org/10.4172/2161-1165.1000227

20. Wooldridge J. M. Introductory Econometrics: A Modern Approach. — 7th ed. — Boston : Cengage Learning, 2020. — 826 p. — ISBN 978-1-337-55186-7.

Войти или Создать
* Забыли пароль?