Анализ тенденций и закономерностей формирования себестоимости яровых зерновых в регионе

Таким образом, приведенные  выше КМ позволяют изучить особенности формирования  прибыли предприятий в условиях переходного периода и решить вопрос об экономических приоритетах в отдельных группах хозяйств.[1,78-80]

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

ГЛАВА 2.МЕТОДИКА ПОДГОТОВКИ ИСХОДНОЙ

ИНФОРМАЦИИ

 

В природе существует множество  признаков, оказывающих влияние  друг на друга. Причем одни признаки обуславливают  влияние других (первые называют факторными или независимыми, вторые — результативными или зависимыми). Зависимость может быть либо функциональной, либо корреляционной.

Функциональная связь  характеризуется полным соответствием  между влиянием факторного и результативного  признаков. Зная признак-фактор, можно  найти признак-результат (например, зная валовой сбор продукции и  площадь посева зерновых культур, можно  абсолютно точно найти их урожайность).

В корреляционных связях между  влиянием факторного и результативного признаков нет полного соответствия, воздействие факторов проявляется лишь при наблюдении за большим количеством фактических данных. Это связано с воздействием на результативный признак большого числа факторных.

Корреляционно регрессионный  анализ предназначен для изучения корреляционных связей. Он позволяет измерить тесноту связи двух и большего числа признаков между собой и определить аналитическое выражение, описывающее эту связь.

Этап выбора факторного и  независимых признаков является определяющим, так как от него зависит адекватность всей модели, значимость, возможность использования ее в анализе и планировании экономики предприятий или целых регионов.

Сложность состоит в том, что не существует точных аналитических методов, с помощью которых можно было безошибочно определить где есть результативный, а где есть факторный показатель. При определении результативного и факторных показателей основу составляют причинно-следственные связи. При этом один и тот же фактор может быть как результативным, так и факторным в различных моделях. Главным при определении результативного и факторных показателей является качественная модель формирования результативного показателя по Марксу: «Вновь созданный продукт есть результат использования живого и прошлого труда».

При формировании исходной информации необходимо опираться на следующие принципы отбора:

1. Исходная информация должна характеризоваться системой объективно существующих признаков, распадающихся на целевой (исходный) признак и совокупность факториальных;
2. Целевой признак должен состоять в непосредственной причинно-следственной связи с факториальными признаками;
3. Каждый признак должен быть выражен в каком-либо одном, объективно его отражающем технико-экономическом показателе;
4. Отбор и обоснование информации начинается с целевого показателя, поскольку он выражает конкурентную цель, а затем определяют факториальные показатели;
5. Достоверность показателей, то есть каждый из них должен точно отражать соответствующие признаки исследуемых технико-экономических процессов: целевой показатель четко отражает цель, факториальные – соответствующие признаки;
6. Исследование должно охватить всю полноту причинных факторов, статистическая модель – совокупность наиболее существенных из них;
7. Исследование должно отражать (через графики и коэффициенты корреляции) всю совокупность связей между факторами и целевым показателем;

Особенность ценовой информации в статистическом моделировании  в отличие от других ее видов состоит  в необходимости формировать  репрезентативную выборочную совокупность наблюдений, ибо статистическая закономерность проявляется только в массе наблюдений.

Для построения нашей эконометрической модели использовали данные отчетов  с/х предприятий Могилевской области  за 2011 год. 

В корреляционной модели, которая  будет построена в этой работе, результативным фактором была выбрана прибыль предприятия, млн. руб. (), а независимыми — прибыль растениеводства, млн. руб. (); прибыль животноводства, млн. руб. (); балл сельскохозяйственных угодий, балл (); приходится молока на 100 га с/х угодий, ц (); приходится ж.м КРС на 100 га с/х угодий, ц (); стоимость ОПФ, млн.руб. (); наличие энергетических мощностей, тыс. л. с. (); среднегодовая численность работников, чел.(); площадь сельскохозяйственных угодий, га ().

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

ГЛАВА 3. ТЕНДЕНЦИИ И ЗАКОНОМЕРНОСТИ ФОРМИРОВАНИЯ ПРИБЫЛИ ПРЕДПРИЯТИЙ МОГИЛЕВСКОЙ ОБЛАСТИ

 

3.1. Методика проверки информации на соответствие требованиям закона нормального распределения

 

Когда корреляционная модель строится для большого количества наблюдений, никогда не бывает так, чтобы все имеющиеся данные были достоверны. Все – таки цифры в таблицы заносят люди, а людям свойственно ошибаться. Но перед тем, как приступить к работе, нужно исключить все недостоверные данные из рассмотрения, чтобы корреляционная модель была максимально адекватной.

Для этого существуют специальные  правила проверки, которые позволяют последовательно выявить столбец, содержащий недостоверную информацию, а потом и строку, и таким образом исключить неверное наблюдение из информационной базы.

В этой работе нам предстоит  выявить недостоверные наблюдения из 157 имеющихся. Для этого рассчитаем такие статистические показатели выборки, как асимметрия, эксцесс, стандартная ошибка асимметрии и стандартная ошибка эксцесса по следующим формулам:

	(1)
	(2)
	(3)
	(4)

где — количество наблюдений, а — среднеквадратическое отклонение показателя (рассчитывается для каждого показателя отдельно).

(5)

Информация является достоверной, если выполняются следующие условия:

	(6)
	(7)

Результат сравнений показал, что в каждом из столбцов содержится нарушение, так как статистические показатели ни одного не удовлетворяют двум этим неравенствам одновременно.

Данная ситуация позволяет  нам воспользоваться правилом «трех  сигм» для своего разрешения. Модуль разности i-го и среднего значений показателя меньше утроенного значения стандартного отклонения (ПРИЛОЖЕНИЕ  А).

(8)

Информацию в каждой строке несоответствующего столбца проверяем  данным правилом, преобразованным для  удобства вычислений в следующее  выражение:

.

Строки с этими ячейками из таблицы были удалены, и сама она  преобразована к виду, который можно видеть в «Достоверная информация».

После проверки информации на достоверность число наблюдений сократилось со 157 до 71 (ПРИЛОЖЕНИЕ Б).

 

 

3.2. Корреляционная  модель формирования прибыли  предприятий могилевской области 

 

После того, как определены параметры корреляционной модели, рассчитываются ее характеристики — для определения адекватности модели и ее значимости.

Для многофакторных моделей  рассчитывается такой показатель, как  коэффициент множественной регрессии:

(9)

где — коэффициент множественной регрессии, рассчитываемый для линейной модели; — коэффициент множественной регрессии, рассчитываемый для нелинейной модели; — соответствующее значение результативного фактора, рассчитанного с помощью корреляционной модели; — наблюдаемое значение результативного фактора; — среднее значение наблюдаемого результативного фактора; — коэффициент Фишера:

(10)

После определения коэффициента множественной регрессии его  проверяют на значимость с помощью следующей формулы:

(11)

где — ошибка корреляции, скорректированная на число факторов, учтенных в модели:

(12)

где — число наблюдений, — число факторов, включая результативный.

Коэффициент корреляции, возведенный  в квадрат и выраженный в процентном соотношении, называется коэффициентом  детерминации.

	(13)

Скорректированный коэффициент  детерминации используется для оценки реальной тесноты связи между  результативным показателем и фактором или для сравнения моделей с разным числом показателей:

                                                            (14)

где — число наблюдений, — число факторов, включая результативный.

Критерий Фишера показывает пригодность применение корреляционной модели на практике:

                                                             (14)

 Расчетное значение  критерия Фишера сравнивают с  табличным значением, которое определяется для принятого уровня значимость α и числа степеней свободы

Средняя относительная ошибка аппроксимации определяет точность модели:

 

где фактическое значение результативного показателя, расчетное значение результативного показателя.

Модель имеет высокую  точность, если  , и допустимую точность, если .

Если корреляционная модель существенна по всем возможным характеристикам, то на основе этих характеристик рассчитываются характеристики факторных показателей.

Коэффициент существенности коэффициента регрессии показывает существенность каждого отдельного фактора на результативный:

 

где  ошибка коэффициента регрессии, коэффициент регрессии. Расчетное значение  критерия Стьюдента сравнивают с табличным значением, которое определяется для принятого уровня значимость α и числа степеней свободы

Коэффициент эластичности :

(15)

где — коэффициент модели, — среднее значение соответствующего независимого фактора, — среднее значение зависимого фактора. Он показывает, насколько % изменился результативный показатель, если факторный показатель увеличился на 1%.

Бета-коэффициент показывает, на какую часть стандартного отклонения изменится результативный показатель, если факторный показатель увеличится на одно стандартное отклонение:

(15)

Показатель частной детерминации определяет вклад каждого фактора  в формирование вариации результативного  показателя:

 

 где  коэффициент парной корреляции между результативным и факторным показателем.

На основе достоверных  данных  строится линейная корреляционная модель, уравнение которой выглядит следующим образом

(ПРИЛОЖЕНИЕ В):

  ; ; ; ; .

 где    Y – прибыль предприятия, млн. руб.,

  прибыль растениеводства, млн. руб.,

  – прибыль животноводства, млн. руб.,

  –  балл с. – х. угодий,

  приходится молока на 100 га с. - х. угодий, ц,

  приходится ж. м. КРС  на 100 га с. - х. угодий, ц,

  – стоимость ОПФ, млн. руб.,

  наличие энергетических мощностей, тыс. л. с.,

  среднегодовая численность работников, чел.,

  площадь с. – х. угодий, га.

Параметр а₀=23,14 показывает, что при влиянии неучтенных в модели факторов прибыль предприятия увеличивается на 23,14  млн. руб. Коэффициент а₁=1,00 – если  прибыль растениеводства увеличится на 1 млн. руб., то прибыль предприятия увеличивается на 1,00 млн. руб.; а₂=1,03 – если прибыль животноводства увеличится на 1 млн. руб., то прибыль увеличится на 1,03 млн. руб.; а₃=0,66 – если балл с. – х. угодий увеличится на 1 балл, то прибыль увеличится на 0,66 млн. руб.; а₄=-0,06 – если количество  молока на 100 га с. - х. угодий увеличится на 1 ц, то прибыль уменьшится на 0,06 млн. руб.; а₅=-0,19 - если   количество ж. м. КРС на 100 га с. - х. угодий увеличится га 1 ц, то прибыль уменьшится на 0,19 млн. руб.; а₆=0,0001 - если стоимость ОПФ увеличится на 1 млн. руб., то прибыль увеличится на 0,0001 млн. руб., а₇=6,52 - если энергетические мощности увеличится на 1 тыс. л. с., то прибыль увеличится на 3,52 млн. руб., а₈=-0,11 – если среднегодовая численность работников увеличится на 1 человека, то прибыль уменьшится на 0,11 млн. руб.; а₉=-0,004 - если   площадь с. – х. угодий увеличится 1 га, то прибыль уменьшится на 0,004 млн. руб.

Так как наша модель является линейной многофакторной, то мы вычисляем коэффициент множественной корреляции R. R=0,99 показывает, что выбранные факторы сильно влияют на результативный.

Далее рассматриваем коэффициент  существенности множественной корреляции. t_R=347,3≥2,48, следовательно, модель является устойчивой.

Коэффициент детерминации: D=R²*100% . D=97,78% показывает, что выбранные факторы объясняют изменение результативного на 97,78%.

Поскольку скорректированный  коэффициент детерминации =0,9774 имеет близкое значение с коэффициентом детерминации, то модель хорошая.