Автор работы: Пользователь скрыл имя, 16 Апреля 2013 в 23:38, курсовая работа
Собранный в процессе статистического наблюдения материал нуждается в определенной обработке, сведении разрозненных данных воедино. Научно организованная обработка материалов наблюдения (по заранее разработанной программе), включающая в себя кроме обязательного контроля собранных данных систематизацию, группировку материалов, составление таблиц, получение итогов и производных показателей (средних, относительных величин), называется в статистике сводкой.
Пример. Имеются данные о выпуске одноименной продукции «А» и ее себестоимости по 2 заводам:
Завод |
Производство продукции, тыс. штук |
Себестоимость 1 шт., руб. | ||
I квартал |
II квартал |
I квартал |
II квартал | |
I |
80 |
90 |
20 |
18 |
II |
70 |
100 |
18 |
15 |
Производство продукции, тыс. штук
Определим влияние
на себестоимость изменения структ
Рассчитаем:
1) индекс себестоимости
2) индекс себестоимости постоянного состава.
Отметим, что себестоимость чаще всего обозначается буквой «Z». Индекс себестоимости переменного состава исчисляется как отношение средней себестоимости за текущий период к средней себестоимости за базисный период.
(18× 90 + 100× 15) / (20× 80 + 18× 70) = 0,861
Индекс себестоимости переменного состава показывает снижение себестоимости на 13,9% в отчетный период по сравнению с базисным. Рассчитаем индекс себестоимости постоянного состава как агрегатный индекс:
(18× 90 + 15× 100) / (20× 90 + 18× 100) = 0,867.
Индекс показывает снижение себестоимости на 13,3% в отчетный период по сравнению с базисным. Сравнивая индекс переменного состава и индекс постоянного состава, определим индекс структурных сдвигов, т.е. индекс влияния на динамику средней себестоимости изменения структуры. Индекс структурных сдвигов равен частному от деления индекса переменного состава на индекс постоянного состава:
0,861 / 0,867 = 0,993.
Таким образом, изменение
структуры привело к снижению
себестоимости на 0,7%. Индекс себестоимости
переменного состава дает оценку
изменения параметра с учетом влияния
структурных сдвигов, а индекс себестоимости
постоянного состава не учитывает этого
влияния. В менеджерской практике широко
применяется индексный анализ.
Особое место здесь занимают индексы цен,
которые нужны при разработке бизнес-планов
новых производств, без них невозможно
обойтись при пересчете основных показателей
деятельности предприятия из фактически
действующих цен в сопоставимые. Индексы
цен позволяют соизмерять динамику цен
во времени и разброс в пространстве. Важное
место в статистике цен занимает индекс
потребительских цен, отражающий
реальную покупательную способность денег,
которыми располагают различные слои
населения для удовлетворения своих материальных,
культурных и духовных потребностей. Методология
исчисления этого индекса предполагает
расчет отдельно для различных регионов,
товарных групп и услуг, отдельных групп
населения с различными уровнями доходов.
Пересчет важнейших показателей из фактических
цен в сопоставимые, исключение влияния
инфляции осуществляются с помощью
индексов-дефляторов.
Например, чтобы определить реальную стоимость
основных фондов предприятия
в 1997 г. следует ОФ1997 = ОФ1 / Id , где ОФ1 — номинальная
стоимость в 1997 г., a Id — индекс-дефлятор,
исчисляемый как отношение фактической
стоимости ОФ отчетного
периода к стоимости ОФ, структурно
соответствующей текущей, но определенной
в ценах базового периода.
Исследуя природу, общество,
экономику, необходимо считаться со
взаимосвязью наблюдаемых процессов
и явлений. При этом полнота описания
так или иначе определяется количественными
характеристиками причинно-следственных
связей между ними. Оценка наиболее существенных
из них, а также воздействия одних факторов
на другие является одной из основных
задач статистики. Формы проявления взаимосвязей
весьма разнообразны. В качестве двух
самых общих их видов выделяют функциональную
(полную) и корреляционную
(неполную) связи. В первом случае величине
факторного признака строго соответствует
одно или несколько значений функции.
Достаточно часто функциональная связь
проявляется в физике, химии. В экономике
примером может служить прямо пропорциональная
зависимость между производительностью
труда и увеличением производства продукции. Корреляционная
связь (которую также называют неполной,
или статистической) проявляется в среднем,
для массовых наблюдений, когда заданным
значениям зависимой переменной соответствует
некоторый ряд вероятных значений независимой
переменной. Объяснение тому – сложность
взаимосвязей между анализируемыми факторами,
на взаимодействие которых влияют неучтенные
случайные величины. Поэтому связь между
признаками проявляется лишь в среднем,
в массе случаев. При корреляционной связи
каждому значению аргумента соответствуют
случайно распределенные в некотором
интервале значения функции.
Например, некоторое увеличение аргумента
повлечет за собой лишь среднее увеличение
или уменьшение (в зависимости от направленности)
функции, тогда как конкретные значения
у отдельных единиц наблюдения будут отличаться
от среднего. Такие зависимости встречаются
повсеместно. Например, в сельском хозяйстве
это может быть связь между урожайностью
и количеством внесенных удобрений. Очевидно,
что последние участвуют в формировании
урожая. Но для каждого конкретного поля,
участка одно и то же количество внесенных
удобрений вызовет разный прирост урожайности,
так как во взаимодействии находится еще
целый ряд факторов (погода, состояние
почвы и др.), которые и формируют конечный
результат. Однако в среднем такая связь
наблюдается – увеличение массы внесенных
удобрений ведет к росту урожайности. По
направлению связи бывают прямыми, когда
зависимая переменная растет с увеличением
факторного признака, и обратными, при
которых рост последнего сопровождается
уменьшением функции. Такие связи также
Относительно своей аналитической формы
связи бывают линейными и нелинейными.
В первом случае между признаками в среднем
проявляются линейные соотношения. Нелинейная
взаимосвязь выражается нелинейной функцией,
а переменные связаны между собой в среднем
нелинейно.
Существует еще одна достаточно важная
характеристика связей с точки зрения
взаимодействующих факторов. Если характеризуется
связь двух признаков, то ее принято называть парной. Если
изучаются более чем две переменные – множественной
Указанные выше классификационные признаки
наиболее часто встречаются в статистическом
анализе. Но кроме перечисленных различают
также непосредственные,
косвенные и ложные связи.
Собственно, суть каждой из них очевидна
из названия. В первом случае факторы взаимодействуют
между собой непосредственно. Для косвенной
связи характерно участие какой-то третьей
переменной, которая опосредует связь
между изучаемыми признаками. Ложная связь
– это связь, установленная формально
и, как правило, подтвержденная только
количественными оценками. Она не имеет
под собой качественной основы или же
бессмысленна. По силе различаются слабые и сильные связи.
Эта формальная характеристика выражается
конкретными величинами и интерпретируется
в соответствии с общепринятыми критериями
силы связи для конкретных показателей. В
наиболее общем виде задача статистики
в области изучения взаимосвязей состоит
в количественной оценке их наличия и
направления, а также характеристике силы
и формы влияния одних факторов на другие.
Для ее решения применяются две группы
методов, одна из которых включает в себя
методы корреляционного анализа, а другая
– регрессионный анализ. В то же время
ряд исследователей объединяет эти методы
в корреляционно-регрессионный анализ,
что имеет под собой некоторые основания:
наличие целого ряда общих вычислительных
процедур, взаимодополнения при интерпретации результатов и
Поэтому в данном контексте можно говорить
о корреляционном анализе в широком смысле
– когда всесторонне характеризуется
взаимосвязь. В то же время выделяют корреляционный
анализ в узком смысле – когда исследуется
сила связи – и регрессионный анализ,
в ходе которого оцениваются ее форма
и воздействие одних факторов на другие.
Задачи собственно корреляционного
анализа сводятся к измерению тесноты
связи между варьирующими признаками,
определению неизвестных причинных связей
и оценке факторов оказывающих наибольшее
влияние на результативный признак.
Задачи регрессионного
анализа лежат в сфере установления
формы зависимости, определения функции
регрессии, использования уравнения для
оценки неизвестных значении зависимой
переменной. Решение названных задач опирается
на соответствующие приемы, алгоритмы,
показатели, применение которых дает основание
говорить о статистическом изучении взаимосвязей.
Следует заметить, что традиционные методы
корреляции и регрессии широко представлены
в разного рода статистических пакетах
программ для ЭВМ. Исследователю остается
только правильно подготовить информацию,
выбрать удовлетворяющий требованиям
анализа пакет программ и быть готовым
к интерпретации полученных результатов.
Алгоритмов вычисления параметров связи
существует множество, и в настоящее время
вряд ли целесообразно проводить такой
сложный вид анализа вручную. Вычислительные
процедуры представляют самостоятельный
интерес, но знание принципов изучения
взаимосвязей, возможностей и ограничений
тех или иных методов интерпретации результатов
является обязательным условием исследования. Методы
оценки тесноты связи подразделяются
на корреляционные (параметрические) и
непараметрические. Параметрические методы
основаны на использовании, как правило,
оценок нормального распределения и применяются
в случаях, когда изучаемая совокупность
состоит из величин, которые подчиняются
закону нормального распределения. На
практике это положение чаще всего принимается
априори. Собственно, эти методы – параметрические
– и принято называть корреляционными.
Непараметрические методы не
накладывают ограничений на закон
распределения изучаемых
Методы корреляционного и дисперсионного
анализа не универсальны: их можно применять,
если все изучаемые признаки являются
количественными. При использовании этих
методов нельзя обойтись без вычисления
основных параметров распределения (средних
величин, дисперсий), поэтому они получили
название параметрических
методов. Между тем в статистической
практике приходится сталкиваться с задачами
измерения связи между качественными
признаками, к которым параметрические
методы анализа в их обычном виде неприменимы.
Статистической наукой разработаны методы,
с помощью которых можно измерить связь
между явлениями, не используя при этом
количественные значения признака, а значит,
и параметры распределения. Такие методы
получили название непараметрич
Введение
Тема данного курсового проекта – экономико-статистический анализ производства и реализации свинины в ООО Агрофирма «Арфедо». Данная тема, особенно в современных условиях развития животноводства, является довольно актуальной. Современное состояние отрасли свиноводства плачевное. Продолжается сокращение поголовья, цены на свинину в 2006 году выросли более чем на 25 %. Проведение анализа необходимо для выявления проблем, связанных с производством и реализацией свинины. Для этого следует определить основные задачи развития отрасли свиноводства:
- изменение стратегии и тактики племенной работы;
- совершенствование
технологии производства
- обеспеченность поголовья высококачественными кормами;
- рациональное использование кормов;
- решение экономических и биологических проблем свиноводства.
Основной продукцией свиноводства является прирост, на величину которого могут влиять различные факторы. Целями данного курсового проекта являются:
Анализ проводится
с помощью 5 методов. Индексный метод представляет
собой совокупность приемов, которая исторически
возникла для измерения динамики экономических
явлений. Анализ рядов динамики показывает,
как изменяется значение признака во времени,
а также иллюстрирует динамику развития
признака, что позволяет делать прогнозы
на будущее. Корреляционно-регрессионный
анализ показывает зависимость результативного признака от
Таким образом, анализ продуктивности
в отрасли свиноводства можно проводить
как в динамике, так и сравнительно по
группам, так и рассматривая непосредственно
связь изменения выхода продукции с изменением
его факторов.
Информация о работе Способы и приемы обработки статистической информации