Статистический анализ

   

Проведя анализ «Динамика  себестоимости продукции растениеводства» можно сделать вывод, что зерновые культуры на 1 ц. в отчетном году увеличились  на 67,1 руб. по сравнению с прошлым  годом; Подсолнечник на 1 ц. в отчетном году увеличились на 155,1 руб. по сравнению с прошлым годом; Сахарная свекла на 1 ц. в отчетном году уменьшилось на 23,5 руб. по сравнению с прошлым годом.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

`

 

Таблица 3. Структура себестоимости  продукции растениеводства, %

 

Статьи затрат				Зерновые и зернобобовые										Подсолнечник								Кукуруза
				База						Отчет				База				Отчет				База			Отчет
				Тыс.руб		%				Тыс. .руб		%		Тыс.руб		%		Тыс.руб		%		Тыс. руб		%	Тыс.руб		%
Заработная плата с  начислениями				2543		7,87				4599		12,29		788		7,12		340		5,18		603		4,87	1046		5,45
Семена				3085		9,57				5459		14,59		2412		21,80		2020		30,80		5303		42,89	5932		30,96
Удобрения				19293		59,73				13728		36,69		5373		48,54		1593		24,30		4135		33,44	4919		25,65
Содержание основных средств	Всего		7375				22,83		13620		36,43		2495		22,54		2605		39,72		2322		18,80			7276		37,94
	В т. ч. затраты на ГСМ		4292				13,28		4246		11,35		1434		12,95		743		11,32		1365		10,23			1914		9,98
Всего		32296			100			37406				100		11068		100		6558		100		12363		100	19173		100

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Вывод: Проведя анализ «Структура себестоимости продукции растениеводства» можно сделать вывод, что заработная плата с отчислениями по зерновым культурам в отчетном году увеличилось на 4,42% по сравнению с прошлым годом; Зерновые культуры по семенам в отчетном году увеличились на 5,02 % по сравнению с прошлым годом;

Зерновые культуры по удобрениям в отчетном году уменьшились на 23,04% по сравнению с прошлым годом; Зерновые культуры по всего в отчетном году увеличились на 1,36% по сравнению с прошлым годом;

Заработная плата с  отчислениями по подсолнечнику в  отчетном году уменьшились на 1,95% по сравнению с прошлым годом; Подсолнечник по семенам в отчетном году увеличился на 8,97% по сравнению с прошлым годом; Подсолнечник по удобрениям в отчетном году уменьшилось на 24,33% по сравнению с прошлым годом; Всего по подсолнечнику в отчетном году увеличилось на 17,18% по сравнению с прошлым годом; Заработная плата с отчислениями по кукурузе в отчетном году увеличилось на 0,58% по сравнению с прошлым годом; Семена по кукурузе в отчетном году уменьшились на 11,99% по сравнению с прошлым годом; Удобрения по кукурузу в отчетном году уменьшилось на 7,79% по сравнению с прошлым годом. Всего по кукурузе в отчетном году увеличилось на 19,14% по сравнению с прошлым годом;

 

Проведя анализ «Расчет  влияния факторов на изменение себестоимости (продукции растениеводства)» можно  сделать вывод, что затраты на 1 га увеличились по зерновым культурам на 13,2 руб.; по подсолнечнику на 185,06 руб.; по кукурузу на 404,46 руб.; по сахарной свекле на 47,17 руб.; по кормовым корнеплодам и бахчи на 75,4 руб.; а также и уменьшились по многолетним травам на 126,04 руб.; по однолетним травам на 249,18 руб.; по кукурузе на силос на 993,11 руб.; Увеличилась и урожайность по зерновым культурам на 17,69 ц.; по кукурузе на 25,47 ц.; по многолетним травам на 69,45 ц.; по кукурузе на силос на 50,55 ц.; а также и уменьшилась по подсолнечнику на 77,32 ц.; по сахарной свекле на 12,84 ц.; по кормовым корнеплодам и бахчи на 0,7 ц.; отклонения себестоимости( общие) увеличились по зерновым культурам на 30,89 ц.; по подсолнечнику на 107,54 ц.; по кукурузе на 429,93 ц.; по сахарной свекле на 34,33 ц.; также и уменьшилась по кормовым корнеплодам и бахчи на 53,31 ц.; по многолетним травам на 59,59 ц.; по однолетним травам на 249,88 ц.; по кукурузе на силос на 942,56 ц.

 

2. Аналитическое выравнивание ряда динамики зерна по уравнению прямой линии yt^b=A₀+A₁t

Основы метода аналитического выравнивания рядов динамики. 
Более совершенным приемом выявления основной тенденции развития в рядах динамики является аналитическое выравнивание. При изучении общей тенденции методом аналитического выравнивания исходят из того, что изменения уровней ряда динамики могут быть с той или иной степенью точности приближения выражены определенными математическими функциями. Вид уравнения определяется характером динамики развития конкретного явления. На практике по имеющемуся временному ряду задают вид и находят параметры функции y=f(t), а затем анализируют поведение отклонений от тенденции. Чаще всего при выравнивании используются следующие зависимости: линейная, параболическая и экспоненциальная. Во многих случаях моделирование рядов динамики с помощью полиномов или экспоненциальной функции не дает удовлетворительных результатов, так как в рядах динамики содержатся заметные периодические колебания вокруг общей тенденции. В таких случаях следует использовать гармонический анализ (гармоники ряда Фурье). Применение, именно, этого метода предпочтительно, поскольку он определяет закон, по которому можно достаточно точно спрогнозировать значения уровней ряда.

Целью же аналитического выравнивания динамического ряда является определение аналитической или графической зависимости y=f(t). Функцию y=f(t) выбирают таким образом, чтобы она давала содержательное объяснение изучаемого процесса. Это могут быть различные функции.

 

3.3 Прогнозирование и экстраполяция в рядах динамики себестоимости зерна за 2009-10-11гг.

 

Экстраполяция в рядах  динамики и метод прогнозирования 
Ответ: Исследование динамики социально-экономических явлений, выявление и характеристика основной тенденции развития и моделей взаимосвязи дают основание для прогнозирования - определения будущих размеров уровня экономического явления.

Важное место в системе  методов прогнозирования занимают статистические методы. Применение прогнозирования  предполагает, что закономерность развития, действующая в прошлом (внутри ряда динамики), сохранится и в прогнозируемом будущем, т.е. прогноз основан на экстраполяции. Точность прогноза зависит от того, насколько обоснованными окажутся предположения о сохранении на будущее действий тех факторов, которые сформировали в базисном ряду динамики его основные компоненты. Поэтому любому прогнозированию в виде экстраполяции ряда должно предшествовать тщательное изучение длительных рядов динамики, которое позволило бы определять тенденцию изменения. Поскольку тенденция развития также может изменяться, то данные, полученные путем экстраполяции ряда, надо рассматривать как вероятностные, как своего рода оценки. Экстраполяция, проводимая в будущее, называется перспективной, в прошлое – ретроспективной. Обычно говоря об экстраполяции рядов динамики, подразумевают чаще всего перспективную экстраполяцию.

Применение экстраполяции  в прогнозировании базируется на следующих предпосылках:

- развитие исследуемого явления в целом описывается плавной кривой;

- общая тенденция развития явления в прошлом и настоящем не претерпит серьезных изменений в будущем.

Поэтому надежность и  точность прогноза зависят от того, насколько близкими к действительности окажутся эти предположения, а также  как точно удастся охарактеризовать выявленную в прошлом закономерность. Экстраполяцию следует рассматривать как начальную стадию построения окончательных прогнозов.

Экстраполяцию в общем  виде можно представить формулой: 
где - прогнозируемый уровень;

уi - текущий уровень  прогнозируемого ряда;

Т - период упреждения;

аj - параметр уравнения тренда.

В зависимости от того, какие принципы и исходные данные положены в основу прогноза, выделяют следующие элементарные методы экстраполяции:

1. Если абсолютные  приросты уровней примерно постоянны,  можно рассчитать средний абсолютный прирост, как среднюю арифметическую, и последовательно прибавить его к последнему уровню ряда столько раз, на сколько периодов экстраполируется ряд.

2. Если за исследуемый  ряд лет (или другие периоды)  годовые коэффициенты роста остаются  более-менее постоянными, можно рассчитать средний коэффициент роста и умножить последний уровень ряда на средний коэффициент роста в степени, соответствующей периоду экстраполяции.

3. Учитывая, что между  изменениями нескольких показателей  существует зависимость, можно экстраполировать один ряд динамики на основе сведений об изменении второго ряда, связанного с ним.

4. Можно экстраполировать  ряды на основе выравнивания  их по определенной аналитической  формуле. Зная уравнение для  теоретических уровней и подставляя  в него значения t за пределами исследованного ряда, можно рассчитать для данных t вероятностные уровни ŷt.

Так как, выравнивая ряды динамики по аналитическим формулам, главным образом определяется тренд, то при прогнозировании иногда целесообразно, выровняв ряд по той или иной формуле и определив тренд, найти отклонение фактических уровней от выровненных. Затем определить закономерность (тренд) изменения во времени этих отклонений, т.е. найти для их изменения свою формулу. После этого экстраполировать оба ряда, накладывая их друг на друга.

Пользуясь этим методом, следует помнить, что экстраполяция  динамического ряда на основе уравнения, полученного при выравнивании, только тогда может дать оценки, близкие  к реальным значениям, когда в  эмпирическом ряду невелики случайные колебания, измеряемые средним квадратическим отклонением разности (у – ŷt), и между случайными отклонениями отсутствует автокорреляция.

5. Иногда при прогнозировании  можно экстраполировать авторегрессионную  функцию уровней ряда. При этом  методе изучаемый ряд динамики анализируют с точки зрения автокорреляции. Чем больше автокорреляция между уровнями ряда, тем больше оснований для расчета будущих показателей на основе имеющихся. При этом автокорреляция должна быть исчислена для разных лагов между уровнями. Установив наличие автокорреляции между уровнями ряда (с определенным лагом), можно найти уравнение, выражающее эту автокорреляционную зависимость, и, пользуясь им, экстраполировать ряд.

Данный список не является исчерпывающим, приведены лишь простейшие методы экстраполяции.

Однако хорошо известно, что те или иные «предсказания» статистики иногда не только не подтверждаются, но прямо противоположны действительному  ходу изменения изучаемых показателей. Это доказывает, что прогнозирование, основанное только на обработке данных наблюдения, слишком рискованно, если оно не учитывает множества взаимосвязанных фактов и моментов, которые способны изменить тенденцию развития в будущем.

Большое значение при  экстраполяции имеет продолжительность  базисного ряда динамики и сроков прогнозирования. 
Практика прогнозирования динамики социально-экономических явлений показывает, что при экстраполяции следует брать те субпериоды базисного ряда, которые составляют определенный этап в развитии изучаемого явления в конкретных исторических условиях.

Прогнозы могут строиться  на длительный период – долгосрочные прогнозы и на небольшие отрезки  времени – краткосрочные прогнозы. Установление сроков прогнозирования зависит от задачи исследования. Но следует иметь в виду, что чем короче сроки упреждения прогноза, тем надежнее результаты экстраполяции. Применение методов экстраполяции зависит от изменений в базисном ряду динамики и предопределяется постановкой задачи исследования. При долгосрочном прогнозе (на 5 – 10 лет) следует исходить из динамики изучаемого показателя. Для краткосрочных же прогнозов более важно исследовать влияние факторов, определяющих изучаемый показатель. При экстраполяции уровней развития изучаемого явления на базе ряда динамики с постоянными абсолютными приростами применяется формула,

где – экстраполируемый уровень;

– конечный уровень базисного ряда динамики;

t – срок прогноза (период упреждения).

При экстраполяции уровней  развития изучаемого явления на базе ряда динамики со стабильными темпами роста применяется формула. 

На практике результат  экстраполяции прогнозируемых уровней  социально-экономических явлений  обычно выполняются не точечными (дискретными), а интервальными оценками. Для  определения границ интервалов используется формула,

где - коэффициент доверия  по распределению Стьюдента; 
- остаточное среднее квадратическое отклонение тренда, скорректированное по числу степеней свободы (n-m); n – число уровней базисного ряда динамики;

m – число параметров  адекватной модели тренда. 
Важно иметь в виду, что экстраполяция в рядах динамики носит не только приближенный, но и условный характер. Это обусловлено распространением на ряды динамики положений корреляционно-регрессионного анализа выборочных совокупностей. Эти вопросы в теории статистики разработаны недостаточно. Поэтому применение методов экстраполяции в рядах динамики не является самоцелью. При разработке прогнозов социально-экономических явлений привлекается дополнительная информация, на основе которой в полученные методом экстраполяции количественные оценки вносятся соответствующие коррективы.

Экономическое прогнозирование  невозможно без хорошего знания изучаемого явления и владения различными методами обработки динамических рядов, которые  в каждом отдельном случае помогли  бы обнаружить общую закономерность изменения, периодичность в повышении или снижении уровней (если она имеет место), случайные колебания, автокорреляцию и корреляцию между отдельными рядами.