Статистико-экономический анализ эффективности производства молока в сельскохозяйственных организациях по группе районов Самарской обла

Автор работы: Пользователь скрыл имя, 09 Марта 2014 в 13:59, курсовая работа

Описание работы

В курсовой работе проведен комплексный статистико-экономический анализ продуктивности коров в сельскохозяйственных организациях по группе районов Самарской области:
1. Выполнена группировка районов по продуктивности коров
2. Выполнен анализ вариации надоя молока на одну среднегодовую корову
3. Выполнен корреляционно-регрессионный анализ связи продуктивности коров и расхода кормов
4. проведен анализ динамики производства молока на примере Богатовского района Самарской области за 2005-2010 гг.
5. Выполнен прогноз на 2011-2013 гг.

Содержание работы

Введение…………………………………………………………………... 4
1. Современное состояние отрасли по производству молока в России и Самарской области…………………………………………….……... 5
2. Анализ вариации основных статистических показателей продуктивности коров в сельскохозяйственных организациях по группе районов Самарской области …………………………………………………... 12
3. Корреляционно-регрессионный анализ связи расхода кормов и надоя молока на одну среднегодовую корову ………...…………................... 20
4. Анализ динамики производства молока…………………..…..… 27
4.1. Понятие динамики…………………………………………………...27
4.2. Показатели ряда динамики………………………………………….28
4.3.Методы выравнивания ряда динамики производства молока на примере Богатовского района Самарской области. Оценка прогноза……….33
Выводы и предложения…………………………………………….….... 37
Список литературы…………………………………………………….... 38
Приложения

Файлы: 1 файл

ГОТОВАЯ Курсовая работа .doc

— 1.23 Мб (Скачать файл)



 

Для характеристики размера вариации применяются абсолютные показатели вариации: размах вариации, среднее линейное отклонение, среднее квадратическое отклонение и дисперсия.

Размах вариации

                                               (6)

х – значение признака

R=28,3 – 5,7 = 22,6 тыс. т.

Разность между максимальным и минимальным значениями производства молока равна 22,6 тыс. т.

Среднее линейное отклонение:

                                         (7)

             

тыс. т.

Продуктивность коров в каждом районе отклоняется от средней производительности молока по всем районам в среднем на 4, 66 тыс. т..

Среднее квадратическое отклонение:

                                         (8)

тыс. т.

Среднеквадратическое отклонение показывает абсолютное отклонение производства молока от среднеарифметического равно 5,44 тыс. т..

Дисперсия:

                                           (9)              

Дисперсия – представляет собой средний квадрат отклонений производства молока от средней величины и равна.

Для характеристики интенсивности вариации производства молока исчисляются показатели: коэффициент осцилляции, относительное линейное отклонение, коэффициент вариации.

Коэффициент осцилляции:

                                            (10)

 

Коэффициент осцилляции показывает, что относительная колеблемость крайних значений производства молока вокруг средней величины равна 151,7%.

Относительное линейное отклонение:

                                            (11)

Доля усредненного значения абсолютных отклонений от средней величины  составляет 31,3%.

Коэффициент вариации:

                                            (12)

Коэффициент вариации равен 36,5%, это означает, что вариация надоя молока на одну среднегодовую корову в группе районов Самарской области слабая, а совокупность районов однородная.

Для оценки степени асимметрии используют моментный и структурный коэффициент асимметрии.

Моментный коэффициент асимметрии:

                                                (13)

- центральный момент распределения  третьего порядка.

σ3 – среднее квадратическое отклонение в третьей степени

Если Аs< 0 то это означает, что асимметрия левосторонняя.

Если Аs > 0 то это означает, что асимметрия правосторонняя.

                                            (14)

Средняя квадратическая ошибка:

                                            (15)

где n – число наблюдений.

Тогда, . Следовательно

Если отношение >3, то асимметрия является существенной и распределение признака в генеральной совокупности несимметрично.

Если отношение < 3, то асимметрия не существенна, ее наличие может быть вызвано случайными обстоятельствами.

 Так как, < 3,  асимметрия не существенна.

  1. Корреляционно-регрессионный анализ связи расхода кормов и надоя молока на одну среднегодовую корову

 

Корреляционный анализ проводится для того, чтобы количественно определить тесноту связей между признаками. Связь двух признаков (х и у) называется парной корреляцией. Влияние нескольких факторов на результативный признак называется множественной корреляцией.

Наряду с корреляцией, т.е. статистической зависимостью между величинами, для которых не характерна функциональная связь, в статистике используется и регрессия. Регрессионный анализ используется для аналитического выражения форм связи.

Корреляционно-регрессионный анализ учитывает межфакторные связи и дает более полное измерение роли каждого фактора: прямое, непосредственное его влияние на результативный признак; косвенное влияние фактора через его влияние на другие факторы, влияние всех факторов на результативный признак.

Конечной же целью корреляционно-регрессионный анализ ставит получение модели зависимости для её практического использования.

Корреляционно-регрессионный анализ включает в себя выполнение следующих основных этапов:

  1. Логический анализ сущности изучаемого явления и причинно-следственных связей.
  2. Сбор первичной информации и проверка её на однородность и нормальность распределения. Для оценки однородности совокупности используется коэффициент вариации по факторным признакам.
  3. Исключение из массива первичной информации всех резко выделяющихся единиц по уровню признаков-факторов. Исключаются все единицы, уровень признака которых не попадает в интервал: .
  4. Установление факта наличия связи и её формы измеряется степень тесноты связи и проводится оценка ее существенности.

Для определения степени тесноты парной линейной зависимости служит линейный коэффициент корреляции (r):

                                     (16)

,                                 (17)

где - отклонение вариантов значений признака фактора от средней величины;

- отклонение вариантов значений  результативного признака, вызванная влиянием признака-фактора. 

n – число единиц в совокупности.

Для определения степени тесноты при любой форме зависимости (линейной или нелинейной) служит эмпирическое корреляционное отношение (η):

                                                 (18)

где σ2межгр – межгрупповая дисперсия результативного признака, вызванная влиянием факторного признака.

Линейный коэффициент корреляции может принимать значения в пределах от -1до 1. Чем ближе он по абсолютной величине к 1, тем теснее связь. Знак «минус» говорит о том, что между признаками связь обратная, «плюс» - прямая. η меняется от 1 до 0, причем, чем ближе его значение к 1, тем сильнее связь.

Качественная оценка тесноты связи величин может быть выявлена на основе шкалы Чеддока. 

 

 

Качественная оценка связи величин                                  Таблица 4

Теснота связи

Значение коэффициента корреляции при наличии

Прямой связи

Обратной связи

Слабая

0,1 – 0,3

(-0,1) – (-0,3)

Умеренная

0,3 – 0,5

(-0,3) – (-0,5)

Заметная

0,5 – 0,7

(-0,5) – (-0,7)

Высокая

0,7 – 0,9

(-0,7) – (-0,9)

Весьма высокая

0,9 – 0,99

(-0,9) – (0,99)


 

После установления достаточной тесноты связи выполняется построение модели связи – уравнения регрессии. Тип модели выбирается на основе сочетания теоретического анализа и исследования фактических данных посредством построения эмпирической линии регрессии. На практике используются следующие типы функций: линейная, гиперболическая, параболическая и показательная. Основное значение имеет линейная модель в силу простоты и логичности её экономической интерпретации.

Уравнение парной регрессии имеет вид:

                                           (19)

 где  - среднее значение результативного признака у при определенном значении факторного признака х;

а0 – свободный член уравнения;

а1 – коэффициент регрессии, измеряющий среднее отношение отклонения результативного признака от его средней величины к отклонению факторного признака от его средней величины на одну единицу изменения – вариация у, приходящаяся на единицу вариации х.

Параметры уравнения регрессии можно вычислить следующим образом:

                                            (20)

                                  (21)

Параметр а1  показывает, на сколько изменится значение результативного признака, если факторный признак изменится на единицу своего измерения. По значению параметра а0 ( свободный член уравнения) судят об усредненном влиянии на результативный признак неучтенных факторов.

На практике чаще всего используется множественный корреляционный анализ. Он включает в себя выполнение следующих этапов:

  1. Изучение множественной корреляционной зависимости начинается с анализа матрицы парных коэффициентов корреляции, что позволяет произвести отбор факторов, включаемых в модель множественной зависимости. По этой матрице можно судить о тесноте связи факторов с результативным признаком и между собой. Не рекомендуется включать в уравнение, факторы слабо связанные с результативными признаками, но тесно связанные с другими факторами.
  2. Отобранные факторы включаются в модель множественной зависимости. При этом следует учитывать, что число факторов, включаемых в модель, должно быть в 5-6 раз меньше, чем число единиц, входящих в совокупность.

Линейное уравнение множественной зависимости имеет вид:

                                       (22)

  1. Для измерения степени тесноты связи между изменениями величины результативного признака и изменениями значений факторных признаков определяется коэффициент множественной корреляции ( R ).

Для случая зависимости результативного признака от двух факторных признаков формула множественного коэффициента корреляции имеет вид:

                          (23)

Величинa R измеряется в пределах от 0 до 1 и численно не может быть меньше, чем любой из образующих его парных коэффициентов корреляции. Чем ближе он к единице, тем меньше роль неучтенных в модели факторов и тем более оснований считать, что параметры регрессионной модели отражают степень эффективности включенных в нее факторов.

После нахождения коэффициента корреляции необходимо проверить его значимость на основе t-критерия Стьюдента. Для этого необходимо значение расчетного критерия Стьюдента сравнить с табличным значением.

                                      (24)

где n – число наблюдений;

n – 2 – число степеней свободы.

Если , то можно утверждать, что коэффициент корреляции значим.

Результаты регрессивного анализа следует интерпретировать и проверять последовательно тремя этапами или шагами:

1 этап. Проверяется объясненная  вариация результативного признака, т.е. исчисляется множественный коэффициент  детерминации . Значение должно быть не менее 0,5. В этом случае уравнение достоверно.

2 этап. Проверяется адекватность  уравнения регрессии (критерий Фишера). Если расчетное значение  F-критерия Фишера больше F-табличного, то можно утверждать, что построенная модель регрессии адекватна.

3 этап. Проверяется значимость  уравнения регрессии. Для этого  сравниваются коэффициенты регрессии  и их стандартные ошибки. Параметры  уравнения признаются значимыми, если коэффициенты уравнения  больше их стандартных ошибок.

Для сравнения роли различных факторов в формировании  моделируемого показателя определяются коэффициент эластичности (Эi) или β – коэффициент (βi).

Частный коэффициент эластичности показывает, на сколько процентов в среднем измеряется результативный признак с изменением признака-фактора на 1%. Он определяется по формуле:

                                                  (25)

где  b – коэффициент регрессии при j-том факторе.

  β - коэффициент  показывает, на какую часть среднего квадратического отклонения изменится результативный показатель при изменении соответствующего фактора на величину его среднего квадратического отклонения. Его формула имеет вид:

                                                (26)

Для расчета корреляционно - регрессионного анализа связи между расходом кормов и продуктивности коров воспользуемся табличным процессором Excel инструмент «анализ данных».

Были получены следующие результаты (табл. 5).

Результаты корреляционно-регрессионного анализа      Таблица 5

Показатели

Значения

Коэффициент парной корреляции r

0,2747

Коэффициент детерминации r2

0,07546

Нормированный R-квадрат

0,004341

t-критерий Стьюдента

4,3

Наблюдения

15

Информация о работе Статистико-экономический анализ эффективности производства молока в сельскохозяйственных организациях по группе районов Самарской обла