Автор работы: Пользователь скрыл имя, 08 Июня 2013 в 14:53, курсовая работа
Цель курсового проекта - раскрыть сущность экономической эффективности производства подсолнечника и изыскать резервы по повышению урожайности и валового сбора при помощи основных статистических методов (рядов динамики, индексного анализа, статистических группировок, дисперсионного и корреляционно-регрессионного анализов).
ВВЕДЕНИЕ3
1. АНАЛИЗ РЯДОВ ДИНАМИКИ 5
1.1. Показатели урожая, их сущность, методика расчета, динамика фактического сбора подсолнечника за последние шесть лет5
1.2. Сущность урожайности и ее виды. Методика расчета средней урожайности подсолнечника, темпы ее изменения за 9 лет 9
1.3. Выявление тенденции в изменении урожайности подсолнечника12
2. ИНДЕКСНЫЙ МЕТОД АНАЛИЗА 17
2.1. Сущность индекса. Индивидуальные и общие индексы как инструмент анализа динамики урожая и урожайности17
2.2. Индексный анализ средней урожайности зерновых культур и валового сбора подсолнечника19
3. МЕТОДЫ СТАТИСТИЧЕСКОЙ ГРУППИРОВКИ И ДИСПЕРСИОННОГО АНАЛИЗА24
3.1. Сущность группировки, ее основные методологические аспекты. Задачи и виды группировок и их значение24
3.2. Аналитическая группировка хозяйств района по величине производственных затрат на 1 га посева (уровень интенсивности возделывания данной культуры) по правилу трех сигм27
3.3. Сущность дисперсионного анализа. Оценка существенности влияния изучаемого фактора на урожайность подсолнечника30
4. ПРОЕКТНАЯ ЧАСТЬ35
4.1. Сущность и основные условия применения корреляционного анализа35
4.2. Построение многофакторной корреляционной модели урожайности подсолнечника37
4.3. Расчет резервов роста урожайности и валового сбора подсолнечника41
5. Выводы и предложения45
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ48
ПРИЛОЖЕНИЯ
Однако гораздо чаще в
экономике имеет место
Частным случаем статистической зависимости является корреляционная зависимость, при которой функциональной зависимостью связаны фактор х и среднее значение (математическое ожидание) результативного показателя у.
Корреляционная связь
проявляется в среднем, для массовых
наблюдений, когда заданному значению
зависимой переменной соответствует
некоторый ряд вероятных
Но не все факторы, влияющие на экономические процессы, являются случайными величинами. Поэтому при анализе экономических явлений обычно рассматриваются связи между случайными и неслучайными величинами. Такие связи называются регрессионными, а метод математической статистики, их изучающий, называется регрессионным анализом.
Задачи корреляционного
анализа сводятся к измерению
тесноты связи между
Задачи регрессионного анализа лежат в сфере установления формы зависимости, определения функции регрессии, использования для оценки неизвестных значений зависимой переменной.
По направлению связи бывают прямыми, когда зависимая переменная растет с увеличением факторного признака, и обратными, при которых рост последнего сопровождается уменьшением функции. Такие связи можно назвать также соответственно положительными и отрицательными.
Относительно своей
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.
По силе различают 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
характеристики 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.
Некоторые исследователи
Решение названных задач опирается на соответствующие приемы, алгоритмы, показатели, применение которых дает основание говорить о статистическом изучение взаимосвязи [10].
4.2. Построение многофакторной
корреляционной модели
Сущность и основные условия применения корреляционного анализа позволяют построить многофакторную корреляционную модель и сделать соответствующие заключения о ее практической значимости.
Для построения экономико-математической модели урожайности подсолнечника используем следующие факторы:
Таблица 11. Исходные данные для корреляционно - регрессионного анализа
Номер хозяйств |
Урожайность,ц/га |
Расчетные показатели | ||||||||
Производственные затраты на 1 га посева, руб |
Нагрузка пашни на 1 трактор, га |
Фондовооруженность 1 работника, тыс. руб |
Энерговооруженность 1 работника |
Уровень специализации, % |
Затраты труда на 1 га посева, чел/час |
Фондообеспеченност хозяйства, тыс. руб |
Уровень концентрации, га |
Трудообеспеченность, чел | ||
Y |
x1 |
x2 |
x3 |
x4 |
x5 |
x6 |
x7 |
x8 |
x9 | |
1 |
17,2 |
7267 |
72 |
3011 |
12,3 |
60,1 |
7 |
469 |
150 |
0,2 |
2 |
25,3 |
12568 |
157 |
837 |
14,2 |
29,5 |
2 |
179 |
600 |
2,6 |
3 |
21,2 |
6911 |
210 |
1283 |
58,6 |
73,9 |
7 |
3133 |
2434 |
2,8 |
4 |
15,1 |
10010 |
205 |
732 |
58,3 |
45,7 |
2 |
2015 |
2222 |
2,7 |
5 |
24,1 |
16774 |
713 |
1892 |
41,9 |
73,7 |
1 |
979 |
1616 |
0,9 |
6 |
29,5 |
21843 |
67 |
99 |
48,0 |
46,9 |
10 |
48 |
102 |
0,7 |
7 |
36,1 |
15579 |
115 |
518 |
73,4 |
12,9 |
5 |
1473 |
245 |
3,5 |
8 |
30,0 |
18171 |
57 |
414 |
109,6 |
48,3 |
28 |
725 |
70 |
1,7 |
9 |
30,4 |
17094 |
163 |
377 |
54,4 |
8,2 |
27 |
827 |
800 |
2,5 |
10 |
26,6 |
10262 |
101 |
242 |
115,7 |
14,9 |
8 |
521 |
900 |
2,9 |
11 |
31,6 |
11008 |
166 |
418 |
64,8 |
21,7 |
5 |
915 |
623 |
3,2 |
12 |
22,6 |
13505 |
218 |
922 |
73,9 |
87,1 |
8 |
563 |
920 |
0,6 |
13 |
10,0 |
3274 |
536 |
782 |
14,1 |
58,1 |
10 |
145 |
95 |
0,2 |
14 |
13,8 |
9860 |
150 |
489 |
87,0 |
3,4 |
12 |
1013 |
172 |
2,1 |
15 |
23,6 |
11361 |
168 |
214 |
55,3 |
31,3 |
20 |
574 |
700 |
3,3 |
16 |
22,0 |
7335 |
154 |
1500 |
144,5 |
15,4 |
31 |
1220 |
200 |
0,8 |
17 |
22,0 |
19006 |
25 |
3537 |
98,5 |
100,0 |
6 |
2319 |
305 |
0,6 |
18 |
24,2 |
9973 |
206 |
619 |
26,8 |
42,1 |
5 |
1284 |
1220 |
2,8 |
19 |
13,3 |
7189 |
332 |
449 |
110,3 |
62,2 |
7 |
271 |
1500 |
0,8 |
20 |
31,8 |
21148 |
199 |
311 |
82,2 |
64,3 |
6 |
445 |
508 |
1,7 |
21 |
19,7 |
7739 |
463 |
2028 |
90,5 |
7,3 |
2 |
1006 |
800 |
0,5 |
22 |
26,2 |
14738 |
132 |
385 |
79,5 |
33,8 |
2 |
687 |
561 |
2,5 |
23 |
28,3 |
10113 |
187 |
391 |
91,6 |
17,9 |
35 |
1341 |
600 |
3,9 |
24 |
26,1 |
9624 |
101 |
751 |
166,8 |
21,7 |
8 |
948 |
250 |
1,4 |
25 |
27,2 |
5795 |
102 |
351 |
66,2 |
6,8 |
11 |
1195 |
351 |
4,2 |
Исходная информация (см. Таблицу 11) введена в пакет диалоговой статистики и с помощью программы «Statgraf» построена модель множественной регрессии. Получим: (см. рис.2)
Рис. 2. Корреляционно-регрессионная модель урожайности подсолнечника
Таблица 12.- Корреляционно-регрессионная модель урожайности подсолнечника по предприятиям Аннинского, Калачеевского и Бутурлиновского районов
Условные обозначения |
Название показателя (фактора) |
Коэффициент регрессии |
Стандартная ошибка |
t-статистика |
Уровень значимости |
Indepen. variable |
Coefficient |
Stt. error |
t-value |
Sig. level | |
Constant |
10,309007 |
5,5476 |
1,8523 |
0,0829 | |
Х1 |
Производственные затраты на 1 га посева, руб |
0,000855 |
0,000216 |
3,9661 |
0,0012 |
X2 |
Нагрузка пашни на 1 трактор, га |
0,00071 |
0,00757 |
0,0938 |
0,9265 |
X3 |
Фондовооруженность 1 работника, тыс. руб |
0,000446 |
0,001788 |
0,2492 |
0,8066 |
X4 |
Энерговооруженность 1 работника |
-0,000545 |
0,005015 |
-0,109 |
0,9149 |
X5 |
Уровень специализации |
-0,031841 |
0,050848 |
-0,626 |
0,5406 |
X6 |
Затраты труда на 1 га посева, чел/час |
0,011797 |
0,105429 |
0,1119 |
0,9124 |
X7 |
Фондообеспеченность хозяйства, тыс. руб |
-0,000072 |
0,002185 |
-0,033 |
0,9743 |
X8 |
Уровень концентрации, га |
-0,001711 |
0,002464 |
-0,694 |
0,498 |
Х9 |
Трудообеспеченность |
2,726146 |
1,341885 |
2,0312 |
0,0603 |
R-SQ(ADJ)=0,5395 SE=4,36 MAE=2,59 Durbwat=1,816
Однако, статистическая оценка характеристик данной модели показала, что некоторые факторы (нагрузка пашни на 1 трактор, фондовооруженность 1 работника, энерговооруженность 1 работника, уровень специализации, затраты труда на 1 га посева подсолнечника, фондообеспеченность хозяйства, уровень концентрации) количественно мало определяют результат, а влияние некоторых факторов не поддается логико-экономическому осмыслению Х2, Х3, Х4, Х5, Х6, Х7, Х8. Компьютерная программа позволяет просчитать ряд вариантов и выбрать наиболее значимую модель. (см. приложение 2)
Таблица 13.- Корреляционно-регрессионная модель (улучшенная) урожайности подсолнечника по предприятиям Аннинского, Калачеевского и Бутурлиновского районов
Условные обозначения |
Название показателя (фактора) |
Коэффициент регрессии |
Стандратная ошибка |
t- статистика |
Уровень значимости |
Independent variable |
Coefficient |
Std. error |
t-value |
Sig. level | |
Constant |
8,484 |
2,54 |
3,3339 |
0,003 | |
X1 |
Производственные затраты на 1 га посева, руб |
0,000842 |
0,000164 |
5,1409 |
0,0001 |
X9 |
Трудообеспеченность хозяйства |
2,744 |
0,661992 |
4,145 |
0,0004 |
R-SQ(ADJ)=0,6188 SE=3,975 MAE=2,834 Durbwat=1,634,
где R-SQ(ADJ) – коэффициент детерминации,
SE – стандартная ошибка,
MAE – среднее квадратическое отклонение ,
DurbWat – критерий Дарбина-Уотсона.
Коэффициент корреляции=
Коеффициент корреляции=0,3829
Полученная модель количественно измеряет исследуемую связь, что показывает уравнение регрессии:
Ух1, х9 =8,484+0,000842Х1+2,744Х9
Коэффициент регрессии а1=0,000842 говорит о том, что с увеличением производственных затрат на 1 га на 1 рубль, урожайность подсолнечника повышается на 0,000842 ц/га.
Коэффициент регрессии а9= 2,744 говорит о том, что с увеличением трудообеспеченности на 100 га, урожайность подсолнечника увеличится на 2,744 ц/га.
С целью изучения существенности зависимости между факторами проведем многофакторный дисперсионный анализ и, обрабатывая данные с помощью ЭВМ в пакете Statgraf, получим дисперсионный анализ вариации для всей модели. (см. приложение 3)
Таблица 14. Дисперсионный анализ вариации для всей модели.
Источник вариации |
Сумма квадратов отклонений |
Число степеней свободы |
Дисперсия на 1 степень свободы |
Критерий Фишера f-расчетное |
Уравнение значимости |
Модель |
647,31 |
2 |
323,66 |
20,4819 |
0 |
Ошибка |
347,643 |
22 |
15,802 |
||
Итого |
994,954 |
24 |
R-squared = 0,600593 Stnd. error of est. = 3,97517
R-squared (Adj. for d.f.) = 0.618829 Durbin- Watson statistic = 1,63386
Так как рассчитанное значение критерия Фишера (20,48) значительно превышает теоретическое Fтеор (3,44), то влияние заложенных в модель факторов значимо.
Для оценки существенности влияния каждого из оставленных в модели факторов проведем дисперсионный анализ вариации по факторам.
Рассмотрим анализ вариации по факторам и, обрабатывая данные с помощью ЭВМ в пакете Statgraf, получим анализ вариации по факторам. (см. приложение 4)
Таблица 15. Дисперсионный анализ вариации по факторам.
Факторы |
Сумма квадратов отклонений |
Число степеней свободы |
Дисперсия на 1 степень свободы |
F- расчетная |
Уровень значимости |
Х1 |
735,8211 |
1 |
375,82 |
23,78 |
0,0001 |
Х9 |
271,489 |
1 |
271,49 |
17,18 |
0,0004 |
<span class="Normal_0020Table__Char" style=" font-fami |