Моделирование и оптимизация кормового рациона в ООО АП «Заря Путино» Верещагинского района Пермского края

2.5. Анализ отдельных видов кормов.

12) Солома вошла в суточный рацион по максимально заданной границе. Увеличивать ее содержание в кормовом рационе выгодно, увеличение на 1 кг снижает стоимость суточного рациона на 0,48 рубля;

13) Картофеля в корнеплодах меньше заданной максимальной границы на 0,75 кг.

 

 

Заключение

Решение в отчёте по результатам  означает, что минимальную стоимость  кормового рациона можно получить при использовании следующих  кормов: мука виковая, сено клеверо-тимофеечное, солома ячменная, силос подсолнечный, сахарная свекла в количестве 1,1 кг, 9,6 кг, 2,4 кг, 17,9 кг и 10 кг соответственно. При этом стоимость кормового рациона будет минимальной и составит 43 рубля 54 коп.

В дневном рационе содержится максимально  возможное количество кормовых единиц – 12,4 кг. Повышение его содержания в рационе приведет к увеличению стоимости дневного рациона на 4,19 руб. Содержание переваримого протеина и каротина составило 1146 г и  568 мг соответственно,  что выше заданной минимальной границы на 56 г (протеин) и 148 мг (каротин).

Группы грубых кормов и корнеклубнеплодов вошли в структуру оптимального кормового рациона по максимальной границе (12 кг и 10 кг). При этом содержание этих кормов в рационе допустимо увеличивать, т.к. увеличение на 1 приведет к снижению стоимость дневного рациона на 0,70 руб. и 0,02 руб. соответственно.

Отчёт по устойчивости показывает, насколько изменится целевая функция при изменении соответствующей переменной на 1. Следовательно, комбикорм, сено луговое, силос клеверный и картофель не выгодно включать в кормовой рацион, так как целевая функция увеличится.

Математическое моделирование  социально-экономических процессов  в АПК не дает решение на все  проблемы, стоящие перед сельхозтоваропроизводителями, но данные методы уж точно отвечают на главные вопросы функционирования каждого предприятия: «Что производить?», «Как производить» и «Для кого производить?».

 

Список использованной литературы:

1. Булгаков Ю.В. Стратегия хозяйственного управления. Хабаровск, 2006.
2. Бушин П.Я. Математические методы и модели в экономике. Учебное пособие. Хабаровск, 2004.
3. Леньков И.И. Экономико-математическое моделирование экономических систем и процессов в сельском хозяйстве. - М.: Дизайн ПРО, 1997.
4. Математическое моделирование экономических процессов в сельском хозяйстве. Под редакцией А.М. Гатаулина. М.: ВО «Агропромиздат» 2000.
5. Титоренко Г. А. Автоматизированные информационные технологии в экономике. М.: 2008.

 

 

 

 

 

 

 

 

 

 

 

 

ПРИЛОЖЕНИЕ

 

 

 

 

Раздел 2. Экономико-статистическое моделирование.

В состав Microsoft Excel входит набор средств анализа данных, предназначенный для решения сложных статистических и инженерных задач. Для проведения анализа данных с помощью этих инструментов следует указать входные данные и выбрать параметры; анализ будет проведен с помощью подходящей статистической или инженерной макрофункции, а результат будет помещен в выходной диапазон. Другие средства позволяют представить результаты анализа в графическом виде.

Графические изображения используются, прежде всего, для наглядного представления статистических данных, благодаря им существенно  облегчается их восприятие и понимание. Существенна их роль и тогда, когда  речь идет о контроле полноты и  достоверности исходного статистического  материала, используемого для обработки  и анализа.

Задачами экономико-статистического  программирования являются выявление  перспектив ближайшего или более  отдаленного будущего в исследуемой  области на основе реальных процессов  деятельности; выработка оптимальных  тенденций и перспективных планов с учетом составленного прогноза и оценки принятого решения с  позиций его последствий в  прогнозируемом периоде.

1. Построение трендовой модели.

  Основная цель создания трендовых моделей экономической динамики - на их основе сделать прогноз о развитии изучаемого процесса на предстоящий промежуток времени. Прогнозирование на основе временного ряда экономических показателей относится к одномерным методам прогнозирования. Изменения показателя связывают не с факторами, а с течением времени. Использование метода базируется на двух предположениях:

-    временной   ряд экономического показателя действительно имеет тренд, т.е. преобладающую тенденцию;

-    общие   условия,   определявшие   развитие   показателя   в прошлом, останутся без существенных изменений в течение будущих периодов.

Рассмотрим задачу сглаживания  рядов динамики, т.е. построение трендовой  модели на реальном примере с целью  применения модели для решения задач  анализа и прогнозирования производства молока в ООО АП «Заря Путино» Верещагинского района Пермского края.

Имеются данные за период 2007 – 2011 гг. о количестве произведенного молока в ООО АП «Заря Путино».

В Microsoft Excel 2007  строим трендовую модель с помощью Построителя диаграмм (рис. 1).

 

 Рис. 1. Построение трендовой модели производства молока в ООО АП «Заря  Путино».

 

Добавляя линии тренда линейной, полиномиальной и степенной функций, выбираем из полученных уравнений то, которое наиболее адекватно отражает исходный массив данных. Для этого используем коэффициент достоверности аппроксимации R². Он показывает степень соответствия трендовой модели исходным данным. Его значение может лежать в диапазоне от 0 до 1. Чем ближе R² к 1, тем точнее модель описывает искомую зависимость.

• Линейная модель: Y = 26 х + 1529,2

 R² = 0,9164;

• Полиномиальная модель со степенью полинома 2:

Y = 3,7143 х² + 3,7143 х + 1555,2

R² = 0,9426;

• Степенная модель: Y = 1550,7 х ^0,0371

R² = 0,7804.

Наибольшее значение R² = 0,9426 принимает при построении полиномиальной модели тренда, поэтому именное её будем использовать в качестве трендовой модели:  Y = 3,7143 х² + 3,7143 х + 1555,2.

Использование трендовой модели в  практике заключается в расчете  прогнозного значения показателя Y на какой-либо будущий год (в ближней и среднесрочной перспективе).  Рассчитаем ожидаемый объем производства молока  в 2016 году (№ года 10).

Подставим  в уравнение тренда вместо «х» номер прогнозного  года 10: Y = 3,7143*100 + 3,7143*10 + 1555,2. Прогнозируемый объем производства молока в 2016 году  - 1964 тонны.

2. Построение регрессионной модели.

Регрессионный анализ называют основным методом современной математической статистики для определения аналитического выражения связи, в котором изменение одной величины обусловлено влиянием одной или нескольких независимых величин. Электронные таблицы делают такой анализ легко доступным.

В таблице 2 заданы три временных ряда:

1. Прибыль предприятия за 10 лет Y;
2. Среднегодовая стоимость основных средств за этот период X₁;
3. Оборотные фонды X₂  за тот же период.

Таблица 2 –  Прибыль, материальные затраты на производство и среднегодовая стоимость основных средств ООО «Очерское»

Y	X1	X2
Прибыль предприятия, тыс. руб.	Среднегодовая стоимость ОС, тыс. руб.	Оборотные фонды, тыс. руб.
2278,9	99,9	13,6
1892,5	95	99,8
1736,5	90,2	56,6
1862,4	102	100
1912,9	92,6	93,1
1938,7	98,6	99,9
1986,2	99	93,1
2020,1	97,7	81,5
1898,7	95	90,3
2180,1	101	100

Переносим массив исходных данных в Microsoft Excel. С помощью надстройки Анализ данных Microsoft Excel получаем вывод итогов в виде таблиц (Приложение 1). Уравнение регрессии зависимости прибыли предприятия стоимости основных фондов и величины оборотных фондов имеет вид: Y = - 481,3 + 27,56 х₁ – 2,7 х₂

Для оценки качества модели используют коэффициенты корреляции R и детерминации R² , которые находятся в первой таблице результатов регрессионного анализа. Коэффициент R=0, если между величинами нет никакой связи, и R=1, если между величинами имеется функциональная (детерминированная) связь. В большинстве случаев R принимает промежуточные значения от 0 до 1.  Значимость R определяется не только его величиной, но и соотношением между количеством наблюдений и количеством факторов  модели.

Коэффициент детерминации R² равен 0,6106. Он показывает долю вариации результативного признака под воздействием изучаемых факторов. Следовательно, около 61 % вариации зависимой переменной учтено в модели и обусловлено влиянием включенных факторов.

Анализ влияния факторов на зависимую переменную по модели:

• Коэффициент при X₁  показывает, что при увеличении среднегодовой стоимости основных фондов предприятия на 1 тыс. руб., прибыль предприятия увеличится на 27,56 тыс. руб.;
• Коэффициент при X₂  показывает, что при увеличении стоимости оборотных фондов предприятия на 1 тыс. руб., прибыль предприятия снизится на 2,7 тыс. руб.

Рассчитаем, какой будет прибыль  предприятия, если среднегодовая стоимость основных фондов составит 150 тыс. руб., а величина оборотных фондов 110 тыс. руб. Подставляем значения в уравнение:

Y = - 481,3 + 27,56 * 150 – 2,7 * 110 = 3355,7 тыс руб.

Список использованной литературы:

1. Буре В.М. Евсеев Е.А. Основы эконометрики: Учебное пособие. – СПб.: Изд-во СПбГУ, 2004.
2. Грекова Т.И., Филатова Т.В. Построение трендовых моделей экономической системы. ТГУ, «Экономические науки», 2004 г.
3. Замков О.О. и др. Математические методы в экономике. Учебник. –  М.: 2005.
4. Козлов А.Ю., Мхитарян В.С., Шишов В.Ф. Статистические функции MS Excel в экономико-статистических расчетах. М.: ЮНИТИ, 2002.
5. Козлов А.Ю., Шишов В.Ф. Пакет анализа MS Excel в экономико-статистических расчетах. М.: ЮНИТИ, 2003.

 

 

 

 

 

 

 

 

 

 

ПРИЛОЖЕНИЕ