Прогнозирование производительности труда

Автор работы: Пользователь скрыл имя, 23 Сентября 2014 в 08:57, курсовая работа

Описание работы

Целью проекта является разработка прогноза динамики производительности труда с 2013 – 2015 года.
Для достижения данной цели необходимо решить следующие задачи:
Рассмотреть теоретические аспекты прогнозирования производительности труда в экономике;
Провести ретроспективный анализ динамики уровня производительности труда РФ;
Разработать прогноз развития производительности труда в экономике РФ.

Файлы: 1 файл

Тема.docx

— 109.40 Кб (Скачать файл)

 

 

В цементной промышленности текущая производительность труда в 4,5-6,5 раза ниже зарубежных компаний, рост к 2030 году может составить 3,5-4 раза. В стекольной отрасли производительность труда в 1,8-2,5 раза ниже уровня производительности зарубежных компаний. Потенциал роста к 2030 году оценивается на уровне 2,5-3,5 раза.

Текущая производительность труда у ведущих российских металлургических компаний в 2-5 раз ниже аналогичных показателей зарубежных компаний. Рост производительности труда к 2020 году может составить 1,3-1,5 раза, к 2030 году – 2-2,1 раза.

Рост производительности труда в торговле и некоторых других отраслях будет обеспечен переходом на новые формы производства (интернет-торговля, другие виды электронных услуг).

 

ГЛАВА 3. РАЗРАБОТКА ПРОГНОЗА РАЗВИТИЯ ПРОИЗВОДИТЕЛЬНОСТИ ТРУДА В ЭКОНОМИКЕ РФ

 

    1. Построение прогнозной модели и расчет прогнозного значения производительности труда

 

Автор проанализировал в пункте 2.1 данного курсового проекта прогнозное значение и факторы, влияющие на него. На основе этих данных проведен корреляционно – регрессионный анализ. Первым этапом анализа было построение прогнозной модели:

Таблица 3. Прогнозная модель

   

Y

X1

X2

X3

X4

X5

1

2000

112272,9

20,1

10,6

2223,4

154682,4

1165234

2

2001

137333,9

18,8

9

3240,4

181826,1

1504712

3

2002

162477,1

15,06

7,9

4360,3

276301

1762407

4

2003

199100,9

11,99

8,2

5498,5

389018,5

2186365

5

2004

252934,4

11,74

7,8

6739,5

435122,2

2865014

6

2005

316214,3

10,91

7,1

8554,9

545540

3611109

7

2006

389152,7

9

7,1

10633,9

777458,1

4730023

8

2007

469794,7

11,87

6

13593,4

958928,7

6716222

9

2008

581339

13,28

6,2

17290,1

1103366

8781616

10

2009

559097,6

8,8

8,3

18637,5

934589

7976013

11

2010

662177,7

8,78

7,3

20952,2

1243713

9152096

12

2011

787499,9

6,1

6,5

23369,2

2106741

10776839

13

2012

874955,5

6,58

5,5

26628,9

2872905

12568835


 

 

Y – производительность труда (ВВП на занятого), руб;

X1 – уровень инфляции, %;

X2 – уровень безработицы, %;

X3 – среднемесячная начисленная заработная плата, руб;

X4 – объем инновационных товаров, работ, услуг, млн. р;

X5 – объем инвестиций в основной капитал, млн. р.

Второй этап корреляционно – регрессионного анализа – построение матрицы коэффициентов парной корреляции:

Таблица 4. Матрица коэффициентов парной корреляции

 

Y

X1

X2

X3

X4

X5

Y

1

         

X1

-0,816

1

       

X2

-0,748

0,735126881

1

     

X3

0,996

-0,81396685

-0,719

1

   

X4

0,942

-0,75539141

-0,726

0,924

1

 

X5

0,996

-0,77483933

-0,742

0,995

0,932738

1


 

 

Анализируя матрицу коэффициентов парной корреляции можно отметить, что  существенное влияние на зависимую переменную оказывают все факторы (связь больше 0,4). Необходимо исключить из модели одновременное присутствие тех факторов, связь между которыми больше 0,8. Остаются следующие модели:

y=f(x1;x2);

y=f(x1;x4);

y=f(x1;x5);

y=f(x2;x3);

y=f(x2;x4);

y=f(x2;x5).

Из всех моделей выбираем наиболее интересную связь. Для решения данной задачи автор выбирает модель, включающую факторы Х2 и Х5.

Далее производим проверку качества описания взаимосвязи с помощью линейного уравнения при const=1.

 

 

 

 

 

Таблица 5. Регрессионная статистика

Множественный R

0,996

R-квадрат

0,992

Нормированный R-квадрат

0,991

Стандартная ошибка

24161,750

Наблюдения

13


 

 

Модели с коэффициентом детерминации выше 80 % можно признать достаточно хорошими. Чем ближе значение коэффициента к 1, тем сильнее зависимость. В этом примере коэффициент детерминации модели - R^2=0,992.

Таблица 6. Дисперсионный анализ

 

df

SS

MS

F

Значимость F

F табличное

t табличное

 

Регрессия

2

7,719

3,85952

661,11

2,38291

3,982297

2,201

 

Остаток

10

583790

583790617,2

         

Итого

12

7,777

           
                 
 

Коэфф.

Станд.

ошибка

t-статистика

P-Значение

Нижние 95%

Верхние 95%

Нижние 95,0%

Верхние 95,0%

Y-пересечение

85200,77

69285,761

1,229701099

0,247

-69177,51

239579,07

-69177,519

239579,072

X2

-3733,652

7586,088

-0,492170966

0,633

-20636,51

13169,205

-20636,510

13169,205

X5

0,064512

0,003

24,02699143

3,547

0,059

0,070

0,0585296

0,0704946


 

 

Уравнение имеет вид: у=85200,77-3733,65х2+0,065х5.

Проверка качества описания взаимосвязи с помощью линейного уравнения при const=0.

 

 

 

 

Таблица 7. Регрессионная статистика

Множественный R

0,999

R-квадрат

0,998

Нормированный R-квадрат

0,907

Стандартная ошибка

24717,851

Наблюдения

13


 

 

Коэффициент детерминации модели - R^2=0,998.

Таблица 8. Дисперсионный анализ

 

df

SS

MS

F

Значимость F

F табличное

t табличное

 

Регрессия

2

3,1

1,551

2538,272

2,93688

3,98229

2,201

 

Остаток

11

6,72

610972162,8

         

Итого

13

3,11

           
                 
 

Коэфф.

Станд. ошибка

t-статистика

P-Значение

Нижние 95%

Верхние 95%

Нижние 95,0%

Верхние 95,0%

Y-пересечение

0

#Н/Д

#Н/Д

#Н/Д

#Н/Д

#Н/Д

#Н/Д

#Н/Д

X2

5448,601

1369,363

3,979

0,002

2434,653

8462,54

2434,653

8462,54

X5

0,0672

0,002

43,772

1,08

0,064

0,070630

0,064

0,07063


 

 

Уравнение имеет вид: у=5448,601х2+0,0677х5.

Для практического использования моделей регрессии большое значение имеет их адекватность - соответствие фактическим статистическим данным, поэтому необходимо провести проверку. При этом выясняется насколько вычисленные параметры характерны для отображения комплекса условий: не являются ли полученные значения параметров результатами действия случайных причин.

Если tстат > tкр, то полученное значение коэффициента парной корреляции признается значимым.

Линейное уравнение при const=1:

 

Таблица 9. Критерий Стьюдента

Фактор

tстат

tкр

Значимость

Х2

-0,4921709

2,20098

несущественна

Х5

24,026991

2,20098

существенна


 

 

Проверим значимость коэффициента детерминации, используя F-критерий Фишера.

Таблица 10. Критерий Фишера

Fрасч

Fкр

Уравнение регрессии

661,11

3,9822

адекватно


 

 

Таким образом, модель объясняет 99,2% общей дисперсии признака Y, но фактор Х5 имеет несущественную значимость.

Линейное уравнение при const=0:

Таблица 11. Критерий Стьюдента

Фактор

tстат

tкр

Значимость

Х2

3,97893158

2,20098

существенна

Х5

43,77248822

2,20098

существенна


 

 

Проверим значимость коэффициента детерминации, используя F-критерий Фишера.

Информация о работе Прогнозирование производительности труда