Методологические основы статистико-экономического анализа продукции агропромышленного комплекса

Президент Нурсултан Назарбаев поставил ряд задач по развитию агропромышленного комплекса, направленные на дальнейшее развитие сельского хозяйства, прозвучали с площади республиканского форма работников в формах АПК «Развитию аграрного сектора — всестороннюю поддержку».

В своем выступлении Глава Государства сказал сегодня в Казахстане работает 185 тыс. крестьянских и фермерских хозяйств, 9 тыс. крупных и средних предприятии. В них трудится примерно одна треть занятого населения. В этом секторе ежегодно создается до 7% национального богатства страны. агропромышленный комплекс рынок сбыт Еще один важный аспект, который выделил Президент, касается новых рынков сбыта нашей сельскохозяйственной продукции. При растущих темпах развития аграрного производства этот вопрос, так или иначе, актуализируется. Для развития аграрного производства активизируется методические походы и роль предприятия агропромышленного комплекса.

Предприятие является достаточно сложной системой, соединяющей людские и материальные ресурсы. Эта система требует эффективного управления, что невозможно без сбора и всестороннего анализа информации о разнообразных явлениях и процессах, протекающих на предприятии.

Управление предприятием обоснование эффективности принимаемых решений и оценка эффективности деятельности предприятия требует применения комплексного статистико-экономического анализа.

К характерным особенностям метода статистико-экономического анализа относятся выявление и измерение взаимосвязи и взаимозависимости между показателями, которые определяются объективными условиями производства.

В процессе статистико-экономического анализа, в аналитической обработке экономической информации применяется ряд специальных способов и приемов. Способы и приемы статистико-экономического анализа можно условно подразделить на две группы: традиционные и математические.

В число основных традиционных статистических способов и приемов статистикоэкономического анализа можно включить следующие:

• — методы, формируемые и применяемые при организации и проведении массовых наблюдении (сбор, регистрация и оценка первичных данных, контроль их полноты, точности и достоверности и т. д.);
• — методы статистических группировок, применяемые при обработке данных
• (систематизация и классификация собранных данных, их формализация и обработка, включая компьютерную, организация и ведение баз данных и баз значений);
• — методы обобщения собранных и отработанных данных (определение показателей однородности данных путем исчисления абсолютных, относительных и средних величин, а также показателей вариации; изучение взаимосвязи и закономерностей изменения обобщающих данных, включая двухмерный и многомерный регрессионный, корреляционный, факторный, кластерный анализ и др.).

При этом статистические методы не ограничиваются простым сопоставлением показателей за различные периоды. Важно выявить факторы, повлиявшие на изменение показателей, исследовать их фактическую повторяемость и определить вероятность повторения тех или иных явлений и результатов.

Методы статистико-экономического анализа носят универсальный характер и не зависят от отраслевой принадлежности предприятия, позволяют менеджеру анализировать положение дел на предприятии, разрабатывать варианты управленческих решений, выбирать наиболее эффективные формы, оценивать влияние этих решение на результаты деятельности.

В свою очередь содержание статистико-экономического анализа представляет собой систему специальных знаний, связанную с:

• — исследованием экономических процессов в их взаимосвязи складывающихся под воздействием объективных экономических законов и факторов субъективного порядка;
• — научным обоснованием бизнес — планов, объективной оценкой их выполнение;
• — выявлением положительных и отрицательных факторов и количественным измерением их действие;
• — раскрытием тенденции и пропорций хозяйственного развития, определением неиспользованных внутрихозяйственных резервов;
• — обобщением передового опыта с применением оптимальных управленческих решений на предприятии.

Исходя из этого, можно предполагать, что при статистико-экономическом анализе применяется все методы и приемы статистики: как статистическое наблюдение, сводка и группировка данных, абсолютные и относительные величины, средние величины и показатели вариации, выборочное наблюдение, ряды динамики, индексы, корреляционнорегрессионный анализ.

Корреляционно-регрессионный анализ может быть использован в статистикоэкономических исследованиях продукции АПК РК для приближенной оценки фактического и планового уровня как укрупненный норматив (достаточно в уравнение подставить вместо фактических значений факторов их средние значения), для выявления резервов производства, проведения краткосрочного прогнозирования развития производства АПК РК.

Многофакторный корреляционно-регрессионный анализ позволяет оценить меру влияния на исследуемый результативный показатель каждого из включенных в модель (уравнения) факторов при фиксированном положении (на среднем уровне) остальных факторов, а также при любых возможных сочетаниях факторов с определенной степенью точности найти теоретическое значение этого показателя. Важным условием является отсутствие функциональной связи между факторами.

Уравнение множественной регрессии можно строить в линейной форме: у = а0 + а1×1 + а2×2 + … аn хn.

Каждый коэффициент уравнения (а1; а2… аn) показывает степень влияния соответствующего фактора на анализируемый показатель при фиксированном положении остальных факторов: с изменением каждого фактора на единицу показатель изменяется на соответствующий коэффициент регрессии. Свободный член уравнения (а0) экономического смысла не имеет. С помощью многофакторного корреляционно-регрессионного анализа находят различного рода характеристики тесноты связи между изучаемым показателем и факторами, парные, частные, множественные коэффициенты корреляции, множественные коэффициенты детерминации.

Показателем тесноты связи, устанавливаемой между результативными и двумя или более факторными признаками является совокупный коэффициент множественной корреляции R у х1, х2 … хn.

Совокупный коэффициент множественной корреляции измеряет одновременное влияние факторных признаков на результативный. Его значения находятся в пределах — 1 до +1. Чем меньше наблюдаемые значения изучаемого показателя отклоняются от линии множественной регрессии, тем корреляционная связь является более интенсивной, а следовательно, значение R ближе к единице.

Совокупный коэффициент множественной детерминации R2 величина, которая показывает, какая доля вариации изучаемого показателя объясняется влиянием факторов, включенных в уравнение множественной регрессии. Значение совокупного коэффициента множественной детерминации находится в пределах от 0 до 1. Поэтому, чем ближе R2 к единице, тем вариация изучаемого показателя в большой мере характеризуется влиянием отобранных факторов.

Многофакторный корреляционный и регрессионный анализ может быть использован в статистико-экономических исследованиях продукции агропромышленного комплекса.

Исходя из этого, применив многофакторный корреляционный и регрессионный анализ, рассмотрим наличие причинно-следственной связи факторных признаков: количеством внесения удобрений на 1 га пашни, кг действующего вещества (х1) и количеством осадков в среднем за год в мм (х2) с результативным показателем — урожайности зерновых культур (у) в Алматинской области. Регрессионную двухфакторную модель построим в линейной форме с применением функции Кобба — Дугласа, который находят применение в анализе, прогнозировании, планировании и в экономических исследованиях. Двухфакторный корреляционный и регрессионный анализ можно решить с использованием компьютерной программы.

Программа для измерения тесноты связи между двумя из рассматриваемых переменных (без учета их воздействия с другими переменными) применяется парные коэффициенты корреляции.

Параметры функции Кобба-Дугласа а0 — 3 697 584, а1 — 8 449 335.

Стандартная ошибка параметров.

ma1 — 284 398, ma2 — 8,926 183 Е — 02.

Критерии достоверности параметров.

ta0 — 13,144; ta1 — 9,465 788.

Корреляционное отношение ho = .9 111 558.

Коэффициент детерминации Rd = .8 302 049 Скорректированный коэффициент детерминации Rd = 8 113 388 Сумма квадратов регрессионных остатков Ro = 14,8702 Коэффициент ДарбинаУотсона DW = 1, 309 309.

Средняя ошибка аппроксимации e = 5, 765 066 СКО фактических Yi Sф = 3, 444 151 СКО остатков уравнении регрессии Sp = 1,219 434.

Таблица расчетных значений функции КоббаДугласа.

Эмпирическая производственная функция КоббаДугласа У = 3 697 584 (х (1) ^ · 8 449 335) (х (2) ^ · 1 550 665).

Прогноз.

• 1- го года 23,74 851
• 2- го года 23,54 878
• 3- го года 23,32 671

Доверительный интервал прогноза 1 — го года + - 5,64 527.

Доверительный интервал прогноза 12 — го года 18,10 324 29,39 378 Доверительный интервал прогноза 2 — го года ± 6,148 608 Доверительный интервал прогноза 12-го года 17,40 017 29,69 738 Доверительный интервал прогноза 3 — го года ± 6,747 527 Доверительный интервал прогноза 12 — го года 16,57 918 30,7 424.

Коэффициент парной корреляции r ух1 = 0,935 показывает, что между урожайностью зерновых и количеством внесения минеральных удобрений (х1) существует тесная связь. Коэффициент детерминации r2 ух1 = 0,9352 = 0,856 показывает, что 85,6% вариация урожайности зерновых обусловлены колеблемостью по годам количества минеральных удобрений, а 14,40% колеблемости связаны с другими факторами в Алматинской области.

Коэффициент парной корреляции r ух2 = 0,278 показывает, что между изменениями остаточного уровня урожайности и осадками существует слабая связь. Коэффициент детерминации r2 ух2 = 0,278 = 0,032 показывает, что 3,20% остаточной вариации урожайности зерновых обусловлены колеблемостью по годам количества осадков.

Для выявления тесноты связи урожайности зерновых культур с обоими факторами, одновременно, исчислен совокупный коэффициент множественной корреляции: R у х1, х2 = 0,911, он показывает, что между урожайностью зерновых и количеством внесения минеральных удобрений и осадками существуют тесные прямые связи. Совокупный коэффициент множественной детерминации R2 у х1, х2 = 0,830 показывает, что вариация урожайности зерновых на 83 0% обусловлена двумя анализируемыми факторами. Значит, выбранные факторы существенно влияют на урожайность зерновых в Алматинской области.

Построение и решенные параметры функции Кобба-Дугласа, выражающее зависимость урожайности зерновых (?) от количества минеральных удобрений (х1) и осадков (х2)имеет вид у = 0,3 697 584 (х1) + 0,8 449 335 (х2) + 0,1 550 665 позволяет сделать вывод о степени влияния каждого из двух факторов на результативный показатель урожайности зерновых. Так параметр а0 = 0,3 697 584 свидетельствует о том, что с увеличением на одну единицу дозы внесения минеральных удобрений до агротехнических норм, следует ожидать прирост урожайности 36,97 кг. Повышение количества осадков до агротехнических норм на один мм, может привести к увеличению урожайности зерновых а1 = 0,8 449 335 на 84,49 кг.

Отсюда можно сделать соответствующие практические выводы и осуществить мероприятия направленные на повышение урожайности зерновых культур в Алматинской области.

Однако на основе коэффициентов регрессии нельзя сказать, какой из факторных признаков оказывает наибольшее влияние на результативный признак, так как параметры функции между собой не сопоставимы, поскольку они измерены разными единицами. На их основе нельзя, также, установить, в развитии каких факторных признаков заложены наиболее крупные резервы изменения результативного показателя, потому что в коэффициентах регрессии не учтена вариация факторных признаков.

На основании анализа коэффициентов регрессии и корреляции установлено, что наибольшая доля прироста урожайности зерновых культур в Алматинской области, из двух анализируемых факторов, может быть обеспечена развитием до определенного уровня такого фактора, как количества осадков. Об этом свидетельствуют и коэффициенты парных корреляции и совокупные коэффициенты множественной корреляции и детерминации.

• 1. Казахстанская правда. -Астана, 12 ноября 2011 г. № 361−362, 2−3с.
• 2. Стратегия индустриально-инновационного развития Республики Казахстан на 2003; 2015 годы. Правительственный бюллетень № 3 (7) май — июнь 2003 г. — Астана, 204 с.
• 3. Дуброва Е. А. Статистические методы прогнозирования. — М.: ЮНИТИ — ДАНА, 2003 г. — 206 с.
• 4. Гусаров В. М. Статистика. М.: ЮНИТИ — UNITY, 2003 г., 187−216 с.
• 5. Симчеры А. В. Статистика. М.: Финансы и статистика, 2005 г., 147−150 с.
• 6. Елисеева И. И. Статистика. М.: Проспект, 2004 г.
• 7. Статистический ежегодник. -Алматы, 2009 г.