Мировой рынок рыбы

Страна Год Темп роста Темп прироста Абсолютное изменение объема рынка Канада 1997 104,0 4,0 153 851 1998 102,4 2,4 97 972 1999 102,9 2,9 121 408 2000 116,4 16,4 695 666 2001 97,4 -2,6 -126 100 2002 107,9 7,9 379 709 2003 107,3 7,3 379 521 2004 105,2 5,2 290 553 2005 101,1 1,1 64 184 2006 102,0 2,0 121 234 2007 103,4 3,4 203 927

Норвегия 1997 94,9 -5,1 -464 163 1998 100,0 0,0 1442 1999 99,0 -1,0 -82 821 2000 108,4 8,4 714 664 2001 95,3 -4,7 -438 910 2002 99,0 -1,0 -87 436 2003 158,6 58,6 5 107 514 2004 90,8 -9,2 -1 268 656 2005 57,0 -43,0 -5 399 861 2006 100,7 0,7 47 785 2007 98,9 -1,1 -76 211

Китай 1997 97,6 -2,4 -2 846 456 1998 104,6 4,6 5 486 656 1999 102,4 2,4 2 908 304 2000 105,1 5,1 6 443 472 2001 98,7 -1,3 -1 791 310 2002 98,1 -1,9 -2 542 974 2003 93,2 -6,8 -8 782 712 2004 91,8 -8,2 -9 821 443 2005 87,0 -13,0 -14 269 853 2006 95,2 -4,8 -4 585 988 2007 98,2 -1,8 -1 606 485 США 1997 90,3 -9,7 -409 750 1998 105,4 5,4 205 452 1999 101,5 1,5 60 151 2000 121,4 21,4 872 990 2001 89,2 -10,8 -535 074 2002 108,8 8,8 390 091 2003 121,6 21,6 1 035 185 2004 101,8 1,8 105 283 2005 134,2 34,2 2 031 662 2006 84,6 -15,4 -1 231 225 2007 84,7 -15,3 -1 031 916

Дания 1997 87,7 -12,3 -177 839 1998 108,9 8,9 113 029 1999 98,2 -1,8 -25 426 2000 110,5 10,5 142 418 2001 97,9 -2,1 -30 860 2002 98,6 -1,4 -20 091 2003 100,1 0,1 1777 2004 96,4 -3,6 -52 906 2005 95,7 -4,3 -60 073 2006 99,5 -0,5 -6208 2007 101,5 1,5 20 509

Россия 1997 104,2 4,2 331 410 1998 105,9 5,9 476 540 1999 106,5 6,5 558 209 2000 105,3 5,3 481 594 2001 102,7 2,7 259 871 2002 108,5 8,5 841 135 2003 100,8 0,8 82 520 2004 94,4 -5,6 -609 696 2005 97,3 -2,7 -274 211 2006 97,3 -2,7 -271 991 2007 100,0 0,0 -2245

Представленные в таблице 7 данные свидетельствуют о том, что в анализируемом периоде темпы роста объемов рыбных рынков представленных стран имеют тенденцию к снижению.

3.

2. Нахождение трендов

Значимость коэффициентов простой линейной регрессии проверяют с помощью t-критерия Стьюдента. При этом вычисляют расчетные значения t-критерия:

для параметра

для параметра

Рассчитанные значения по этим формулам сравнивают с критическими значениями t, рассчитанного для принятого уровня значимости. Для нашего исследования мы примем уровень значимости равный 5%.

Рис. 8. Линия тренда и линия, построенная по фактическим данным объемов рынка.

Для линии тренда приведем значение коэффициента детерминации = 0,56 — Это значение не высоко из-за высокой вариации рынка.

3.

3. Классификация стран и отраслей страны

На любой экономический показатель чаще всего оказывает влияние не один, а несколько факторов. В данной работе будет исследоваться экономический процесс, в котором также учитывается влияние нескольких факторов на результат.

Для отбора факторов используется наиболее распространённый метод исключения, то есть из всего набора факторов происходит их отсев.

Факторы, включаемые во множественную регрессию, должны отвечать следующим требованиям:

Они должны быть количественно измеримы.

Факторы не должны быть интеркоррелированы и тем более находиться в точной функциональной связи.

Отбор факторов производится на основе качественного теоретико-экономического анализа. Однако теоретический анализ часто не позволяет однозначно ответить на вопрос о количественной взаимосвязи рассматриваемых признаков и целесообразности включения фактора в модель. Поэтому отбор факторов обычно осуществляется в две стадии: на первой подбираются факторы исходя из сущности проблемы; на второй — на основе матрицы показателей корреляции определяют t-статистики для параметров регрессии.

Данные, характеризующие рассматриваемую проблему, представлены в таблице. Статистические сведения приведены за 7 лет.

2001 2002 2003 2004 2005 2006 2007 y 2201 1913 1384 1067 961 1172 918×1 736 730,5 719,7 740,1 748,6 744,9 745,9×2 10,8 10,7 10,6 10,3 10,1 9,8 9,5×3 148 532 147 501 146 304 145 649 144 964 144 168 143 474×4 114,9 115 114,4 112,6 111,6 112,5 111,3×5 3167 3983,9 5325,8 6831 8900 10 976,3 13 667,8×6 5807,5 7305,6 8934,6 10 830,5 13 243,2 16 966,4 21 597,9×7 4901 4876 4795 4709 4602 4579 4457×8 0,7 0,4 0,4 0,6 0,7 1,4 1,5×9 23,7 29,7 36,7 36,1 43,2 61,6 78,4×10 65,7 65,34 65,23 65,95 64,85 65,27 65,3

где у — производство рыбной продукции (минтай, судак, камбала, сельдь, палтус и т. д.), тонны;

х1 — численность персонала, тыс. человек;

х2 — число предприятий отлова рыбы, тысяч;

х3 — численность населения, тыс. чел;

х4 — число предприятий на государственном обеспечении, тысяч;

х5 — денежные доходы, млрд руб;

х6 — ВВП, млрд руб;

х7 — правоохранительных организаций, тысяч;

х8 — страхование производственных фондов, %;

х9 — инвестирование в рыболовную промышленность, млрд руб;

х10 — увеличение стоимости квот на отлавливаемую рыбу, %.

Присутствие лишних факторов приводит только к статистической незначимости параметров регрессии. Естественно, использовать все факторы в уравнении регрессии не удастся, так как число наблюдений невелико, и получить значимые параметры уравнения регрессии при таком количестве факторов невозможно. Их число должно быть сведено к минимуму.

Так как в данной экономической модели уже выделены факторы, оказывающие влияние на результат, то при отборе факторов для построения множественной регрессии воспользуемся методом исключения. В данном случае отбор факторов основывается на вычислении матрицы парных коэффициентов корреляции.

3.

4. Нахождение зависимости результирующих показателей от влияющих

Коэффициенты интеркорреляции (т.е. корреляции между объясняющими переменными) позволяют исключить из модели дублирующие факторы.

Для того чтобы сделать выводы о влиянии экономических факторов на развитие лесного хозяйства, необходимо на основе данных, представленных в работе за семилетний период (с 2001 по 2007 гг.), составить модель множественной регрессии, которая бы описывала зависимость производство лекарств от всех вышеперечисленных факторов. Должны быть решены вопросы, связанные с выбранными факторными признаками и с видом применяемого уравнения регрессии. Далее следует рассмотреть влияние выбранных факторов на результат при наличии временной переменной. Совокупность выполненных работ позволит сформулировать выводы о взаимосвязях в изучаемой области.

Частный коэффициент корреляции отражает чистое влияние рассматриваемого фактора на результат, т.к. остальные факторы закрепляются на определенном уровне, т. е. являются постоянными.

Формула для расчета частного коэффициента корреляции, измеряющего влияние на у фактора хi при неизменном уровне других факторов, можно определить по формуле:

где — множественный коэффициент детерминации всего комплекса р факторов с результатом;

— тот же показатель детерминации, но без введения в модель фактора xi.

Парные коэффициенты корреляции вычисляются по формуле:

Получили следующую таблицу коэффициентов корреляции:

у х1×2×3×4×5×6×7×8×9×10 у 1×1 -0,883 1×2 -0,521 0,1002 1×3 -0,495 0,0697 0,959 1×4 0,4136 0,035 -0,755 -0,8104 1×5 0,4561 -0,003 -0,970 -0,9792 0,8554 1×6 0,3665 0,0675 -0,975 -0,9398 0,7412 0,9741 1×7 -0,007 0,1411 -0,526 -0,3517 -0,045 0,4114 0,6033 1×8 0,595 -0,342 -0,694 -0,7302 0,5306 0,6198 0,545 0,0165 1×9 -0,135 0,4521 -0,333 -0,2732 0,6315 0,4497 0,4456 0,1575 -0,239 1×10 -0,635 0,2972 0,7292 0,70 582 -0,765 -0,6855 -0,5901 0,0468 -0,865 -0,188 1

Значения коэффициентов корреляции, находящиеся в диапазоне 0< ׀r׀≤ 0.3 говорят о слабой связи между наблюдаемыми признаками; значения 0.3≤ ׀r׀≤ 0.7 — о средней связи и 0.7≤׀r׀< 1 — о тесной связи. Положительные значения коэффициентов корреляции свидетельствуют о прямой связи между переменными, отрицательные — об обратной связи, то есть увеличение одного из факторов сопровождается уменьшением другого. Из полученной матрицы коэффициентов парной корреляции следует, что ряд факторов имеет парные коэффициенты корреляции больше 0,7.

у х1×2×3×4×5×6×7×8×9×10 у 1×1 -0,883 1×2 -0,522 0,1 1×3 -0,495 0,07 0,959 1×4 0,414 0,035 -0,756 -0,81 1×5 0,456 -0,003 -0,971 -0,979 0,855 1×6 0,366 0,067 -0,975 -0,94 0,741 0,974 1×7 -0,007 0,141 -0,527 -0,352 -0,046 0,411 0,603 1×8 0,595 -0,342 -0,694 -0,73 0,531 0,62 0,545 0,016 1×9 -0,135 0,452 -0,334 -0,273 0,632 0,45 0,446 0,158 0,113 1×10 -0,635 0,297 0,729 0,706 -0,765 -0,69 -0,59 0,047 -0,673 -0,189 1

Из пары факторов х3 и х2 исключаем фактор х2, так как его связь с другими факторами более сильная, чем связь x3 с ними. Исключаем фактор x7, так как его связь с y очень незначительная. По такой схеме исключаем все другие факторы. Таким образом, для построения модели остаются факторы х1, х5, х8 и х10. Матрица коэффициентов парной корреляции для них выглядит следующим образом:

у х1×5×8×10 у 1×1 -0,88 300 608 1×5 0,45 605 173 -0,3 474 1×8 0,59 499 201 -0,342 415 0,619 844 1×10 -0,635 065 0,297 207 -0,685 489 -0,6 729 266 1

Для получения адекватной модели необходимо устранить мультиколлинеарность, т. е. вывести из рассмотрения факторы, которые имеют совокупное воздействие друг на друга. Наличие мультиколлинеарности факторов может означать, что некоторые из них всегда будут действовать в унисон. Для оценки мультиколлинеарности факторов может использоваться определитель матрицы парных коэффициентов корреляции между факторами. Чем ближе к нулю этот проеделитель, тем сильнее мультиколлинеарность факторов. Для наших парных коэффициентов корреляции между факторами матрица имеет вид:

Определитель матрицы парных коэффициентов корреляции между факторами равен 0,2, что достаточно близко к 0, следовательно, между оставшимися факторами наблюдается мультиколлинеарность.

Продолжим удаление факторов, являющихся самыми неинформативными, регулярно сопоставляя значения множественного коэффициента корреляции и детерминации (который оценивает качество построенной модели в целом) и проверяя значимость уравнения регрессии.

В следующих таблицах представлены результаты регрессионного анализа после исключения факторов х1, х5, х8, х10.

ВЫВОД ИТОГОВ Регрессионная статистика Множественный R 0,999 530 603 R-квадрат 0,999 061 427

Нормированный R-квадрат 0,995 307 133

Стандартная ошибка 29,5 134 237

Наблюдения 6

Дисперсионный анализ df SS MS F Значимость F Регрессия 4 898 372,4 224 593,0982 266,111 717 0,45 939 839

Остаток 1 843,9805 843,9 804 935

Итого 5 899 216,4

Коэффициенты Стандартная ошибка t-статистика P-Значение Y-пересечение 30 538,08691 1623,46 624 18,81 042 319 0,3 381 216×1 -26,94 728 304 1,7 745 261 -25,1 017 937 0,2 544 087×5 0,7 316 604 0,87 595 8,352 752 758 0,7 585 572×8 -242,9 957 642 101,983 594 -2,382 694 665 0,25 297 163×10 -81,66 075 105 21,2 523 898 -3,842 426 757 0,16 208 611

По данным вычислениям уравнение регрессии будет иметь вид:

ŷ =30 538,09−26,95*x1+0,007*x5−242.

996*x8−81,66*x10.

Для оценки значимости параметров уравнения используется tкритерий Стьюдента. С помощью t-критерия Стьюдента для каждого из оставшихся факторов можно выяснить, формируется ли он под воздействием случайных величин (является ли фактор информативным).

Его можно определить как:

где — частный Fкритерий Фишера, который определяется по формуле:

где — множественный коэффициент детерминации всего комплекса р факторов с результатом;

— тот же показатель детерминации, но без введения в модель фактора xi.

nчисло наблюдений;

mчисло параметров в модели (без свободного члена).

При этом определяются две гипотезы:

Н0 — коэффициент статистически незначим;

Н1 — коэффициент статистически значим.

Затем сравнивается факторное значение tкритерия, т. е. вычисленное, и табличное, определенное по специальной таблице t-критерия. Если факторное значение окажется больше табличного, то гипотеза Н0 отклоняется и коэффициент признается статистически значимым.

В полученном уравнении tтабл: n-m-1=7−4-1=2, tтабл =4,3

Следовательно коэффициенты при факторах х1, х5 являются статистически значимыми, для них значение t-критерия больше 4,3, следовательно, можно сделать вывод о существенности данных параметров, которые формируются под воздействием неслучайных причин, а коэффициенты при х8, х10, соответственно, незначимы.

P-значение характеризует вероятность случайного характера формирования параметра. Из рассчитанных значений видно, что наибольшей вероятностью случайной природы факторов обладают b8, поэтому этот фактор можно исключить из уравнения регрессии. Также удаляем фактор b10 (так как он не является значимым).

Проведём анализ данных для оставшихся двух факторов:

ВЫВОД ИТОГОВ Регрессионная статистика Множественный R 0,99 242 R-квадрат 0,984 897

Нормированный R-квадрат 0,974 828

Стандартная ошибка 67,28 282

Наблюдения 6

Дисперсионный анализ df SS MS F Значимость F Регрессия 2 885 635,4 442 817,7 97,8 175 049 0,1 856 086

Остаток 3 13 580,93 4526,978 Итого 5 899 216,4

Коэффициенты Стандартная ошибка t-статистика P-Значение Y-пересечение 287,2 650 033 1821,254 14,4 644 0,78 146×1 2,866 255 447 2,231 529 -12,4227 0,112 406×5 -0,145 583 563 0,1 402 6,384 305 0,778 112

Проверим еще раз наличие мультиколлинеарности оставшихся факторов. Для парных коэффициентов корреляции между факторами х1, х5 матрица имеет вид:

Определитель матрицы парных коэффициентов корреляции между факторами приближенно равен 1 что говорит об отсутствии мультиколлинеарности между оставшимися факторами.

Теперь из модели исключены явно коррелированные факторы, следовательно, можно приступать к оценке модели множественной регрессии. Значимость и надежность всего уравнения в целом определяется с помощью

Fкритерия Фишера:

где R2- коэффициент (индекс) множественной детерминации;

nчисло наблюдений;

mчисло параметров при переменных х.

После вычисления F-критерия факторное значение сравнивается с табличным. Если факторное значение больше табличного, то уравнение статистически значимо и надежно.

Полученное уравнение ŷ = 287,265 +2,86*х1 -0,145*х5 является надежным и статистически значимым, т.к. Fфакт = 97,82 > Fтабл=6,94 (для определения Fтабл m=2, n-m-1=7−2-1=4).

Итак, окончательная математическая модель будет выглядеть следующим образом:

ŷ = 287,265 +2,86*х1 -0,145*х5.

Из полученного уравнения видно, что на производство рыбной продукции, тыс. тонн (фактор у) в большей степени влияют такие факторы как численность населения, на тыс. человек (фактор х1) и денежные доходы, млн. руб. (фактор х5). Причем при увеличении численности населения на тыс. человек на единицу производство рыбной продукции увеличится на 2,86 тонн, а при увеличении денежных доходов на 1 млрд руб. — уменьшится на 0,009 тонн.

ЗАКЛЮЧЕНИЕ

В конце данной курсовой работы подведем итоги, характеризующие основные тенденции развития мирового рыбного рынка.

Постоянное повышение спроса населения на рыбу и морепродукты вызвано тем, что осознанная забота о здоровье предусматривает, при организации рационального питания, широкое использование рыбных продуктов, примером чего служат Япония, Китай, Индия. Рыбопродукты выступают как один из главных источников полезных белков, жиров, микроэлементов животного происхождения, антимутагенезов. При высоком содержании белка и низком содержании жира рыбные продукты, имеющие мало холестерина, но пропорционально более высокий уровень ненасыщенных жирных кислот, особенно важны для детей и пожилых людей.

В данной курсовой работе мы выявили характеристики отрасли, её особенности, которые помогли нам определиться с выбором модели для анализа. Описали технологический процесс развития рынка рыбной продукции, выявили факторы, влияющие на этот процесс, и построили многофакторную эконометрическую модель рынка лекарственных препаратов, которая выглядит следующим образом: ŷ = 287,265 +2,86*х1 -0,145*х5. Из полученного уравнения видно, что на производство рыбной продукции, тыс. тонн (фактор у) в большей степени влияют такие факторы как численность населения, на тыс. человек (фактор х 1) и денежные доходы, млн. руб. (фактор х

5). Причем при увеличении численности населения на тыс. человек на единицу производство рыбной продукции увеличится на 2,86 тонн, а при увеличении денежных доходов на 1 млрд руб. — уменьшится на

0,009 тонн. Получили производственные функции для рыбной продукции РФ. Выяснили, что наиболее точно производственный процесс выпуска рыбной продукции описывает линейная производственная функция, имеющая вид: F (K, L)=-9652+1,223K+28,676L.

Построили статистическую и динамическую модели Леонтьева для рыбной отрасли РФ. Для динамической модели Леонтьева учли фактор инфляции за соответствующий период. Построили магистральную модель для рыбной отрасли РФ. Провели доработку модели Леонтьева и магистральной модели, используя выявленные ранее особенности рыбной отрасли РФ. В качестве предложений по усовершенствованию функционирования экономики в рамках модели Леонтьева можно представить следующее: увеличить коэффициент прямых затрат отрасли приборои машиностроения с 0,2 до 0,5, а, логистики, хотя бы до 0,1, что позволит автоматизировать производство рыбной продукции, проверку их качества, а также усовершенствовать каналы сбыта и скорость движения продукции. А предложением для магистральной модели — сделать модель более сбалансированной путем обеспечения постоянного во времени темпа роста выпуска рыбной продукции, зависящего от материальных затрат. Также мы получили модель Солоу для рыбной отрасли РФ, выявив в ней экзогенные переменные.

Российская рыбная промышленность остро нуждается в привлечении иностранных инвестиций в комплексе с технологией и навыками современного управления. Рыбное производство России имеет перспективы привлечения иностранных инвесторов, однако необходимо активизировать этот процесс. Внедрение в отечественную рыбную промышленность гармонизированных с мировым сообществом правил GMP явится важным фактором содействия привлечению иностранных инвестиций. В России сделано уже многое для согласования требований к Рыбному производству с международными. Вместе с тем эту работу необходимо продолжить. Целесообразно шире использовать возможности международных организаций в этой сфере. Реализация изложенных предложений не требует ни капитальных затрат, ни объемных текущих расходов.

Абланская Л.В. Экономико-математическое моделирование: учебник/под общ. ред. И. Н. Дрогобыцкого. — 2-е изд., стереотип. -

М.: Издательство «Экзамен», 2006. — 798с. (Серия «Учебник для вузов»).

Айвазян С.А., Мхитарян В. С. Прикладная статистика и основы эконометрики: Учебник.

М.:ЮНИТИ, 1998.

Басовский Л.Е. — Теория экономического анализа: Учебное пособие.

М.: ИНФРА-М, 2006. — 222 с .

Тенденции на мировом рыбном рынке:// Экономист, 3, 2007.

Гусаров В. М. — Статистика, М: ЮНИТИ-ДАНА, 2003. — 463 с.

Елисеева И.И., Курышева С. В., Костеева Т. В. Эконометрика. Учебник, М.: Финансы и статистика, 2001 г.

Красс М. С., Чупрынов Б. П. — Математика для экономистов. — Спб.: Питер, 2004. — 464 с.

Кундышева Е. С. Математическое моделирование в экономике: Учебное пособие / Под науч. Ред. проф. Б. А. Суслакова. — М.: Издательско-торговая корпорация «Дашков и К», 2004. — 352 с.

Мажутин В.И., Королева О. Н. Математическое моделирование в экономике: Часть III. Экономические приложения: Учебное пособие/В.И. Мажутин: — М.: Флинта: МГУ, 2004. — 176с.: ил.

Мировое рыбное хозяйство. // Росстат. 2007.

Октябрьский П. Я. — Статистика: учебник, М.:ТК Велби, Из-во Проспект, 2003. — 328 с.

Практикум по эконометрике: Учеб. Пособие/ И. И. Елисеева, С. В. Курышева, Н. М. Гордеенко и др.; Под ред. И. И. Елисеевой. М.: Финансы и статистика, 2002.

Ситуация на мировых рыбных рынках:// БИКИ, 119, 2007.

Соловьева М. Н. Мировой рыбный рынок. — М.: Филинъ, 2008.

Суворов Н. Г. Тенденции рыбного рынка. — М.: Феникс, 2007.

Эконометрика: Учебник/И.И. Елисеева, С. В. Курышева, Т. В. Костеева и др.; Под ред. И. И. Елисеевой. — 2-е изд., перераб. И доп. — М.: Финансы и статистика, 2005. — 576 с.: ил.

Юрин М. В. Эконометрика. — М.: Экономика, 2006.

http://www.gazeta.ru

http://www.izvestia.ru

http://www.strana.ru