Анализ тенденций и закономерностей формирования себестоимости яровых зерновых в регионе

Далее анализируем показатель частной детерминации . Показатель = 0,1334 означает, что прибыль растениеводства объясняет вариации  прибыли предприятия на 13,34%; 0,5737-значит, что прибыли животноводства объясняет вариацию прибыли предприятия на 57,37%;  -0,002- значит, что балл с. – х.  угодий уменьшает прибыли предприятия на 0,2%; =0,0723 значит, что расход  молока на 100 га с. – х. угодий объясняет вариации  прибыли предприятия 7,23%; = 0,0071 – расход живой массы КРС на 100 га с. – х. угодий объясняет вариацию прибыли предприятия на 0,71%; =0,0004–стоимость ОПФ объясняет вариацию прибыли предприятия на 0,04%; 0,0465- значит, что энергетические мощности  объясняет вариацию прибыли предприятия на 4,65%; =-0,0029-значит, что среднегодовая численность работников уменьшают прибыль предприятия 0,29%; = 0,0259 – значит, что площадь с.-х. угодий  объясняет вариацию прибыли предприятия на 2,59%. Видя вклад каждого фактора в общую вариацию себестоимости яровых зерновых, можно обеспечить высокий уровень результата за счет комбинирования факторов, замены одного другим.

Далее строим последнюю нелинейную КМ (ПРИЛОЖЕНИЕ Е).

 

; ; ; ; .

 где   

Y – прибыль предприятия, млн. руб.,

  прибыль растениеводства, млн. руб.,

  – прибыль животноводства, млн. руб.,

  –    наличие энергетических мощностей, тыс. л. с.,

  площадь с. – х. угодий, га.

Параметр а₀=231,1 показывает, что при влиянии неучтенных в модели факторов прибыль предприятия увеличивается на 231,1  млн. руб. Коэффициент а₁=0,001 – если  прибыль растениеводства увеличится га 1 млн. руб., то прибыль предприятия увеличивается на 0,001 млн. руб.; а₂=0,001 – если прибыль животноводства увеличится на 1 млн. руб., то прибыль увеличится на 0,001 млн. руб.; а₃=1,4 – если балл с. – х. угодий увеличится на 1 балл, то прибыль увеличится на 1,4 млн. руб.; а₄=-0,000004 – если количество  молока на 100 га с. - х. угодий увеличится на 1 ц, то прибыль уменьшится на 0,000004 млн. руб.

η =0,90 показывает, что выбранные факторы сильно влияют на результативный.

t_R=39,3≥2,48, следовательно, модель является устойчивой.

D=81,4% показывает, что выбранные  факторы объясняют изменение  результативного на 81,4%.

Поскольку скорректированный  коэффициент детерминации =0,983 имеет неблизкое значение с коэффициентом детерминации, то модель плохая.

Следующая характеристика критерий Фишера. Расчетное значение F=72,03 сравнивают с табличным, которое определяется для принятого уровня значимости и степеней свободы , где n- число наблюдений, m- число факторов ( включая результативный).  Для =0,01 и для =0,05 и для =0,10   и . Так как расчетное значение  критерия Фишера больше табличного для уровня значимости =0,10, то данная модель пригодна для применения на практике.

Средняя относительная ошибка аппроксимации  =1,38% < 10%, что означает, что модель имеет высокую точность.

Далее рассмотрим коэффициент  существенности коэффициента регрессии t_aj либо критерий Стьюдента или t-статистика.                                                          

Расчетное значение сравнивают с табличным  , которое определяется для различных уровней значимости в зависимости от числа степеней свободы , где n- число наблюдений, m- число факторов (включая результативный). Табличное значение критерия Стьюдента с степенью свободы и уровнем значимости =0,01 равен =2,365, для =0,05  =1,671, для =0,10 =1,290. Если расчетное значение ниже, чем табличное, то данный фактор из модели исключается. В модели коэффициенты существенности следующие: = 4,75; , , _.. Можно сделать вывод, что все факторы значим в модели при =0,05   и =0,10, так как расчетное значение этого показателя ниже табличных значений для всех уровней свободы.

Все факторные показатели имеют различные единицы измерения. Для того чтобы показатели можно  было сравнивать, рассчитывают коэффициент  эластичности.         

 Коэффициенты эластичности  имеют следующие значения:

= 0,14; = 0,41; = 0,78; = -0,19. В большой степени к росту прибыли предприятия приводит энергетические мощности = 0,78, т.е. при увеличении  энергетических мощностей на 1%, прибыль предприятия увеличится на 0,78% .

К снижению прибыли предприятия  приводит  только увеличение площади с. – х. угодий = -0,19, т.е. при увеличении  площади с. – х. угодий на 1%, прибыль предприятия уменьшится на 0,19%.

Рассмотрим  -коэффициент. = 0,28; = 0,73; = 0,15; = -0,15. В данном случае в большей степени к росту прибыли предприятия приводит прибыль животноводства = 0,73, т.е. при увеличении прибыли животноводства на 1стандартное отклонение, прибыль увеличится на 0,73 стандартного отклонения. К снижению прибыли предприятия приводит увеличение площади с. – х. угодий, т.е. при увеличении  площади с. – х. угодий на 1 стандартное, прибыль предприятия уменьшится на 0,15 стандартного отклонения. Суммируя -коэффициенты, сравниваем их с 1. Сумма -коэффициентов равна 1,01, что выше 1. Это означает, что значение результативного показателя изменяется более быстрыми темпами, чем  происходит прирост  факторов.

Далее анализируем показатель частной детерминации . Показатель = 0,13 означает, что прибыль растениеводства объясняет вариации  прибыли предприятия на 13%; 0,60-значит, что прибыли животноводства объясняет вариацию прибыли предприятия на 60%;  0,04- значит, что энергетические мощности  объясняет вариацию прибыли предприятия на 4%;  = 0,03 – значит, что площадь с.-х. угодий  объясняет вариацию прибыли предприятия на 3%. Видя вклад каждого фактора в общую вариацию себестоимости яровых зерновых, можно обеспечить высокий уровень результата за счет комбинирования факторов, замены одного другим.

Еще одной серьезной проблемой  при построении моделей множественной линейной регрессии по МНК является мультиколлинеарность — линейная взаимосвязь двух или нескольких объясняющих переменных. Если объясняющие переменные связаны строгой функциональной зависимостью, то говорят о совершенной мультиколлинеарности. На практике можно столкнуться с очень высокой (или близкой к ней) мультиколлинеарностью — сильной корреляционной зависимостью между объясняющими переменными. Мультиколлинеарность может быть проблемой лишь в случае множественной регрессии.

Чтобы избежать искажения  коэффициентов регрессии в корреляционной модели с мультиколлиниарными факторами используется каскадный корреляционный анализ.

Сущность каскадного корреляционного  анализа заключается в следующем.

1. Выбираем результативный и факторные показатели, проверяем информацию столбцов на достоверность.
2. Выясняем пары факторов тесно связанных друг с другом, т.е. коррелируемых (например в корреляционной модели формирования стоимости валовой продукции — основные производственные и оборотные фонды).
3. Определяем, какие из факторов тесно связанных пар являются ведущими (определяющими). Эти определяющие факторы назовем промежуточными результативными.

4. Строим парную корреляционную модель взаимосвязи 
каждой  пары     факторов,  например:

,

где   у_х  — стоимость оборотных фондов;

х₁ — стоимость основных производственных фондов.

При этом рассчитываем все  остальные характеристики.

5. Рассчитаем разность фактических и расчетных значений фактора, тесно связанного с другим или другими

В корреляционной модели вместо фактора х₂ ставим столбец , определяющий величину отклонения фактического значения фактора от среднего уровня и считаем параметры модели. В этом случае коэффициенты регрессии при покажут влияние на результативный показатель нового фактора при его отклонении от среднего уровня. В этом случае удается избежать искажения, имеющего место в корреляционной модели с тесно коррелируемыми факторами.

Мультиколлинеарность наблюдается  среди следующих  показателей:

- приходится ж. м. КРС  на 100 га с. – х. угодий, ц  – стоимость ОПФ, млн. руб.;

- стоимость ОПФ, млн.  руб. – наличие энергетических  мощностей, тыс. л. с.

-  наличие энергетических  мощностей, тыс. л. с.- среднегодовая  численность работников, чел.(ПРИЛОЖЕНИЕ Ж)

В первой паре  результативным показателем будет расход ж. м. КРС  на 100 га с. – х. угодий, ц; во второй — стоимость ОПФ, млн. руб. ; в третьей — наличие энергетических мощностей, тыс. л. с. Строим парную корреляционную модель взаимосвязи каждой пары факторов. Получим следующие уравнения КМ:

-для первой пары: Y=425,5+0,002x;

-для второй пары: Y=19759,8+3344,5x;

-для третьей пары: Y=3+0,04x.

 Затем разность фактических  и расчетных значений факторов  подставляем в проверенные данные и строим корреляционную модель , которая отражает отсутствие мультиколлинеарности.

Модель после устранения мультиколлинеарности будет иметь  вид (ПРИЛОЖЕНИЕ И):

  ; ; _.

 где    Y – прибыль предприятия, млн. руб.,

  прибыль растениеводства, млн. руб.,

  – прибыль животноводства, млн. руб.,

  –  балл с. – х. угодий,

  приходится молока на 100 га с. - х. угодий, ц,

  приходится ж. м. КРС  на 100 га с. - х. угодий, ц,

  – стоимость ОПФ, млн. руб.,

  наличие энергетических мощностей, тыс. л. с.,

  среднегодовая численность работников, чел.,

  площадь с. – х. угодий, га.

Параметр а₀=24,8показывает, что при влиянии неучтенных в модели факторов прибыль предприятия увеличивается на 24,8  млн. руб. Коэффициент а₁=1,00 – если  прибыль растениеводства увеличится га 1 млн. руб., то прибыль предприятия увеличивается на 1,00 млн. руб.; а₂=1,03 – если прибыль животноводства увеличится на 1 млн. руб., то прибыль увеличится на 1,03 млн. руб.; а₃=0,66 – если балл с. – х. угодий увеличится на 1 балл, то прибыль увеличится на 0,66 млн. руб.; а₄=-0,06 – если количество  молока на 100 га с. - х. угодий увеличится на 1 ц, то прибыль уменьшится на 0,06 млн. руб.; а₅=-0,19 - если   расход ж. м. КРС на 100 га с. - х. угодий отклонится от его среднего уровня на  га 1 ц, то прибыль уменьшится на 0,19 млн. руб.; а₆=0,0002 - если стоимость ОПФ отклонится от ее среднего уровня  на 1 млн. руб., то прибыль увеличится на 0,0002 млн. руб., а₇=4,23 - если энергетические мощности отклонятся от их среднего уровня  на 1 тыс. л. с., то прибыль увеличится на 4,23 млн. руб., а₈=0,05 – если среднегодовая численность работников увеличится на 1 человека, то прибыль увеличится на 0,05 млн. руб.; а₉=-0,004 - если   площадь с. – х. угодий увеличится 1 га, то прибыль уменьшится на 0,004 млн. руб.

R=0,99 показывает, что выбранные  факторы сильно влияют на результативный.

D=97,78% показывает, что выбранные  факторы объясняют изменение  результативного на 97,78%.

Следующая характеристика критерий Фишера. Расчетное значение F=298,02 сравнивают с табличным, которое определяется для принятого уровня значимости и степеней свободы , где n- число наблюдений, m- число факторов (включая результативный).  Для =0,01 и для =0,05 и для =0,10   и . Так как расчетное значение  критерия Фишера больше табличного для трех уровней значимости, то данная модель пригодна для применения на практике.

Мы наблюдаем тот факт, что мультиколлиниарность исчезла после проведения корреляционного анализа.(ПРИЛОЖЕНИЕ К)

 

3. Анализ тенденций и закономерностей формирования себестоимости яровых зерновых в регионе

 

Для более полного анализа  тенденций формирования себестоимости  зерна была использована одноэтапная  схема корреляционного анализа.

 Для построения одноэтапной  корреляционной модели нам необходимо  выполнить следующие действия:

1. Сравнить расчетное и фактическое значение результативного показателя;
2. Выделить три группы  предприятий по уровню использования ресурсного потенциала, то есть рассчитаем коэффициент использования ресурсного потенциала (К) по формуле:

К = Y_i / Y_х

где

Y_i - фактическое значение результативного показателя;

Y_х - расчётное значение результативного показателя;

3. Затем мы сортируем информацию по коэффициенту использования ресурсного потенциала (К) и разбиваем информацию на две группы хозяйств в зависимости от уровня использования ресурсного потенциала:

                       1. ( )- худшая группа ( низкий );

2. ( )- лучшая группа (высокий );

 

4)по каждой группе предприятий  рассчитываем средние фактические  значения показателей  и на  их основе определяем относительные  показатели, которые характеризуют эффективность использования ресурсов.

Затем рассчитываем средние  значения по группам и составляем таблицу.

В первую группу вошли хозяйства  с коэффициентом эффективности  до 1,0, т.е. сельскохозяйственные предприятия, которые недостаточно эффективно используют собственные ресурсы и имеют потенциальные возможности для повышения прибыли предприятия. Ко второй группе были отнесены хозяйства с коэффициентом эффективности свыше 1,00, наиболее эффективно использующие свой ресурсный потенциал.(ПРИЛОЖЕНИЕ Л)