Реферат: Экономико-статистический анализ эффективности производства зерна в сельскохозяйственных предприя

--PAGE_BREAK--
2. Обоснование объема и оценка параметров статистической совокупности
2.1. Обоснование объема выборочной совокупности
Для проведения расчетов обоснования объема выборочной совокупности будут использованы показатели, предоставленные в таблице 7. Для определения их средних арифметических значений и коэффициентов вариации необходимы предварительные расчёты, которые представлены в приложении 1.

Затем необходимо определить фактический размер предельной ошибки выборки по формуле: <img width=«53» height=«44» src=«ref-2_960609018-193.coolpic» v:shapes="_x0000_i1025">, где t– нормированное отклонение, величина которого определяется заданным уровнем вероятности (при p=0,954; t=2); V– коэффициент вариации признака.

Таблица 7 – Расчет фактической величины предельной ошибки и необходимости численности выборки

Показатель

Фактические значения

Необходимая численность выборки при

<img width=«88» height=«24» src=«ref-2_960609211-195.coolpic» v:shapes="_x0000_i1026">



<img width=«13» height=«23» src=«ref-2_960609406-89.coolpic» v:shapes="_x0000_i1027">

V, %

<img width=«13» height=«15» src=«ref-2_960609495-85.coolpic» v:shapes="_x0000_i1028">, %

1. Затраты на <metricconverter productid=«1 га» w:st=«on»>1 га посева, руб.

<img width=«56» height=«21» src=«ref-2_960609580-158.coolpic» v:shapes="_x0000_i1029">

44,9

19,5

39

2. Себестоимость производства 1 ц зерна, руб.

298,90

27,0

11,7

14

3. Урожайность, ц\га

17,30

38,8

16,9

29



Как известно, совокупность является однородной при коэффициенте вариации <img width=«64» height=«19» src=«ref-2_960609738-155.coolpic» v:shapes="_x0000_i1030"> Величина предельной ошибки при фактической численности выборки равной 21 хозяйствам (n=21) и V=33% составит: <img width=«140» height=«44» src=«ref-2_960609893-345.coolpic» v:shapes="_x0000_i1031">.

В таблице 7 представлен необходимый объём численности выборки, при котором не будет превышена предельная ошибка в размере 14,3%, т.е. <img width=«69» height=«48» src=«ref-2_960610238-239.coolpic» v:shapes="_x0000_i1032">, где V– фактическое значение коэффициента вариации.

Т.о., для того, чтобы не превысить максимально допустимую величину предельной ошибки выборки по 2-м показателям, необходимо отобрать от 14 до 39 хозяйств. А для того, чтобы выборка была репрезентативной при фактической их численности, равной 21 единице, вариация характеризующих признаков должна быть не более 33%.
2.2. Оценка параметров и характера распределения статистической совокупности

Выявление основных свойств и закономерностей исследуемой статистической совокупности необходимо начать с построения ряда распределения единиц по одному из характеризующих их признаков. Оценка параметров ряда распределения позволит сделать вывод о степени однородности статистической совокупности, о возможности использования ее единиц для проведения научно обоснованного экономического исследования.

Рассмотрим порядок построения ряда распределения 21 хозяйства Оричевского и Куменского районов Кировской области по урожайности зерновых.

1. Составим ранжированный ряд распределения предприятий по урожайности, т.е. расположим их в порядке возрастания по данному признаку: 4,9  6,4  9,0  9,3  13,2  13,3  13,6  14,8  15,2  16,6  16,8  18,7  18,8  19,6  20,5  21,0  22,0  25,8  26,0  27,5  30,4.

2. Определим количество интервалов (групп) по формуле: <img width=«115» height=«21» src=«ref-2_960610477-239.coolpic» v:shapes="_x0000_i1033">, где N – число единиц совокупности. При <img width=«49» height=«19» src=«ref-2_960610716-135.coolpic» v:shapes="_x0000_i1034">; <img width=«87» height=«21» src=«ref-2_960610851-195.coolpic» v:shapes="_x0000_i1035">

Тогда <img width=«195» height=«21» src=«ref-2_960611046-313.coolpic» v:shapes="_x0000_i1036">.

3. Определим шаг интервала по формуле: <img width=«100» height=«43» src=«ref-2_960611359-239.coolpic» v:shapes="_x0000_i1037">, где <img width=«61» height=«24» src=«ref-2_960611598-149.coolpic» v:shapes="_x0000_i1038"> — наименьшее и наибольшее значение группировочного признака; k – количество интервалов. <img width=«128» height=«41» src=«ref-2_960611747-313.coolpic» v:shapes="_x0000_i1039">

4. Определим границы интервалов. Для этого <img width=«67» height=«23» src=«ref-2_960612060-163.coolpic» v:shapes="_x0000_i1040"> примем за нижнюю границу интервала, а его верхняя граница равна: <img width=«156» height=«23» src=«ref-2_960612223-273.coolpic» v:shapes="_x0000_i1041"> Верхняя граница первого интервала одновременно является нижней границей второго интервала. Прибавляя к ней величину интервала (h), определим верхнюю границу второго интервала: 10+5,1=15,1 и так далее (15,1+5,1=20,2; 20,2+5,1=25,3; 25,3+5,1=30,4).

5. Подсчитаем число единиц в каждом интервале и запишем в виде таблицы (таблица 8)

Таблица 8 – интервальный ряд распределения хозяйств по урожайности зерновых

Группы хозяйств по урожайности зерновых, ц\га

Число хозяйств

4,9–10

4

10–15,1

4

15,1–20,2

6

20,2–25,3

3

25,3–30,4

4

Итого

21


Для наглядности изобразим интервальные ряды распределения графически в виде гистограммы.

<img width=«554» height=«192» src=«ref-2_960612496-4787.coolpic» v:shapes="_x0000_i1042">

Рисунок 1 – Гистограмма распределения хозяйств по урожайности зерновых

Для выявления характерных черт, свойственных ряду распределения единиц, используем следующие показатели.

1) для характеристики центральной тенденции распределения определим среднюю арифметическую, моду, медиану признака.

Средняя величина признакаопределяется по формуле средней арифметической взвешенной: <img width=«76» height=«52» src=«ref-2_960617283-391.coolpic» v:shapes="_x0000_i1043">, где <img width=«16» height=«24» src=«ref-2_960617674-91.coolpic» v:shapes="_x0000_i1044"> — варианты; <img width=«13» height=«23» src=«ref-2_960609406-89.coolpic» v:shapes="_x0000_i1045">— средняя величина признака; <img width=«16» height=«24» src=«ref-2_960617854-97.coolpic» v:shapes="_x0000_i1046">— частоты распределения. В интервальных рядах в качестве вариантов (<img width=«16» height=«24» src=«ref-2_960617674-91.coolpic» v:shapes="_x0000_i1047">) используют серединные значения интервалов.

<img width=«509» height=«60» src=«ref-2_960618042-1112.coolpic» v:shapes="_x0000_i1048">

<img width=«276» height=«41» src=«ref-2_960619154-554.coolpic» v:shapes="_x0000_i1049">ц/га

Мода– наиболее часто встречающееся значение признака, определяемое по формуле: <img width=«145» height=«47» src=«ref-2_960619708-358.coolpic» v:shapes="_x0000_i1050">, где <img width=«25» height=«24» src=«ref-2_960620066-103.coolpic» v:shapes="_x0000_i1051">— нижняя граница модального интервала; <img width=«13» height=«19» src=«ref-2_960620169-88.coolpic» v:shapes="_x0000_i1052">— величина интервала; <img width=«19» height=«23» src=«ref-2_960620257-103.coolpic» v:shapes="_x0000_i1053">— разность между частотой модального и домодального интервала; <img width=«21» height=«23» src=«ref-2_960620360-103.coolpic» v:shapes="_x0000_i1054">— разность между частотой модального и послемодального интервала.

<img width=«256» height=«44» src=«ref-2_960620463-516.coolpic» v:shapes="_x0000_i1055">ц/га

Медиана– значение признака, находящегося в центре ранжированного ряда распределения, определяемое по формуле: <img width=«176» height=«69» src=«ref-2_960620979-568.coolpic» v:shapes="_x0000_i1056">, где <img width=«24» height=«24» src=«ref-2_960621547-103.coolpic» v:shapes="_x0000_i1057">— нижняя граница медиального интервала; <img width=«13» height=«19» src=«ref-2_960620169-88.coolpic» v:shapes="_x0000_i1058">— величина интервала; <img width=«37» height=«27» src=«ref-2_960621738-220.coolpic» v:shapes="_x0000_i1059">— сумма частот распределения; <img width=«35» height=«24» src=«ref-2_960621958-127.coolpic» v:shapes="_x0000_i1060">— сумма частот домедиальных интервалов; <img width=«25» height=«24» src=«ref-2_960622085-111.coolpic» v:shapes="_x0000_i1061">— частота медиального интервала.

<img width=«219» height=«60» src=«ref-2_960622196-502.coolpic» v:shapes="_x0000_i1062">ц/га

2) для характеристики меры рассеяния признака определим показатели вариации.

Размах вариации составит: <img width=«224» height=«24» src=«ref-2_960622698-341.coolpic» v:shapes="_x0000_i1063">ц/га

Дисперсия составит: <img width=«145» height=«52» src=«ref-2_960623039-507.coolpic» v:shapes="_x0000_i1064">

<img width=«642» height=«43» src=«ref-2_960623546-1106.coolpic» v:shapes="_x0000_i1065">

<img width=«317» height=«41» src=«ref-2_960624652-649.coolpic» v:shapes="_x0000_i1066">

Среднее квадратическое отклонение признака в ряду распределения составит: <img width=«189» height=«29» src=«ref-2_960625301-358.coolpic» v:shapes="_x0000_i1067">ц/га

Коэффициент вариациисоставит: <img width=«248» height=«44» src=«ref-2_960625659-534.coolpic» v:shapes="_x0000_i1068">

3) для характеристики формы распределения используем коэффициенты асимметрии (<img width=«20» height=«24» src=«ref-2_960626193-102.coolpic» v:shapes="_x0000_i1069">) и эксцесса (<img width=«20» height=«24» src=«ref-2_960626295-103.coolpic» v:shapes="_x0000_i1070">):

<img width=«176» height=«52» src=«ref-2_960626398-551.coolpic» v:shapes="_x0000_i1071"><img width=«676» height=«84» src=«ref-2_960626949-1619.coolpic» v:shapes="_x0000_i1072">

Т.к. <img width=«20» height=«24» src=«ref-2_960626193-102.coolpic» v:shapes="_x0000_i1073">>0, распределение имеет правостороннюю асимметрию, о которой также можно судить на основе следующего неравенства: <img width=«25» height=«24» src=«ref-2_960628670-116.coolpic» v:shapes="_x0000_i1074"><<img width=«25» height=«24» src=«ref-2_960628786-115.coolpic» v:shapes="_x0000_i1075"><<img width=«13» height=«23» src=«ref-2_960609406-89.coolpic» v:shapes="_x0000_i1076">

<img width=«200» height=«52» src=«ref-2_960628990-586.coolpic» v:shapes="_x0000_i1077">

<img width=«679» height=«84» src=«ref-2_960629576-1677.coolpic» v:shapes="_x0000_i1078">

Т.к. <img width=«20» height=«24» src=«ref-2_960631253-101.coolpic» v:shapes="_x0000_i1079"><0, фактическое (эмпирическое) распределение является низковершинным по сравнению с нормальным распределением. Если же <img width=«20» height=«24» src=«ref-2_960631253-101.coolpic» v:shapes="_x0000_i1080">>0  распределение следует признать высоковершинным по сравнению с нормальным   (при нормальном распределении   <img width=«20» height=«24» src=«ref-2_960631253-101.coolpic» v:shapes="_x0000_i1081">=0).

Определим   величину показателей вариации и характеристик форм распределения на основе предварительных расчетных данных, представленных в таблице 9.

Таблица 9- Расчетные данные для определения показателей вариации, асимметрии и эксцесса


Серединное значение интервала по урожайности, ц (
xi
)

Число хозяйств

 
(
fi )

Отклонения от  <img width=«13» height=«23» src=«ref-2_960609406-89.coolpic» v:shapes="_x0000_i1082"> = 17,4(ц/га)

(<img width=«40» height=«24» src=«ref-2_960631645-120.coolpic» v:shapes="_x0000_i1083">)

<img width=«77» height=«25» src=«ref-2_960631765-179.coolpic» v:shapes="_x0000_i1084">

<img width=«77» height=«25» src=«ref-2_960631944-185.coolpic» v:shapes="_x0000_i1085">

<img width=«77» height=«25» src=«ref-2_960632129-183.coolpic» v:shapes="_x0000_i1086">

7,45

4

-9,95

396,01

-3940,30

39205,99

12,55

4

-4,85

94,09

-456,34

2213,25

17,65

6

0,25

0,38

0,10

0,03

22,75

3

5,35

85,87

459,40

2457,79

27,85

4

10,45

436,81

4564,66

47700,70

Итого

21

×

1013,16

627,52

91577,76



1)   
Дисперсия:<img width=«145» height=«52» src=«ref-2_960623039-507.coolpic» v:shapes="_x0000_i1087">48,245

2)   
Среднее квадратическое отклонение:<img width=«189» height=«29» src=«ref-2_960625301-358.coolpic» v:shapes="_x0000_i1088">ц/га

3)   
Коэффициент вариации:<img width=«248» height=«44» src=«ref-2_960625659-534.coolpic» v:shapes="_x0000_i1089">

4)   
Коэффициент асимметрии:<img width=«176» height=«52» src=«ref-2_960626398-551.coolpic» v:shapes="_x0000_i1090">0,089

5)   
Эксцесс:<img width=«200» height=«52» src=«ref-2_960628990-586.coolpic» v:shapes="_x0000_i1091">-1,127

      Таким образом, средняя урожайность зерновых составила 17,4 ц\га при среднем квадратическом отклонении 6,9 ц\га. Так как коэффициент вариации больше 33%, совокупность единиц является неоднородной: V=39,9%.

Эмпирическое распределение имеет правостороннюю асимметрию, т.к. <img width=«25» height=«24» src=«ref-2_960628670-116.coolpic» v:shapes="_x0000_i1092"><<img width=«25» height=«24» src=«ref-2_960628786-115.coolpic» v:shapes="_x0000_i1093"><<img width=«13» height=«23» src=«ref-2_960609406-89.coolpic» v:shapes="_x0000_i1094">и <img width=«20» height=«24» src=«ref-2_960626193-102.coolpic» v:shapes="_x0000_i1095">>0 и является низковершинным по сравнению с нормальным распределением, т.к. <img width=«20» height=«24» src=«ref-2_960631253-101.coolpic» v:shapes="_x0000_i1096"><0. При этом отклонение фактического распределения от нормального является несущественным. Следовательно, исходную совокупность единиц можно использовать для проведения экономико-статистического исследования при условии исключения из нее нетипичных предприятий.

Для того чтобы определить, подчиняется ли исходное распределение закону нормального распределения, необходимо проверить статистическую гипотезу о существовании различия частот фактического и теоретического (нормального) распределения.

Для проверки этой гипотезы используем критерий Пирсона (<img width=«19» height=«21» src=«ref-2_960635371-99.coolpic» v:shapes="_x0000_i1097">), фактическое значение которого определяют по формуле: <img width=«152» height=«48» src=«ref-2_960635470-481.coolpic» v:shapes="_x0000_i1098">, где <img width=«16» height=«24» src=«ref-2_960617854-97.coolpic» v:shapes="_x0000_i1099">и <img width=«20» height=«24» src=«ref-2_960636048-104.coolpic» v:shapes="_x0000_i1100">— частоты фактического и теоретического распределения.

Теоретические частоты для каждого интервала определяют в следующей последовательности:

1) для каждого интервала определяют нормированное отклонение:

<img width=«77» height=«45» src=«ref-2_960636152-223.coolpic» v:shapes="_x0000_i1101"> (результаты расчета значений t представлены в таблице 9).

2) используя математическую таблицу «Значения функции <img width=«101» height=«49» src=«ref-2_960636375-333.coolpic» v:shapes="_x0000_i1102">», при фактической величине t для каждого интервала, найдем значение функции нормального распределения (таблица 9).

3) определим теоретические частоты по формуле: <img width=«87» height=«41» src=«ref-2_960636708-253.coolpic» v:shapes="_x0000_i1103">, где <img width=«13» height=«15» src=«ref-2_960636961-84.coolpic» v:shapes="_x0000_i1104">— число единиц в совокупности; <img width=«13» height=«19» src=«ref-2_960620169-88.coolpic» v:shapes="_x0000_i1105">— величина интервала; <img width=«91» height=«41» src=«ref-2_960637133-260.coolpic» v:shapes="_x0000_i1106"> (результаты расчета значений <img width=«20» height=«24» src=«ref-2_960636048-104.coolpic» v:shapes="_x0000_i1107"> представлены в таблице 10).

Таблица 10 – Расчет критерия Пирсона <img width=«37» height=«27» src=«ref-2_960637497-142.coolpic» v:shapes="_x0000_i1108">

Срединное значение интервала по урожайности, ц

Число хозяйств

<img width=«53» height=«45» src=«ref-2_960637639-192.coolpic» v:shapes="_x0000_i1109">

<img width=«31» height=«21» src=«ref-2_960637831-124.coolpic» v:shapes="_x0000_i1110">

<img width=«52» height=«41» src=«ref-2_960637955-207.coolpic» v:shapes="_x0000_i1111">

<img width=«69» height=«48» src=«ref-2_960638162-245.coolpic» v:shapes="_x0000_i1112">

<img width=«16» height=«24» src=«ref-2_960638407-91.coolpic» v:shapes="_x0000_i1113">

<img width=«17» height=«24» src=«ref-2_960638498-97.coolpic» v:shapes="_x0000_i1114">

<img width=«9» height=«16» src=«ref-2_960638595-81.coolpic» v:shapes="_x0000_i1115">

табличное

<img width=«21» height=«24» src=«ref-2_960638676-104.coolpic» v:shapes="_x0000_i1116">

-

7,45

4

1,43

0,1435

3

0,33

12,55

4

0,70

0,3123

5

0,20

17,65

6

0,04

0,3986

6

0,00

22,75

3

0,77

0,2966

5

0,80

27,85

4

1,50

0,1295

2

2,00

Итого

21

x

x

21

3,33



4) подсчитаем сумму теоретических частот и проверим ее равенство фактическому числу единиц, т.е. <img width=«92» height=«27» src=«ref-2_960638780-336.coolpic» v:shapes="_x0000_i1117">(21=21).

Таким образом, фактическое значение критерия составило: <img width=«89» height=«28» src=«ref-2_960639116-211.coolpic» v:shapes="_x0000_i1118">

По математической таблице «Распределение <img width=«23» height=«24» src=«ref-2_960639327-104.coolpic» v:shapes="_x0000_i1119">» определим критическое значение критерия <img width=«23» height=«24» src=«ref-2_960639327-104.coolpic» v:shapes="_x0000_i1120"> при числе степеней свободы (<img width=«12» height=«15» src=«ref-2_960639535-83.coolpic» v:shapes="_x0000_i1121">), равном числу интервалов минус единица и выбранном уровне значимости (0,05).

При <img width=«81» height=«19» src=«ref-2_960639618-155.coolpic» v:shapes="_x0000_i1122"> и <img width=«60» height=«21» src=«ref-2_960639773-154.coolpic» v:shapes="_x0000_i1123"> <img width=«88» height=«27» src=«ref-2_960639927-208.coolpic» v:shapes="_x0000_i1124"> 

Поскольку фактическое значение критерия (<img width=«44» height=«28» src=«ref-2_960640135-149.coolpic» v:shapes="_x0000_i1125">) меньше табличного (<img width=«41» height=«27» src=«ref-2_960640284-144.coolpic» v:shapes="_x0000_i1126">), отклонение фактического распределения от теоретического следует признать несущественным.

Таким образом, средняя урожайность зерновых составила 17,4 ц\га при среднем квадратическом отклонении 6,9 ц\га. Так как коэффициент вариации больше 33%, совокупность единиц является неоднородной: V=39,9%.

Эмпирическое распределение имеет правостороннюю асимметрию, т.к. <img width=«25» height=«24» src=«ref-2_960628670-116.coolpic» v:shapes="_x0000_i1127"><<img width=«25» height=«24» src=«ref-2_960628786-115.coolpic» v:shapes="_x0000_i1128"><<img width=«13» height=«23» src=«ref-2_960609406-89.coolpic» v:shapes="_x0000_i1129">и <img width=«20» height=«24» src=«ref-2_960626193-102.coolpic» v:shapes="_x0000_i1130">>0 и является низковершинным по сравнению с нормальным распределением, т.к. <img width=«20» height=«24» src=«ref-2_960631253-101.coolpic» v:shapes="_x0000_i1131"><0. При этом отклонение фактического распределения от нормального является несущественным. Следовательно, исходную совокупность единиц можно использовать для проведения экономико-статистического исследования при условии исключения из нее нетипичных предприятий.
 
 
     продолжение
--PAGE_BREAK--
3. Экономико-статистический анализ взаимосвязей между признаками изучаемого явления
3.1. Метод статистических группировок
Статистическая группировка – разбиение (разделение) множества единиц изучаемой совокупности на группы по определенным, существенным для них признакам и характеристика этих групп через систему показателей. Для изучения взаимосвязей между отдельными признаками воспользуемся методом аналитических группировок.

Используем две группировки: затраты на <metricconverter productid=«1 га» w:st=«on»>1 га посева и урожайность зерновых; урожайность зерновых и себестоимость 1 ц зерна.

Первая группировка

Таблица 11 – Исходные данные по предприятиям Оричевского и Куменского районов для первой группировки

№ предприятия

Затраты на <metricconverter productid=«1 га» w:st=«on»>1 га посева, руб.

Урожайность зерновых, ц/га

1

2437

13,3

2

6140

26,0

3

4562

15,2

4

6788

21,0

5

7713

22,0

6

6729

19,6

7

3145

14,8

8

7240

25,8

9

8174

18,8

10

4571

20,5

11

3736

16,6

12

2489

9,0

13

4602

13,2

14

2962

13,6

15

11108

30,4

16

2146

4,9

17

6365

27,5

18

3081

6,4

19

3181

9,3

20

3758

16,8

21

5217

18,7



В качестве факторного признака берём затраты на <metricconverter productid=«1 га» w:st=«on»>1 га посева, руб. Т.е. по результатам группировки можно будет сделать вывод о том, как с изменением затрат на <metricconverter productid=«1 га» w:st=«on»>1 га посева в среднем изменится урожайность зерновых.

Построим ранжированный ряд по группировочному признаку, т.е. расположим предприятия в порядке возрастания их затрат на <metricconverter productid=«1 га» w:st=«on»>1 га посева (таблица 12).

Таблица 12 – Ранжированный ряд предприятий по затратам на <metricconverter productid=«1 га» w:st=«on»>1 га посева

№ предприятия

Затраты на <metricconverter productid=«1 га» w:st=«on»>1 га посева, руб.

Урожайность зерновых, ц/га

16

2146

4,9

1

2437

13,3

12

2489

9,0

14

2962

13,6

18

3081

6,4

7

3145

14,8

19

3181

9,3

11

3736

16,6

20

3758

16,8

3

4562

15,2

10

4571

20,5

13

4602

13,2

21

5217

18,7

2

6140

26,0

17

6365

27,5

6

6729

19,6

4

6788

21,0

8

7240

25,8

5

7713

22,0

9

8174

18,8

15

11108

30,4



Определим количество групп (k): при n<40 единиц оптимальное количество групп равно 3-4. Т.к. последний вариант в ранжированном ряду резко отличается, то его следует отбросить, значит n=20, а k=3.

Определим величину интервала групп:

<img width=«244» height=«43» src=«ref-2_960640951-487.coolpic» v:shapes="_x0000_i1132">руб.

Затем определим границы интервалов групп и число предприятий в этих группах (от <img width=«28» height=«23» src=«ref-2_960641438-109.coolpic» v:shapes="_x0000_i1133"> до <img width=«28» height=«23» src=«ref-2_960641438-109.coolpic» v:shapes="_x0000_i1134">+ iи т.д.):

1 группа (2146 — 4155) – 9 предприятий;

2 группа (4155 — 6164) – 5 предприятий;

3 группа (6164 — 8174) – 6 предприятий.

Проведём перегруппировку, анализируя интенсивность изменения группировочного признака в ранжированном ряду:

1 группа (до 3736) – 7 предприятий;

2 группа (3736 — 6365) – 8 предприятий;

3 группа (свыше 6365) – 5 предприятий.

Таблица 13 – Сводные данные по группам

Группы предприятий по затратам на <metricconverter productid=«1 га» w:st=«on»>1 га посева, руб.

Число предприятий

Затраты на <metricconverter productid=«1 га» w:st=«on»>1 га посева, руб.

Урожайность зерновых, ц/га

до 3736

7

19441

71,3

 
3736 — 6365

8

38951

154,5

 
свыше 6365

5

36644

107,2

 
Итого

20

95036

333,0

 


Далее определим взаимосвязь между показателями затрат на <metricconverter productid=«1 га» w:st=«on»>1 га посева и урожайности зерновых с помощью таблицы 14.

Таблица 14 – Влияние затрат на <metricconverter productid=«1 га» w:st=«on»>1 га посева на урожайность зерновых

Группы предприятий по затратам на <metricconverter productid=«1 га» w:st=«on»>1 га посева, руб.

Число

предприятий

В среднем по группам

Затраты на <metricconverter productid=«1 га» w:st=«on»>1 га посева, руб.

Урожайность зерновых, ц/га

до 3736

7

2777

10,2

3736 — 6365

8

4869

19,3

свыше 6365

5

7329

21,4

В среднем по совокупности

20

4752

16,7



Сравнивая показатели по группам можно сделать вывод о том, что с увеличением затрат на <metricconverter productid=«1 га» w:st=«on»>1 га посева зерновых их урожайность в среднем возрастает.

Так, во второй группе предприятий средний уровень затрат на <metricconverter productid=«1 га» w:st=«on»>1 га больше, чем в первой, на 4869-2777=2092 руб., или на 75,3% (<img width=«121» height=«41» src=«ref-2_960641656-336.coolpic» v:shapes="_x0000_i1135">). При этом урожайность зерновых во второй группе выше на 19,3-10,2=9,1 ц/га или на 89,2% (<img width=«116» height=«44» src=«ref-2_960641992-320.coolpic» v:shapes="_x0000_i1136">). Таким образом, увеличение затрат от первой ко второй группе на 100 руб. в расчете на каждый гектар посева приводит к среднему увеличению урожайности на:

<img width=«108» height=«41» src=«ref-2_960642312-301.coolpic» v:shapes="_x0000_i1137">ц/га.

Рост уровня затрат в третьей группе по сравнению со второй на 50,5% (<img width=«121» height=«41» src=«ref-2_960642613-343.coolpic» v:shapes="_x0000_i1138">) приводит к росту урожайности на 10,9% (<img width=«116» height=«44» src=«ref-2_960642956-320.coolpic» v:shapes="_x0000_i1139">), а на каждые 100 рублей увеличения затрат приходится <img width=«151» height=«41» src=«ref-2_960643276-421.coolpic» v:shapes="_x0000_i1140">ц/га увеличения урожайности.

Далее рассмотрим вторую группировку. При этом факторным следует сделать признак, который при проведении первой группировки рассматривался как результативный.
Вторая группировка

Исходные данные представлены в виде таблицы (таблица 15).

Таблица 15 – Исходные данные по предприятиям Оричевского и Куменского районов для второй группировки

№ предприятия

Урожайность зерновых, ц/га

Себестоимость 1 ц зерна, руб.

1

13,3

184

2

26,0

235

3

15,2

300

4

21,0

321

5

22,0

347

6

19,6

340

7

14,8

211

8

25,8

281

9

18,8

434

10

20,5

217

11

16,6

225

12

9,0

276

13

13,2

347

14

13,6

218

15

30,4

357

16

4,9

438

17

27,5

229

18

6,4

477

19

9,3

340

20

16,8

221

21

18,7

279



В качестве факторного признака берём урожайность зерновых, ц/га. Т.е. по результатам группировки можно будет сделать вывод о том, как с изменением урожайности зерновых в среднем изменится себестоимость 1 ц зерна.

Построим ранжированный ряд по группировочному признаку, т.е. расположим предприятия в порядке возрастания урожайности  зерновых (таблица 16).

Таблица 16 – Ранжированный ряд предприятий по урожайности зерновых

№ предприятия

Урожайность зерновых, ц/га

Себестоимость 1 ц зерна, руб.

16

4,9   

438

18

6,4 

477

12

9,0

276

19

9,3 

340

13

13,2 

347

1

13,3 

184

14

13,6 

218

7

14,8 

211

3

15,2 

300

11

16,6 

225

20

16,8 

221

21

18,7 

279

9

18,8 

434

6

19,6 

340

10

20,5 

217

4

21,0 

321

5

22,0 

347

8

25,8 

281

2

26,0 

235

17

27,5 

229

15

30,4

357



Определим количество групп (k): при n<40 единиц оптимальное количество групп равно 3-4. Т.к. n=21, то k=3.

Определим величину интервала групп:

<img width=«213» height=«43» src=«ref-2_960643697-440.coolpic» v:shapes="_x0000_i1141">ц/га

Затем определим границы интервалов групп и число предприятий в этих группах (от <img width=«28» height=«23» src=«ref-2_960641438-109.coolpic» v:shapes="_x0000_i1142"> до <img width=«28» height=«23» src=«ref-2_960641438-109.coolpic» v:shapes="_x0000_i1143">+ iи т.д.):

1 группа (4,9 – 13,4) – 6 предприятий;

2 группа (13,4 – 21,9) – 10 предприятий;

3 группа (21,9 – 30,4) – 5 предприятий.

Далее составим таблицу сводных данных по группам, чтобы определить общие показатели урожайности зерновых и себестоимости 1 ц зерна по выделенным группам.

Таблица 17 – Сводные данные по группам

Группы предприятий по урожайности зерновых ц/га

Число предприятий

Урожайность зерновых, ц/га

Себестоимость 1 ц зерна, руб.

4,9 – 13,4

6

56,1

2062

 
13,4 – 21,9

10

175,6

2766

 
21,9 – 30,4

5

131,7

1449

 
Итого

21

363,4

6277

 


Далее определим взаимосвязь между показателями урожайности зерновых и себестоимости 1 ц зерна с помощью таблицы 18.

Таблица 18 – Влияние урожайности зерновых на себестоимость 1 ц зерна

Группы предприятий по урожайности зерновых ц/га

Число предприятий

В среднем по группам

Урожайность зерновых, ц/га

Себестоимость 1 ц зерна, руб.

4,9 – 13,4

6

9,4

344

13,4 – 21,9

10

17,6

277

21,9 – 30,4

5

26,3

290

В среднем по совокупности

21

17,3

299



Сравнивая показатели по группам можно сделать вывод о том, что с увеличением урожайности зерновых себестоимость 1 ц зерна в среднем изменяется не равномерно.

Так, во второй группе предприятий средняя урожайность зерновых больше, чем в первой, на 17,6-9,4=8,2 ц/га, или на 87,2% (<img width=«116» height=«44» src=«ref-2_960644355-317.coolpic» v:shapes="_x0000_i1144">). При этом себестоимость 1 ц зерна во второй группе ниже на 67 руб. или на 24,2%.

Однако, при дальнейшем увеличение урожайности зерновых в среднем на 8,7 ц/га (26,3-17,6) или на 49,4% себестоимость 1 ц зерна увеличивается на 13 руб. или на 4,7%. Этого говорит о том, что некоторые предприятия работают менее эффективно.    продолжение
--PAGE_BREAK--
3.2. Дисперсионный анализ
Для оценки существенности различия между группами по величине какого-либо признака используем критерий Фишера (F-критерий), фактическое значение которого определяется по формуле: <img width=«105» height=«52» src=«ref-2_960644672-317.coolpic» v:shapes="_x0000_i1145">, где <img width=«41» height=«28» src=«ref-2_960644989-147.coolpic» v:shapes="_x0000_i1146"> — межгрупповая дисперсия; <img width=«43» height=«24» src=«ref-2_960645136-131.coolpic» v:shapes="_x0000_i1147"> — остаточная дисперсия.

Методом дисперсионного анализа при уровне значимости 0,05 дадим статистическую оценку влияния затрат на <metricconverter productid=«1 га» w:st=«on»>1 га посева на урожайность зерновых.

Межгрупповую дисперсию можно найти по формуле: <img width=«217» height=«47» src=«ref-2_960645267-628.coolpic» v:shapes="_x0000_i1148">, где <img width=«25» height=«28» src=«ref-2_960645895-112.coolpic» v:shapes="_x0000_i1149">  — средняя групповая;  <img width=«32» height=«28» src=«ref-2_960646007-128.coolpic» v:shapes="_x0000_i1150">  — средняя общая; m– число групп; n– число вариантов в группе.

Определим <img width=«41» height=«28» src=«ref-2_960644989-147.coolpic» v:shapes="_x0000_i1151">, используя данные таблицы 13:

<img width=«528» height=«44» src=«ref-2_960646282-957.coolpic» v:shapes="_x0000_i1152">

<img width=«169» height=«47» src=«ref-2_960647239-572.coolpic» v:shapes="_x0000_i1153">, где <img width=«33» height=«25» src=«ref-2_960647811-135.coolpic» v:shapes="_x0000_i1154"> — общая вариация; <img width=«39» height=«25» src=«ref-2_960647946-142.coolpic» v:shapes="_x0000_i1155"> — межгрупповая вариация (460,28); N— общее число вариантов (20).

Общая вариация определяется по формуле: <img width=«141» height=«31» src=«ref-2_960648088-474.coolpic» v:shapes="_x0000_i1156">, где <img width=«16» height=«24» src=«ref-2_960638407-91.coolpic» v:shapes="_x0000_i1157">  — варианты; <img width=«32» height=«28» src=«ref-2_960646007-128.coolpic» v:shapes="_x0000_i1158"> — общая средняя из таблицы 11 <img width=«32» height=«28» src=«ref-2_960646007-128.coolpic» v:shapes="_x0000_i1159">=16,7 ц/га.

Определим общую вариацию урожайности: <img width=«239» height=«27» src=«ref-2_960648909-440.coolpic» v:shapes="_x0000_i1160">

<img width=«625» height=«24» src=«ref-2_960649349-895.coolpic» v:shapes="_x0000_i1161">

<img width=«616» height=«24» src=«ref-2_960650244-882.coolpic» v:shapes="_x0000_i1162">

<img width=«653» height=«24» src=«ref-2_960651126-926.coolpic» v:shapes="_x0000_i1163">


<img width=«216» height=«44» src=«ref-2_960652052-693.coolpic» v:shapes="_x0000_i1164">; <img width=«144» height=«44» src=«ref-2_960652745-369.coolpic» v:shapes="_x0000_i1165">

Для того чтобы найти Fтабл., нужно найти число степеней свободы для межгрупповой и остаточной дисперсии. <img width=«204» height=«27» src=«ref-2_960653114-271.coolpic» v:shapes="_x0000_i1166">  <img width=«193» height=«24» src=«ref-2_960653385-315.coolpic» v:shapes="_x0000_i1167">  Fтабл. = 3,55.

Поскольку Fфакт > Fтабл (12,9>3,55), то можно признать различия между группами существенными; уровень интенсивности производства (затраты на <metricconverter productid=«1 га» w:st=«on»>1 га) существенно влияет на урожайность зерновых.

Величина эмпирического коэффициента детерминации, равная <img width=«295» height=«49» src=«ref-2_960653700-704.coolpic» v:shapes="_x0000_i1168">, показывает, что на 60,4% вариация урожайности объясняется влиянием уровня затрат на <metricconverter productid=«1 га» w:st=«on»>1 га посева зерновых.

Методом дисперсионного анализа при уровне значимости 0,05 дадим статистическую оценку влияния урожайности зерновых на себестоимость производства 1 ц зерна.

Определим <img width=«41» height=«28» src=«ref-2_960644989-147.coolpic» v:shapes="_x0000_i1169">, используя данные таблицы 17 (<img width=«32» height=«28» src=«ref-2_960646007-128.coolpic» v:shapes="_x0000_i1170"> — общая средняя из таблицы 18 <img width=«32» height=«28» src=«ref-2_960646007-128.coolpic» v:shapes="_x0000_i1171">=299 руб.):

<img width=«516» height=«44» src=«ref-2_960654807-947.coolpic» v:shapes="_x0000_i1172">

Wобщ= (184-299)2+(235-299)2+(300-299)2+(321-299)2+(347-299)2+(340-299)2+(211-299)2+(281-299)2+(434-299)2+(217-299)2+(225-299)2+(276-299)2+(347-299)2+(218-299)2+(357-299)2+(438-299)2+(229-299)2+(477-299)2+(340-299)2+(221-299)2+(279-299)2=132212

<img width=«305» height=«44» src=«ref-2_960655754-702.coolpic» v:shapes="_x0000_i1173">;  <img width=«144» height=«44» src=«ref-2_960656456-397.coolpic» v:shapes="_x0000_i1174">

<img width=«204» height=«27» src=«ref-2_960653114-271.coolpic» v:shapes="_x0000_i1175">;<img width=«189» height=«24» src=«ref-2_960657124-312.coolpic» v:shapes="_x0000_i1176">, значит Fтабл.= 3,55

Поскольку Fфакт < Fтабл (1,4<3,55), то можно признать различие между группами не существенными; урожайность зерновых не существенно влияет на себестоимость 1 ц зерна.

Величина эмпирического коэффициента детерминации, равная <img width=«296» height=«49» src=«ref-2_960657436-690.coolpic» v:shapes="_x0000_i1177">, показывает, что на 13,2% себестоимость 1ц зерна обуславливается влиянием урожайности зерновых.
3.3. Корреляционно-регрессионный анализ
Корреляционно-регрессионный анализ – это метод математической статистики, используемый для изучения корреляционной связи между признаками явлений.

Рассмотрим взаимосвязь между урожайностью (x1), уровнем затрат на <metricconverter productid=«1 га» w:st=«on»>1 га посева зерновых (x2) и себестоимостью производства 1 ц зерна (Y).

Будем использовать следующее уравнение: Y=a+a1x1+a2x2

Параметры a, a1, a2определим в результате решения системы трех нормальных уравнений:

<img width=«265» height=«85» src=«ref-2_960658126-1638.coolpic» v:shapes="_x0000_i1178">

Расчетные данные (приложение 2)

<img width=«344» height=«75» src=«ref-2_960659764-1389.coolpic» v:shapes="_x0000_i1179">

Преобразуем систему:

<img width=«235» height=«75» src=«ref-2_960661153-1122.coolpic» v:shapes="_x0000_i1180">

Вычтем из второго уравнения системы первое, а затем из третьего второе, получим:

<img width=«188» height=«51» src=«ref-2_960662275-630.coolpic» v:shapes="_x0000_i1181">

Преобразуем полученную систему:

<img width=«181» height=«51» src=«ref-2_960662905-578.coolpic» v:shapes="_x0000_i1182">

Вычтем из второго уравнения системы первое:

<img width=«149» height=«23» src=«ref-2_960663483-280.coolpic» v:shapes="_x0000_i1183">; <img width=«65» height=«23» src=«ref-2_960663763-163.coolpic» v:shapes="_x0000_i1184">

Подставив а2 в уравнения системы, найдем а1 и а0: <img width=«80» height=«23» src=«ref-2_960663926-185.coolpic» v:shapes="_x0000_i1185">; <img width=«81» height=«24» src=«ref-2_960664111-191.coolpic» v:shapes="_x0000_i1186">

В результате решения данной системы на основе исходных данных по 21 предприятиям получаем следующее уравнение регрессии:

Y=350,28-20,50x1+0,06x2

Коэффициент регрессии а1=-20,50 показывает, что при увеличении урожайности на 1 ц с га себестоимость 1 ц зерна снижается в среднем на 20,50 руб. (при условии постоянства уровня интенсивности затрат). Коэффициент а2=0,06 свидетельствует о среднем увеличении себестоимости 1 ц зерна на 0,06 руб. при увеличении уровня затрат производства на 1 руб. в расчете на <metricconverter productid=«1 га» w:st=«on»>1 га посева зерновых (при постоянстве урожайности).

Теснота связи между признаками, включаемыми в модель, может быть определена при помощи коэффициентов множественной корреляции:

<img width=«291» height=«76» src=«ref-2_960664302-843.coolpic» v:shapes="_x0000_i1187">

где <img width=«24» height=«25» src=«ref-2_960665145-128.coolpic» v:shapes="_x0000_i1188">, <img width=«25» height=«25» src=«ref-2_960665273-134.coolpic» v:shapes="_x0000_i1189">, <img width=«27» height=«25» src=«ref-2_960665407-168.coolpic» v:shapes="_x0000_i1190">  — коэффициенты парной корреляции между x1, x2и y. В общем виде формулы для нахождения данных коэффициентов можно представить следующим образом:

<img width=«115» height=«52» src=«ref-2_960665575-350.coolpic» v:shapes="_x0000_i1191">;           <img width=«116» height=«52» src=«ref-2_960665925-368.coolpic» v:shapes="_x0000_i1192">;             <img width=«125» height=«52» src=«ref-2_960666293-421.coolpic» v:shapes="_x0000_i1193">;

<img width=«85» height=«45» src=«ref-2_960666714-340.coolpic» v:shapes="_x0000_i1194">;                 <img width=«88» height=«45» src=«ref-2_960667054-346.coolpic» v:shapes="_x0000_i1195">;                    <img width=«95» height=«45» src=«ref-2_960667400-358.coolpic» v:shapes="_x0000_i1196">;

<img width=«63» height=«45» src=«ref-2_960667758-295.coolpic» v:shapes="_x0000_i1197">;                      <img width=«68» height=«45» src=«ref-2_960668053-302.coolpic» v:shapes="_x0000_i1198">;                 <img width=«72» height=«45» src=«ref-2_960668355-307.coolpic» v:shapes="_x0000_i1199">;

<img width=«145» height=«52» src=«ref-2_960668662-498.coolpic» v:shapes="_x0000_i1200">;   <img width=«144» height=«52» src=«ref-2_960669160-502.coolpic» v:shapes="_x0000_i1201">;               <img width=«21» height=«25» src=«ref-2_960669662-102.coolpic» v:shapes="_x0000_i1202">=<img width=«96» height=«51» src=«ref-2_960669764-430.coolpic» v:shapes="_x0000_i1203">

<img width=«161» height=«41» src=«ref-2_960670194-381.coolpic» v:shapes="_x0000_i1204">;   <img width=«195» height=«41» src=«ref-2_960670575-441.coolpic» v:shapes="_x0000_i1205">; <img width=«183» height=«41» src=«ref-2_960671016-421.coolpic» v:shapes="_x0000_i1206">

<img width=«127» height=«41» src=«ref-2_960671437-312.coolpic» v:shapes="_x0000_i1207">             <img width=«125» height=«41» src=«ref-2_960671749-308.coolpic» v:shapes="_x0000_i1208">;             <img width=«155» height=«41» src=«ref-2_960672057-370.coolpic» v:shapes="_x0000_i1209">

<img width=«212» height=«47» src=«ref-2_960672427-535.coolpic» v:shapes="_x0000_i1210">;   <img width=«276» height=«47» src=«ref-2_960672962-663.coolpic» v:shapes="_x0000_i1211">;

<img width=«21» height=«25» src=«ref-2_960669662-102.coolpic» alt="*" v:shapes="_x0000_i1212">         =<img width=«12» height=«23» src=«ref-2_960673727-73.coolpic» v:shapes="_x0000_i1213"><img width=«200» height=«47» src=«ref-2_960673800-516.coolpic» v:shapes="_x0000_i1214">;  <img width=«263» height=«44» src=«ref-2_960674316-635.coolpic» v:shapes="_x0000_i1215">

<img width=«285» height=«44» src=«ref-2_960674951-726.coolpic» v:shapes="_x0000_i1216">;

<img width=«271» height=«44» src=«ref-2_960675677-705.coolpic» v:shapes="_x0000_i1217">;

R=<img width=«395» height=«51» src=«ref-2_960676382-917.coolpic» v:shapes="_x0000_i1218">

Между себестоимостью (y)  и урожайностью (x1) связь обратная слабая,  между себестоимостью и уровнем затрат на <metricconverter productid=«1 га» w:st=«on»>1 га посева зерновых (x2) связь  прямая слабая. При этом имеет место мультиколлинеарность, т. к.  между факторами существует более тесная связь (<img width=«43» height=«25» src=«ref-2_960677299-182.coolpic» v:shapes="_x0000_i1219">0,840), чем между вторым фактором и результатом (<img width=«40» height=«25» src=«ref-2_960677481-147.coolpic» v:shapes="_x0000_i1220">0,229). Данное явление свидетельствует о неудачном выборе второго фактора, который следовало бы исключить из регрессионной модели, заменив его другим.

Между всеми признаками связь тесная, т.к. R=0,822. Коэффициент множественной детерминации Д=0,8222*100=67,6% вариации себестоимости производства 1ц зерна определяется влиянием факторов, включенных в модель.

Для оценки значимости полученного коэффициента Rвоспользуемся критерием Фишера, фактическое значение которого определяется по формуле:

<img width=«140» height=«48» src=«ref-2_960677628-398.coolpic» v:shapes="_x0000_i1221">,

где n– число наблюдений, 

       m— число факторов.

<img width=«275» height=«48» src=«ref-2_960678026-711.coolpic» v:shapes="_x0000_i1222">

F
таблопределяется при заданном уровне значимости (0,05) и числе степеней свободы:  V1
=
n
–
mи V2
=
m
– 1. Для нашего случая V1=19, V2=1,  F
табл= 4,35.

Поскольку F
факт
>
F
табл, значение коэффициента Rследует считать достоверным, а связь между x1, x2и y— тесной.

Для оценки влияния отдельных факторов и резервов, которые в них заложены, также определяют коэффициенты эластичности, бета — коэффициенты, коэффициенты отдельного определения.

Коэффициенты эластичности показывают, на сколько % в среднем изменяется результативный признак при изменении факторного на 1% при фиксированном положении другого фактора:

      <img width=«236» height=«49» src=«ref-2_960678737-522.coolpic» v:shapes="_x0000_i1223">         <img width=«229» height=«49» src=«ref-2_960679259-543.coolpic» v:shapes="_x0000_i1224">

Таким образом, изменение на 1% урожайности ведет к среднему снижению себестоимости на 1,19%, а изменение на 1% уровня затрат —  к среднему ее росту на  1,01%.

При помощи β — коэффициентов даётся оценка различия в степени варьирования вошедших в уравнение факторов. Они показывают, на какую часть своего среднего квадратического отклонения (<img width=«21» height=«25» src=«ref-2_960669662-102.coolpic» v:shapes="_x0000_i1225">) изменится результативный признак при изменении соответствующего факторного на величину своего среднего квадратического отклонения (<img width=«23» height=«24» src=«ref-2_960679904-103.coolpic» v:shapes="_x0000_i1226">). β-коэффициенты вычисляются следующим образом:

<img width=«244» height=«49» src=«ref-2_960680007-546.coolpic» v:shapes="_x0000_i1227">     <img width=«229» height=«49» src=«ref-2_960680553-561.coolpic» v:shapes="_x0000_i1228">

Это говорит о том, что наибольшее влияние на себестоимость зерна с учётом вариации способен оказать первый фактор, т.к. ему соответствует наибольшая абсолютная величина коэффициента.
Заключение
Объектом исследования послужили предприятия Оричевского и Куменского районов Кировской области.

В целом по совокупности предприятия обладают довольно высоким ресурсным потенциалом. Куменский район по сравнению с Оричевским лидирует по следующим параметрам (в среднем на 1 предприятие): среднесписочная численность работников; выручка от продажи; прибыль от продаж; урожайность; окупаемость затрат; рентабельность продаж.

В составе и структуре выручки от продажи с\х продукции по совокупности двух районов большую часть занимает продукция животноводства (95,6%), тогда как продукция растениеводства составляет 4,4%. Причём следует отметить, что в продукции животноводства значительная доля принадлежит молоку (58,1%), а в продукции растениеводства большее значение занимает зерно (3%).

Анализ данной совокупности показал, что расхождение эмпирического распределения предприятий по урожайности от классического нормального распределения несущественно.

При совокупности, равной 21 единицам, фактический размер предельной ошибки составил 14,3%.

Анализ первой группировки, целью которой было определение влияния интенсивности производства (затрат на <metricconverter productid=«1 га» w:st=«on»>1 га посева) на уровень урожайности, показал, что с дальнейшее увеличение затрат на 1га посева сопровождается увеличением урожайности.

Анализ второй группировки, целью которой было определение влияния уровня интенсивности производства (урожайность с <metricconverter productid=«1 га» w:st=«on»>1 га) на уровень себестоимости 1 ц зерна, показал, что с последовательным увеличением урожайности с <metricconverter productid=«1 га» w:st=«on»>1 га наблюдается сначала довольно резкое снижение себестоимости 1 ц зерна, а затем незначительное увеличение себестоимости.
Средняя урожайность в 21 хозяйствах Куменского и Оричевского районов составляет 20 ц/га.

По общей совокупности хозяйств двух районов урожайность на 60,4 % объясняется влиянием уровня затрат на <metricconverter productid=«1 га» w:st=«on»>1 га посева зерновых; себестоимость 1 ц зерна на 13,2% обуславливается влиянием урожайности зерновых.

Корреляционно-регрессионный анализ группировки показал, что связь между себестоимостью (У) и урожайностью зерновых (х1) обратная слабая, между себестоимостью и затратами на <metricconverter productid=«1 га» w:st=«on»>1 га посева зерновых (х2) связь прямая слабая. Между урожайностью зерновых  х1 и затратами на <metricconverter productid=«1 га» w:st=«on»>1 га посева зерновых х2 связь прямая тесная.

В целом можно сказать, что предприятия Куменского района, работают более эффективно, чем предприятия Оричевского района, т.к. основные показатели эффективности работы предприятий (таких как выручка от продажи, прибыль, рентабельность и т.д.) выше именно у них.
Список литературы
1.     Гусаров В. М. Статистика: Учеб. Пособие для вузов. – М.: ЮНИТИ –ДАНА, 2001. –463с.

2.     Елисеева И. И., Юзбашев М. М. Общая теория статистики: Учебник/Под ред. чл. – корр. РАН И.И. Елисеевой. – 4-е изд., перераб. и доп. — М.: Финансы и статистика, 2000. – 480с.

3.     Зинченко А. П. Сельскохозяйственная статистика с основами социально – экономической статистики. М.: Издательство ЛИХА, 1998. –430с.

4.     Практикум по статистике/А. П. Зинченко, А. Е. Шибалкин, О. Б. Тарасова, Е. В. Шайкина: Под ред. А. П. Зинченко, — М: Колос, 2001. – 392с.

5.     Салин В. Н., Шпаковская Е. П. Социально – экономическая статистика: Учебник. –М.: Юрист, 2001. –461с.

6.     Статистика. Учебник/Под ред. проф. И. И. Елисеевой – М.: ООО «ВИТРЭМ», 2002. – 448с.

7.     Статистика: Учебное пособие/Харченко Л. П., Долженкова В. Г., Ионин В. Г. и др.; Под ред. к.э.н. В. Г. Ионина. – Изд. 2-е, перераб. и доп. – М.: ИНФРА-М, 2001. – 384с.
Приложение 1
Расчетные данные к таблице 7



№ хозяйства

Затраты на <metricconverter productid=«1 га» w:st=«on»>1 га посева, руб.

Себестоимость производства 1 ц зерна, руб.

Урожайность, ц\га

<img width=«19» height=«17» src=«ref-2_960681114-97.coolpic» v:shapes="_x0000_i1229">

<img width=«25» height=«20» src=«ref-2_960681211-109.coolpic» v:shapes="_x0000_i1230">

<img width=«19» height=«17» src=«ref-2_960681114-97.coolpic» v:shapes="_x0000_i1231">

<img width=«25» height=«20» src=«ref-2_960681211-109.coolpic» v:shapes="_x0000_i1232">

<img width=«19» height=«17» src=«ref-2_960681114-97.coolpic» v:shapes="_x0000_i1233">

<img width=«25» height=«20» src=«ref-2_960681211-109.coolpic» v:shapes="_x0000_i1234">

1

2437

5938969

184

33856

13,3

176,89

2

6140

37699600

235

55225

26,0

676,00

3

4562

20811844

300

90000

15,2

231,04

4

6788

46076944

321

103041

21,0

441,00

5

7713

59490369

347

120409

22,0

484,00

6

6729

45279441

340

115600

19,6

384,16

7

3145

9891025

211

44521

14,8

219,04

8

7240

52417600

281

78961

25,8

665,64

9

8174

66814276

434

188356

18,8

353,44

10

4571

20894041

217

47089

20,5

420,25

11

3736

13957696

225

50625

16,6

275,56

12

2489

6195121

276

76176

9,0

81,00

13

4602

21178404

347

120409

13,2

174,24

14

2962

8773444

218

47524

13,6

184,96

15

11108

123387664

357

127449

30,4

924,16

16

2146

4605316

438

191844

4,9

24,01

17

6365

40513225

229

52441

27,5

756,25

18

3081

9492561

477

227529

6,4

40,96

19

3181

10118761

340

115600

9,3

86,49

20

3758

14122564

221

48841

16,8

282,24

21

5217

27217089

279

77841

18,7

349,69

Итого

106144

644875954

6277

2013337

363,4

7231,02
    продолжение
--PAGE_BREAK--