Составление статистического прогнозирования мясной продукции КРС

Размещено на http://www.allbest.ru/

Введение

статистический прогнозирование динамический скотоводство

В настоящее время общество встало на путь перехода к рыночной экономике. Этот процесс займет длительный период и будет проходить со многими противодействиями, осложнениями и успехами. Поэтому в сложной, противоречивой экономической ситуации необходимо выявление намечающихся тенденций, определяющих будущее народного хозяйства, а также составление прогноза на перспективу, который является неотъемлемой составной частью планирования в экономике с целью обеспечения устойчивости объемов производства продукции и эффективности производства в целом. Эти задачи в современной экономике решает прогнозирование, статистический характер которого из-за используемых методов при решении данных проблем экономического развития признают многие ученые-экономисты.

Статистический прогноз - это вероятностная оценка возможности развития того или иного объекта (процесса) и величины его признаков в будущем, полученная на основе статистической закономерности, выявленной по данным прошлого периода. Объектом статистического прогнозирования могут быть те явления и процессы, управление которыми, а тем более планирование их развития затруднено из-за действия многих факторов, влияние которых не может быть однозначно и полностью определено. Статистический прогноз предполагает не только верное качественное предсказание, но и достаточно точное количественное измерение вероятных возможностей ожидаемых значение признаков.

Однако, в настоящее время прогнозирование затрудняется неблагополучной народнохозяйственной конъюнктурой и общим состоянием экономики. Возникает ряд проблем, от решения которых зависят переход к рынку, стабилизация и улучшение положения дел в народном хозяйстве. Реализация таких целей требует соответствующих законодательных актов, а действенность принимаемых законов и постановлений, в свою очередь, предполагает изученность проблем экономического развития страны и отдельных ее регионов.

Как известно, урожай является сложным продуктом взаимодействия природных и экономических факторов. Урожайность же характеризует продуктивность определенной культуры в конкретных условиях ее возделывания. Объектом исследования настоящей курсовой работы как результат взаимодействия хозяйственно-агротехнических или управляемых факторов и факторов метеорологических, обуславливаемых ее случайную колеблемости.

Целью данной работы является составление статистического прогнозирования мясной продукции КРС на примере Орловской области. Для чего в процессе экономического анализа необходимо решить следующие задачи: основные методы статистического прогнозирования, сущность и условия применения; методика авторегрессионного прогнозирования, сущность и условия применения; методы изучения тренда динамического ряда; анализ колеблемости уровней динамического ряда; условия развития мясного скотоводства в РФ и Орловской области; построение и анализ вариационного ряда мясной продуктивности КРС; авторегрессионное прогнозирование мясной продуктивности КРС по тренду и колеблемости; индексный анализ производства мяса КРС; статистическая отчетность от реализации. Решение этих задач проводится методом авторегрессионного прогнозирования, основу которого составляет статистическое изучение динамики прогнозируемого показателя, в данном случае - урожайности, за предшествующий период и изучение его колеблемости. Также в процессе выполнения курсовой работы важно установить, используя метод индексного анализа, изменения валового сбора в целом и за счет отдельных факторов.

При написании курсовой работы использовались следующие методы: методы статистического прогнозирования, авторегрессионного прогнозирования, изучения тренда динамического ряда, колеблемости уровней динамического ряда, прогнозирование на основе динамических рядов, современное состояние отрасли мясного скотоводства, построение и анализ вариационного ряда, авторегрессионное прогнозирование, индексный анализ.

В данной курсовой работе были использованы: учебники по общей теории статистики, социально-экономической статистике, статистические сборники, интернет-ресурсы.



1. Основные методы статистического прогнозирования

Под прогнозом понимается научно обоснованное описание возможных состояний объектов в будущем, а также альтернативных путей и сроков достижения этого состояния. Сам процесс разработки прогнозов называется прогнозированием.

Прогнозирование (от греч. prognosis - знание наперед) - это вид познавательной деятельности человека, направленной на формирование прогнозов развития объекта на основе анализа тенденций его развития. Прогнозирование должно отвечать на два вопроса: что вероятнее всего можно ожидать в будущем?

Каким образом нужно изменить условия, чтобы достичь данного состояния?

Прогнозирование является важным связующим звеном между теорией и практикой во всех областях жизни общества. В зависимости от степени конкретности и характера воздействия на ход исследуемых процессов и явлений различают три формы предвидения: гипотезу (общенаучное предвидение), прогноз и план. Эти формы предвидения тесно связаны в своих проявлениях друг с другом и с исследуемым объектом в системе управления и планирования представляют собой последовательные ступени познания поведения объекта в будущем.

Исходное начало этого процесса - гипотеза. Это научно обоснованное предположение о структуре объекта, характере элементов и связей, образующих этот объект, механизме его функционирования и развития. На уровне гипотезы дается качественная характеристика объекта, выражающая общие закономерности его поведения. Хотя гипотеза носит наиболее общий характер, без нее не возможно никакое научное управление и планирование. Гипотеза оказывает воздействие на этот процесс через прогноз; являясь важным источником информации для его составления.

Прогноз в сравнении с гипотезой имеет большую определенность и достоверность, поскольку основывается не только на качественных, но и на количественных характеристиках и поэтому позволяет характеризовать будущее состояние объекта также количественное. Прогноз выражает предвидение на уровне конкретно-прикладной теории, так как связан с будущим, которое всегда стохастично. Будущее зависит от многих случайных факторов, сложное переплетение которых практически учесть невозможно. Отсюда все прогнозы носят вероятностный характер.

При исследовании сущности прогноза предстоит определить методологические аспекты соотношения прогноза и плана. Каждый из них должен знать определенное место в системе управления народным хозяйством. План представляет собой систему взаимосвязанных, направленных на достижение единой цели плановых заданий, определяющих порядок, сроки и последовательность осуществления отдельных мероприятий. В нем фиксируются пути и средства развития в соответствии с поставленными задачами, обосновываются принятые управленческие решения.

План и прогноз представляют собой взаимно дополняющие друг друга стадии планирования. При этом прогноз выступает как фактор, ориентирующий существующую практику на возможности развития в будущем, а прогнозирование - как инструмент разработки планов. Формы сочетания прогноза и плана могут быть различными: прогноз может предшествовать разработке плана, следовать за ним или производиться в процессе разработки плана. Существенное различие между ними состоит в том, что план - отражение и воплощение уже принятого хозяйственно-политического решения, а прогноз - это поиск реалистического экономически верного пути. Прогнозирование представляет собой исследовательскую базу планирования, имеющую собственную методологическую основу, отличающуюся во многом от планирования.

Таким образом, задачи экономико-статистического прогнозирования следующие: выявление перспектив ближайшего или более отдаленного будущего в исследуемой области на основе реальных процессов действительности: выработка оптимальных тенденций и перспективных планов с учетом составленного прогноза и оценки принятого решения с позиций его последствий в прогнозируемом периоде.

Прогнозы можно подразделять в зависимости от целей, задач, объектов, времени упреждения, методов организации прогнозирования, источников информации и т.д.

Большое количество таких признаков и отсутствие их строго определенных характеристик затрудняют создание единой классификации.

Согласно принятым классификациям с точки зрения объекта прогнозирования прогнозы можно подразделять на научно-технические, экономические, социальные, военно-политические.

Экономические в свою очередь могут подразделяться в зависимости от масштабности объекта на: а) глобальные - рассматривают наиболее общие тенденции и закономерности в мировом масштабе; б) макроэкономические -анализируют наиболее общие тенденции явлений и процессов в масштабе экономики страны в целом; в) структурные (межотраслевые и межрегиональные) - предсказывают развитие народного хозяйства в разрезе отраслей материального производства и промышленности; г) региональные - предсказывают развитие отдельных регионов; д) прогнозы развития народнохозяйственных комплексов определяют закономерности развития совокупностей отраслей, объединенных единой целью функционирования, технологической последовательностью обработки исходного сырья и т.д.; е) отраслевые - прогнозируют развитие отраслей; ж) микроэкономические - предсказывают развитие отдельных предприятий, производства и отдельных продуктов и т.д.

По времени упреждения выделяются следующие экономические прогнозы: оперативные (до 1 месяца); краткосрочные (от нескольких месяцев до 1 года); среднесрочные (от 1 до 5 лет); долгосрочные (от 5 до 20 лет и более).

Перечисленные виды прогнозов отличаются друг от друга по своему содержанию и характеру оценок исследуемых процессов. Оперативный прогноз основан на предположении о том, что в прогнозируемом периоде не пройдет существенных изменений в исследуемом объекте как количественных, так и качественных. В них преобладают детально-количественные оценки ожидаемых событий.

Краткосрочный прогноз предполагает только количественные изменения. Оценка событий дается только количественная. Среднесрочный и долгосрочный прогнозы исходят как из количественных, так и из качественные изменения преобладают над качественными. В среднесуточном прогнозе оценка событий дается количественно-качественная, в долгосрочном количественно-количественная.

Временем упреждения при прогнозировании называет отрезок времени от момента, для которого имеются последние статистические данные об изучаемом объекте, до момента, к которому относится прогноз. Иногда его называют прогнозируемым периодом.

Продолжительность периода зависит от специфики объекта прогноза, в частности от времени функционирования объекта прогнозирования, от интенсивности роста показателей, от продолжительности действия выявленных тенденций и закономерностей.

В зависимости от целей прогноза (по функциональному признаку) можно выделить 2 типа: поисковый и нормативный прогнозы.

Нормативный прогноз - прогноз, который предназначен для указания возможных путей и сроков достижения заданного, желаемого конечного состояния прогнозируемого объекта. Поисковый же прогноз не ориентируется на заданную цель, а рассматривает возможные направления будущего развития прогнозируемого объекта (его будущего состояния). Таким образом, поисковый прогноз отталкивается при определении будущего состояния объекта от его прошлого и настоящего, нормативный же прогноз осуществляется в обратном порядке: от заданного состояния в будущем к существующим тенденциям и их изменениям в составе поставленной цели. При этом оба прогноза выступают на практике одновременно в качестве направлений и подходов к прогнозированию и используются совместно.

Разработка прогнозов опирается на применение различных методов прогнозирования.

Методами прогнозирования называются совокупность приемов мышления, позволяющих на основе анализа прошлых (ретроспективных) внешних и внутренних связей, присущих объекту, а так же их изменений в рамках рассматриваемого явления вынести суждение определенной достоверности относительно будущего развития объекта.

В настоящее время насчитывают более 150 методов и приемов прогнозирования. При этом каждый из них имеет свои особенности в зависимости от цели его использования и уровня проводимых исследований. Методы различают также по научной обоснованности и назначению. Выбор методов прогнозирования осуществляется в соответствии с характером объекта и требований, предъявляемых к информационному обеспечению. Опыт, накопленный современной прогностикой, показывает, что в большом многообразии методов прогнозирования можно выделить следующие их группы: методы экспертных оценок, методы экстраполяции, моделирование, нормативный и целевой методы.

Методы экспертных оценок основаны на использовании экспертной информации. Они помогают установить степень сложности и актуальность проблемы, определить основные цели и критерии, выявить важные факторы и взаимосвязи между ними, выбрать наиболее предпочтительные альтернативы. Известны 2 подхода к использованию экспертов: индивидуальные оценки и групповые.

Индивидуальные оценки, или метод согласования оценок, состоит в том, что каждый эксперт дает оценку независимо от других, а затем с помощью какого- либо приема эти оценки могут быть представлены в виде оценок типа интервью или аналитических записок.

Групповые или коллективные методы экспертизы основаны на совместной работе экспертов и получении суммарной оценки от всей группы специалистов в целом.

Среди них более распространенными являются метод комиссии и метод мозговой атаки (метод коллективной генерации идет или метод группового рассмотрения с отнесенной оценкой).

Методы экстраполяции основываются на предположении о неизменности факторов, определяющих развитие изучаемого объекта, и заключаются в распространении закономерностей развития объекта, и заключаются в распространении закономерностей развития объекта в прошлом на его будущее. В зависимости от особенностей изменения уровней в ряду динамики приемы экстраполяции могут быть простыми и сложными. Первую группу составляют методы прогнозирования, основанные на предположении о том относительном постоянстве в будущем абсолютных значений уровней, среднего уровня ряда, среднего абсолютного прироста, среднего темпа роста. Вторая группа методов основана на выявлении основной тенденции, т.е. применении статистических формул, описывающих тренд.

Их можно разделить на 2 основных типа: на адаптивные методы и аналитические (кривых роста). Адаптивные методы прогнозирования основаны на том, что процесс реализации их заключается в вычислении последовательных во времена значений прогнозируемого показателя с учетом степени влияния предыдущих уровней. К ним относятся методы скользящей и экспоненуальной средних, метод гармонических весов, метод авторегрессионых преобразований. В основу аналитических методов (кривых ростов) прогнозирования положен принцип получения с помощью метода наименьших квадратов оценки детерминированной компоненты, характеризующей основную тенденцию.

Особое место в современном прогнозировании занимают методы многофакторного моделирования - логического, информационного, статистического.

К логическому моделированию относятся методы прогнозирования по исторической аналогии, методы сценария, дерева целей, матриц взаимовлияния и др.

Метод исторической аналогии основан на установлении и использовании аналогии объекта прогнозирования с одинаковым по природе объектом, опережающим первый в своем развитии. Условиями успешного использования этого метода является правильный выбор объектов сопоставления, а также учет поправки на историческую обусловленность сознания. В прошлом историческая аналогия применялась в области критического сопоставления культур; известны также акты преемственности в развитии научных принципов и идей.

Если события заданы в форме их описания, то показ вариантов возможной обстановки в будущем и установление времени ее наступления осуществляется с помощью метода сценария. Под сценарием понимается обзор информации, характеризующий данную ситуацию. Эти данные включают в себя описание отдельных факторов, включающих в той или иной степени на поступление конкретного события. Задачей сценария является характеристика обстановки, в которой развивается прогнозируемый процесс.

Применение метода дерева целей в прогнозировании позволяет последовательно разбить основные задачи на подзадачи и создать систему «взвешенных» по экспертным оценкам связей. Для отбора факторов в прогностическую модель и построения системы связей широко используются на практике матрицы взаимовлияния (смежности), теория графов и др.

Методы информационного моделирования составляют специфическую область в прогнозировании. Характерные свойства массовых потоков информации создают предпосылки для прогнозирования развития на основе массовых источников информации, содержащих необходимые логически упорядоченные последовательности документов.

Наиболее распространенными являются методы прогнозирования, основанные на статистическом моделировании. Методы статистического прогнозирования могут быть разбиты на 2 большие группы: прогнозирование на основе единичных уровней регрессии, описывающих взаимосвязь признаков-факторов и результативных признаков и прогнозирование на основе системы уравнений взаимосвязанных рядов динамики.

Наиболее сложным методом прогнозирования является прогнозирование на основе взаимосвязанных рядов динамики. С его помощью можно получить не только оценки результативного, но и факторных признаков, т.е. анализ взаимосвязанных рядов динамики выражается с помощью системы уравнений регрессии. Прогноз в этом случае лучше поддается содержательной интерпретации, чем простая экстраполяция.

Нормативный метод прогнозирования заключается в установлении для определенного отрезка времени фиксированной системы норм. В качестве инструмента при нормативном прогнозировании могут быть использованы теория графов, матричный подход и др.

Сущность целевого прогнозирования заключается в решении обратной задачи: в отыскании условий для достижения в будущем норм, задаваемых в виде строго определенных и обоснованных величин. Решение этой задачи обычно осуществляется методами математического программирования.

Комплекс методов прогнозирования постоянно совершенствуется и пополняется новыми методами. Одной из центральных проблем является разработка обоснованной классификации и выбор методов прогнозирования. Попытки создания такой классификации делались неоднократно. В настоящее время имеется большое количество классификационных схем методов прогнозирования, в основу которых положены различные классификационные принципы. Однако классификация прогнозов по методам их разработки затрудняется отсутствием единой классификации методов. Наиболее важными классификационными признаками методов прогнозирования являются следующие: степень формализации, общий принцип действия, способ получения прогнозной информации.

По степени формализации методы прогнозирования можно разделить на интуитивные и формализованные. Интуитивные применяются тогда, когда невозможно учесть влияние многих факторов из-за значительной сложности объекта прогнозирования, либо когда объект слишком прост. Эти методы базируются на информации, которая получается по оценкам специалистов-экспертов. Формализованные методы базируются на фактически имеющемся информационном материале об объекте прогнозирования и его прошлом развитии.

Классы интуитивных и формализованных методов прогнозирования по своему составу аналогичны экспертным и «фактографическим» методам. Фактографические методы имеются источник информации об объекте прогнозирования, основанный на фактических данных, необходимых для достижения цели прогнозирования; экспертные методы базируются на информации, полученной по оценкам специалистов-экспертов.



2. Методика авторегрессионного прогнозирования, сущность и условия применения

2.1 Методы изучения тренда динамического ряда

Анализ и статистическое описание динамики какого-либо существенного колеблющегося показателя начинается с выявления формы его тренда. После этого приступают к статистической оценке параметров тренда.

В соответствии с определением тренда, форма его объективна и отражает закономерности развития изучаемого процесса. Задача исследователя заключается в выявлении реально существующей формы тренда, а затем уже в выборе того уравнения (типа линии), которое наилучшим образом аппроксимирует объективный тренд. С позиций признания объективного характера формы тренда исходный пункт исследования самого процесса развития заключается в выявлении его материальной природы, внутренних причин развития и его внешних условий. Такое исследование может установить ожидаемую форму тренда.

Производственные процессы значительно сложнее и априорно установить характер закона изменения какого-либо показателя обычно не удается.

Существует система иерархически соподчиненных тенденций (трендов) динамики.

Трендом называют конкретное, в форме определенной монотонной кривой описание тенденции развития. Тенденцией же точнее называть объективно существующее свойство процесса, которое лишь приближенно отражается и описывается трендом определенного вида. Тенденцию в этом смысле можно отождествить с понятием «истинного тренда». Система иерархически соподчиненных трендов состоит из трендов первого порядка, каждый их которых имеет определенное направление.

Тренд первого порядка отражает определенный однородный период развития. На различных этапах развития тренды первого порядка могут иметь разный характер.

Система трендов объединяется общим трендом более высокого порядка, отражающего характер процесса развития в целом.

Теоретический анализ тренда дополняется исследованием его формы по фактическому динамическому ряду, что позволяет выявить тип тренда и измерить его конкретные параметры.

В первичном динамическом ряду колебания уровней не позволяют установить, соблюдается ли единая тенденция за весь период и какова ее форма. Простейшим методом, позволяющим в значительной мере абстрагироваться от колебаний и выявить тенденцию, служит метод среднегодовых уровней за отдельные периоды.

Для достаточно надежного выявления формы тренда необходимо иметь 4-5 таких среднегодовых уровней. В то же время для того, чтобы в основном абстрагировать эти среднегодовые уровни от колеблемости, каждый из них должен являться обобщением урожайности за достаточно большое число лет с различными по благоприятности для выращивания культур условиями и уже не менее чем за пять лет. Для этого необходимо иметь в наличии исходный ряд значительной длительности.

Сравнительно несложной и эффективной является методика изучения тренда динамического ряда на основе его сглаживания с помощью скользящей средней. По ряду скользящих средних определяются характеристики, соответствующие параметрам основных линий, выражающих тенденцию: цепной абсолютный прирост (для прямой), цепной темп роста (для экспоненты), ускорение прирост (для параболы второго порядка). Затем ряд значение прироста разбивается на несколько частей, минимально - две, лучше - три, четыре, по критерию t.

Проверяется существенность различий между средними приростами за эти подпериоды. Если развития не существенны при заданном уровне вероятности, то среднюю характеристику можно считать константой (среднегодовой абсолютный прирост), и поэтому выбирается соответствующая ей линия (прямая). Если различия абсолютных приростов существенны между всеми подпериодами, но не существенны различия средних темпов роста, выбирается экспонента; если несущественны различия ускорений - парабола второго порядка и т.д.

Весьма существенным методом выявления формы тренда служит графическое изображение динамического ряда и его анализ путем подбора линий. Также существуют методы, не пригодные в целом для выявления формы тренда, которые могут быть использованы как вспомогательные средства на отдельных этапах анализа типа тренда. Это сравнение остаточной суммы квадратов отклонений фактических уровней от уровней выровненного ряда к сумме уровней исходного динамического ряда. Эти методы относятся к апостенения для отображения тренда и существования тренда на протяжении всего периода.

Одним из количественных методов выбора формы тренда является дисперсионный анализ с оценкой наличных эффектов, который применяется в основном для обработки экспериментальных данных, но с некоторыми поправками может быть применен к временным рядам для оценки формы тренда. Сущность метода состоит в оценке средних квадратов, относящихся к линейному, квадратическому и кубическому эффектам факторы времени и сравнение этих средних квадратов с остаточной дисперсией.

Установив форму тренда, определяют параметры тренда на основании эмпирического динамического ряда. Для любой из основных форм трендов существует один главный параметр - константа. Для линейного тренда - это среднегодовой прирост, для экспоненциального - среднегодовой темп роста, для степенного и логистического - показатель степени при номерах лет t или при числе l, для логарифмического тренда - это коэффициент a1 при логарифме. Остальные параметры, включая свободный член, могут зависеть от произвольного выбора начальной точки отчета времени.

Тренд представляет собой среднюю динамическую величину. Уравнение тренда и его основной параметр принадлежат к семейству средних статистических величин.

Поэтому на них распространяется общее положение, относящееся к любой средней статистической величине: при рассмотрении данной эмпирической системы значений признака изолированно в пространстве или во времени средняя величина является сплошной и определяется однозначно без вероятности ошибки и доверительного интервала. Если же данная эмпирическая система рассматривается как часть более общей системы, средняя является выборочной оценкой генеральной средней величины и подлежит сопровождению ее стохастической ошибкой и доверительным интервалом.

Так основное практическое применение тренда состоит в прогнозировании процесса, то вероятностная оценка генеральных величин параметра тренда является необходимой при условии сохранения однородности причинного комплекса. Отсюда вытекает одна из первоочередных задач методики определения величины основного параметра тренда, состоящая в минимизации стохастической ошибки этого параметра.

Большинство статистиков решает задачу определения параметров тренда способом наименьших квадратов, минимизирую сумму квадратов отклонений отдельных уровней от тренда. Существуют методы построения «нормальных уравнений» способом наименьших квадратов для прямой линии, парабол второго и третьего порядка, экспоненциальной кривой. При этом целесообразно переносить начало отчета времени в середину выравниваемого динамического ряда, система нормальных уравнений заметно упрощаются и уменьшается объем вычислительной работы.

Другим приемом построения систем нормальных уравнений методом наименьших квадратов для тех типов уравнений тренда, которые приводимы к линейному виду, является замена переменных.

Среднегодовые цепные и базисные показатели динамики хорошо описывают развитие явления во времени, когда динамические ряды меняются плавно. Для рядов, подверженных значительной колеблемости эти показатели могут сильно искажать действительную тенденцию, так как величина их определяется значением уровней динамического ряда, стоящих на концах изучаемого периода. Поэтому применяют другие показатели, в меньшей степени зависящие от значений, стоящих на концах ряда. Эти показатели исчисляются на основе аналитического выравнивания. Под аналитическим выравниванием понимают оптимальное в смысле заданного критерия выравнивание динамического ряда с обязательным аналитическим выражением тренда в виде некоторой кривой. Так, для выражения среднегодового прироста, полученного с помощью аналитического выравнивания и называемого выровненным приростом, применяют только линейное уравнение, а для выражения показателя среднегодового коэффициента и темпа роста служит выравнивание ряда по показательной кривой. Если развитие экономического процесса происходит с ускорением, целесообразно наряду со средней скоростью исчислять и величину среднегодового ускорения, для чего динамический ряд выравнивают по параболе второго порядка.

Для определения параметров тренда в сильно колеблющемся ряду применяют метод многократного аналитического выравнивания, так как чем сильнее колеблемости и чем короче динамический ряд, тем больше влияние случайного распределения отклонений от тренда искажает значения параметров, полученных при однократном аналитическом выравнивании.

Показатели эффективности производства и влияющие на них факторы могут находиться в стохастической или функциональной связи. В первом случае для их изучения применяются вероятностные методы, во втором - методы функционального анализа, к котором относится индексный анализ. Он изучает изменение в динамике показателей под влиянием факторов, которые являются составными частями показателя и служит для изучения односторонних причинных связей, отражая на самом деле не причинные, а структурные или объемные изменения показателя и выражая тем самым следствия действительных причин.

2.2 Анализ колеблемости уровней динамического ряда

Колебаниями уровней динамических рядов называют их отклонения от тренда, выражающего тенденцию изменения уровней. Колебания - процесс, протекающий во времени. Однако существует понятие «вариации колеблемости», т.е. различие показателей колеблемости за один и тот же период между территориями и между объектами. Сельскохозяйственному производству наряду с сезонной колеблемостью присуща колеблемости уровней урожайности и валового сбора в разные годы.

Поэтому одной из важнейших задач производства в сельском хозяйстве является задача уменьшения колеблемости объема сельскохозяйственной продукции в разные годы.

В любой отрасли производства и любом социальном процессе появляется динамическое единство необходимости и случайности, служащее общим причинным обоснованием существования колеблемости.

Основными задачами статистического изучения колеблемости производственных и социальных процессов являются следующие:

- измерение силы колебаний;

- изучение типа колебаний, разложение сложной колеблемости на разнородные составляющие;

- исследование изменений колеблемости во времени, динамики колебаний;

- изучение вариации колеблемости в пространственной или иной совокупности объектов;

- изучение факторов колеблемости и ее статистико-математическое моделирование.

Основными абсолютными показателями, характеризующими силу колебаний, являются:

1) амплитуда, или размах колебаний - это разность между алгебраическим наибольшим за период отклонением от тренда и наименьшим алгебраическим отклонением.

, (1)

2) Среднее линейное отклонение (по модулю) рассчитывается по формуле:

, (2)

где Еt - отклонения фактических уровней от тренда

N - число уровней,

3) Основным абсолютным показателем колеблемости считают среднее квадратическое отклонение. Если рассматриваемый период является выборкой, по которой делается оценка генеральной величины колеблемости в данном процессе для целей прогнозирования (экстраполяции), то оценку генерального среднего квадратического отклонения вычисляют по формуле:

, (3)



где Р - число параметров тренда, включая свободный член.

В число показателей колеблемости помимо абсолютных должны входить и относительные показатели, роль которых заключается в том, что лишь в них выражается сравнимая для различных рядов мера интенсивности колебательного процесса. Относительные показатели строятся как отношения абсолютных показателей к среднему уровню ряда динамики за тот же период. Так, на основе среднего квадратического отклонения можно вычислить относительный показатель

- коэффициент колеблемости.

, (4)

По отношению к урожайности на основе опыта массового измерения колебаний по разным культурам и территориям при колеблемость можно характеризовать как слабую; при как умеренную; при - как сильную; при - как очень сильную.

Система показателей колеблемости должна быть дополнена показателями устойчивости как свойства, противоположного колеблемости.

Коэффициентом устойчивости называют величину равную (5), или дополнение коэффициента колеблемости до единицы.

Существенной характеристикой колеблемости является тип колебаний. Первичных, или «чистых», колебаний в динамических рядах можно выделить три: «пилообразная», или «маятниковая», колеблемости, при которой знаки отклонений от тренда чередуются строго поочередно; долгопериодическая, или циклическая, при которой несколько уровней подряд отклоняются от тренда в одну сторону, а затем несколько уровней - в противоположную сторону и т.д.; случайно распределенная во времени, при которой равновероятна любая последовательность знаков и величины отклонений от тренда.

Ни один из этих типов, как правило, не встречается на практике в чистом виде, но обычно один из типов является преобладающим для определенного процесса.

Знание типа преобладающие колеблемости имеет большое практическое значение для прогнозирования и для разработки мероприятий по уменьшению колебаний либо по преодолению их отрицательных последствий. Так, при преобладании «пилообразной» колеблемости требуется значительно меньший страховой запас, чем при равной по интенсивности долгопериодической колеблемости, так как недобор продукции при первой из них сразу же в следующем году компенсируется ее повышением над средним уровнем тренда, а при втором типе несколько лет с недобором продукции следуют один за другим.

Разные типы колеблемости объясняются, как правило, разними причинами. Так «пилообразная» колеблемости - автоколебательным причинным механизмом. Долгопериодическая колеблемости обычно связана с циклами внешних факторов: солнечная активность, смена времени года, гипотетические циклы метеорологических процессов. Случайную колеблемости обычно рассматривают как наложение или «интерференцию» многих разных по характеру и длине цикла колебательных процессов.

Для исследования типа колеблемости предложен ряд методов. Так, М.Дж. Кондэл предложил критерий «поворотных точек», или локальных экстремумов, в ряду отклонений от тренда. Им доказано, что при случайном распределении во времени колебаний число локальных экстремумов в среднем равно:

, (5).



при среднем квадратическом отклонении

(6)

При «пилообразной» колеблемости число «поворотных точек» будет точно равно N-2, а при долгопериодической - удвоенному числу циклов, уменьшающихся на длине периода N, поскольку каждый цикл содержит a экстремума.

Измерив фактическое число «поворотных точек» и сравнив его с ожидаемым при различных типах колебаний можно определить преобладающий тип колеблемости.

Другой метод определения типа колеблемости, при котором учитывается не только порядок чередования величин отклонений от тренда, но и сами эти величины - автокорреляционный анализ. Он состоит в вычислении коэффициентов автокорреляции в ряду отклонений от тренда со сдвигом на 1, 2, 3 и т.д.

Полученная серия коэффициентов автокорреляции образует так называемую «автокорреляционную функцию». Уже по коэффициенту автокорреляции первого порядка, то есть со сдвигом на один год можно достаточно надежно судить о преобладающем типе колебаний.

Коэффициент автокорреляции первого порядка вычисляется по формуле:

, (7)



При «пилообразной» колеблемости все произведения в числителе коэффициента будут отрицательны и будет получена существенная величина коэффициента.

Напротив, при долгопериодической колеблемости подавляющая часть произведений - в числителе, притом наибольшее при абсолютной величине будут положительны, и в результате коэффициент автокорреляции окажется существенно положительным.

При случайно распределенной во времени колеблемости одинаково вероятно любое чередование знаков отклонений от тренда. Поэтому окажется примерно поровну положительных и отрицательных произведений, а коэффициент окажется несущественно отличным от нуля. Существенность отличия коэффициента автокорреляции проверяется по специальным таблицам.

2.3 Прогнозирование на основе динамических рядов

Одно из важнейших практических применений статистического изучения тенденций динамики и колеблемости состоит в прогнозировании на его основе возможных оценок величины изучаемого признака. Прогнозирование на основе измерения тренда и колеблемости один из методов статистического прогнозирования.

Статистический прогноз - это вероятностная оценка возможностей развития того или иного объекта (процесса) и величины его признаков в будущем, полученная на основе статистической закономерности, выявленной по данным прошлого периода. Он предназначен либо для планирования управления объекта, либо для выработки стратегии поведения субъекта, если объект не управляем.

Статистический прогноз предполагает не только верное качественное предсказание, но и достаточно точное количественное измерение вероятных возможностей ожидаемых значений признаков. Для данной цели необходимо, чтобы прогностическая модель имела достаточную точность или допустимо малую ошибку прогноза. Ошибка статистического прогноза будет тем меньше, чем меньше срок упреждения - временной промежуток от базы прогноза до прогнозируемого периода, и чем длиннее база прогноза - прошлый период, однородный по закономерностям развития, на основе информации за который построена прогностическая модель. Для определения срока упреждения используют чисто эмпирическое правило: в большинстве случаев срок упреждения не должен превышать третьей части длины базы прогноза.

Ошибка прогноза связана прямой зависимостью с колеблемостью. Поэтому сила колебаний должна учитываться при выборе соотношения между длиной базы прогноза и сроком упреждения. Чем сильнее колеблемости, тем большим должно быть это соотношение.

Область применения метода прогнозирования не основе тренда и колеблемости весьма широка, что вытекает из большого значения изучения трендов и колеблемости в социально-экономических науках, а так же в процессе практического планирования и управления производством. Одним из самых ярких примеров может служить прогнозирование урожайности на основе трендовой модели, а значит и объема продукции растениеводства, так как среди факторов, влияющих на урожайность, значительную роль играют метеорологические явления, которые в настоящее время наука не в состоянии прогнозировать даже на год в перед, а трендовая модель и измерение колеблемости позволяют рассчитывать вероятные границы прогнозируемой урожайности на несколько лет вперед.

Прогнозирование всегда опирается на опыт развития изучаемого явления в прошлом. Поэтому любой прогноз как выход за пределы изучаемого периода можно рассматривать как экстраполяцию.

Прогноз выражается как в виде точечной или интервальной оценке. Точечный прогноз есть оценка прогнозируемого показателя в точке (в конкретном году, месяце, дне, середине периода прогноза) по уравнению, описывающему тенденцию показателя.

Точечная оценка рассчитывается путем подстановки номера года, на который рассчитывается прогноз, в уравнение тренда. Она является средней оценкой для прогнозируемого интервала времени. Так, точечный прогноз указывает ту величину урожайности, на которую в среднем выйдет объект на прогнозируемый год, если тенденция динамики урожайности сохранится. Эту величину можно использовать в планирование.

Интервальный прогноз по типу прогнозируемого показателя распадается на три вида: прогноз вероятных границ тренда; прогноз вероятных границ уровней отдельных лет с учетом их возможной колеблемости относительно тренда; прогноз вероятных границ среднегодовых уровней динамического ряда.

Прогноз вероятных границ тренда для любого заданного года (срока упреждения) отвечает на вопрос о том, в границах какого интервала окажется с заданной вероятность уровень тренда в году с номером t_k, после того как станут известны все уровни y_i отдельных лет, начиная от следующего за концом базы прогноза уровня и до уровня в прогнозируемом году y_k (l - период упреждения, k-l - база прогноза). При однократном выравнивании для определения параметра линейного тренда - среднегодового абсолютного прироста - средняя ошибка прогноза тренда для года с номером t_k, отсчитываемого от середины прогноза, вычисляется по формуле:

, (8)



где - обозначение средней ошибки прогноза тренда;

- оценка среднего квадратического отклонения отдельных уровней от тренда;

N - число уровней динамического ряда.

Среднее квадратическое отклонение получают при однократном выравнивании. Из формулы следует, что ошибка прогноза тренда получается как дисперсия суммы.

Первое слагаемое подкоренного выражения - это квадрат средней ошибки параметра а₀ - свободного члена уравнения линейного тренда, то есть средней ошибки уровня ряда, обратно пропорциональной числу членов ряда, рассматриваемого как выборка. Второе - это дисперсия оценки второго параметра а₁, то есть среднегодового прироста, умноженного на число лет от середины базы прогноза до прогнозируемого периода, так как ошибка в прогнозе возрастает пропорционально числу лет. Так как параметры а₀ и а₁ - линейно независимы, то применяется сложение по правилам дисперсии суммы независимых величин.

Для вычисления вероятных границ прогноза тренда необходимо среднюю ошибку прогноза умножить на величину t критерия или нормального распределения, чтобы получить вероятную ошибку прогноза тренда а

а= (9)

Вероятный интервал прогноза тренда равен точечному прогнозу плюс-минус вероятная ошибка

а, (10)



Вероятную ошибку и интервал целесообразно вычислять с достаточно близкими t единицы вероятности: Конкретный выбор вероятности или надежности прогноза зависит от его задач и от силы колебаний. При прогнозе конкретного, уровня ряда динамики в силу того, что конкретный уровень зависит как от тренда, так и от колеблемости, средняя ошибка прогноза рассчитывается по формуле:

, (11)

где - средняя ошибка тренда;

- среднее ожидаемое для прогнозируемого года отклонение конкретного уровня от тренда или абсолютной колеблемости.

При прогнозе среднегодового уровня на несколько лет рассчитывается точечный прогноз среднегодового абсолютного уровня. Если рассматривается динамика одномерного показателя, это есть средняя арифметическая величина из точечных прогнозов для всех лет усредняемого периода упреждения l:

, (12)

При линейных формах тренда среднего уровня и тренда среднего квадратического отклонения формула средней ошибки прогноза среднегодового уровня выглядит следующим образом:



, (13)

Для оценки правильности статистического прогноза применяется методика ретроспективной оценки авторегрессионых прогнозов, основу которой составляет система показателей.

1. Показатель оправдываемости. Оправдавшимся считается прогноз, в доверительные границы интервала которого попало фактическое значение уровня. По группе прогнозов вычисляется показатель оправдываемости прогнозов j:

, (14)

где g_j - число оправдавшихся прогнозов;

g - общее число прогнозов.

Таким образом, показатель оправдываемости прогнозов - это доля оправдавшихся в достаточно однородной по характеру прогнозируемых процессов, достаточной большой для погашения случайностей группе прогнозов.

2. Абсолютное отклонение точного прогноза от фактического уровня:

, (15)

3. Относительное отклонение точечного прогноза от фактического уровня:



, (16)

Относительные отклонения сравнимы не только в пределах группы однородных качественно рядов динамики, но и для любых прогнозов, полученных одним и тем же методом. По средней величине относительного отклонения можно судить о качестве методики прогнозов. Если основание этой методики: гипотеза о сохранении тренда до конца срока упреждения, сохранение типа колеблемости и ее тенденции, правильное отображение этих тенденций прогностическими уравнениями - справедливы, то средняя величина относительного отклонения прогнозов от фактических уровней должна быть близка к средней величине относительных ошибок, заложенных в методике самих прогнозов, то есть величине.

, (17)

где - средняя статистическая ошибка прогноза, уровня.

Близкое совпадение априорной величины средней относительной ошибки в группе прогнозов и средней фактической апостериорной величины прогнозов при их достаточно большом числе свидетельствует о правильности исходных предпосылок метода прогнозирования.

При этом испытуемая методика находится в неравных ухудшенных условиях, ибо, чем короче исходный динамический ряд, тем труднее верно определить форму и параметры тренда и колеблемости.



3. Современное состояние отрасли мясного скотоводства в РФ и Орловской области

Мясной подкомплекс России является одной из важнейших составляющих агропромышленного комплекса по своему значению для обеспечения занятости населения и снабжения его мясом. Вместе с тем, в нем накопилось наибольшее количество нерешенных проблем. На протяжении всего периода реформирования АПК численность поголовья сельскохозяйственных животных и птицы, объемы производства мяса снижались и лишь в последние 2-3 года наметился некоторый рост производства и потребления мяса, в основном мяса птицы и свинины как скороспелых отраслей.

Поголовье крупного рогатого скота во всех категориях хозяйств России к 1 марта 2011 года составило 20,3 млн. голов, что на 3,2% меньше по сравнению с аналогичной датой 2010 года. За последние 5 лет (по отношению к 1 марта 2006 года) поголовье крупного рогатого скота в стране упало на 6,1%. Всего за январь-февраль 2011 года производство говядины в сельхозорганизациях России составило около 78,6 тыс. тонн в убойном весе, что на 7,4% меньше, чем за январь-февраль 2010 года. По отношению же к аналогичному периоду 2007 года производство говядины в данной категории хозяйств страны упало на 15,0%.

Импорт говядины в 2010 году сократился на 2,5% (на 16 тыс. тонн). В 2009 году Россия ввезла 636 тыс. тонн говядины. Поставки свинины остались практически на уровне 2009 года, когда было ввезено 633 тыс. тонн этого мяса. В результате доля импортного мяса на российском рынке в 2010 году составила 20,6%. Наибольшая зависимость от зарубежных поставок сохраняется по говядине, удельный вес импорта которой в 2010 году соответствовал уровню 2009 года - 26,7%.

Лидирующие позиции по промышленному производству говядины в России занимает Приволжский федеральный округ - по итогам января-февраля 2011 года здесь в сельхозорганизациях было произведено 51,4 тыс. тонн данного вида мяса в убойном весе. Здесь же наблюдаются и наименьшие темпы падения производства - всего на 3,6% по отношению к январю-февралю 2010 года. Наиболее заметно происходит снижение производства в сельхозорганизациях СКФО и ЦФО - на 15,9% и 12,7% соответственно.

Мясное сырье зарубежного происхождения часто ввозится в Россию с недостаточными качественными и санитарно-гигиеническими характеристиками. Практически невозможен контроль за использованием при производстве говядины кормов из генетически модифицированных организмов и запрещенных в России добавок, а также ветеринарный контроль за распространенными за рубежом заболеваниями животных с длительными периодами латентности.

В то же время Россия располагает всеми необходимыми предпосылками для создания крупной отрасли специализированного мясного скотоводства как поставщика высококачественной говядины в перспективе до 2020 года в объемах не менее 1700-2000 тыс. тонн. Это, во-первых, наличие 77 млн. га естественных кормовых угодий и около 22-25 млн. га неиспользуемой пашни; во-вторых, апробированная практически во всех регионах страны малозатратная интенсивно-пастбищная технология мясного скотоводства; в-третьих, имеющиеся ресурсы маточного поголовья в мясных (16-20 тыс. телок в год) и молочных (не менее 150-200 тыс. телок в год) стадах для формирования новых мясных ферм племенного и особенно товарного назначения.

Современное состояние отечественного мясного скотоводства обусловлено рядом объективных причин, имеющих системный характер.

1. Недопустимо низкая доля мясного скота от общего поголовья крупного рогатого скота и объемов производства говядины на уровне 1,5-2,0% означает необходимость фактически заново создавать эту отрасль.

Особенно остро проблема обозначилась в численности и качестве мясного скота племенного назначения. При этом в 2010 году губернскими аграриями на собственные и заёмные средства приобретены 3140 голов племенного поголовья крупного рогатого скота молочных и мясных пород, из которых 2348 голов - скот мясного направления. Свой вклад внесло и созданное в прошлом году ГУП Самарской области «Самарский центр развития животноводства «Велес»: данным предприятием за пределами Самарской области закуплены 3143 головы скота мясных и молочных пород. На данный момент в губернии 11 племенных организаций, предполагается, что в 2011 году появятся еще 6 племенных репродукторов по разведению крупного рогатого скота с высоким генетическим потенциалом.

2. Низкий уровень генетического потенциала продуктивности скота мясных пород в племенных и товарных (коммерческих) стадах. В среднем по всем породам продуктивные качества мясного скота в племенных хозяйствах существенно ниже, чем современных показателей в странах с развитым мясным скотоводством.

3. Неудовлетворительная организация откорма и реализация на мясо молодняка крупного рогатого скота с живой массой около 330 кг вместо 450-500 кг. Согласно экспертной оценке, на откорм до оптимальных весовых кондиций ставят не более 30-35% сверхремонтных бычков, 65-70% бычков убивают неоткормленными в возрасте до 1 месяца, а страна недополучает ежегодно не менее 350-400 тыс. тонн говядины. Реализация маловесного молодняка на мясоперерабатывающие предприятия обусловливает отнесение затрат на убой скота и обработку туши, что объективно удорожает мясо, поступающее в розницу. Стимулирование откорма молодняка до более высокой живой массы проводят из региональных бюджетов только в нескольких субъектах Федерации.

4. Высокая изношенность, техническая и технологическая отсталость основных фондов непосредственно в мясном скотоводстве и особенно в откормочных предприятиях, производственная база которых в настоящее время удовлетворяет потребность в скотоместах для откорма молодняка только на 5-8% к имеющемуся откормочному контингенту. Согласно экспертной оценке, современное специфическое технологическое оборудование по уходу за мясным скотом имеется всего на 1,5-2% мясных ферм и не по всем позициям. Содержание мясных коров с телятами в облегченных помещениях и на открытых площадках, а откормочного молодняка - на открытых откормочных площадках типа североамериканских распространено не более чем на 5% животноводческих объектов.