Статистический анализ и прогнозирование развития сельскохозяйственного производства на примере Астраханской области

11,8

10,7

11,3

16,2

19,6

19,4

12,4

Картофель

Хозяйства всех категорий

115,0

129,4

151,7

194,9

194,8

248,3

291,5

в том числе:

сельхозорганизации

17,9

16,5

16,5

17,8

22,2

26,0

23,0

хозяйства населения

49,1

58,7

55,9

66,7

52,0

57,7

56,9

крестьянские (фермерские) хозяйства

48,0

54,2

79,3

110,4

120,7

164,6

211,6

Овощи

Хозяйства всех категорий

348,5

370,8

479,4

603,0

608,7

778,5

811,3

в том числе:

сельхозорганизации

48,0

42,8

51,7

59,8

56,9

75,5

68,1

хозяйства населения

163,4

177,9

189,9

254,3

247,6

230,6

237,1

крестьянские (фермерские) хозяйства

137,2

150,1

237,8

288,8

304,2

472,4

506,1

Увеличение производства овощебахчевых культур и картофеля произошло как за счет расширения посевных площадей, так и повышения урожайности этих культур. Используя индексный метод, можно определить влияние изменения урожайности и посевных площадей на величину валового сбора. Расчеты показывают, что посевные площади под картофелем за 2006-2012гг. росли в среднем за каждый год на 11% , а урожайность - на 5%. Таким образом, среднегодовой прирост валового сбора картофеля за 2006-2012гг. на 16% обеспечен, в основном, приростом посевных площадей на 11% и лишь на 5% - приростом урожайности. Среднегодовой прирост валового сбора овощей за анализируемый период на 14%, наоборот, в большей степени обеспечен приростом урожайности на 9% и на 5% - приростом посевных площадей.

Урожайность является основным показателем, отражающим эффективность использования земли, результат интенсификации производства. Данные динамического ряда показывает, что урожайность основных сельскохозяйственных культур имеет общую тенденцию роста (табл.9).

Таблица 9. Урожайность основных сельскохозяйственных культур в хозяйствах всех категорий (центнеров с 1 га убранной площади)

	2006	2007	2008	2009	2010	2011	2012
Зерно	14,3	22,3	19,6	23,5	23,1	26,4	21,6
в том числе рис	30,3	29,7	29,5	33,0	34,1	35,1	33,9
Картофель	157,3	164,5	179,1	199,5	191,1	210,2	212,0
Овощи	217,5	235,2	274,0	318,4	325,5	360,6	368,8
Бахчи продовольственные	203,1	219,5	233,1	279,8	259,9	279,8	279,7

Средний абсолютный прирост урожайности зерновых культур за 2006-2012гг. составил 1,2 ц с гектара за каждый год, картофеля - 9,1 ц, бахчевых культур - 12,7 ц, овощей - 25,2 ц.

Наиболее адаптивными и наиболее продуктивными культурами в условиях Астраханской области являются овощные культуры. При определенных производственно-экономических факторах они дают высокий уровень урожайности вне зависимости от метеорологических условий. В 2012 году средняя урожайность овощей в хозяйствах всех категорий Астраханской области была самой высокой в России. Выше, чем в других регионах России, и урожайность картофеля. Климатические параметры и почвенные характеристики области позволяют получать два урожая картофеля в году - раннего и позднего. Поэтому одним из приоритетных направлений в развитии растениеводства в области является дальнейшее увеличение производства картофеля с преимущественным производством более дорогой ранней продукции.

В засушливых условиях Астраханской области рациональное ведение сельскохозяйственного производства возможно только на основе широкого применения искусственного орошения. Наряду с традиционными способами полива в ряде хозяйств Астраханской области применяется технология возделывания сельскохозяйственных культур с капельным орошением. В 2012 году система капельного орошения применялась в 356 крестьянских (фермерских) хозяйствах и 43 сельхозорганизациях области.

В этих крестьянских хозяйствах с применением "капли" возделывалось 76,7% посевов сельхозкультур, сельхозорганизациях - 63,6% посевов. Наиболее широко использовалось капельное орошение при возделывании овощных культур и картофеля. В крестьянских (фермерских) хозяйствах "в капле" находилось 89,4% посевов овощей и 84,4% посадок картофеля, в сельхозорганизациях - соответственно 69,2% и 89,6%.

В крестьянских (фермерских) хозяйствах урожайность овощей при капельном орошении составила 494,0 ц с гектара, картофеля - 249,3 ц (без применения "капли" соответственно 388,3 ц и 199,4 ц); в сельхозорганизациях: овощей - 518,9 ц с гектара, картофеля - 243,8 ц (без применения "капли" соответственно 217,3 ц и 150,0 ц). В отдельных хозяйствах применение технологии капельного орошения позволило получить значительно более высокую урожайность сельхозкультур: овощей - до 950 ц с гектара, картофеля - до 500 ц с гектара.

Капельное орошение показало значительные преимущества перед традиционными способами полива. Это экономия поливной воды, возможность проведения подкормок растений удобрениями в растворенном виде вместе с поливной водой, возможность рыхления междурядий, уборка урожая независимо от проведения полива, высокая приживаемость рассады после высадки и практически полная всхожесть семян без рассадных культур, что в значительной степени определяет высокую урожайность возделываемых культур.

Дорогостоящее капельное орошение быстро окупается при неоднократном использовании одного и того же участка поля в течение года. Широкий набор культур, который можно выращивать при капельном орошении, позволяет сочетать ранние и поздние сорта овощей и картофеля на одной и той же площади и получать два урожая в году. В основном же в хозяйствах практикуется ограниченный набор возделываемых сельхозкультур, а зачастую и монокультура.

Для дальнейшего развития товарного растениеводства необходим всесторонне обоснованный конвейер производства сельхозкультур ранних, средних, поздних сортов созревания, овощей из защищенного грунта, чтобы продлить период поступления продукции с мая по ноябрь.

Наряду с увеличением валовых сборов сельскохозяйственных культур, необходимо создание логистических площадок вблизи хозяйств - поставщиков для переработки продукции, ее хранения, сортировки, фасовки, упаковки и доставки потребителю.

На территории Астраханской области под урожай 2012 года вся посевная площадь сельскохозяйственных культур составила 79,1 тыс. га (на 0,4 тыс. га больше 2011 года) 9(табл.10).

Таблица 10. Посевная площадь сельскохозяйственных культур (тыс. гектаров)

	2008	2009	2010	2011	2012
Хозяйства всех категорий	71,8	75	75,5	78,7	79,1
Сельхозорганизации	28,1	26,2	23,8	20,6	20,4
Хозяйства населения	13,8	13,8	13,3	12,8	13
Крестьянские (фермерские) хозяйства и индивидуальные предприниматели	29,9	35	38,4	45,2	45,7

В сельхозорганизациях посевная площадь сократилась на 44,5%, в хозяйствах населения - осталось на уровне 2008 года, в крестьянских (фермерских) хозяйств - увеличилась в 2,2 раза. Структура посевной площади по категориям хозяйств изменилась в сторону увеличения доли крестьянских (фермерских) хозяйств - с 29, 6% в 2008 году до 57,8% в 2012 году, доля сельхозорганизаций снизилась с 52% до 25,8%, хозяйств населения - с 18,4% до 16,4% (рис. 6).

Рис.6. Вся посевная площадь сельскохозяйственных культур

Анализ данных показывает, что с 2008 года ежегодно увеличивалась и к 2012 году увеличение составило 7,3 тыс. га.

Анализ посевной площади в крестьянских (фермерских) хозяйствах с 2008 года ежегодно увеличивалась и к 2012 году увеличение составило 15,8 тыс. га. или на 52,8% (рис.7).

Рис.7. Посевные площади сельскохозяйственных культур

В 2012 году зерновые и зернобобовые культуры размещены на площади 17,7 тыс. га (на 3,6 тыс. га меньше 2011 года). Посевная площадь риса - 4,9 тыс. га (на 4,5 тыс. га меньше 2011 года), площадь картофеля составила - 14,0 тыс. га (на 1,9 тыс. га больше 2011 года), площади под овощными культурами - 22,2 тыс. га (на 0,2 тыс. га больше 2011 года). Также следует заметить, что посевная площадь овощей изменилась незначительно по сравнению с предыдущем годом.

Посевная площадь сельскохозяйственных культур в крестьянских фермерских хозяйствах в 2008 году составила 29,9 тыс. га (42% от всей посевной площади), (рис.8).

Рис.8. Посевные площади сельскохозяйственных культур

Площадь посадок картофеля составила 3,3 тыс. га (37,9% от общей площади посадок картофеля), овощей 6,8 тыс. га (37,7% от всей посевной площади овощей), бахчевых культур 4,3 тыс. га (66% от всей площади сева бахчевых культур).

Посевная площадь сельскохозяйственных культур в крестьянских фермерских хозяйствах в 2012 году составила 45,7 тыс. га (57% от всей посевной площади) (рис.9).

Площадь посадок картофеля составила 9,3 тыс. га (65,7% от общей площади посадок картофеля), овощей 11,6 тыс. га (70,5% от всей посевной площади овощей), бахчевых культур 6,8 тыс. га (86% от всей площади сева бахчевых культур).

Рис.9. Посевные площади сельскохозяйственных культур

Приведенные материалы показывают, что в аграрном секторе экономики Астраханской области:

период 2006-2012гг. характеризовался стабильной динамикой развития сельского хозяйства. Рост сельскохозяйственного производства наблюдался у всех сельхозпроизводителей;

за 2006-2012гг. производство продукции сельского хозяйства увеличилось в сопоставимых ценах в 2,0 раза, в том числе продукции растениеводства - в 2,5 раза, продукции животноводства - на 42,0%;

с 2006 производство картофеля увеличилось в 2,5 раза, овощей - в 2,3 раза, бахчевых культур - в 2,1 раза.

ведущая роль в производстве продукции растениеводства принадлежит крестьянским (фермерским) хозяйствам, в производстве продукции животноводства - хозяйствам населения.

Резервами увеличения объемов производства сельскохозяйственной продукции являются:

разработка мероприятий по рациональному использованию земельных ресурсов;

широкое использование технологии возделывания сельскохозяйственных культур с капельным орошением;

внедрение конвейера производства сельскохозяйственных культур ранних, средних и поздних сортов созревания, овощей из защищенного грунта;

интенсивное кормопроизводство;

обеспечение гарантированного рынка сбыта продукции;

создание логистических площадок для переработки продукции, ее хранения, сортировки, фасовки, упаковки и доставки потребителю.

2.2 Корреляционно-регрессионный анализ влияния факторов на валовый сбор основных видов продукции растениеводства Астраханской области

Современная статистическая наука, руководствуясь объективными требованиями практики, обязана систематически и адекватно отображать не только уровень и динамику, но и устанавливать тесноту связи между ними.

На валовой сбор основных сельскохозяйственных культур складывается под воздействием большого числа самых разнообразных факторов. В рамках нашего исследования рассмотреть взаимосвязь валового сбора культур растениеводства со всеми факторами не представляется возможным, из-за их недостатка статистической информации.

В работе были исследованы четыре культуры: картофель, овощи, бахчи, зерно. Рассмотрим взаимосвязь Y - валового сбора картофеля (тыс. тонн);

от следующих факторов:

X 1- посевные площади картофеля (тыс. гектаров);

X 2- урожайность картофеля (центнера с 1 га);

X 3- выбросы вредных веществ в атмосферу (тыс. тонн);

X 4- инвестиции в сельское хозяйство (млн.руб.);

X 5- среднемесячная номинальная заработная плата работников (рублей) (табл.12).

Таблица 12. Валовой сбор картофеля

год	y	x1	x2	x3	x4	x5
2008	151,7	8,7	174,4	125,1	189,2	5193
2009	194,9	10	194,9	103,3	240,4	7071
2010	194,8	10,6	183,8	124,9	316,8	7819

Прежде всего, выясним, существует ли вообще такая зависимость. Для этого вычислим корреляционную матрицу для всех пяти указанных переменных (табл13).

Таблица 13. Корреляционная матрица

	Y	X1	X2	X3	X4	X5
Y	1.000000	0.993143	0.934511	0.519472	0.401538	0.975377
X1	0.993143	1.000000	0.889480	0.576413	0.464099	0.979979
X2	0.934511	0.889480	1.000000	0.261262	0.286274	0.905130
X3	0.519472	0.576413	0.261262	1.000000	0.165781	0.504718
X4	0.401538	0.464099	0.286274	0.165781	1.000000	0.581145
X5	0.975377	0.979979	0.905130	0.504718	0.581145	1.000000

Посмотрев на первый столбец этой таблицы, мы видим, что парные коэффициенты корреляции между переменной (Y) валового сбора картофеля и переменными (X1) посевных площадей картофеля, (X2) урожайности картофеля и (X5) среднемесячной номинальной заработной платы работников наиболее близок к единице. Это означает, что между переменной (Y) и переменой (X1), (X2), (X5) существует положительная линейная зависимость.

Это значит, что при увеличении (X1) посевной площади картофеля, (X2) урожайность картофеля и (X5) среднемесячной номинальной заработной платы работников, то (Y) валовой сбор картофеля так же увеличиться.

У оставшихся переменных как (X4) среднегодовая численность работников и (X3) выбросы вредных веществ в атмосферу также существует линейная зависимость, но не сильно.

Проанализировав все значение коэффициентов корреляции рангов, можно разделить все показатели на четыре группы по степени тесноты связи.

В первую группу вошли: (X1) посевной площади картофеля, (X2) урожайность картофеля и (X5) среднемесячная номинальная заработная плата работников, значение 0,7, что свидетельствует о достаточно сильной связи с результативным показателем.

Вторая группа - это показатели значение коэффициентов, которых колеблются между (0,5 и 0,7), связь с результативным показателем, безусловно, присутствует, но не настолько характерная как в случае с первой группой. В нее вошли следующие показатели: (X 3) - выбросы вредных веществ в атмосферу и (X 4) - среднегодовая численность работников.

В третью и четвертую группу не вошел ни один показатель.

Представленная ранее система результативно-факторных показателей была скорректирована и приобрела следующий вид:

X 1- посевные площади картофеля (тыс. гектаров);

X 2- урожайность картофеля (центнера с 1 га);

X3- среднемесячная номинальная заработная плата работников (рублей).

Оценим регрессию следующего вида (табл.14):

(1)

Таблица14. Результат анализа

Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	-217.9522	11.31072	-19.26953	0.0330
X1	24.57916	1.137125	21.61518	0.0294
X2	1.039332	0.076130	13.65203	0.0465
X5	-0.004947	0.001283	-3.857337	0.1615
R-squared	0.999928	Mean dependent var	216.2400
Adjusted R-squared	0.999711	S.D. dependent var	54.25033
S.E. of regression	0.922815	Akaike info criterion	2.667787
Sum squared resid	0.851588	Schwarz criterion	2.355337
Log likelihood	-2.669466	F-statistic	4607.682
Durbin-Watson stat	2.587061	Prob(F-statistic)	0.010829

Коэффициент детерминации близок к 1, что подтверждает хорошее качество регрессии. Подставим полученные оценки из итоговой формы вывода:

(2)

Проверка общего качества уравнения множественной регрессии.

Для ее проверки используют F-критерий Фишера.

При этом вычисляют фактическое (наблюдаемое) значение F-критерия, через коэффициент детерминации R2, рассчитанный по данным конкретного наблюдения.

По таблицам распределения Фишера-Снедоккора находят критическое значение F-критерия (Fкр). Для этого задаются уровнем значимости б (обычно его берут равным 0,05) и двумя числами степеней свободы k1=m и k2=n-m-1.

F-статистика. Критерий Фишера

(3)

Чем ближе этот коэффициент к единице, тем больше уравнение регрессии объясняет поведение Y.

Проверка этой гипотезы осуществляется с помощью F-статистики распределения Фишера.

Если F < Fkp = Fб ; n-m-1, то нет оснований для отклонения гипотезы H0.

(4)

Табличное значение при степенях k1 = 3 и k2 =1, Fkp(3;1) = 216, Поскольку фактическое значение F > Fkp, то коэффициент детерминации статистически значим и уравнение регрессии статистически надежно.

Далее будем рассмотреть взаимосвязь Y - валового сбора овощей (тыс. тонн) от следующих факторов:

X 1- посевная площадь овощей (тыс. гектаров);

X 2- урожайность овощей (центнера с 1 га);

X 3- выбросы вредных веществ в атмосферу (тыс. тонн);

X 4- инвестиции в сельское хозяйство (млн.руб.);

X 5- среднемесячная номинальная заработная плата работников (рублей) (табл.15).

Таблица 15. Валовой сбор овощей

год	y	x1	x2	x3	x4	x5
2008	479,4	18	266,3	125,1	189,2	5193
2009	603	19,6	307,7	103,3	240,4	7071
2010	608,7	19,1	318,7	124,9	316,8	7819
2011	778,5	22	353,9	131,5	248,6	9114
2012	811,3	22,2	365,5	134,4	268,3	10268

Прежде всего, выясним, существует ли вообще такая зависимость. Для этого вычислим корреляционную матрицу для всех пяти указанных переменных.

Таблица16. Корреляционная матрица

	Y	X1	X2	X3	X4	X5
Y	1.000000	0.989474	0.988529	0.506992	0.423624	0.977013
X1	0.989474	1.000000	0.957779	0.480519	0.293827	0.937695
X2	0.988529	0.957779	1.000000	0.479999	0.554867	0.993442
X3	0.506992	0.480519	0.479999	1.000000	0.165781	0.504718
X4	0.423624	0.293827	0.554867	0.165781	1.000000	0.581145
X5	0.977013	0.937695	0.993442	0.504718	0.581145	1.000000

Посмотрев на первый столбец этой таблицы, мы видим, что парные коэффициенты корреляции между переменной (Y) валового сбора овощей и переменными (X1) посевных площадей овощей, (X2) урожайности овощей и (X5) среднемесячной номинальной заработной платы работников наиболее близок к единице. Это означает, что между переменной (Y) и переменой (X1), (X2), (X5) существует положительная линейная зависимость.

Это значит, что при увеличении (X1) посевной площади овощей, (X2) урожайность овощей и (X5) среднемесячной номинальной заработной платы работников, то (Y) валовой сбор овощей так же увеличиться.

У оставшихся переменных как (X4) среднегодовая численность работников и (X3) выбросы вредных веществ в атмосферу также существует линейная зависимость, но не сильно.

Проанализировав все значение коэффициентов корреляции рангов, можно разделить все показатели на четыре группы по степени тесноты связи.

В первую группу вошли: (X1), (X2) (X5), значение 0,7, что свидетельствует о достаточно сильной связи с результативным показателем.

Вторая группа - это показатели значение коэффициентов, которых колеблются между (0,5 и 0,7), связь с результативным показателем, безусловно, присутствует, но не настолько характерная как в случае с первой группой. В нее вошли следующие показатели: (X 3) и (X 4).

В третью и четвертую группу не вошел ни один показатель.

Представленная ранее система результативно-факторных показателей была скорректирована и приобрела следующий вид:

X 1- посевная площадь овощей;

X 2- урожайность овощей;

X 3- среднемесячная номинальная начисленная заработная плата работников.

Оценим регрессию следующего вида (табл.17):

(5)



Таблица17. Результат анализа

Dependent Variable: Y
Method: Least Squares
Date: 05/24/14 Time: 16:22
Sample: 2008 2012
Included observations: 5
Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	-577.7295	96.21958	-6.004282	0.1051
X1	40.78103	5.439986	7.496532	0.0844
X2	0.938379	0.773953	1.212449	0.4391
X5	0.013733	0.013004	1.056107	0.4826
R-squared	0.999635	Mean dependent var	656.1800
Adjusted R-squared	0.998540	S.D. dependent var	137.2571
S.E. of regression	5.243955	Akaike info criterion	6.142591
Sum squared resid	27.49907	Schwarz criterion	5.830141
Log likelihood	-11.35648	F-statistic	913.1283
Durbin-Watson stat	2.714513	Prob(F-statistic)	0.024321

Коэффициент детерминации близок к 1, что подтверждает хорошее качество регрессии. Подставим полученные оценки из итоговой формы вывода:

(6)

Проверка общего качества уравнения множественной регрессии.

Для ее проверки используют F-критерий Фишера.

Проверка этой гипотезы осуществляется с помощью F-статистики распределения Фишера.

Если F < Fkp = Fб ; n-m-1, то нет оснований для отклонения гипотезы H0.

(7)

Табличное значение при степенях k1 = 3 и k2 = 1, Fkp(3;1) = 216, Поскольку фактическое значение F > Fkp, то коэффициент детерминации статистически значим и уравнение регрессии статистически надежно.

Далее будем рассмотреть взаимосвязь Y - валового сбора зерна (тыс. тонн) от следующих факторов:

X 1- посевная площадь зерна (тыс. гектаров);

X 2- урожайность зерна (центнера с 1 га);

X 3- выбросы вредных веществ в атмосферу (тыс. тонн);

X 4- инвестиции в сельское хозяйство (млн.руб.);

X 5- среднемесячная номинальная заработная плата работников (рублей) (табл.18).

Таблица 18. Валовой сбор зерна

год	y	x1	x2	x3	x4	x5
2008	40.2	23.5	17.1	125,1	189.2	5193
2009	48.1	24.5	19.6	103,3	240.4	7071
2010	43.6	23	19	124,9	316.8	7819
2011	45.6	21.3	21.4	131,5	248.6	9114
2012	31.8	17.7	18	134,4	268.3	10268

Прежде всего, выясним, существует ли вообще такая зависимость. Для этого вычислим корреляционную матрицу для всех пяти указанных переменных (табл.19).

Таблица 19. Корреляционная матрица

	Y	X1	X2	X3	X4	X5
Y	1.000000	0.982251	0.996137	5.567957	0.527430	0.989046
X1	0.982251	1.000000	0.072656	-0.761952	-0.255525	-0.831567
X2	0.996137	0.072656	1.000000	-0.086304	0.289972	0.407911
X3	0.567957	-0.761952	-0.086304	1.000000	0.165781	0.504718
X4	0.527430	-0.255525	0.289972	0.165781	1.000000	0.581145
X5	0.989046	-0.831567	0.407911	0.504718	0.581145	1.000000

Посмотрев на первый столбец этой таблицы, мы видим, что парные коэффициенты корреляции между переменной (Y) валового сбора зерна и переменными (X1) посевных площадей зерна, (X2) урожайности зерна и (X5) среднемесячной номинальной заработной платы работников наиболее близок к единице. Это означает, что между переменной (Y) и переменой (X1), (X2), (X5) существует положительная линейная зависимость.

Это значит, что при увеличении (X1) посевной площади зерна, (X2) урожайность зерна и (X5) среднемесячной номинальной заработной платы работников, то (Y) валовой сбор зерна так же увеличиться.

У оставшихся переменных как (X4) среднегодовая численность работников и (X3) выбросы вредных веществ в атмосферу также существует линейная зависимость, но не сильно.

Проанализировав все значение коэффициентов корреляции рангов, можно разделить все показатели на четыре группы по степени тесноты связи.

В первую группу вошли: (X1), (X2) (X5), значение 0,7, что свидетельствует о достаточно сильной связи с результативным показателем.

Вторая группа - это показатели значение коэффициентов, которых колеблются между (0,5 и 0,7), связь с результативным показателем, безусловно, присутствует, но не настолько характерная как в случае с первой группой. В нее вошли следующие показатели: (X 3) и (X 4).

В третью и четвертую группу не вошел ни один показатель.

Представленная ранее система результативно-факторных показателей была скорректирована и приобрела следующий вид:

X 1- посевная площадь зерна;

X 2- урожайность зерна;

X 3- среднемесячная номинальная начисленная заработная плата работников.

Оценим регрессию следующего вида (табл.20):

(8)

Таблица 20. Результат анализа

Dependent Variable: Y
Method: Least Squares
Date: 05/24/14 Time: 16:37
Sample: 2008 2012
Included observations: 5
Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	-43.97298	3.865690	-11.37520	0.0558
X1	2.037842	0.188228	10.82646	0.0586
X2	2.032241	0.186569	10.89272	0.0583
X5	0.000297	0.000282	1.053212	0.4835
R-squared	0.999337	Mean dependent var	41.86000
Adjusted R-squared	0.997350	S.D. dependent var	6.322816
S.E. of regression	0.325509	Akaike info criterion	0.583712
Sum squared resid	0.105956	Schwarz criterion	0.271262
Log likelihood	2.540721	F-statistic	502.7414
Durbin-Watson stat	2.833796	Prob(F-statistic)	0.032771

Коэффициент детерминации близок к 1, что подтверждает хорошее качество регрессии. Подставим полученные оценки из итоговой формы вывода:

(9)

Проверка общего качества уравнения множественной регрессии.

Для ее проверки используют F-критерий Фишера.

Проверка этой гипотезы осуществляется с помощью F-статистики распределения Фишера.

Если F < Fkp = Fб ; n-m-1, то нет оснований для отклонения гипотезы H0.

(10)

Табличное значение при степенях k1 = 3 и k2 = 1, Fkp(3;1) = 216, Поскольку фактическое значение F > Fkp, то коэффициент детерминации статистически значим и уравнение регрессии статистически надежно.

Последним осталось рассмотреть взаимосвязь Y - валового сбора бахчи (тыс. тонн) от следующих факторов:

X 1- посевная площадь бахчи (тыс. гектаров);

X 2- урожайность бахчи (центнера с 1 га);

X 3- выбросы вредных веществ в атмосферу (тыс. тонн);

X 4- инвестиции в сельское хозяйство (млн.руб.);

X 5- среднемесячная номинальная заработная плата работников (рублей) (табл.21).

Таблица 21. Валовой сбор бахчи

год	y	x1	x2	x3	x4	x5
2008	143.5	6.5	220,8	125,1	189,2	5193
2009	160.1	6.6	242,6	103,3	240,4	7071
2010	181.2	7.9	229,4	124,9	316,8	7819
2011	183.4	8.9	206,1	131,5	248,6	9114
2012	199.1	7.9	252	134,4	268,3	10268

Прежде всего, выясним, существует ли вообще такая зависимость. Для этого вычислим корреляционную матрицу для всех пяти указанных переменных (табл.22).

Таблица 22. Корреляционная матрица

	Y	X1	X2	X3	X4	X5
Y	1.000000	0.988939	0.973759	0.557807	0.626392	0.972105
X1	0.988939	1.000000	-0.372560	0.662376	0.539726	0.773980
X2	0.973759	-0.372560	1.000000	-0.252336	0.249630	0.268432
X3	0.557807	0.662376	-0.252336	1.000000	0.165781	0.504718
X4	0.626392	0.539726	0.249630	0.165781	1.000000	0.581145
X5	0.972105	0.773980	0.268432	0.504718	0.581145	1.000000

Посмотрев на первый столбец этой таблицы, мы видим, что парные коэффициенты корреляции между переменной (Y) валового сбора бахчи и переменными (X1) посевных площадей бахчи, (X2) урожайности бахчи и (X5) среднемесячной номинальной заработной платы работников наиболее близок к единице. Это означает, что между переменной (Y) и переменой (X1), (X2), (X5) существует положительная линейная зависимость.

Это значит, что при увеличении (X1) посевной площади бахчи, (X2) урожайность бахчи и (X5) среднемесячной номинальной заработной платы работников, то (Y) валовой сбор бахчи так же увеличиться.

У оставшихся переменных как (X4) среднегодовая численность работников и (X3) выбросы вредных веществ в атмосферу также существует линейная зависимость, но не сильно.

Проанализировав все значение коэффициентов корреляции рангов, можно разделить все показатели на четыре группы по степени тесноты связи.

В первую группу вошли: (X1), (X2) (X5), значение 0,7, что свидетельствует о достаточно сильной связи с результативным показателем.

Вторая группа - это показатели значение коэффициентов, которых колеблются между (0,5 и 0,7), связь с результативным показателем, безусловно, присутствует, но не настолько характерная как в случае с первой группой. В нее вошли следующие показатели: (X 3) и (X 4).

В третью и четвертую группу не вошел ни один показатель.

Представленная ранее система результативно-факторных показателей была скорректирована и приобрела следующий вид:

X 1- посевная площадь бахчи;

X 2- урожайность бахчи;

X 3- среднемесячная номинальная начисленная заработная плата работников.

Оценим регрессию следующего вида (табл.23):

(11)

Таблица 23. Результат анализа

Dependent Variable: Y
Method: Least Squares
Date: 05/24/14 Time: 16:46
Sample: 2008 2012
Included observations: 5
Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	-212.9851	68.01715	-3.131344	0.1968
X1	25.25935	5.655073	4.466672	0.1402
X2	0.901174	0.208140	4.329646	0.1445
X5	-0.001514	0.002829	-0.535106	0.6872
R-squared	0.997383	Mean dependent var	173.4600
Adjusted R-squared	0.989531	S.D. dependent var	21.74978

Коэффициент детерминации близок к 1, что подтверждает хорошее качество регрессии. Подставим полученные оценки из итоговой формы вывода:

(12)

Проверка общего качества уравнения множественной регрессии.

Для ее проверки используют F-критерий Фишера.

Проверка этой гипотезы осуществляется с помощью F-статистики распределения Фишера.

Если F < Fkp = Fб ; n-m-1, то нет оснований для отклонения гипотезы H0.

(13)

Табличное значение при степенях k1 = 3 и k2 = 1, Fkp(3;1) = 216, Поскольку фактическое значение F > Fkp, то коэффициент детерминации статистически значим и уравнение регрессии статистически надежно.



3. Прогнозирование основных видов продукции растениеводства в Астраханской области

3.1 Построение прогноза валового сбора основных видов растениеводства

Как было сказано в первой главе, есть много видов прогнозирования, но для сельскохозяйственных культур были выбраны метод наименьших квадратов и метод скользящей средней.

Одними из основных отраслей растениеводства остаются производство овощей, бахчевых культур, картофеля. В Астраханской области разработана и успешно притворяется в жизнь программа развития картофелеводства. С каждым годом увеличиваются объёмы производства этого ценного продукта.

Приступим к прогнозированию валового сбора картофеля методом наименьших квадратов. Для этого составим таблицу, в которой будем производить необходимые расчеты (табл.24).

Год	X	y	t y	X2	сглаженные значения y(t)	Средняя относительная ошибка (y-y(t)) : y
2008	1	151.7	151.7	1	149.64	0.0136
2009	2	194.9	389.8	4	182.94	0.0614
2010	3	194.8	584.4	9	216.24	0.11
2011	4	248.3	993.2	16	249.54	0.00499
2012	5	291.5	1457.5	25	282.84	0.0297
Итого	15	1081.2	3576.6	55	1081.2	0.22

Рабочая формула метода наименьших квадратов:

(14)



где t + 1 - прогнозный период

Уt+1 - прогнозируемый показатель

a и b - коэффициенты

Х - условное обозначение времени

Расчет коэффициентов a и b осуществляется по следующим формулам:

(15)

(16)

(a=33.3), (b=116.34)

Построим прогноз до 2017 года

Таблица 25. Результат анализа

Год	Условное обозначение времени, X	Прогноз
2013	6	316.14
2014	7	349.44
2015	8	382.74
2016	9	416.04
2017	10	449.34

Оценим качество уравнения тренда с помощью средней относительной ошибки аппроксимации.

(17)

Ошибка аппроксимации в пределах 5%-7% свидетельствует о хорошем подборе уравнения тренда к исходным данным.

(18)

Поскольку ошибка меньше 7%, то данное уравнение можно использовать в качестве тренда.

Рис. 10. Прогноз валового сбора картофеля.

Приоритетным направлением становится производство ранней и сверхранней продукции, а также внедрение инновационных технологий. Ежегодно увеличиваются площади под капельным орошением, в 2013 году применялась система капельного орошения уже на площади 1636 га.

Внедрение систем капельного оборудования позволяет практически в 2 раза экономить затраты воды на орошение, вносить с поливной водой минеральные удобрения и средства защиты, программировать урожай, создавать оптимальные условия для роста и развития производства. Более 150 кг в действующем веществе в среднем внесены под посевы овощебахчевых культур в текущем году.

Приступим к прогнозированию валового сбора овощей методом наименьших квадратов. Для этого составим таблицу, в которой будем производить необходимые расчеты (табл.26).



Таблица 26. Результат анализа

Год	X	y	t y	X2	сглаженные значения y(t)	Средняя относительная ошибка (y-y(t)) : y
2008	1	479.4	479.4	1	488.32	0.0186
2009	2	603	1206	4	572.25	0.051
2010	3	608.7	1826.1	9	656.18	0.078
2011	4	778.5	3114	16	740.11	0.0493
2012	5	811.3	4056.5	25	824.04	0.0157
Итого	15	3280.9	10682	55	3280.9	0.21

Рабочая формула метода наименьших квадратов:

(19)

где t + 1 - прогнозный период; Уt+1 - прогнозируемый показатель; a и b - коэффициенты; Х - условное обозначение времени

Расчет коэффициентов a и b осуществляется по следующим формулам:

(20)

(21)

Таблица 27. Результат анализа

Год	Условное обозначение времени, X	Прогноз
2013	6	907,97
2014	7	991,9
2015	8	1075,83
2016	9	1159,76
2017	10	1243,69



Оценим качество уравнения тренда с помощью средней относительной ошибки аппроксимации.

(22)

Ошибка аппроксимации в пределах 5%-7% свидетельствует о хорошем подборе уравнения тренда к исходным данным.

(23)

Поскольку ошибка меньше 7%, то данное уравнение можно использовать в качестве тренда.

Рис. 11. Прогноз валового сбора овощей.

С каждым годом растет число хозяйств занимающихся выращиванием овощей, площадь, занятая под ними по итогам 2012 г., составила 22,2 тыс.га.

Овощеводы поставляют покупателю большой ассортимент овощной продукции: капуста, баклажан, морковь, свекла, лук, огурцы, томаты на любой выбор и предпочтения покупателя.

Применение высокотехнологичных методов выращивания районированных сортов и гибридов, позволяет получить высокие урожаи. Одним из таких методов является капельное орошение, применение которого значительно уменьшает затраты на рабочую силу и энергоносители.

Приступим к прогнозированию валового сбора бахчи методом наименьших квадратов. Для этого составим таблицу, в которой будем производить необходимые расчеты (табл.28).

Таблица 28. Результат анализа

Год	X	y	t y	X2	сглаженные значения y(t)	Средняя относительная ошибка (y-y(t)) : y
2008	1	143.5	143.5	1	146.56	0.0213
2009	2	160.1	320.2	4	160.01	0.000562
2010	3	181.2	543.6	9	173.46	0.0427
2011	4	183.4	733.6	16	186.91	0.0191
2012	5	199.1	995.5	25	200.36	0.00633
Итого	15	867.3	2736.4	55	867.3	0.0901

Рабочая формула метода наименьших квадратов:

(24)

где t + 1 - прогнозный период

Уt+1 - прогнозируемый показатель

a и b - коэффициенты

Х - условное обозначение времени

Расчет коэффициентов a и b осуществляется по следующим формулам:

(25)

(26)

(a=13.45), (b=133.11)

Построим прогноз до 2017 года

Таблица29. Результат анализа

Год	Условное обозначение времени, X	Прогноз
2013	6	213,81
2014	7	227,26
2015	8	240,71
2016	9	254,16
2017	10	267,61

Оценим качество уравнения тренда с помощью средней относительной ошибки аппроксимации.

(27)

Ошибка аппроксимации в пределах 5%-7% свидетельствует о хорошем подборе уравнения тренда к исходным данным.

(28)

Поскольку ошибка меньше 7%, то данное уравнение можно использовать в качестве тренда.

Лидирующее положение здесь занимает бахчеводство с объемом посевных площадей 7,9 тыс. га (на отчетный период 2012 г). Выращиванием арбузов и дынь в основной массе занимаются крестьянские (фермерские) хозяйства, на долю которых приходится 6,8 тыс. га используемых земель.

Применяя наряду с выращиванием традиционных сортов бахчевых, сорта с укороченным сроком созревания, производителю удается поставить свой товар на рынок в более ранние сроки.

Необходимо признать, что в отчетном 2012 году из запланированных показателей по соглашению не выполнили объемы в растениеводстве по зерновым. Причиной, приведшей к недобору урожая зерновых культур является устоявшаяся сверхвысокая температура в основные фазы развития зерновых, и сильнейшая засуха привела к частичной уборке зерновых на сено.

Рис. 12. Прогноз валового сбора бахчи.

Приступим к прогнозированию валового сбора зерна методом наименьших квадратов. Для этого составим таблицу, в которой будем производить необходимые расчеты (табл.30).

Таблица 30. Результат анализа

Год	X	y	t y	X2	сглаженные значения y(t)	Средняя относительная ошибка (y-y(t)) : y
2008	1	40.2	40.2	1	45.72	43.79
2009	2	48.1	96.2	4	41.86	39.93
2010	3	43.6	130.8	9	38	209.3
2011	4	45.6	182.4	16	0.14	0.0896
2012	5	31.8	159	25	0.0399	0.12
Итого	15	209.3	608.6	55	0.19	0.59



Рабочая формула метода наименьших квадратов:

(29)

где t + 1 - прогнозный период

Уt+1 - прогнозируемый показатель

a и b - коэффициенты

Х - условное обозначение времени

Расчет коэффициентов a и b осуществляется по следующим формулам:

(30)

(31)

(a= -1.93), (b=44.65)

Таблица 31. Результат анализа

Год	Условное обозначение времени, X	Прогноз
2013	6	36,07
2014	7	34,14
2015	8	32,21
2016	9	30,28
2017	10	28,35

Оценим качество уравнения тренда с помощью средней относительной ошибки аппроксимации.

(32)



Ошибка аппроксимации в пределах 5%-7% свидетельствует о хорошем подборе уравнения тренда к исходным данным.

(33)

Поскольку ошибка меньше 7%, то данное уравнение можно использовать в качестве тренда.

Рис. 13. Прогноз валового сбора зерна.

Как показано на графике с 2014 года идет спад зерновых культур. Развитие овощеводства, бахчеводства, картофелеводства и овощеперерабатывающей промышленности, в рамках которой в этом году более 20 хозяйств, продолжают дальнейшую модернизацию и строительство овощехранилищ. В целях насыщения сельскохозяйственной продукцией регионального рынка и обеспечения её поставок на внешние рынки круглогодично, а не только в летне-осенний период при плане 125 тыс. тонн уже увеличена емкость единовременного хранения растениеводческой продукции до 130 тыс. тонн, что позволит продлить сроки реализации продукции. Но это не все, сегодня сельхозтоваропроизводители понимают, что важно не только вырастить качественную продукцию, но и выгодно ее реализовать. Для достижения этой цели растениеводы переходят на новую ступень - качественную предпродажную подготовку.

Второй способ прогноза с помощью метода скользящей средней.

Данный метод имеет рабочую формулу:

(34)

где t + 1 - прогнозный период;

t - период, предшествующий прогнозному периоду (год)

Уt+1 - прогнозируемый показатель;

mt-1 - скользящая средняя за два периода до прогнозного;

n - число уровней, входящих в интервал сглаживания;

Уt - фактическое значение исследуемого явления за предшествующий период;

Уt-1 - фактическое значение исследуемого явления за два периода, предшествующих прогнозному.

Для расчета прогнозного значения методом скользящей средней необходимо:

Определить величину интервала сглаживания, например равную 3 (n = 3).

Рассчитаем скользящую среднюю для первых трех периодов:

= = 180,47 (тыс. тонн) (35)

Полученное значение заносим в таблицу в средину взятого периода. Далее рассчитываем m для следующих трех периодов февраль, март, апрель.

== 212,67 (тыс. тонн) (36)

Построим прогноз валового сбора картофеля до 2017 года.



Таблица 32. Результат анализа

Год	y	Скользящая средняя, m	Средняя относительная ошибка
2008	151,7
2009	194,9	180,47	0,074055071
2010	194,8	212,67	0,091718001
2011	248,3	244,87	0,013827359
2012	291,5	266,36	0,086258815
прогноз
2013	259,27	268,79	0,036741807
2014	255,61	260,82	0,020367553
2015	267,57	262,66	0,018352673
2016	264,80	264,71	0,000371938
2017	261,74

Средняя относительная ошибка равна 8,86% < 10% точность прогноза высокая.

График прогнозных значений:

Рис. 14. Прогноз валового сбора картофеля

Построим прогноз валового сбора зерна до 2017 года.



Таблица 33. Результат анализа

Год	y	Скользящая средняя, m	Средняя относительная ошибка
2008	40,2
2009	48,1	43,97	0,085932086
2010	43,6	45,77	0,04969419
2011	45,6	40,33	0,115497076
2012	31,8	25,80	0,188679245
прогноз
2013	35,73	31,55	0,11712272
2014	27,11	29,20	0,076867031
2015	28,67	19,46	0,321220471
2016	29,72	28,42	0,043613535
2017	19,81

Средняя относительная ошибка равна 14,66% > 10% точность прогноза низкая.

График прогнозных значений:

Рис. 15. Прогноз валового сбора зерна

Построим прогноз валового сбора бахчи до 2017 года.



Таблица 34. Результат анализа

Год	y	Скользящая средняя, m	Средняя относительная ошибка
2008	143,5
2009	160,1	161,60	0,009369144
2010	181,2	174,90	0,034768212
2011	183,4	187,90	0,024536532
2012	199,1	127,50	0,359618282
прогноз
2013	193,13	172,58	0,106412764
2014	125,51	156,23	0,244737567
2015	150,04	146,65	0,022583715
2016	164,40	155,30	0,055409541
2017	151,44

Средняя относительная ошибка равна 14,27% >10% точность прогноза низкая.

График прогнозных значений:

Рис. 16. Прогноз валового сбора бахчи

Построим прогноз валового сбора овощей до 2017 года



Таблица 35. Результат анализа

овощи
Год	y	Скользящая средняя, m	Средняя относительная ошибка
2008	479,4
2009	603	563,70	0,065174129
2010	608,7	663,40	0,089863644
2011	778,5	732,83	0,058659816
2012	811,3	529,3	0,346809647
прогноз
2013	743,77	687,50	0,075655945
2014	507,42	642,48	0,266162545
2015	608,71	428,32	0,296354662
2016	676,24	623,61	0,077827496
2017	450,83

Средняя относительная ошибка равна 18,68% >10% точность прогноза низкая.

График прогнозных значений:

Рис. 17. Прогноз валового сбора овощей

В работе, для прогноза валового сбора основных культур растениеводства в Астраханской области. Были использованы два метода прогнозирования:

метод наименьших квадратов,

метод скользящей средней.

Сущность метода наименьших квадратов состоит в минимизации суммы квадратических отклонений между наблюдаемыми и расчетными величинами. Расчетные величины находятся по подобранному уравнению - уравнению регрессии. Чем меньше расстояние между фактическими значениями и расчетными, тем более точен прогноз, построенный на основе уравнения регрессии.

Сглаживание временных рядов методом наименьших квадратов служит для отражения закономерности развития изучаемого явления. В аналитическом выражении тренда время рассматривается как независимая переменная, а уровни ряда выступают как функция этой независимой переменной.

Развитие явления зависит не от того, сколько лет прошло с отправного момента, а от того, какие факторы влияли на его развитие, в каком направлении, и с какой интенсивностью. Отсюда ясно, что развитие явления во времени выступает как результат действия этих факторов.

Метод скользящих средних является вторым методов прогнозирования валового сбора сельскохозяйственных культур в Астраханской области.

Сглаживание с помощью скользящих средних основано на том, что в средних величинах взаимно погашаются случайные отклонения. Это происходит вследствие замены первоначальных уровней временного ряда средней арифметической величиной внутри выбранного интервала времени.

Полученное значение относится к середине выбранного интервала времени (периода). Затем период сдвигается на одно наблюдение, и расчет средней повторяется. При сглаживании временного ряда скользящими средними в расчетах участвуют все уровни ряда. Чем шире интервал сглаживания, тем более плавным получается тренд.

Из двух методов прогнозирования наиболее точным оказался метод наименьших квадратов, так как средняя относительная ошибка оказалось меньше чем у метода скользящий средней.

3.2 Рекомендации по повышению достоверности статистического анализа и прогнозирования сельскохозяйственного производства

Технологии во многих сферах достигли высочайшего уровня, однако все это не значило бы ровным счетом ничего, если бы не было сельского хозяйства. Все человеческое общество базируется на аграрном производстве. И пусть многие развитые страны практически полностью отказались от производства продуктов питания на своей территории, они все равно нуждаются в сельскохозяйственной продукции, просто закупают они ее за рубежом.

Безусловно, наука значительно повысила эффективность аграрного производства за последние несколько десятилетий, а селекция позволяет улучшать основные характеристики культур, но сам результат работы аграриев практически не изменился. Если сравнить автомобиль столетней давности с современным, то отличия будут, мягко говоря, значительными.

Картофель же или, к примеру, томаты сегодня не сильно отличаются от тех, что люди ели в позапрошлом веке. По сути, у аграриев нет возможности расширяться за счет качественного улучшения своей продукции, как это делают производители электроники или самолетов. Поэтому им остается только оптимизировать сам процесс производства, то есть расширять посевные площади и автоматизировать процесс сбора и переработки продукции.

Некоторые особенности сельского хозяйства связаны с тем, что оно традиционно велось в условиях объединения усилий большого числа людей. Это означало, что только люди, способные эффективно работать в большом коллективе могли добиться успеха. На сегодняшний день, правда, это менее актуально ввиду механизации сельского хозяйства, однако до наших дней здесь сохранился принцип, согласно которому больше других преуспевает тот, кто работает в команде.

Также от других отраслей сельское хозяйство отличается тем, что напрямую зависит от природных условий региона. Рентабельность производства той или иной культуры зависит от того, насколько комфортны условия для ее произрастания.

Разработанный статистический инструментарий определения приоритетных направлений и оценки эффективности управления развитием сельского хозяйства региона на основе показателей статистического мониторинга обеспечивает возможность органам регионального управления своевременно корректировать планы и мероприятия по реализации программ развития сельского хозяйства, в частности:

отслеживание прямой зависимости между государственным финансированием и динамикой ключевых показателей деятельности сельскохозяйственных товаропроизводителей - продуктивности земельных угодий и сельскохозяйственных животных. Если установленные критерии ключевых показателей не достигаются, то размер государственной поддержки данного направления следует сократить;

концентрация экономических ресурсов региона на наиболее важных, стратегических направлениях, в отраслях сельскохозяйственного и перерабатывающего производства, которые смогут обеспечить быстрый прирост производства продукции и максимальное увеличение прибыли;

поощрение наиболее эффективных и прогрессивных форм, технологий и видов производства, обеспечивающих перспективные доходы и основу для устойчивого хозяйствования и расширенного воспроизводства;

поддержка сельскохозяйственных производителей, имеющих реальный потенциал, прежде всего, инновационного развития производства, который обеспечит в будущем их полное самофинансирование.

Результаты статистической оценки эффективности сельскохозяйственного производства в Астраханской области позволили выделить направления его приоритетного развития такие, как:

элитного семеноводства и мероприятий по защите растений;

субсидирование приобретения минеральных удобрений и средств защиты растений;

процентных ставок по кредитам на развитие сельских территорий;

поддержка развития наиболее эффективных малых форм хозяйствования.

По результатам выполненного исследования разработаны рекомендации по формированию развития сельского хозяйства на основе методов и инструментов статистического мониторинга, а также с использованием выявленных в процессе исследования наиболее эффективных механизмов реализации государственной и региональной политики в сфере сельского хозяйства таких, как стимулирующая сельскохозяйственное производство система льготного налогообложения и возмещения материально-производственных затрат.



Заключение

агропромышленный сельский валовый растениеводство

Статистический анализ и прогнозирование основных сельскохозяйственных культур, проведенные в бакалаврской работе, позволили сделать следующие выводы. В работе показано, что сельское хозяйство достаточно многоплановое понятие. Растениеводство является одной из отраслей сельского хозяйства, которое производит продукты питания для человека.

В первой главе описывается, что сельское хозяйство - это отрасль хозяйства, направленная на обеспечение населения продовольствием (пищей, едой) и получение сырья для ряда отраслей промышленности. Отрасль является одной из важнейших, представленной практически во всех странах. Во второй главе проводился статистический анализ, и были изучены структурные изменения в производстве отдельных видов сельскохозяйственных культур по группам производителей: сельскохозяйственные предприятия, крестьянские (фермерские) хозяйства и хозяйства населения.

В третье главе был построен прогноз для основных сельскохозяйственных культур по двум методам:

метод наименьших квадратов,

метод скользящей средней.

Наиболее точным оказался метод наименьших квадратов. Прогнозирование сельскохозяйственного производства имеет свои особенности, которые определяются климатическими условиями и, соответственно, сложностью прогнозирования урожайности и продуктивности, особенности, обусловленные технологией производства, размещением трудовых, производственных и земельных ресурсов, довольно сложной системой взаимосвязей сельскохозяйственного производства с другими отраслями материального производства.



Список использованной литературы

1. Айвазян С.А., Мхитарян B.C. Прикладная статистика и основы эконометрики. Учебник для вузов. М.: ЮНИТИ, 1998. -1022 с.

2. Андрющенко С.А. Прогноз сбалансированного развития регионального АПК. М.: Наука, 1990.- 152 с.

3. Анчишкин А.И. Методы прогнозирования темпов, факторов и структуры развития народного хозяйства. М.: Наука, 1979. - 402 с.

4. Афанасьев В.Н. Многомерный статистический анализ факторов уровня и устойчивости урожайности сельскохозяйственных культур. СПб.: ГАУ, 1995.-975 с.

5. Басовский Л.Е. Прогнозирование и планирование в условиях рынка. М.: ИНФРА-М, 2009. - 260 с.

6. Бестужев-Лада И.В. Рабочая книга по прогнозированию. М.: Мысль, 2012.- 430 с.

7. Беляков А.Г., Мандель A.C. Прогнозирование временных рядов на основе метода аналогов (элементы теории экспертно-статистических систем). Препринт. М.: Институт проблем управления, 2012. - 59 с.

8. Бедануков M. Методологические аспекты прогнозирования и планирования // АПК: экономика и управление. 2008. -№9. - С. 26-32

9. Бокс Дж., Дженкинс Г. Анализ временных рядов. Выпуски 1, 2 Прогноз и управление. М.: Мир, 2010. - 601 с.

10. Бочаров И.П., Печинкин A.B. Математическая статистика. М.: РУДН, 2009.- 164 с.

11. Бочаров П.П., Печинкин A.B. Теория вероятностей. М.: РУДН, 2012. -172 с.

12. Владимирова Л.П. Прогнозирование и планирование в условиях рынка: учебное пособие. М.: Дашков и К, 2009.-307 с.

13. Гайваронская Н. Производственное планирование и управление затратами в отраслях растениеводства // "Нормирование и оплата труда в сельском хозяйстве №. 2006. - №1. - С. 9-24.

14. Годин, А. М. Статистика. М.: Дашков и Кє, 2012. - 451 с.

15. Головченко В.Б. Прогнозирование временных рядов по разнородной информации. М.: Наука, 2009. - 88 с.

16. Головченко В.Б. Прогнозирование временного ряда по экспертным высказываниям // «Техническая кибернетика". 2011.- №3,-С. 47-51.

17. Голыитейн Е.Г. Выпуклое программирование. Элементы теории. М.: Наука, 2010.- 268 с.

18. Демиденко Е.З. Линейная и нелинейная регрессия. М.: Финансы и статистика, 2011. -302 с.

19. Дьяконов В. Matlab: учебный курс. СПб: Питер, 2011. - 560 с.

20. Елисеева, И. И. Статистика. Юрайт.: ИД Юрайт, 2011. - 565 с.

21. Елисеева И.И., Курышева С.В., Гордеенко Н.М. Практикум по эконометрике. М.: Финансы и статистика, 2009, - 405 с.

22. Елисеева И.И., Юзбашев М.М. Общая теория статистики: учебник. М.: Финансы и статистика, 2008. - 655 с.

23. Зинченко А.П. Сельскохозяйственная статистика с основами социально-экономической статистики. М.: Изд-во МСХА, 2008. - 423с.

24. Зинченко А.П. Сельскохозяйственные предприятия: экономико-статистический анализ. М.: Финансы и статистика, 2009. - 159 с.

25. Зинченко А.П., Шивалин А.Е., Тарасова О.Б. Практикум по статистики. М.: Колос, 2001. - 386 с.

26. Р.А.Измайлова, В.Г. Минашкин, Н.А.Садовникова. Теория статистики: учебник. М.: Финансы и статистика, 2003. - 656с.

27. Кендалл М.Дж., Стьюарт А. Сногомерный статистический анализ и временные ряды. М.: Наука, 2009. - 736 с.

28. Киселев С., Ромашкин Р. Сельскохозяйственная политика // "Экономика сельскохозяйственных и перерабатывающих предприятий" 2009. - № 10. -С. 10-15.

29. Литвак Б.Г. Экспертная информация. Методы получения и анализа. М.: Радио и связь, 2012. 184 с.

30. Макарец Л.И. Экономика производства сельскохозяйственной продукции: учебное пособие. М.: 2010. 220 с.

31. Мандель A.C. Экспертно-статистические методы на базе линейных моделей систем. Международная конференция по проблемам управления . М.: Фонд, 2009. 453 с.

32. Мандель A.C. Методы повышения достоверности выводов в экспертно-статистических системах. Труды Института проблем управления. Том 10. М.: ИПУ, 2010. 256 с.

33. Магнус Я.Р., Катышев П.К., Пересецкий А.А. Эконометрика. Начальный курс. М.: Дело, 2008. 234 с.

34. Ниворожкина, Л. И. Статистика. Дашков и К: Наука-Спектр, 2011. - 415 с.

35. Назаров М. Г. Статистика финансов. Москва.: Омега-Л, 2013.- 460 с.

36. Райбман Н.С. Основы управления технологическими процессами. М.: Наука, 2011.-440 с.

37. Савицкая Г.В. Анализ хозяйственной деятельности АПК. М.: Наука, 2007. -421 с.

38. Сельское хозяйство, охота и лесное хозяйство в Астраханской области / Федеральная служба государственной статистики.

39. Тумасян, А. А. Статистика промышленности. М.: Инфра-М, 2012. - 429с.

40. Фудина А.В. Анализ хозяйственной деятельности сельскохозяйственных предприятий. М.: Инфра-М, 2000. -333 с.

41. Харченко Н. М. Экономическая статистика. М.: Дашков и Кє, 2013. - 365 с.

42. Шариков Ф.К. Практикум по АХД. М.: Инфра-М, 2002. -104 с.

43. Ширяев А.Н. Вероятность. М.: Наука, 2010. - 574 с.

44. Эйкхофф П., Ванечек А., Савараги Е. Современные методы идентификации систем. Под ред. П. Эйкхоффа. М.: Мир, 2013. - 564 с.

45. Юдин Д.Б., Голынтейн Е.Г. Линейное программирование. М.: Наука, 2009. - 424 с.

Размещено на Allbest.ru