Статистический анализ урожайности зерновых культур в ООО КХ «Колос»

     Влияние структуры посевной площади:

     Абсолютный прирост рассчитывается по формуле:

     Валовой сбор зерновых за счет  изменения структуры посевных  площадей уменьшился на 2,2% или  на 1475,3 ц.

     Общий индекс валового сбора  можно представить как произведение общих индексов:

     Общий индекс средней урожайности  ( ) представляет собой отношение средней урожайности за отчетный период ( ) к средней урожайности за базисный период ( ).

     Средняя урожайность за отчетный  период по сравнению с базисным  периодом увеличилась на 21,7% или  на 3,41 ц.

     Следовательно, средняя урожайность  зерновых культур увеличивается в основном за счет роста индивидуальной урожайности каждой культуры, а структура посевных площадей своего влияния почти не оказала. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

3.4 Корреляционно – регрессионный анализ урожайности зерновых культур 
 

    С помощью многофакторного корреляционного анализа находятся разного рода характеристики тесноты связи между изучаемым показателем и факторами, парные, частные, множественные коэффициенты корреляции, множественные коэффициенты детерминации.

     Автокорреляция уровней ряда динамики приводит к нарушению предпосылок и требований, которым должна удовлетворять информация при регрессионно – корреляционном анализе и использованием метода наименьших квадратов. В результате наличия автокорреляции и авторегрессии в каждом изучаемом ряду или хотя бы одном из них при коррелирование уровней этих рядов показатели корреляции и регрессии могут быть искажены.

     Чтобы избежать подобных искажений  и измерить влияние колебаний  признака фактора на колебания  результативного признака в более или менее чистом виде, нужно проверить наличие автокорреляции в каждом временном ряду и если она будет обнаружена – каким – то путем устранить или ослабить ее.

     Проверка наличия и существенности  автокорреляции остатков производится  с помощью критерия Дарбина – Уотсона:

,

где - остатки (отклонения от тренда или от уровней, рассчитанных по какой-либо модели);

t – выровненный ряд.

     Вычислим критерий Дарбина –  Уотсона:  

      ; . Следовательно, вывод о наличии  автокорреляции не определен.

     При большом числе наблюдений, когда коэффициенты корреляции необходимо последовательно вычислять из нескольких рядов числовых данных, для удобства получаемые коэффициенты сводят в таблицы, называемые корреляционными матрицами.

     Корреляционная матрица – это  квадратная или прямоугольная  таблица, в которой на пересечении  соответствующих строки и столбца находится коэффициент корреляции между соответствующими параметрами.

     Таблица 13 – Исходные данные для анализа

 

     Таблица 14 – Результаты вычисления корреляционной матрицы

   

 Получили  корреляционную матрицу. Из таблицы  видно, что корреляция между урожайностью и внесенными удобрениями равна – 0,5001, а между урожайностью и затратами труда 0,6516, между внесенными удобрениями и затратами труда – 0,6334.

     Таким образом, в результате  анализа выявлены зависимости:  наличие обратной линейной связи  между внесенными удобрениями и урожайностью     (r = - 0,50), прямая линейная связь между урожайностью и затратами труда       (r = 0,65). Между внесенными удобрениями и затратами труда имеется обратная связь (r = -0,63).

     При исследовании взаимосвязи  между выборками помимо корреляции различают также и регрессию. Регрессия используется для анализа воздействия на отдельную зависимую переменную значений одной или более независимых переменных. Соответственно, наряду с корреляционным анализом ещё одним инструментом изучения стохастических зависимостей является регрессионный анализ.

     Регрессионный анализ устанавливает  формы зависимости между случайной  величиной  Y (зависимой) и значениями одной или нескольких переменных величин (независимых), причем значения последних считаются точно заданными. Такая зависимость обычно определяется некоторой математической моделью (уравнением регрессии), содержащей несколько неизвестных параметров. В ходе регрессионного анализа на основании выборочных данных находят оценки этих параметров, определяются статистические ошибки оценок или границы доверительных интервалов и проверяют соответствие принятой математической модели экспериментальным данным.

     Таблица 15 – Результаты исчисления  регрессии  
 
 
 
 

 

   Таблица 16 – Дисперсионный анализ

 

     Таблица 17 – Результаты исчисления регрессии 

 

     По результатам вычислений составим  уравнение множественной регрессии  вида:

     Значения случайных ошибок параметров   
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Выводы  и предложения. 
 

         В данной курсовой работе была рассмотрена урожайность в хозяйстве ООО «КХ «Колос». Интенсификация, а, следовательно, и повышение фондовооруженности и энерговооруженности труда позволяют в первую очередь экономить живой труд, снижать его затраты. На практике это выражается в росте обрабатываемых площадей на работника, в снижении затрат труда на единицу земельной площади.

    Повышение уровня технической оснащенности сельского хозяйства благодаря улучшению качества проведения работ и соблюдению оптимальных сроков их выполнения способствует не только сокращению потребностей в труде, но и росту урожайности культур.

     Анализ  сложившегося положения в данной организации позволяет сделать следующие выводы. Наряду с хорошим производственным потенциалом, урожайность зерновых культур ООО в «КХ «Колос» недостаточно высока. Связано это как с природно-климатическими, так и с экономическими причинами. Можно даже сказать, что неблагоприятная климатическая обстановка усугубляется нехваткой денежных средств, из чего вытекает и нехватка оборудования, удобрений и т.п. Отсутствие необходимого оборудования и материалов также отрицательно сказывается на урожайности, т.к. не обеспечивается должный уход за урожаем.

    Большое влияние на урожайность оказывают  и метеорологические условия,  перепады температуры (очень жаркое лето и суровая зима) и весенние заморозки, губящие весенние всходы.

    Исходя  из этих выводов, можно сделать следующие предложения. В первую очередь, необходимо производить интенсификацию производства – обновлять давно устаревшее оборудование, здания, сельскохозяйственные машины. Во-вторых, вести подготовку квалифицированных кадров, которые смогут обеспечить должный уход за посевами и разработать меры защиты от неблагоприятных метеорологических условий. В-третьих, использовать наиболее продуктивные и выносливые сорта при посеве. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Литература

1. Афанасьев В. Н., Маркова А. И. Статистика сельского хозяйства: Учеб. 
   пособие. — М: Финансы и статистика, 2002. - 272 с: ил.
2. Афанасьев В. Н. Методика определения эффективности устойчивости 
   сельскохозяйственного производства. - Оренбург: Издательство ОГАУ, 1995. - 228с.
3. Афанасьев В. Ы. Многомерный статистический анализ факторов уровней и 
   устойчивости урожайности сельскохозяйственных культур. — СПб.: Издательство

СШАУЛ995.-180с

     4. Афанасьев   В.   Н.,   Юзбашев   М.   М.   Анализ   временных   рядов   н 
прогнозирование. - М: Финансы и статистика, 2001. - 310 с.