5.4 Оцінка структурних зрушень
Структура будь-якої статистичної сукупності динамічна. Змінюються склад і технічний рівень виробничих фондів, вікова і професійна структура робітників, склад і якість залучених до виробництва природних ресурсів, асортимент і якість продукції, що виробляється, структура споживчого бюджету тощо. Зміна часток окремих складових частин сукупності – це наслідок структурних зрушень [1,87].
Структурні зрушення оцінюють за допомогою абсолютних і відносних характеристик динаміки:
абсолютного приросту j-ї частки в процентних пунктах
; (5.16)
темпу зростання j-ї частки
. (5.17)
Характеристики структурних зрушень взаємопов’язані:
. (5.18)
Очевидно, що для складових частин, де темп зростання Kd>1, абсолютний приріст додатний і, навпаки, при Kd<1 – від’ємний.
Як узагальнюючі характеристики інтенсивності структурних зрушень застосовують лінійний ld і квадратичний коефіцієнти. Їх обчислюють на основі абсолютних приростів часток , тобто
(5.19)
Знаючи темпи зростання часток, обчислюють квадратичний коефіцієнт, який порівняно з іншими чутливіше реагує на зміни в структурі, за формулою
(5.20)
Таблиця 5.4 - Структурні зрушення
Групи |
структура явища або процесу |
характеристика структурних зрушень |
||
базисний період |
звітний період |
абсолютні |
відносні |
|
Запаси |
0 |
0 |
0 |
0 |
Векселі одержані |
0 |
0 |
0 |
0 |
Дебіторська заборгованість |
149691,6 |
0 |
-149691,6 |
0 |
Поточні фінансові інвестиції |
16592 |
17533 |
941 |
1,057 |
Грошові кошти та їх еквіваленти |
0 |
0 |
0 |
0 |
Інші оборотні активи |
0 |
0 |
0 |
0 |
=
=79354928-776968,2-161472 = 4338;
=
=9575493680 + 128036160 - 9504319680 – 194842880 = 437280 ;
=
= 14466240 – 14270040 – 194880 = 1320;
=
=110968880 + 1635321640 – 1087755480 – 1678083840 = 454200 .
= = = 1006,7 ;
= = = 0,3 ;
= =104,7 .
= +
= 1006,7 +0,1 x +104,7 t
=1006,7 + 0,3* 552 + 104,4 t
= 1006,7 + 0,3*635 +0 = 1197,2
= 1006,7 + 0,3*484 + 104,7 = 1346,6
= 41670,1 + 24232,5 2 = 90135,1 тис. грн.
5.5 Вивчення кореляційних зв’язків у багатомірних динамічних рядах
Головною характеристикою кореляційного зв’язку є лінія регресії. Лінія регресії у на х – це функція, яка зв’язує середнє значення у зі значенням ознаки х [5,53].
В кореляційно-регресійному аналізі оцінка лінії регресії здійснюється не в окремих точках, як в аналізі, а в кожній точці інтервалу зміни факторної ознаки х. Тобто лінія регресії у даному випадку безперервна і зображується у вигляді певної функції, яка називається рівнянням регресії [5,67].
Кореляційно-регресійний аналіз складається з двох етапів:
побудови кореляційної моделі;
вимірювання тісноти зв’язку між ознаками та перевірки його істотності.
Дисперсійний аналіз дає досліднику уявлення про тісноту зв’язку в окремих точках. Коли зв’язок доведено при допомозі дисперсійного аналізу – проводять кореляційно-регресійний аналіз.
Кореляційно-регресійний аналіз складається з трьох етапів:
пошук математичних функцій, які б адекватно описали взаємозв’язок.
Вимірювання тісноти зв’язку між х і у.
Передумови застосування кореляційно-регресійного аналізу :
Сукупність повинна бути однорідна і багато чисельна;
Факторна і результативна ознаки повинні мати кількісний вираз;
Всі одиниці сукупності повинні бути між собою незалежними;
Число включених в кореляційну модель факторів повинно узгоджуватись з числом спостережень факторів: повинно бути менше ніж число спостережень хоча б у 8 разів (це випливає із закону великих чисел);
Фактори не повинні дублювати один одного, тобто вони мають бути незалежними змінними. Для цього їх перевіряють на мультиколінеарність;
Перелік факторів повинен бути теоретично обґрунтованим і практично доцільним;
Всі факторні і результативні ознаки повинні тяжіти до нормального розподілу.
Вище наведені методи вивчення взаємозв’язків відносять до параметричних методів [7,21].
Існують і непараметричні методи , які значно простіші, зокрема метод рангової кореляції.
Наприклад, тісноту зв’язку за цим методом можна оцінити при допомозі коефіцієнта кореляції рангів Спірмена:
, де
d – різниця рангів: d = Rx - Ry
n – число спостережень.
В літературі відзначають, що при використанні методу рангової кореляції при переході від значень ознаки х і у до відповідних рангів витрачається якась частина інформації.
Рангова кореляція знаходить застосування, коли ознаки представлені балами.
Досліджують взаємозв’язки також і між атрибутивними ознаками, для цього використовують таблиці спів залежностей (спряженостей) [4,63].
Тісноту зв’язку між атрибутивними ознаками оцінюють при допомозі коефіцієнтів асоціації і взаємної сполученості:
Між собою корелюють і динамічні ряди, однак вивчення зв’язків між ними має певні особливості. Особливість полягає в тому, що перш ніж оцінювати тісноту зв’язку між ними, необхідно усунути автокореляцію.
Автокореляція – це залежність наступних рівнів динамічного ряду від попередніх.
Наявність такої залежності призводить до порушення третьої передумови кореляційно-регресійного аналізу, яка вимагає, щоб одиниці сукупності були між собою незалежними.
Існує декілька методів усунення такої автокореляції.
Найпростішим серед них є метод різницевих перетворень, коли замість первинних рівнів динамічних рядів беруть абсолютні прирости. Якщо тенденція не лінійна – застосовують метод відхилення від тенденції. Усуненню кореляції сприяє також введення у рівняння регресії додаткової змінної часу t.
В цьому випадку рівняння регресії матиме вигляд:
Y = a0+a1x+a2t
Параметр a1 характеризує середній приріст у на одиницю приросту х.
Параметр a2 характеризує середній щорічний приріст у під впливом зміни комплексу факторів, крім фактора х.
Для визначення цих параметрів складають систему нормальних рівнянь, яку розв’язують методом підстановок Крамера:
Розв’язок системи спрощується, коли відлік часу беруть з середини динамічного ряду [3,23].
Якщо у такий спосіб автокореляція усунута, то залишкові величини повинні бути між собою незалежними ( t = y – Y). Цю гіпотезу перевіряють при допомозі коефіцієнта автокореляції залишкових величин, який обчислюють з певним часовим зсувом (лагом). Якщо лаг = 1, то коефіцієнт автокореляції залишкових величин обчислюється так:
Фактичне порівнюють з критичним. Якщо критичне значення коефіцієнта автокореляції є більше за фактичне, то це дає підстави стверджувати, що кореляція залишкових величин не істотна. Тоді автокореляція в рядах х і у в цей спосіб є усунутою і побудовану модель вважають адекватною.
Таблиця 3.6 - Тенденції розвитку ак-в і п-ви
РОКИ |
інші в-ти |
виручка |
t |
xy |
x |
t |
xt |
Y t |
yt |
E |
E+1 |
EE+1 |
Et |
2007 |
552 |
107,0 |
|
530640 |
304704 |
1 |
-552 |
16807,9 |
16807,9 |
2,4 |
16808,9 |
2588559,21 |
5,76 |
2008 |
635 |
1200 |
0 |
762000 |
403225 |
0 |
0 |
8403,97 |
0 |
2,8 |
8404,9 |
70642346 |
7,84 |
2009 |
784 |
1350 |
1 |
1058400 |
614656 |
1 |
784 |
33615,87 |
33615,87 |
3,4 |
33616,8 |
11301288,2 |
11,56 |
разом |
1971 |
3620 |
0 |
2411040 |
1322595 |
2 |
232 |
28577,74 |
5049,77 |
8,6 |
28580,7 |
X |
25,16 |
Висновки:
Залишкові значення мають дуже малі значення ,вони є не істотними ,значить автокореляція усуну-та ,а побудована модель є адекватною.
Отримана модель показує залежність між витратами і виручкою підприємства. При збільше-ні витрат на 1 гривню виручка збільшується на 1.5 грн. , тобто існує прямолінійна залежність.