Статистика товарооборота розничной торговли
|Итого: | | | | |?0 |?1 |
| |1491 |1730 |1308 |1390 |1140 |1245 |
Общее изменение среднего товарооборота на душу населения показывает индекс среднего товарооборота переменного состава.
?1 SD1?1 SD0?0 1730 1491 1245
Y?= —= ——— : ———= ——— : ———= —— = 1,092 или 109,2% (15)
?0 S?1 S?0 1390 1308 1140
Индекс постоянного состава отражает, как изменился средний душевой
товарооборот только вследствие изменения товарооборота на душу населения:
SD1?1 SO1 1730
1730
YD = ———= ——— = —————————— = ——— = 1,023 или 102,3%
SD0?1 SD0?1 1,409*1042+0,64*348 1691
Изменения среднего душевого товарооборота в результате структурных сдвигов в составе населения можно оценить с помощью индекса влияния сдвигов в структуре населения:
SD0H SD0H0 1,409*1042+0,64*348
YS? = ——— : ———— = ———————————— :
S?1 S?0
1390
1,409*850+0,64*458
: ——————————— = 1.067 или 106,7% (17)
1308
Вывод: Средний товарооборот на душу населения увеличится на 9,2% (109,2-100%), в том числе за счет роста товарооборота на душу городского и
сельского населения на 2,3%. Под влиянием сдвигов в структуре
населения он возрос на 6,7%.
Важное значение имеет анализ абсолютного изменения объема товарооборота под
влиянием факторов, влияющих на него.
Рассмотрим методику анализа на приведенном выше примере (Таблица №3)
?O = O1 - O0 = 1730 - 1491= 239 млн. руб. (18)
На данный прирост оказали влияния три фактора:
1. изменения товарооборота на душу населения:
?O(D) = (?1- ?0)* ?1 = (1,245-1,140)*1390 = 146 млн. руб. (19)
2. изменения численности населения:
?O(?) = (?1- ?0)* ?0= (1390-1308)*1,14 = 93 млн. руб. (20)
Общий прирост товарооборота равен сумме двух приростов:
?O=?O(D)+ ?O(?) (21)
146+93=239 -
верно
Вывод: Прирост общего товарооборота по региону составил 239 млн. руб., в том числе за счет изменения товарооборота на душу населения на 146 млн. руб., а за счет изменения численности населения на 93. млн. руб.
3. Корелляциаонно-регрессионный анализ
Исследование начинается с построения матрицы парных коэффициентов корреляции. Анализ этой матрицы позволит получить начальное представление об исследуемых взаимозависимостях между показателями (теснота и направление связи). Оценить значимость можно как по самим значениям коэффициентов корреляции, так и по соответствующим значениям t-статистики.
Чтобы оценить дублирование информации необходимо построить матрицу частных коэффициентов корреляции порядка (L-2), где L-число исходных переменных, включая результативный признак.
Исследование парных и частных коэффициентов корреляции должно помочь в выборе регрессоров для выполнения следующего этапа. Здесь следует учитывать возможность появления мультиколлинеарности. Явные признаки этого - коэффициенты корреляции между потенциальными регрессорами, по модулю большие, чем 0,8.
После составления набора объясняющих показателей, которые могут быть включены в модель, исследование продолжается с помощью регрессионного анализа. Рекомендуется использовать пошаговый регрессионный анализ по схеме последовательного включения в уравнение наиболее информативных объясняющих признаков. По матрице R по строке, соответствующей результативному признаку, выбирается наиболее коррелируемый с y-ом регрессор и строится МНК- уравнение на него. Проверяется его значимость.
Далее возвращаемся в корреляционный анализ и рассчитываем матрицу частных коэффициентов корреляции при фиксировании включенного в уравнение признака. И в этой матрице по строке, соответствующей результативному признаку, выбирается наиболее коррелированный показатель. Этот регрессор и вводится в модель. проверяется значимость уравнения и отдельных коэффициентов. Процесс прекращается, если введен незначимый регрессор.
При проведении интерпретации оценивается не только содержательный смысл модели, но и информативность, например, с помощью множественного коэффициента корреляции (детерминации) этого окончательного уравнения по сравнению с аналогичным, построенным по полному набору исходных объясняющих показателей. Потери информации ( (R2) могут быть достаточно большими и тогда целесообразно перейти к регрессии на главные компоненты и общие факторы.
методика факторного и компонентного анализов
Компонентный и факторный анализы проводятся с несколькими частными целями. Как методы снижения размерности они позволяют выявить закономерности, которые непосредственно не наблюдаются. Эта задача решается по матрице нагрузок, как и классификация признаков в пространстве главных компонент (или общих факторов). А индивидуальные значения используются для классификации объектов (не по исходным признакам, а по главным компонентам или общим факторам) и для построения уравнения регрессии на эти обобщенные показатели. Кроме того, диаграмма рассеяния объектов, построенная в плоскости, образованной двумя первыми, наиболее весомыми, главными компонентами (или общими факторами) может косвенно подтвердить или опровергнуть предположение о том, что исследуемые данные подчиняются многомерному нормальному закону. Форма облака должна напоминать эллипс, более густо объекты расположены в его центре и разреженно по мере удаления от него.
интерпретируются главные компоненты и общие факторы, которым соответствуют дисперсии больше 1, и которые имеют хотя бы одну весомую нагрузку. Выбор критической величины, при превышении которой элемент матрицы нагрузок признается весовым и оказывает влияние на интерпретацию главной компоненты или общего фактора, определяется по смыслу решаемой задачи и может варьировать в пределах от 0,5 до 0,9 в зависимости от получаемых промежуточных результатов. Формальные результаты должны хорошо интерпретироватьсЯ.
Факторный анализ - более мощный и сложный аппарат, чем метод главных компонент, поэтому он применяется в том случае, если результаты компонентного анализа не вполне устраивают. Но поскольку эти два метода решают одинаковые задачи, необходимо сравнить результаты компонентного и факторного анализов, т.е. матрицы нагрузок, а также уравнения регрессии на главные компоненты и общие факторы, прокомментировать сходство и различия результатов.
Далее необходимо объединить результаты, полученные в корреляционном, регрессионном анализе, методе главных компонент и факторном анализе и сформулировать общие выводы и рекомендации.
Заключение
Рассмотренная индексная методология анализа основных параметров товарного обращения позволяет получить достаточно обширную аналитическую информацию. Такая информация крайне необходима для организации планирования и управления товародвижением на всех иерархических уровнях торговли, рассматриваемой в виде большой и сложной динамической системы. Без этой информации нельзя также решать задачу по повышению рентабельности торговли. Эффективность индексной методологии анализа товарного обращения резко повышается в связи с использованием ЭВМ. В этом случае к индексной методологии легко подключаются другие аналитические методы.
Список использованной литературы
Н. И. Щедрин "Статистика торговли" г. Москва "Финансы и статистика" 2003 год.
И. К. Беляевский, Н. Н. Ряузов, Д. Н. Ряузов " Статистика торговли" г. Москва "Финансы и статистика" 2002 год.
А. И. Харламов "Статистика советской торговли" г. Москва "Экономика" 2001 год.
4. Под редакцией профессора Р.А. Шмойловой "Теория статистики" г. Москва "Финансы и статистика" 2004 год.