Лабораторная работа № 5 « Анализ себестоимости товарной продукции»

Цель работы: изучить методику выявления резервов снижения себестоимости на основе применения корреляционно-регрессионного анализа на ПЭВМ типа IBM PC/AT в программе Microsoft Office Excel.

Исходные данные: в таблице 18 представлены данные за 24 месяца по следующим показателям:

– среднесуточный дебит одной скважины по нефти q, т/сут.;

– удельный расход электроэнергии на добычу 1 т нефти R_Э/Э, кВт/т;

– удельный расход химического реагента УR_ХР, руб./т;

– обводненность нефти Об, %;

– удельный вес материальных затрат в структуре себестоимости УВ_МЗ, %;

– производительность труда ПТ, т/ чел.;

– удельная численность УЧ, чел./ скв.;

– удельный вес заработной платы в структуре себестоимости УВ_ЗП, %

– коэффициент эксплуатации скважин К_Э;

– коэффициент интенсивного использования скважин К_ИИ;

– коэффициент интегрального использования действующего фонда скважин К_iД.

Порядок работы:

1.Для выполнения корреляционно-регрессионного анализа используйте над­стройку к программе электронных таблиц MS Excel («Сервис»), которая называется «Анализ данных». Выберите инструмент анализа – «Корреляция». Введите данные для анализа – «Входной интервал». Рассчитайте все коэффициенты парной корреляции. Внесите значения коэффициентов в таблицу.

Таблица 18 - Исходные данные для экономико-математического моделирования себестоимости добычи нефти

Факторы	Себестоимость 1 т нефти, руб./т	Среднесут. дебит по нефти, т/сут.	Уд. расход электроэнергии, кВт-ч./т	Производи-тельность труда, т./чел.	Уд. расход химического реагента, руб/т	Обводненность, %	Уд. численность, чел./скв.	Уд. вес ЗП, %	Уд. вес МЗ, %	Коэф-т эксплуатации скважин	Коэф-т интенсивного использования скважин	Коэфф-т интегрального использования действующего фонда скважин
Обозна- чение Период	CС	qсут	Rэ/э	ПТ	УRХР	Об	УЧ	УВЗП	УВМЗ	КЭ	КИИ	КiД
дек.03	2 124,1	68,67	31,19	64,86	15,67	21,482	23,4	9,52	12,71	0,957	0,988	0,946
ноя.03	1 639,9	69,51	30,81	63,74	14,26	21,96	23,8	13,76	9,41	0,974	1,000	0,974
окт.03	1 629,1	65,98	30,08	65,58	14,03	21,384	22,3	12,18	8,12	0,981	0,949	0,931
сен.03	1 578,8	67,94	25,59	63,68	12,58	21,684	23,4	11,51	6,78	0,966	0,978	0,945
авг.03	1 586,5	68,24	27,65	66,89	12,93	21,27	23,1	12,38	6,85	0,951	0,982	0,934
июл.03	1 566,3	68,82	17,31	66,92	12,41	20,618	23,2	11,80	5,62	0,961	0,990	0,951
июн.03	2 036,4	65,37	23,72	60,34	14,26	21,623	23,4	13,67	6,26	0,961	0,940	0,903
май.03	1 982,0	60,58	26,20	57,09	12,96	21,016	23,9	22,14	8,78	0,978	0,720	0,704
апр.03	2 022,1	62,19	27,97	53,58	13,33	19,627	24,4	17,03	9,21	0,955	0,895	0,855
мар.03	2 195,5	60,11	28,54	54,29	13,66	20,96	24,4	12,41	7,52	0,975	0,865	0,843
фев.03	2 352,3	54,85	31,78	46,42	13,86	21,858	23,1	13,03	6,32	0,933	0,789	0,736
янв.03	2 285,5	55,46	31,61	54,73	13,17	21,09	22,4	11,00	7,63	0,949	0,798	0,757
дек.02	2 123,8	62,42	29,77	56,06	12,83	20,633	20,2	12,33	7,56	0,952	1,000	0,952
ноя.02	2 715,9	63,00	28,52	55,35	15,60	21,52	19,9	9,85	8,23	0,969	0,986	0,955
окт.02	1 850,4	61,83	25,98	56,89	12,56	22,365	19,9	12,85	6,63	0,956	0,978	0,935
сен.02	2 275,0	69,45	24,06	54,81	13,25	22,662	19,9	13,39	5,80	0,963	0,974	0,938
авг.02	2 132,8	56,74	23,27	54,27	12,27	22,136	20,1	27,88	7,57	0,935	0,989	0,925
июл.02	3 066,7	54,25	18,92	52,26	13,33	21,483	20,4	7,53	3,70	0,941	0,874	0,822
июн.02	2 115,4	47,80	28,40	39,19	12,48	25,092	21,9	29,32	8,60	0,942	0,823	0,775
май.02	2 456,1	49,18	31,74	39,92	13,70	28,575	22,3	17,64	11,11	0,982	0,768	0,754
апр.02	2 110,4	47,55	37,63	37,36	12,99	27,518	23,1	34,48	15,55	0,991	0,764	0,757
мар.02	3 129,3	47,41	33,02	38,15	15,32	26,649	22,6	10,83	6,49	0,978	0,768	0,751
фев.02	2 257,9	47,78	36,73	35,64	14,26	26,824	23,2	22,86	17,50	0,972	0,773	0,751
янв.02	2 052,9	49,14	36,27	41,65	13,33	26,294	23,3	27,00	20,65	0,949	0,782	0,742

2. Выберите инструмент анализа – «Регрессия». Введите данные для анализа – «Входной интервал Y» и «Входной интервал Х». В программе рассчитываются проводится дисперсионный анализ моделей. Выводятся на печать средние значения всех переменных, стандартные отклонения, коэффициенты парной и множественной корреляции, коэффициенты регрессии, стандартные ошибки коэффициентов регрессии, значения критериев Фишера и Стьюдента.

Значимость регрессионной модели в целом проверяется по критерию Фишера (F-критерию). Расчетные значения F-критерия выводятся на печать, и проводится сравнение расчетного значения с критическим, которое находится по таблицам распределения Фишера. При этом задаются определенным уровнем значимости α = 0,90.

Число степеней свободы числителя и знаменателя дисперсионного отношения выводится на печать. Если расчетное значение критерия Фишера (F_Р) больше критического (F_КР), то регрессионная модель считается значимой.

Как правило, значимой модели соответствует значимый коэффициент множественной корреляции R. Однако в случаях, близких к критическим (F_Р = F_КР), это может не выполняться. Задача определения значимости коэффициента множественной корреляции решается самостоятельно. Для этого используют таблицы критических значений коэффициентов множественной корреляции.

В зависимости от количества переменных в модели находится критическое значение коэффициента множественной корреляции:

R_кр = R(α, n, k), (13)

где α – уровень значимости;

n – объем выборки;

k – количество переменных в модели.

Если расчетное значение коэффициента множественной корреляции (R) больше критического значения (R_кр), то R_p считается статистически значимым коэффициентом.

Если модель в целом значима, то ее можно использовать для дальнейшего экономического анализа. Однако в модели отдельные коэффициенты регрессии могут быть значимы или незначимы. Вывод о значимости коэффициентов регрессии проводится по t-критерию Стьюдента.

В программе на печать выводится расчетное значение t-критерия, которое определяется как отношение данного коэффициента регрессии к стандартной ошибке этого коэффициента. Расчетное значение t-критерия сравнивается с критическим значением t_кр, которое находится по таблицам распределения Стьюдента, t_кр = t(α, n-1), где α – уровень значимости, n – объем выборки. Если t_p > t_кр, то данный коэффициент регрессии считается статистически значимым.

Даже если модель в целом незначима, незначимы и коэффициенты регрессии α_i, все равно из нее можно извлечь полезную информацию.

Проверка значимости коэффициентов парной корреляции Ч_р может быть завершена с помощью таблицы критических значений для коэффициентов парной корреляции, Ч_кр = Ч(α, n-2), где α – уровень значимости, n – объем выборки. Если расчетное значение коэффициента парной корреляции больше критического значения, т.е. Ч_р > Ч_кр, то расчетный коэффициент парной корреляции считается статистически значимым.

Расчетные значения коэффициентов парной корреляции для показателей, сводятся в таблицу 18.

Таблица 18 - Расчетные значения коэффициентов парной корреляции

№ п/п	Факторы-аргументы	Себестоимость добычи 1 т нефти, Сс
1	qсут
2	Rэ/э
3	ПТ
4	Об
5	УЧ
6	УВЗП
7	УRХР
8	УВМЗ
9	КЭ
10	КИИ
11	КiД

1. Записываем статистически значимые зависимости линейного вида.

5. На основе экономико-математического моделирования выявляются факторы, влияющие на себестоимость добычи 1 т нефти.

В таблицу 19 сводятся все характеристики регрессионных моделей показателей себестоимости добычи 1 т нефти.

Таблица 19 - Характеристики регрессионных моделей себестоимости добычи