В статье дается корреляционно-регрессионный анализ факторов, влияющих на деятельность ОАО «Управляющая компания холдинга «Бобруйскагромаш»
Ключевые слова: корреляционно-регрессионный анализ, ОАО «Управляющая компания холдинга «Бобруйскагромаш»
Влияние инновационной деятельности на результат функционирования ОАО «Управляющая компания холдинга «Бобруйскагромаш»
Н. А. Хила, студентка 4 курса.
Бобруйский филиал БГЭУ
Научный руководитель: З.И. Кузьменок,
Старший преподаватель, Бобруйский филиал БГЭУ
В настоящее время деятельность предприятия в условиях постоянно изменяющейся конкурентной борьбы зависит от ряда факторов. Одним из них является инновационная детальность. В условиях кризиса развитие инноваций на предприятиях особенно актуально, поскольку оно охватывает различные сферы деятельности, связанные с инновационными циклами, объединяет цели и методы исследования, технологии и систему управления предприятием.
Для оценки влияния факторов инновационной деятельности на конечный результат функционирования предприятия была разработана корреляционно-регрессионной модель.
При построении множественной линейной корреляционно-регрессионной модели в качестве зависимой переменной была выбрана прибыль от реализации продукции (y). Факторами, или независимыми переменными, объясняющими результат, являются: затраты на инновации (x1); объем произведенной сертифицированной продукции (x2); объем произведенной инновационной продукции (x3); объем произведенной новой продукции (x4).
Задача исследования состоит в выявлении количественных зависимостей, характеризующих взаимосвязи между перечисленными выше факторами и прибылью от реализации продукции.
Для построения множественной линейной корреляционно-регрессионной модели были использованы: программа Excel 2013 и статистические ряды данных за 2007-2014 гг. ОАО «Управляющая компания холдинга «Бобруйскагромаш». Для подбора факторных признаков регрессионной модели используем команду Корреляция.
Факторы, включаемые во множественную регрессию, должны удовлетворять следующим требованиям: они должны быть количественно измеримы. Если необходимо включить в модель качественный фактор, не имеющий количественного измерения, то ему надо принять количественную определенность; факторы не должны быть интеркоррелированы и тем более находиться в точной функциональной зависимости. связь между результативным признаком и факторным должна быть выше межфакторной связи; связь между факторами должна быть не более 0,7. Если в матрице есть межфакторный коэффициент корреляции rXjXi > 0,7, то в данной модели множественной регрессии существует мультиколлинеарность.
Анализ первой строки матрицы позволяет произвести отбор факторных признаков, которые могут быть включены в модель множественной корреляционной зависимости. Зависимая переменная y имеет тесную связь с переменной x2 (rx2y = 0,69) и достаточно высокое влияние на нее оказывает переменная x4 (rx4y = 0,52). Факторы x1 и x3 включать в модель нецелесообразно, так как они слабо воздействуют на y (rx1y = 0,02; rx3y = 0,32).
В нашем случае все парные коэффициенты корреляции |r|<0,7, что говорит об отсутствии мультиколлинеарности факторов. Поскольку одним из условий построения уравнения множественной регрессии является независимость действия факторов, то согласно данному факту, коллинеарность нарушает это условие. Если факторы явно коллинеарны, то они дублируют друг друга и один из них рекомендуется исключить из регрессии. Предпочтение при этом отдается не фактору, более тесно связанному с результатом, а тому фактору, который при достаточно тесной связи с результатом имеет наименьшую тесноту связи с другими факторами. В этом требовании проявляется специфика множественной регрессии как метода исследования комплексного воздействия факторов в условиях их независимости друг от друга.
При помощи команды Регрессия рассчитаем параметры линейного уравнения регрессии, которое описывает зависимость между факторами и результатом.
Согласно результатам расчета запишем полученную модель, (ŷ = -108540,56+0,67х2-2,56х4), описывающую зависимость между прибылью от реализации продукции, объемом произведенной сертифицированной продукции и объемом произведенной новой продукции.
Для определения степени тесноты парной линейной зависимости служит линейный коэффициент корреляции r. Линейный коэффициент корреляции может принимать значения в пределах от -1 до +1 или по модулю от 0 до 1. Чем ближе он по абсолютной величине к 1, тем теснее связь. Знак указывает направление связи: «+» – прямая зависимость, «–» имеет место при обратной зависимости. В нашем случае R=0,92, что означает, что связь между переменными прямая, т.е. с увеличением независимой переменной увеличивается зависимая переменная, и наоборот. Таким образом полученное значение линейного коэффициента корреляции свидетельствует о наличии сильной прямой статистической связи между объемом произведенной сертифицированной продукции (x2), объем произведенной новой продукции (x4) и прибылью от реализации продукции (y).
При помощи коэффициента детерминации (R2) оценим качество подбора линейной зависимости. в нашем случае R2 = 0,85, что свидетельствует о том, что на 85 % вариация прибыли от реализации продукции обусловлена изменением объема произведенной сертифицированной и новой продукции, и 15 % – влиянием прочих факторов.
Осуществим проверку статистической значимости параметров и уравнения в целом на основании критических значений t-критерия Стьюдента (α=0,05) и F- статистик.
В результате сравнений, найденных по данным наблюдений, значения t- критерия со значением, определяемым по таблицам распределения Стьюдента, можно сделать следующий вывод: оценки параметров уравнения значимы при уровне значимости α=0,05, т.е. ta, tb2 и tb4 > tкрит. В нашем случае ta > tкрит; tb2> tкрит; tb4 > tкрит .
Для проверки качества уравнения в целом также используется F-отношение. Для определения статистической значимости F-статистики сравним ее с соответствующей критической точкой распределения Фишера. В нашем случае F-статистика модели (Fрасч = 14,58) превышает табличное значение F-критерия Фишера (Fкрит = 5,77), что свидетельствует о статистической значимости уравнения регрессии: а именно Fрасч> Fкрит.
Так как в нашем случае Fрасч>Fкрит, то статистика F, а следовательно, и коэффициент детерминации R² статистически значимы. Это означает, что совокупное влияние переменных x2 и x4 на переменную y существенно. На основе вышеприведенных рассуждений и вычислений, проведенных в работе, можно заключить, что построенное уравнение регрессии объясняет 85 % разброса переменной y.
Сделаем общий вывод о возможности использования построенной модели для прогнозирования. Уравнение регрессии, построенное на основе вышеприведенных данных, имеет хорошее качество, является адекватным, его можно использовать для прогнозирования.
Используя модель, получим прогнозное значение фактора Y в пределах 496612,28 ± ±75581,62 т.е. между значениями 572193,90 и 421030,65 млн руб.
Таким образом, можно сделать вывод, что разработанная модель может быть использована для оценки влияния инновационной деятельности на результат функционирования и прогнозирования деятельности предприятия.
Библиографическая ссылка
Хила Н. А. Корреляционно-регрессионный анализ факторов, влияющих на деятельность ОАО «Управляющая компания холдинга «Бобруйскагромаш» // . – . – № ;
URL: step-science-bip.csrae.ru/ru/0-209 (дата обращения:
26.04.2024).