Мировой рынок рыбы

ВВЕДЕНИЕ
1. ХАРАКТЕРИСТИКА ОТРАСЛИ
1.1. Компании производители
1.2. Инновационно-технологическое развитие
1.3. Тенденции, характеризующие отрасль
1.4. Характеристика мирового рынка продукции отрасли
2. ДИНАМИКА ПОКАЗАТЕЛЕЙ ОТРАСЛИ (1993 – 2007 Г.Г.)
2.1. Показатели производства продукции и ее распределения
2.2. Динамика цен на продукцию отрасли
2.3. Динамика инновационно-технологических показателей
2.4. Динамика количества фирм производителей и фирм потребителей
2.5. Динамика макроэкономической среды мировой экономики
3. АНАЛИЗ ЭКОНОМИЧЕСКИХ ПРОЦЕССОВ В ОТРАСЛИ
3.1. Статистический анализ показателей отрасли
3.2. Нахождение трендов
3.3. Классификация стран и отраслей страны
3.4. Нахождение зависимости результирующих показателей от влияющих
ЗАКЛЮЧЕНИЕ
СПИСОК ЛИТЕРАТУРЫ

Страна Год Темп роста Темп прироста Абсолютное изменение объема рынка Канада 1997 104,0 4,0 153851 1998 102,4 2,4 97972 1999 102,9 2,9 121408 2000 116,4 16,4 695666 2001 97,4 -2,6 -126100 2002 107,9 7,9 379709 2003 107,3 7,3 379521 2004 105,2 5,2 290553 2005 101,1 1,1 64184 2006 102,0 2,0 121234 2007 103,4 3,4 203927 Норвегия 1997 94,9 -5,1 -464163 1998 100,0 0,0 1442 1999 99,0 -1,0 -82821 2000 108,4 8,4 714664 2001 95,3 -4,7 -438910 2002 99,0 -1,0 -87436 2003 158,6 58,6 5107514 2004 90,8 -9,2 -1268656 2005 57,0 -43,0 -5399861 2006 100,7 0,7 47785 2007 98,9 -1,1 -76211 Китай 1997 97,6 -2,4 -2846456 1998 104,6 4,6 5486656 1999 102,4 2,4 2908304 2000 105,1 5,1 6443472 2001 98,7 -1,3 -1791310 2002 98,1 -1,9 -2542974 2003 93,2 -6,8 -8782712 2004 91,8 -8,2 -9821443 2005 87,0 -13,0 -14269853 2006 95,2 -4,8 -4585988 2007 98,2 -1,8 -1606485 США 1997 90,3 -9,7 -409750 1998 105,4 5,4 205452 1999 101,5 1,5 60151 2000 121,4 21,4 872990 2001 89,2 -10,8 -535074 2002 108,8 8,8 390091 2003 121,6 21,6 1035185 2004 101,8 1,8 105283 2005 134,2 34,2 2031662 2006 84,6 -15,4 -1231225 2007 84,7 -15,3 -1031916 Дания 1997 87,7 -12,3 -177839 1998 108,9 8,9 113029 1999 98,2 -1,8 -25426 2000 110,5 10,5 142418 2001 97,9 -2,1 -30860 2002 98,6 -1,4 -20091 2003 100,1 0,1 1777 2004 96,4 -3,6 -52906 2005 95,7 -4,3 -60073 2006 99,5 -0,5 -6208 2007 101,5 1,5 20509 Россия 1997 104,2 4,2 331410 1998 105,9 5,9 476540 1999 106,5 6,5 558209 2000 105,3 5,3 481594 2001 102,7 2,7 259871 2002 108,5 8,5 841135 2003 100,8 0,8 82520 2004 94,4 -5,6 -609696 2005 97,3 -2,7 -274211 2006 97,3 -2,7 -271991 2007 100,0 0,0 -2245
Представленные в таблице 7 данные свидетельствуют о том, что в анализируемом периоде темпы роста объемов рыбных рынков представленных стран имеют тенденцию к снижению.
3.2. Нахождение трендов
Значимость коэффициентов простой линейной регрессии проверяют с помощью t-критерия Стьюдента. При этом вычисляют расчетные значения t-критерия:
для параметра
для параметра
Рассчитанные значения по этим формулам сравнивают с критическими значениями t, рассчитанного для принятого уровня значимости. Для нашего исследования мы примем уровень значимости равный 5%.
Рис. 8. Линия тренда и линия, построенная по фактическим данным объемов рынка.
Для линии тренда приведем значение коэффициента детерминации = 0,56 – Это значение не высоко из-за высокой вариации рынка.
3.3. Классификация стран и отраслей страны
На любой экономический показатель чаще всего оказывает влияние не один, а несколько факторов. В данной работе будет исследоваться экономический процесс, в котором также учитывается влияние нескольких факторов на результат.
Для отбора факторов используется наиболее распространённый метод исключения, то есть из всего набора факторов происходит их отсев.
Факторы, включаемые во множественную регрессию, должны отвечать следующим требованиям:
Они должны быть количественно измеримы.
Факторы не должны быть интеркоррелированы и тем более находиться в точной функциональной связи.
Отбор факторов производится на основе качественного теоретико-экономического анализа. Однако теоретический анализ часто не позволяет однозначно ответить на вопрос о количественной взаимосвязи рассматриваемых признаков и целесообразности включения фактора в модель. Поэтому отбор факторов обычно осуществляется в две стадии: на первой подбираются факторы исходя из сущности проблемы; на второй - на основе матрицы показателей корреляции определяют t-статистики для параметров регрессии.
Данные, характеризующие рассматриваемую проблему, представлены в таблице. Статистические сведения приведены за 7 лет.
2001 2002 2003 2004 2005 2006 2007 y 2201 1913 1384 1067 961 1172 918 x1 736 730,5 719,7 740,1 748,6 744,9 745,9 x2 10,8 10,7 10,6 10,3 10,1 9,8 9,5 x3 148532 147501 146304 145649 144964 144168 143474 x4 114,9 115 114,4 112,6 111,6 112,5 111,3 x5 3167 3983,9 5325,8 6831 8900 10976,3 13667,8 x6 5807,5 7305,6 8934,6 10830,5 13243,2 16966,4 21597,9 x7 4901 4876 4795 4709 4602 4579 4457 x8 0,7 0,4 0,4 0,6 0,7 1,4 1,5 x9 23,7 29,7 36,7 36,1 43,2 61,6 78,4 x10 65,7 65,34 65,23 65,95 64,85 65,27 65,3
где у - производство рыбной продукции (минтай, судак, камбала, сельдь, палтус и т.д.), тонны;
х1 – численность персонала, тыс. человек;
х2 – число предприятий отлова рыбы, тысяч;
х3 - численность населения, тыс. чел;
х4 – число предприятий на государственном обеспечении, тысяч;
х5 - денежные доходы, млрд руб;
х6 - ВВП, млрд руб;
х7 - правоохранительных организаций, тысяч;
х8 – страхование производственных фондов, %;
х9 - инвестирование в рыболовную промышленность, млрд руб;
х10 – увеличение стоимости квот на отлавливаемую рыбу, %.
Присутствие лишних факторов приводит только к статистической незначимости параметров регрессии. Естественно, использовать все факторы в уравнении регрессии не удастся, так как число наблюдений невелико, и получить значимые параметры уравнения регрессии при таком количестве факторов невозможно. Их число должно быть сведено к минимуму.
Так как в данной экономической модели уже выделены факторы, оказывающие влияние на результат, то при отборе факторов для построения множественной регрессии воспользуемся методом исключения. В данном случае отбор факторов основывается на вычислении матрицы парных коэффициентов корреляции.
3.4. Нахождение зависимости результирующих показателей от влияющих
Коэффициенты интеркорреляции (т.е. корреляции между объясняющими переменными) позволяют исключить из модели дублирующие факторы.
Для того чтобы сделать выводы о влиянии экономических факторов на развитие лесного хозяйства, необходимо на основе данных, представленных в работе за семилетний период (с 2001 по 2007 гг.), составить модель множественной регрессии, которая бы описывала зависимость производство лекарств от всех вышеперечисленных факторов. Должны быть решены вопросы, связанные с выбранными факторными признаками и с видом применяемого уравнения регрессии. Далее следует рассмотреть влияние выбранных факторов на результат при наличии временной переменной. Совокупность выполненных работ позволит сформулировать выводы о взаимосвязях в изучаемой области.
Частный коэффициент корреляции отражает чистое влияние рассматриваемого фактора на результат, т.к. остальные факторы закрепляются на определенном уровне, т.е. являются постоянными.
Формула для расчета частного коэффициента корреляции, измеряющего влияние на у фактора хi при неизменном уровне других факторов, можно определить по формуле:
,
где - множественный коэффициент детерминации всего комплекса р факторов с результатом;
- тот же показатель детерминации, но без введения в модель фактора xi.
Парные коэффициенты корреляции вычисляются по формуле:
Получили следующую таблицу коэффициентов корреляции:
  у х1 х2 х3 х4 х5 х6 х7 х8 х9 х10 у 1 х1 -0,883 1 х2 -0,521 0,1002 1 х3 -0,495 0,0697 0,959 1 х4 0,4136 0,035 -0,755 -0,8104 1 х5 0,4561 -0,003 -0,970 -0,9792 0,8554 1 х6 0,3665 0,0675 -0,975 -0,9398 0,7412 0,9741 1 х7 -0,007 0,1411 -0,526 -0,3517 -0,045 0,4114 0,6033 1 х8 0,595 -0,342 -0,694 -0,7302 0,5306 0,6198 0,545 0,0165 1 х9 -0,135 0,4521 -0,333 -0,2732 0,6315 0,4497 0,4456 0,1575 -0,239 1 х10 -0,635 0,2972 0,7292 0,70582 -0,765 -0,6855 -0,5901 0,0468 -0,865 -0,188 1
Значения коэффициентов корреляции, находящиеся в диапазоне 0< ׀r׀≤ 0.3 говорят о слабой связи между наблюдаемыми признаками; значения 0.3≤ ׀r׀≤ 0.7 – о средней связи и 0.7≤׀r׀< 1 – о тесной связи. Положительные значения коэффициентов корреляции свидетельствуют о прямой связи между переменными, отрицательные – об обратной связи, то есть увеличение одного из факторов сопровождается уменьшением другого. Из полученной матрицы коэффициентов парной корреляции следует, что ряд факторов имеет парные коэффициенты корреляции больше 0,7.
у х1 х2 х3 х4 х5 х6 х7 х8 х9 х10 у 1 х1 -0,883 1 х2 -0,522 0,1 1 х3 -0,495 0,07 0,959 1 х4 0,414 0,035 -0,756 -0,81 1 х5 0,456 -0,003 -0,971 -0,979 0,855 1 х6 0,366 0,067 -0,975 -0,94 0,741 0,974 1 х7 -0,007 0,141 -0,527 -0,352 -0,046 0,411 0,603 1 х8 0,595 -0,342 -0,694 -0,73 0,531 0,62 0,545 0,016 1 х9 -0,135 0,452 -0,334 -0,273 0,632 0,45 0,446 0,158 0,113 1 х10 -0,635 0,297 0,729 0,706 -0,765 -0,69 -0,59 0,047 -0,673 -0,189 1
Из пары факторов х3 и х2 исключаем фактор х2, так как его связь с другими факторами более сильная, чем связь x3 с ними. Исключаем фактор x7, так как его связь с y очень незначительная. По такой схеме исключаем все другие факторы. Таким образом, для построения модели остаются факторы х1, х5, х8 и х10. Матрица коэффициентов парной корреляции для них выглядит следующим образом:
  у х1 х5 х8 х10 у 1 х1 -0,88300608 1 х5 0,45605173 -0,003474 1 х8 0,59499201 -0,342415 0,619844 1 х10 -0,635065 0,297207 -0,685489 -0,6729266 1
Для получения адекватной модели необходимо устранить мультиколлинеарность, т.е. вывести из рассмотрения факторы, которые имеют совокупное воздействие друг на друга. Наличие мультиколлинеарности факторов может означать, что некоторые из них всегда будут действовать в унисон. Для оценки мультиколлинеарности факторов может использоваться определитель матрицы парных коэффициентов корреляции между факторами. Чем ближе к нулю этот проеделитель, тем сильнее мультиколлинеарность факторов. Для наших парных коэффициентов корреляции между факторами матрица имеет вид:

Определитель матрицы парных коэффициентов корреляции между факторами равен 0,2, что достаточно близко к 0, следовательно, между оставшимися факторами наблюдается мультиколлинеарность.
Продолжим удаление факторов, являющихся самыми неинформативными, регулярно сопоставляя значения множественного коэффициента корреляции и детерминации (который оценивает качество построенной модели в целом) и проверяя значимость уравнения регрессии.
В следующих таблицах представлены результаты регрессионного анализа после исключения факторов х1, х5, х8, х10.
ВЫВОД ИТОГОВ Регрессионная статистика Множественный R 0,999530603 R-квадрат 0,999061427 Нормированный R-квадрат 0,995307133 Стандартная ошибка 29,05134237 Наблюдения 6
Дисперсионный анализ   df SS MS F Значимость F Регрессия 4 898372,4 224593,0982 266,111717 0,045939839 Остаток 1 843,9805 843,9804935 Итого 5 899216,4      
  Коэффициенты Стандартная ошибка t-статистика P-Значение Y-пересечение 30538,08691 1623,46624 18,81042319 0,03381216 x1 -26,94728304 1,07745261 -25,01017937 0,02544087 x5 0,007316604 0,00087595 8,352752758 0,07585572 x8 -242,9957642 101,983594 -2,382694665 0,25297163 x10 -81,66075105 21,2523898 -3,842426757 0,16208611
По данным вычислениям уравнение регрессии будет иметь вид:
ŷ =30538,09-26,95*x1+0,007*x5-242.996*x8-81,66*x10.
Для оценки значимости параметров уравнения используется t- критерий Стьюдента. С помощью t-критерия Стьюдента для каждого из оставшихся факторов можно выяснить, формируется ли он под воздействием случайных величин (является ли фактор информативным).
Его можно определить как:
,
где - частный F- критерий Фишера, который определяется по формуле:
,
где - множественный коэффициент детерминации всего комплекса р факторов с результатом;
- тот же показатель детерминации, но без введения в модель фактора xi.
n- число наблюдений;
m- число параметров в модели (без свободного члена).
При этом определяются две гипотезы:
Н0 - коэффициент статистически незначим;
Н1 - коэффициент статистически значим.
Затем сравнивается факторное значение t- критерия, т.е. вычисленное, и табличное, определенное по специальной таблице t-критерия. Если факторное значение окажется больше табличного, то гипотеза Н0 отклоняется и коэффициент признается статистически значимым.
В полученном уравнении tтабл: n-m-1=7-4-1=2, tтабл =4,3
Следовательно коэффициенты при факторах х1, х5 являются статистически значимыми, для них значение t-критерия больше 4,3, следовательно, можно сделать вывод о существенности данных параметров, которые формируются под воздействием неслучайных причин, а коэффициенты при х8, х10, соответственно, незначимы.
P-значение характеризует вероятность случайного характера формирования параметра. Из рассчитанных значений видно, что наибольшей вероятностью случайной природы факторов обладают b8 , поэтому этот фактор можно исключить из уравнения регрессии. Также удаляем фактор b10 (так как он не является значимым).
Проведём анализ данных для оставшихся двух факторов:
ВЫВОД ИТОГОВ Регрессионная статистика Множественный R 0,99242 R-квадрат 0,984897 Нормированный R-квадрат 0,974828 Стандартная ошибка 67,28282 Наблюдения 6
Дисперсионный анализ   df SS MS F Значимость F Регрессия 2 885635,4 442817,7 97,8175049 0,001856086 Остаток 3 13580,93 4526,978 Итого 5 899216,4      
  Коэффициенты Стандартная ошибка t-статистика P-Значение Y-пересечение 287,2650033 1821,254 14,04644 0,00078146 x1 2,866255447 2,231529 -12,4227 0,00112406 x5 -0,145583563 0,001402 6,384305 0,00778112
Проверим еще раз наличие мультиколлинеарности оставшихся факторов. Для парных коэффициентов корреляции между факторами х1, х5 матрица имеет вид:

Определитель матрицы парных коэффициентов корреляции между факторами приближенно равен 1 что говорит об отсутствии мультиколлинеарности между оставшимися факторами.
Теперь из модели исключены явно коррелированные факторы, следовательно, можно приступать к оценке модели множественной регрессии. Значимость и надежность всего уравнения в целом определяется с помощью
F- критерия Фишера:
,
где R2- коэффициент (индекс) множественной детерминации;
n- число наблюдений;
m- число параметров при переменных х.
После вычисления F-критерия факторное значение сравнивается с табличным. Если факторное значение больше табличного, то уравнение статистически значимо и надежно.
Полученное уравнение ŷ = 287,265 +2,86*х1 -0,145*х5 является надежным и статистически значимым, т.к. Fфакт = 97,82 > Fтабл=6,94 (для определения Fтабл m=2, n-m-1=7-2-1=4).
Итак, окончательная математическая модель будет выглядеть следующим образом:
ŷ = 287,265 +2,86*х1 -0,145*х5.
Из полученного уравнения видно, что на производство рыбной продукции, тыс. тонн (фактор у) в большей степени влияют такие факторы как численность населения, на тыс. человек (фактор х1) и денежные доходы, млн. руб. (фактор х5). Причем при увеличении численности населения на тыс. человек на единицу производство рыбной продукции увеличится на 2,86 тонн, а при увеличении денежных доходов на 1 млрд. руб. – уменьшится на 0,009 тонн.
ЗАКЛЮЧЕНИЕ
В конце данной курсовой работы подведем итоги, характеризующие основные тенденции развития мирового рыбного рынка.
Постоянное повышение спроса населения на рыбу и морепродукты вызвано тем, что осознанная забота о здоровье предусматривает, при организации рационального питания, широкое использование рыбных продуктов, примером чего служат Япония, Китай, Индия. Рыбопродукты выступают как один из главных источников полезных белков, жиров, микроэлементов животного происхождения, антимутагенезов. При высоком содержании белка и низком содержании жира рыбные продукты, имеющие мало холестерина, но пропорционально более высокий уровень ненасыщенных жирных кислот, особенно важны для детей и пожилых людей.
В данной курсовой работе мы выявили характеристики отрасли, её особенности, которые помогли нам определиться с выбором модели для анализа. Описали технологический процесс развития рынка рыбной продукции, выявили факторы, влияющие на этот процесс, и построили многофакторную эконометрическую модель рынка лекарственных препаратов, которая выглядит следующим образом: ŷ = 287,265 +2,86*х1 -0,145*х5. Из полученного уравнения видно, что на производство рыбной продукции, тыс. тонн (фактор у) в большей степени влияют такие факторы как численность населения, на тыс. человек (фактор х1) и денежные доходы, млн. руб. (фактор х5). Причем при увеличении численности населения на тыс. человек на единицу производство рыбной продукции увеличится на 2,86 тонн, а при увеличении денежных доходов на 1 млрд руб. – уменьшится на 0,009 тонн. Получили производственные функции для рыбной продукции РФ. Выяснили, что наиболее точно производственный процесс выпуска рыбной продукции описывает линейная производственная функция, имеющая вид: F(K,L)=-9652+1,223K+28,676L.
Построили статистическую и динамическую модели Леонтьева для рыбной отрасли РФ. Для динамической модели Леонтьева учли фактор инфляции за соответствующий период. Построили магистральную модель для рыбной отрасли РФ. Провели доработку модели Леонтьева и магистральной модели, используя выявленные ранее особенности рыбной отрасли РФ. В качестве предложений по усовершенствованию функционирования экономики в рамках модели Леонтьева можно представить следующее: увеличить коэффициент прямых затрат отрасли приборо- и машиностроения с 0,2 до 0,5, а, логистики, хотя бы до 0,1, что позволит автоматизировать производство рыбной продукции, проверку их качества, а также усовершенствовать каналы сбыта и скорость движения продукции. А предложением для магистральной модели – сделать модель более сбалансированной путем обеспечения постоянного во времени темпа роста выпуска рыбной продукции, зависящего от материальных затрат. Также мы получили модель Солоу для рыбной отрасли РФ, выявив в ней экзогенные переменные.
Российская рыбная промышленность остро нуждается в привлечении иностранных инвестиций в комплексе с технологией и навыками современного управления. Рыбное производство России имеет перспективы привлечения иностранных инвесторов, однако необходимо активизировать этот процесс. Внедрение в отечественную рыбную промышленность гармонизированных с мировым сообществом правил GMP явится важным фактором содействия привлечению иностранных инвестиций. В России сделано уже многое для согласования требований к Рыбному производству с международными. Вместе с тем эту работу необходимо продолжить. Целесообразно шире использовать возможности международных организаций в этой сфере. Реализация изложенных предложений не требует ни капитальных затрат, ни объемных текущих расходов.
СПИСОК ЛИТЕРАТУРЫ
Абланская Л.В. Экономико-математическое моделирование: учебник/под общ. ред. И.Н. Дрогобыцкого. – 2-е изд., стереотип. – М.: Издательство "Экзамен", 2006. – 798с. (Серия "Учебник для вузов").
Айвазян С.А., Мхитарян В.С. Прикладная статистика и основы эконометрики: Учебник.- М.:ЮНИТИ,1998.
Басовский Л.Е. - Теория экономического анализа: Учебное пособие.-М.: ИНФРА-М, 2006. - 222 с .
Тенденции на мировом рыбном рынке:// Экономист, 3, 2007.
Гусаров В. М. - Статистика, М: ЮНИТИ-ДАНА, 2003. - 463 с.
Елисеева И.И., Курышева С.В., Костеева Т.В. Эконометрика. Учебник, М.: Финансы и статистика, 2001 г.
Красс М. С., Чупрынов Б. П. - Математика для экономистов. - Спб.: Питер, 2004. - 464 с.
Кундышева Е.С. Математическое моделирование в экономике: Учебное пособие / Под науч. Ред. проф. Б.А. Суслакова. – М.: Издательско-торговая корпорация "Дашков и К", 2004. – 352 с.
Мажутин В.И., Королева О.Н. Математическое моделирование в экономике: Часть III. Экономические приложения: Учебное пособие/В.И. Мажутин: – М.: Флинта: МГУ, 2004. – 176с.: ил.
Мировое рыбное хозяйство. // Росстат. 2007.
Октябрьский П. Я. - Статистика: учебник, М.:ТК Велби, Из-во Проспект, 2003. - 328 с.
Практикум по эконометрике: Учеб. Пособие/ И.И. Елисеева, С.В.Курышева, Н.М.Гордеенко и др.; Под ред. И.И.Елисеевой. М.: Финансы и статистика, 2002.
Ситуация на мировых рыбных рынках:// БИКИ, 119, 2007.
Соловьева М.Н. Мировой рыбный рынок. – М.: Филинъ, 2008.
Суворов Н.Г. Тенденции рыбного рынка. – М.: Феникс, 2007.
Эконометрика: Учебник/И.И. Елисеева, С.В. Курышева, Т.В. Костеева и др.; Под ред. И.И. Елисеевой. – 2-е изд., перераб. И доп. – М.: Финансы и статистика, 2005. – 576 с.: ил.
Юрин М.В. Эконометрика. – М.: Экономика, 2006.
http://www.gazeta.ru
http://www.izvestia.ru
http://www.strana.ru
3