Состояние и государственное регулирование сельского хозяйства Китая, Кореи, Гонконга и Сингапура

Целью работы является выявление основных тенденций в развитии сельского хозяйства Китая, Кореи, Гонконга и Сингапура, основных государственных мер по регулированию рынка сельскохозяйственной отрасли.
...

Оглавление
ВВЕДЕНИЕ 2
Часть 1. 3
Глава 1. Государственное регулирование сельского хозяйства 3
1. Система регулирования сельского хозяйства в Китае 3
2. Система развития и поддержки сельского хозяйства Кореи 4
3. Регулирование вопросов сельского хозяйства в Гонконге и Сингапуре 6
Глава 2. Продовольственная безопасность в системе государственного регулирования сельского хозяйства 8
1. Продовольственная политика Китая 8
2. Обеспечение продовольственной безопасности в Корее 9
3. Продовольственная безопасность Гонконга и Сингапура 10
Глава 3. Анализ показателей сельского хозяйства 12
2 ПРАКТИЧЕСКАЯ ЧАСТЬ 18
1. Однофакторный дисперсионный анализ. 18
2. Корреляционный и регрессионный анализ. 27
ЗАКЛЮЧЕНИЕ 52
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ 53

ВВЕДЕНИЕ


Развитие процессов глобализации и изменения в структуре сельского хозяйства Китая, Кореи, Гонконга и Сингапура поставили вопрос о соответствии традиционных взглядов (парадигмы) и эффективности аграрной политики современным тенденциям, привели к возникновению новой парадигмы. Главной идеей нового взгляда (парадигмы) является признание сельского хозяйства как отрасли, способной конкурировать с другими отраслями в национальной экономике и на мировом уровне. Таким образом, согласно этому актуальным является определение направлений и мер государственной аграрной политики Китая, Кореи, Гонконга и Сингапура.
Экономисты – аграрии развитых стран мира сегодня уже предлагают новый взгляд (парадигму) на развитие современного сельского хозяйства и аграрную политику государства. Так, Л.Твите н и К.Зулауф указывают на функционирования американского сельского хозяйства в условиях именно новой экономической и политической парадигмы, признает необходимость изменения аграрной политики государства в радикальных изменениях функционирования аграрного сектора.
Т.Джослинг доказывает, что другие развитые страны также принимают соответствующие меры к изменению традиционных взглядов наразвитие сельского хозяйства. У.Коулман, Дж. Скогстад иМ.Аткинсон подчеркивают, что новый взгляд на развитие современного сельского хозяйства содержится в движении от модели развития аграрного сектора при государственной поддержке в рыночно-либеральной модели.
Целью работы является выявление основных тенденций в развитии сельского хозяйства Китая, Кореи, Гонконга и Сингапура, основных государственных мер по регулированию рынка сельскохозяйственной отрасли.

Таблица 2 Число уровнейp24Число испытанийn4Всего (N)96Общая средняя (X**)31,06Далее будем вычислять суммы квадратов отклонений (SS). Вычислим факторную (или межгрупповую) сумму квадратов по формуле: , где - средние столбцов таблицы №1.Таблица 3i=1i=2i=3i=4i=5i=6i=7i=8i=9i=10i=11i=12Xi*28,2335,377535,74537,402537,857530,647530,67531,16122,35124,78127,55130,76(Xi*-Xi**)^28,008918,6408121,9492340,2273146,206010,1701560,1482250,0130,587531,19531,887532,69i=13i=14i=15i=16i=17i=18i=19i=20i=21i=22i=23i=24Xi*121,83124,72127,86127,92132,12112,92112,92112,92112,92112,92112,92112,92(Xi*-Xi**)^230,457531,1831,96531,9833,0328,2328,2328,2328,2328,2328,2328,23Просуммируем данные последней строки умножим на n = 4. В результате получим: Sфакт = 773.45Далее вычислим общую сумму квадратов по формуле: .Таблица 4i=1i=2i=3i=4i=5i=6i=7i=8i=9i=10i=11i=12(Xt1 -Xi**)^2267,9769271,9201275,2281278,2224280,8976282,9124284,5969285,61286,9636287,9809289290,3616(Xt2-Xi**)^2208,2249205,3489203,6329202,4929202,2084202,7776204,49206,4969210,5401215,7961221,7121226,8036(Xt3-Xi**)^2122,3236122,3236122,323636,723636,7236964,7236964,7236964,7236964,7236964,7236964,7236964,7236(Xt4 -Xi**)^20,39696,20011,12360,27045,15292,72252,72250,03615,15296,20010,08415,1529i=13i=14i=15i=16i=17i=18i=19i=20i=21i=22i=23i=24(Xt1 -Xi**)^2291,3849292,0681293,7796291,7264291,0436290,3616289,3401287,6416285,9481283,9225281,9041281,9041(Xt2 -Xi**)^2231,3441235,6225239,0116235,0089237,4681239,0116240,25240,25239,9401238,7025237,16237,16(Xt3 -Xi**)^2964,7236964,7236964,7236964,7236964,7236964,7236964,7236964,7236964,7236964,7236964,7236964,7236(Xt4 -Xi**)^228,0914,36411,12365,15295,152941,473641,47366,20016,20015,15295,15295,1529Просуммируем данные таблицы. В результате получим: Sобщ = 31169.72Вычислим остаточную (или внутригрупповую) сумму по формуле: Sост = Sобщ – Sфакт = 30396.27Заполним таблицу однофакторного дисперсионного анализа:Таблица 5Источник вариацииСуммы квадратов отклонений (SS)Число степеней свободы (df)Средние квадраты отклонений (MS)F набл.F крит.Между группамиS факт773.452433.630.081,78Внутри группS ост30396.2748422.17ОбщаяS общ31169.7272Факторную и остаточную дисперсии нашли по формулам: , то есть путем деления суммы квадратов отклонений на соответствующее число степеней свободы: S2факт = 33.63; S2ост = 422.17. Сравнение двух дисперсий произведем при помощи критерия , который распределен по закону Фишера – Снедекора: Fнабл. = 0.08. Fкритич. найдем с помощью функции FРАСПОБР(0,05,24,48) в Excel: Fкритич. = 1,7463. Получаем: F набл. < F крит, таким образом, регрессионная модель в целом не значима.Произведем проверку результатов вычислений с помощью инструмента Однофакторный дисперсионный анализ пакета Анализ данных.ИТОГИГруппыСчетСуммаСреднееДисперсияСтолбец 14598,9223149,730613485,16Столбец 24605,7927151,448213121,34Столбец 34602,3082150,577113829,13Столбец 44517,7093129,427317584,68Столбец 54524,9825131,245617421,74Столбец 641453,136363,284174652Столбец 741456,533364,1333174379,5Столбец 841456,867364,2167174763,5Столбец 941467,38366,8451173030,8Столбец 1041474,701368,6752172181,8Столбец 1141475,52368,88173026,4Столбец 1241487,042371,7604171214,9Столбец 1341515,543378,8857165229,5Столбец 1441506,778376,6946168041,5Столбец 1541498,638374,6596170882,2Столбец 1641496,612374,153170363,3Столбец 1741498,388374,5971170174,6Столбец 1841535,57383,8926161451,3Столбец 1941535,787383,9468161396,3Столбец 2041498,815374,7038169858,7Столбец 2141496,812374,203169985,4Столбец 2241492,502373,1254170473Столбец 2341488,941372,2352170732,3Столбец 2441488,941372,2352170732,3Итого1024596691    Дисперсионный анализИсточник вариацииSSdfMSFP-ЗначениеF критическоеМежду группами84354823366760,2660890,999621,680281Внутри групп992403472137833,8Итого1076758295    Вывод: F набл. < F крит., следовательно, мы принимаем нулевую гипотезу H0, то есть влияние фактора времени на изменение доли занятости в рассматриваемых странах за период с 1992 по 2015 гг. не является статистически значимым при уровне значимости . Однофакторный дисперсионный анализ относительно фактора страны.Постановка задачи: по данным таблицы 6 оценить существенность влияния фактора страны на изменение доли занятости в сельском хозяйстве в Китае, Кореи, Сингапуре и Гонконге за период с 1992 по 2015 гг. при уровне значимости . Нулевую гипотезу сформулируем следующим образом (Н0): влияние фактора страны на изменение доли занятости хозяйстве в Китае, Кореи, Сингапуре и Гонконге за период с 1992 по 2015 гг. не является статистически значимым при уровне значимости . Таблица 6Доля занятых в сельском хозяйстве в рассматриваемых странах, %, 1992-2015 гг.КитайКореяГонконгСингапур199247,8245,4930,4320199347,5545,3928,5720199447,6545,333020199547,7445,2931,5825199647,8245,2833,3325199747,8845,329,410199847,9345,3631,250199947,9645,4333,33020004845,5728,570200148,0345,7528,570200248,0645,9530,770200348,146,1233,330200448,1346,2736,360200548,1546,4127,270200648,246,52300200748,1446,3933,330200848,1246,4737,50200948,146,5237,50201048,0746,5628,570201148,0246,5533,330201247,9746,51 28,570201347,9146,51 33,330201447,7846,4633,3302015 47,8546,3933,330Источник: составлено автором по данным UNCTADStat; Total labour force and agriculture labour forceВ результате получаем, что число уровней фактора (стран) p = 4; число испытаний на каждом уровне (количество лет) n = 24; всего испытаний N = n*p = 96.Таблица 7 Число уровнейp4Число испытанийn24Всего (N)96Общая средняя (X**)31,06Далее будем вычислять суммы квадратов отклонений (SS). Вычислим факторную (или межгрупповую) сумму квадратов по формуле: , где - средние столбцов таблицы №6.Таблица 8i = 1i = 2i = 3i = 4Xi*45,947545,9945827,721254,583333(Xi* - X**)2221,6377223,0418701,013911,14725Просуммируем данные последней строки и умножим на n = 24. В результате получим: Sфакт = 27764,17. Далее вычислим общую сумму квадратов по формуле: Таблица 9i =1i = 2i = 3i = 4(Xi1-X**)2267,9769208,2249122,32360,3969(Xi2-X**)2271,9201205,3489122,32366,2001(Xi3-X**)2275,2281203,6329122,32361,1236(Xi4-X**)2278,2224202,492936,72360,2704(Xi5-X**)2280,8976202,208436,72365,1529(Xi6-X**)2282,9124202,7776964,72362,7225(Xi7-X**)2284,5969204,49964,72362,7225(Xi8-X**)2285,61206,4969964,72360,0361(Xi9-X**)2286,9636210,5401964,72365,1529(Xi10-X**)2287,9809215,7961964,72366,2001(Xi11-X**)2289221,7121964,72360,0841(Xi12-X**)2290,3616226,8036964,72365,1529(Xi13-X**)2291,3849231,3441964,723628,09(Xi14-X**)2292,0681235,6225964,723614,3641(Xi15-X**)2293,7796239,0116964,72361,1236(Xi16-X**)2291,7264235,0089964,72365,1529(Xi17-X**)2291,0436237,4681964,72365,1529(Xi18-X**)2290,3616239,0116964,723641,4736(Xi19-X**)2289,3401240,25964,723641,4736(Xi20-X**)2287,6416240,25964,72366,2001(Xi21-X**)2285,9481239,9401964,72366,2001(Xi22-X**)2283,9225238,7025964,72365,1529(Xi23-X**)2281,9041237,16964,72365,1529Просуммируем данные таблицы. В результате получим: Sобщ = 31169,72.Вычислим остаточную (или внутригрупповую) сумму по формуле: Sост = Sобщ – Sфакт = 3405,55.Заполним таблицу однофакторного дисперсионного анализа:Таблица 10Источник вариацииСуммы квадратов отклонений (SS)Число степеней свободы (df)Средние квадраты отклонений (MS)F набл.F крит.Между группамиS факт27764,1731207,1477,723,14Внутри группS ост3405,55248,40  ОбщаяS общ31169,7296Факторную и остаточную дисперсии нашли по формулам: , то есть путем деления суммы квадратов отклонений на соответствующее число степеней свободы: S2факт = 1207,14; S2ост = 0,03. Сравнение двух дисперсий произведем при помощи критерия , который распределен по закону Фишера – Снедекора: Fнабл. =40234,67. Fкритич. найдем с помощью функции FРАСПОБР(0,05,3,24) в Excel: Fкритич. = 3,14. Получаем: F набл. > F крит.Произведем проверку результатов вычислений с помощью инструмента Однофакторный дисперсионный анализ пакета Анализ данных.Однофакторный дисперсионный анализИТОГИГруппыСчетСуммаСреднееДисперсияСтолбец 1245359,303223,3043242,2331Столбец 22418770,17782,0903132641,9Столбец 324199,90468,329358137,1387Дисперсионный анализИсточник вариацииSSdfMSFP-ЗначениеF критическоеМежду группами76572962382864886,346691,65E-193,129644Внутри групп30594886944340,41Итого1071678471    Вывод: F набл. > F крит., следовательно, мы отвергаем нулевую гипотезу H0 и принимаем альтернативную гипотезу: влияние фактора страны на изменение доли занятости за период с 1992 по 2015 гг. является статистически значимым при уровне значимости , а значит между Китаем, Кореей, Гонконгом и Сингапуром можно выявить зависимость. § 2. Корреляционный и регрессионный анализ.Корреляционной называется такая статистическая связь между случайными величинами X и Y, при которой взаимосвязь средних значений зависимой переменной со значениями независимой переменной является функциональной.Задачей корреляционного анализа является измерение тесноты корреляционной связи двух (и большего числа) случайных величин между собой, а задачей регрессионного анализа является выявление характера (аналитической формы) этой связи.В данной работе мы рассмотрим корреляционный и регрессионный анализ влияния объема внесенных минеральных удобрений на валовой сбор зерновых и зернобобовых культур в Китае.Постановка задачи: имеются статистические данные, опубликованные национальным статистическим комитетом Китая. Данные взяты за период с 1990 по 2013 гг., то есть за 23 года. Таблица 11КитайВаловой сбор зерновых и зернобобовых культур, 10 000 тоннВнесено сельскохозяйственными организациями минеральных удобрений, 10 000тонн199044624,32590,3199143529,32805,1199244265,82930,2199345648,83151,9199444510,13317,9199546661,83593,7199650453,53827,9199749417,13980,7199851229,54083,7199950838,64124,3200046217,54146,4200145263,74253,8200245705,84339,4200343069,54411,6200446946,94636,6200548402,24766,2200649804,24927,7200750160,35107,8200852870,95239,0200953082,15404,4201054647,75561,7201157120,85704,2201258958,05838,8201360193,85911,9В данном случае валовой сбор зерновых и зернобобовых культур в Китае является зависимой переменной. Регрессором (независимой переменной) будет являться объем внесенных минеральных удобрений сельскохозяйственными организациями. Построим корреляционное поле:Рисунок 1.Метод наименьших квадратов дает наилучшие (состоятельные, эффективные и несмещенные) оценки параметров уравнения регрессии. Но только в том случае, если выполняются определенные предпосылки относительно случайного члена (ε) и независимой переменной (x).Формально критерий МНК можно записать так:S = ∑(yi - y*i)2 → minСистема нормальных уравнений.a•n + b∑x = ∑ya∑x + b∑x2 = ∑y•xДля расчета параметров регрессии построим расчетную таблицу (табл. 12)xyx2y2x • y44624.32590.31991328150.496709654.09115590324.2943529.32805.11894799958.497868586.01122104039.4344265.82930.21959461049.648586072.04129707647.1645648.83151.92083812941.449934473.61143880452.7244510.13317.91981149002.0111008460.41147680060.7946661.83593.72177323579.2412914679.69167688510.6650453.53827.92545555662.2514652818.41193130952.6549417.13980.72442049772.4115845972.49196714649.9751229.54083.72624461670.2516676605.69209205909.1550838.64124.32584563249.9617009850.49209673637.9846217.54146.42136057306.2517192632.9619163624245263.74253.82048802537.6918094814.44192542727.0645705.84339.42089020153.6418830392.36198335748.5243069.54411.61854981830.2519462214.56190005406.246946.94636.62204011419.6121498059.56217673996.5448402.24766.22342772964.8422716662.44230694565.6449804.24927.72480458337.6424282227.29245420156.3450160.35107.82516055696.0926089620.84256208780.3452870.952392795332066.8127447121276990645.153082.15404.42817709340.4129207539.36286876901.2454647.75561.72986371115.2930932506.89303934113.0957120.85704.23262785792.6432537897.64325828467.36589585838.8347604576434091585.44344243970.460193.85911.93623293558.4434950561.61355859726.221183622.2104655.258918202919.78478541009.325251627630.85Для наших данных система уравнений имеет вид:24a + 1183622.2 b = 104655.21183622.2 a + 58918202919.78 b = 5251627630.85Домножим уравнение (1) системы на (-49317.59), получим систему, которую решим методом алгебраического сложения.Получаем:544808545.28 b = 90285385.88Откуда b = 0.1657Теперь найдем коэффициент «a» из уравнения (1):24a + 1183622.2 b = 104655.2a = -3812.2656Получаем эмпирические коэффициенты регрессии: b = 0.1657, a = -3812.2656Уравнение регрессии (эмпирическое уравнение регрессии):y = 0.1657 x -3812.2656Эмпирические коэффициенты регрессии a и b являются лишь оценками теоретических коэффициентов βi, а само уравнение отражает лишь общую тенденцию в поведении рассматриваемых переменных.Определим параметры уравнения регрессии.Выборочные средние.Выборочные дисперсии:Среднеквадратическое отклонениеКоэффициент корреляции b можно находить по формуле, не решая систему непосредственно:Определим коэффициент корреляцииКовариация.Рассчитываем показатель тесноты связи. Линейный коэффициент корреляции принимает значения от –1 до +1.Связи между признаками могут быть слабыми и сильными (тесными). Их критерии оцениваются по шкале Чеддока:0.1 < rxy < 0.3: слабая;0.3 < rxy < 0.5: умеренная;0.5 < rxy < 0.7: заметная;0.7 < rxy < 0.9: высокая;0.9 < rxy < 1: весьма высокая;В нашем примере связь между признаком Y фактором X высокая и прямая.Кроме того, коэффициент линейной парной корреляции может быть определен через коэффициент регрессии b:Оценим уравнение регрессии.Линейное уравнение регрессии имеет вид y = 0.17 x -3812.27Коэффициентам уравнения линейной регрессии можно придать экономический смысл.Коэффициент регрессии b = 0.17 показывает среднее изменение результативного показателя (в единицах измерения у) с повышением или понижением величины фактора х на единицу его измерения. В данном примере с увеличением на 1 единицу y повышается в среднем на 0.17.Коэффициент a = -3812.27 формально показывает прогнозируемый уровень у, но только в том случае, если х=0 находится близко с выборочными значениями.Но если х=0 находится далеко от выборочных значений х, то буквальная интерпретация может привести к неверным результатам, и даже если линия регрессии довольно точно описывает значения наблюдаемой выборки, нет гарантий, что также будет при экстраполяции влево или вправо.Подставив в уравнение регрессии соответствующие значения х, можно определить выровненные (предсказанные) значения результативного показателя y(x) для каждого наблюдения.Связь между у и х определяет знак коэффициента регрессии b (если > 0 – прямая связь, иначе - обратная). В нашем примере связь прямая.Коэффициент эластичности.Коэффициенты регрессии (в примере b) нежелательно использовать для непосредственной оценки влияния факторов на результативный признак в том случае, если существует различие единиц измерения результативного показателя у и факторного признака х.Для этих целей вычисляются коэффициенты эластичности и бета - коэффициенты.Средний коэффициент эластичности E показывает, на сколько процентов в среднем по совокупности изменится результат у от своей средней величины при изменении фактора x на 1% от своего среднего значения.Коэффициент эластичности находится по формуле:В нашем примере коэффициент эластичности больше 1. Следовательно, при изменении Х на 1%, Y изменится более чем на 1%. Другими словами - Х существенно влияет на Y.Бета – коэффициентБета – коэффициент показывает, на какую часть величины своего среднего квадратичного отклонения изменится в среднем значение результативного признака при изменении факторного признака на величину его среднеквадратического отклонения при фиксированном на постоянном уровне значении остальных независимых переменных:Т.е. увеличение x на величину среднеквадратического отклонения Sx приведет к увеличению среднего значения Y на 82.1% среднеквадратичного отклонения Sy.Ошибка аппроксимации.Оценим качество уравнения регрессии с помощью ошибки абсолютной аппроксимации. Средняя ошибка аппроксимации - среднее отклонение расчетных значений от фактических:Ошибка аппроксимации в пределах 5%-7% свидетельствует о хорошем подборе уравнения регрессии к исходным данным.В среднем, расчетные значения отклоняются от фактических на 12.63%. Поскольку ошибка больше 7%, то данное уравнение не желательно использовать в качестве регрессии.Эмпирическое корреляционное отношение.Эмпирическое корреляционное отношение вычисляется для всех форм связи и служит для измерение тесноты зависимости. Изменяется в пределах [0;1].ГдеИндекс корреляции.Для линейной регрессии индекс корреляции равен коэффициенту корреляции rxy = 0.821.Полученная величина свидетельствует о том, что фактор x существенно влияет на y.Для любой формы зависимости теснота связи определяется с помощью множественного коэффициента корреляции:Данный коэффициент является универсальным, так как отражает тесноту связи и точность модели, а также может использоваться при любой форме связи переменных. При построении однофакторной корреляционной модели коэффициент множественной корреляции равен коэффициенту парной корреляции rxy.В отличие от линейного коэффициента корреляции он характеризует тесноту нелинейной связи и не характеризует ее направление. Изменяется в пределах [0;1].Теоретическое корреляционное отношение для линейной связи равно коэффициенту корреляции rxy.Коэффициент детерминации.Квадрат (множественного) коэффициента корреляции называется коэффициентом детерминации, который показывает долю вариации результативного признака, объясненную вариацией факторного признака.Чаще всего, давая интерпретацию коэффициента детерминации, его выражают в процентах.R2= 0.8212 = 0.6746т.е. в 67.46 % случаев изменения х приводят к изменению y. Другими словами - точность подбора уравнения регрессии - средняя. Остальные 32.54 % изменения Y объясняются факторами, не учтенными в модели (а также ошибками спецификации).Для оценки качества параметров регрессии построим расчетную таблицу (табл. 13)Таблица 13.xyy(x)(yi-ycp)2(y-y(x))2(xi-xcp)2|y - yx|:y44624.32590.33582.863134080.11985179.7422026986.670.3843529.32805.13401.42419683.95355572.633504320.420.2144265.82930.23523.452046139.52351947.5625520599.040.245648.83151.93752.641461036.27360891.0713460032.290.1944510.13317.93563.941087292.860534.2123111976.130.074246661.83593.73920.52588186.74106808.837053229.380.090950453.53827.94548.88283804.8519806.071290287.740.1949417.13980.74377.12144349.34157151.859901.910.099651229.54083.74677.4776692.07352567.923655393.480.1550838.64124.34612.6955853.44238529.142313466.350.1246217.54146.43846.8945895.9289708.099610568.340.072245263.74253.83688.8211413.36319198.5416434037.650.1345705.84339.43762.09450.85333289.0113045039.040.1343069.54411.63325.22597.61180262.4739038649.480.2546946.94636.63967.7676157.6447343.065620178.980.1448402.24766.24208.93164484.32310544.44837941.90.1249804.24927.74441.27321564.6236610.31236787.670.098750160.35107.84500.29558258.03369072.35710157.340.1252870.952394949.4977152883817.9512626000.110.055353082.15404.44984.491089448.85176327.1714171522.990.077754647.75561.75243.941442561.14100972.9728410054.850.057157120.85704.25653.781805171.392542.2760890060.290.00884589585838.85958.242184976.6914265.7792937472.830.020560193.85911.96163.042406428.2763069.22118291907.710.04251183622.2104655.2104655.222178055.697216012.62544806572.583.03Оценим параметры уравнения регрессии.Значимость коэффициента корреляции.Выдвигаем гипотезы:H0: rxy = 0, нет линейной взаимосвязи между переменными;H1: rxy ≠ 0, есть линейная взаимосвязь между переменными;Для того чтобы при уровне значимости α проверить нулевую гипотезу о равенстве нулю генерального коэффициента корреляции нормальной двумерной случайной величины при конкурирующей гипотезе H1 ≠ 0, надо вычислить наблюдаемое значение критерия (величина случайной ошибки)и по таблице критических точек распределения Стьюдента, по заданному уровню значимости α и числу степеней свободы k = n - 2 найти критическую точку tкрит двусторонней критической области. Если tнабл < tкрит оснований отвергнуть нулевую гипотезу. Если |tнабл| > tкрит — нулевую гипотезу отвергают.По таблице Стьюдента с уровнем значимости α=0.