Порядок выполнения расчетно-графической работы

ОБЩИЕ ПОЛОЖЕНИЯ

Учебным планом по специальности 311000 «земельный кадастр» предусматривается изучение дисциплины «Статистическая обработка земельно-кадастровой информации». Одной из задач изучения данной дисциплины является приобретение теоретических знаний и практических навыков по статистическому анализу земельно-кадастровой информации.

В ходе учебного процесса студент должен прослушать по заданной дисциплине курс лекций, выполнить расчетно-графическую работу, сдать экзамен.

Настоящие методические указания предусмотрены для выполнения расчетно-графической работы, которая имеет своей целью закрепить теоретические знания студента и получить навыки выполнения экономических расчетов с использованием различного математического аппарата, навыки статистического анализа мероприятий в системе государственного кадастра недвижимости.

Дисциплина разделена на две части: в первой рассмотрены теоретические и методические положения статистической обработки информации. Во второй части подробно рассмотрены примеры выполнения статистических расчетов.

Расчетно-графическая работа сопровождается пояснительной запиской, в которой раскрываются понятия, методика, система показателей, применяемых в статистической обработке, практические примеры. Пояснительная записка должна быть выполнена на листах писчей бумаги формата А4 и включать изложение перечисленных выше вопросов.

ПОРЯДОК ВЫПОЛНЕНИЯ РАСЧЕТНО-ГРАФИЧЕСКОЙ РАБОТЫ

Графические методы представления данных

По способу построения графические методы представления статистических данных подразделяются на диаграммы и картограммы.

По графическому образу диаграммы могут быть:

- линейные, содержащие значения показателей, соединенные отрезками прямых. Линейные графики используются в анализе рядов распределения и временных рядов;

- секторные, используемые для предоставления структуры совокупности. Вся площадь круга принимается за 100%, она разбивается на сектора пропорционально доле составляющих частей;

- круговые, треугольные, прямоугольные представляют значения показателя в виде площади этих геометрических фигур. Изменение площади фигуры соответствует изменению значения показателя;

- столбиковые, используются для представления состава какого-либо статистического показателя;

- ленточные решают те же задачи, что и столбиковые, но графическое изображение показателя дается в горизонтальном виде;

- фигурные, используются для изображения изменения показателя в динамике или для пространственных сравнений. Показатель предоставляется в виде определенной фигуры: человечка, сноп зерновых, автомобиль.

Картограммы используются для изображения пространственных данных и наносятся на карту в виде условных обозначений или используется разная интенсивность цвета отражения изменений значений показателя.

Относительный показатель динамики (ОПД)

Относительный показатель динамики (ОПД) – это отношение уровня исследуемого или явления за определенный период времени (на данный момент времени или в прошлом). Определяется по формуле:

В статистике различают относительные показатели динамики с постоянной и переменной базой сравнения. Если сравнение осуществляется с одним и тем же базисным уровнем, то получают базисные ОПД. При расчете ОПД с переменной базой получают цепные ОПД.

Исходные данные о стоимости земельных участков в N-ом районе, Московской области (пойма реки Протва, 85 км. от МКАД), в 2004 – 2007 гг. представлены в таблице 1.1.

Таблица 1.1

Стоимость земельных участков в N - ом районе Московской области

Год Показатель
Стоимость земельного участка за 1 сот., усл.ед.

 

Пример расчета относительных показатели динамики с переменной и постоянной базой сравнения представлен в таблице 1.2. Относительные показатели динамики с переменной и постоянной базой сравнения взаимосвязаны между собой: произведение всех относительных показателей с переменной базой равно относительному показателю с постоянной базой сравнения за исследуемый период.

Таблица 1.2

Относительные показатели динамики с переменной и постоянной базой сравнения

Цепные показатели	Базисные показатели

Для рассчитанных показателей, переведенных из процентов в коэффициенты, получим:

1,367 • 0,967 • 1,067 = 1,411 = 141,1% (стоимость земельных участков за 4 года возросла на 41,1%).

Структурные средние

Помимо перечисленных в предыдущем параграфе средних величин в статистике широко применяются структурные средние, характеризующие структуру рядов распределения. Это – мода и медиана.

Мода (Mo) – это значение признака, который чаще всего встречается в статистическом ряду.

Медиана (Me) – значение признака (варианта), приходящееся на середину ранжированной (упорядоченной) совокупности, т.е. это вариант, который делит ряд распределения на две равные по объему части. Медиана обладает важными свойствами. В частности, сумма модулей отклонений вариантов от медианы всегда меньше, чем сумма отклонений вариантов от любой другой величины, т.е. . Это свойство медианы широко используется при определении экономической целесообразности применения отдельно взятого процесса или явления.

Медиана и мода не зависят от крайних значений вариантов, поэтому применяется для характеристики центра в ряду распределения с неопределенными границами.

Студенту необходимо привести алгоритм расчета моды и медианы, используя интервальный ряд по данным о кадастровой стоимости земель населенного пункта. Пример расчета приведен в таблице 1.4.

таблица 1.4

Алгоритм расчета моды и медианы по данным кадастровой стоимости земель населенного пункта

Кадастровая стоимость земель, тыс.руб/кв.м	Количество земельных участков (f)	Накопленная частота (S)	Середина интервала ()
до 14
14 - 16
16 - 18
18 - 20
свыше 20
Итого		-	-

По данным таблицы 1.4, наибольшая кадастровая стоимость принадлежит земельным участком в интервале 14 – 16 тыс.руб./кв.м (графа 1). Это и есть модальный интервал, ширина интервала i = 2, а нижняя граница x₀ = 14, частота f_мо = 30, предмодальная частота f_мо-1 = 20, а послемодальная частота f_мо+1 = 25.

Модальное значение кадастровой стоимости в интервальном вариационном ряду определяется по формуле:

где и i – соответственно нижняя граница и величина модального интервала; , , - частота (частотости) модального, предмодального и послемодального интервала.

тыс. руб./кв.м

Таким образом, в данной совокупности земельных участков наиболее часто встречается кадастровая стоимость в размере 15,3 тыс. руб./кв.м.

При выполнении данного задания необходимо обращать особое внимание:

1. Если используется интервальный ряд распределения то, допускается, что распределение в границах i -го интервала является равномерным, как вариант X_i, используют середину интервала (). При этом величину открытого интервала условно считают такой же, как и величину соседнего закрытого интервала.

2. На расчет кумулятивной (накопленной) частоты, S_i, характеризующей объем совокупности со значениями вариантов, не превышающих Xi. Кумулятивные частотные показатели образуются последовательным суммированием абсолютных и относительных частот: S₁ = f₁; S₂ = f₁ + f₂; S₃ = f₁ + f₂ + f₃ и т.д.

Для определения медианы в ранжированном ряду необходимо вначале найти номер медианы:

Накапливаем частоты (см. графу 2 таблица 1.4) и определяем, что 50,5 земельных участков приходятся на интервал кадастровой стоимости 16 – 18 тыс.руб./кв.м.

Нахождение медианы на данном интервале определим по формуле:

где и i – соответственно нижняя граница и величина медианного интервала; f_Me – частота медианного интервала; S_Me-1 – кумулятивная частота предмедианного интервала.

По расчетам определяем, половина (50%) земельных участков имеет кадастровую стоимость выше 16 тыс.руб./кв.м, и половина (50%) имеет кадастровую стоимость ниже 16 тыс.руб./кв.м.

В умеренно асимметричных рядах распределения значения моды и медианы соотносятся следующим образом:

.

В рассмотренном примере соотношение характеристик центра распределения кадастровой стоимости земельных участков свидетельствует об умеренной асимметрии: 3 • (16,3-16) 16,3-15,3.

После изучения параграфа 1.2.4 студент сможет:

-раскрыть природу и практическое значение структурных средних (мода, медиана) как особой разновидности средних величин в статистике;

- проводить различие между алгебраическими средними и структурными средними величинами.

 

Вариационные ряды

Понятие вариации и вариационных рядов

Введем еще одну важнейшую статистическую категорию – совокупность. Статистическая совокупность – это множество подвергающихся статистическому исследованию объектов и явлений, объединенных общими признаками, из которых один или несколько признаков не варьирует. Например, земельные участки, расположенные в границах субъекта, района, города, кадастрового округа можно рассматривать как статистическую совокупность, так как они расположены в пределах определенной территории. Данный признак не является варьирующим. По остальным же признакам – площади, баллу бонитета, урожайности, конфигурации, правовом режиме – земельные участки будут варьировать. Таким образом, различие индивидуальных значений признака внутри изучаемой совокупности называется вариацией признака.

Вариация признака возникает в результате того, что индивидуальные значения признака складываются под совокупным влиянием разнообразных факторов, которые по-разному сочетаются в каждом отдельном случае.

В статистическом анализе данных часто учитывают вариацию – различие значений признака у отдельных единиц совокупности в один и тот же период или момент времени. Расположив единицы совокупности в порядке возрастания или убывания их количественного признака и подсчитав число единиц с конкретным значением признака, получаем вариационный ряд.

Выборочное наблюдение

Значительная часть задач статистики связана с необходимостью описать большую совокупность объектов, которую называют генеральной. Генеральной совокупностью называют множество результатов всех мыслимых наблюдений над значениями одного или нескольких признаков, которые могут быть сделаны при данном комплексе условий. При этом комплекс условий определяет вариацию признаков генеральной совокупности. Синонимом генеральной совокупности в статистике является случайная величина . Выборочной совокупностью (выборкой) называют множество результатов, случайно отобранных из генеральной совокупности. Выборка должна быть репрезентативной, т.е. правильно отражать пропорции генеральной совокупности. Это достигается случайностью отбора, когда все объекты генеральной совокупности имеют одинаковую вероятность быть отобранными.

Различают два вида отбора – повторный и бесповторный. При первом каждая отобранная в случайном порядке единица после ее обследования возвращается в генеральную совокупность и при последующем отборе может снова попасть в выборку. При бесповторном отборе каждая отобранная единица в генеральную совокупность не возвращается. Оба способа могут быть реализованы в следующих основных видах выборки:

- собственно случайная, проводится по таблицам случайных чисел;

- механическая, реализуется по нейтральным спискам единиц отбора;

- типическая (стратифицированная, районированная);

- серийная, при которой отбираются серии или гнезда и в них обследуются все единицы;

- комбинированная или многоступенчатая, где выборочная совокупность формируется постепенно, по ступеням отбора;

- многофазная, формируемая из ряда последовательных подвыборок;

- взаимопроникающая – это две или более независимые выборки из одной и той же совокупности, образованные одним способом и видом.

Проведем выборку (повторную) на примере объектов капитального строительства, расположенных на территории нескольких городов Московской области, общим количеством в 10 000 ед. Из них в городе А – 5000, в городе Б – 3000, в городе С – 2000. С целью определения средней площади занимаемого ими земельного участка применяем типическую выборку объектов капитального строительства с пропорциональным отбором внутри групп (механическим). Вначале следует определить какое количество объектов капитального строительства необходимо отобрать, чтобы с вероятностью 0,954 ошибка выборки не превышала 5 единиц, если известно, что дисперсия типической выборки равна 1600.

Рассчитываем необходимое количество типической выборки по таблице «Нормального закона распределения. Значение функции » (приложение 2) найден t= 2,0.

По формуле определения объема выборки при заданном способе ее формирования определяем:

где t – критерий доверия, в расчетах обычно берется в пределах от 2 до 3, что соответствует вероятности от 0,954 до 0,997; N – объем генеральной совокупности ; l – число типических групп; - дисперсия доли изучаемого признака в выборочной совокупности.

Необходимо отобрать 250 объектов капитального строительства, из них в городе А: (ОКС), в городе Б: (ОКС), в городе С: (ОКС).

 

После изучения раздела 2.5 студент сможет:

- описать способы и виды выборки;

- обосновать научные основы и этапы выборочного наблюдения;

- привести и объяснить формулу расчета необходимой численности выборки.

Ранговая корреляция

Порядковая переменная позволяет упорядочивать статистически исследуемые объекты по степени появления в низ анализируемого свойства. К порядковым переменным обращаются в ситуациях, когда количественно измерить степень проявления этого свойства невозможно или когда измерения рассматриваются как вспомогательное средство для последующего ранжирования рассматриваемых объектов.

Ранговый коэффициент корреляции характеризует степень статистической связи между порядковыми переменными.

Ранжировка – это расположение объектов в порядке убывания степени проявления в них k – изучаемого свойства. В этом случае называют рангом i – го объекта по k – му признаку. Он характеризует порядковое место (ранг), которое занимает объект в ряду n объектов.

Два эксперта - оценщика проранжировали с точки зрения эффективности 10 конкурсных проектов размещения объектов недвижимости.

Ранжировка 1 эксперта-оценщика: 1; 2; 3; 4; 5; 6; 7; 8; 9; 10.

Ранжировка 2 эксперта-оценщика: 2; 3; 1; 4; 6; 5; 9; 7; 8; 10.

Вычисления проводим по формуле К. Спирмена:

где - ранговый коэффициент корреляции степени тесноты между рангами; s– сумма отклонений рангов; - значение ранжировок.

.

Полученный результат свидетельствует о положительной степени статистической ранговой связи между переменными, т.е. определена тесная связь между результатами субъективных оценок (статистических гипотез) экспертов – оценщиков по 10 конкурсным проектам.

Индексный метод

Индексный метод применяется при изучении сложных явлений, отдельные элементы которых несоизмеримы. Как относительные показатели индексы необходимы для оценки выполнения плановых показателей (например, поступления земельных платежей в бюджеты всех уровней); для определения динамики затрат и доходов от деятельности земельной службы в субъектах РФ, которые всегда имеют отличия в экономических и иных условиях (например, различия в условиях финансирования, в правовом обеспечении земельного кадастра).

Индексы могут рассчитываться по следующей формуле:

I = П_р/П_баз, (39)

где: I – индекс анализируемого объекта; П_р – показатель анализируемого объекта; П_баз – показатель, являющийся базой сравнения.

Индексный метод позволяет провести разложение по факторам относительных и абсолютных отклонений обобщающего показателя. В последнем случае число факторов должно быть равно двум, а анализируемый показатель представлен как их произведение.

Индексный метод может использоваться в сочетании с методом ранжирования. В табл.3.1 при­веден пример использования совместного использования двух методов для оценки вариантов капиталовложений в земельно-кадастровое производство.

Таблица 3.1

Пример комбинированного использования методов статистического анализа при определении эффективности сельскохозяйственного землепользования

Расчет эффективности использования земель сельскохозяйственного назначения основан на использовании различных методов анализа: группировок, кластерного, расчетно-корреляционного, индексного, ранжирования и графического.

Предварительный анализ условий использования земель сельскохозяйственного назначения с использованием метода группировок показал значительные различия между муниципальными образованиями. Поэтому определение эффективности использования земель было проведено по группам муниципальных образований, выделенных на основе результатов кластерного анализа с использованием статистического пакета Statistica.

Объединение объектов по схожим признакам начинается с каждого объекта в классе. Постепенно (очень малыми шагами) понижается порог, относящийся к решению об объединении двух или более объектов в один кластер. В результате связываются вместе всё большее и большее число объектов и агрегируется (объединяется) все больше и больше кластеров, состоящих из все сильнее различающихся элементов. Окончательно, на последнем шаге все объекты объединяются вместе. На вертикальных древовидных диаграммах вертикальные оси представляют расстояние объединения. В результате успешного анализа методом объединения появляется возможность обнаружить кластеры (ветви) и интерпретировать их. Эти расстояния могут определяться в одномерном или многомерном пространстве.

Евклидово расстояние это наиболее общий тип расстояния, которое является геометрическим расстоянием в многомерном пространстве и вычисляется по исходным, а не по стандартизованным данным. Это обычный способ его вычисления, который имеет определенные преимущества (например, расстояние между двумя объектами не изменяется при введении в анализ нового объекта, который может оказаться выбросом). В расчетах была использована древовидная диаграмма, дающая наиболее наглядное представление объединения объектов и метод одиночной связи (простое объединение).

В качестве показателей кластеризации были выбраны не только природные факторы, но и результативные показатели сельскохозяйственного производства. Это позволяет объединять районы по уровню сельскохозяйственного производства для дальнейшего анализа эффективности землепользования.

Кластеризация была проведена в два этапа, так как на первом этапе были выделены три района (Ленинский, Люберецкий, Раменский), объединяющиеся в одну группу, но по своим показателям значительно отличающиеся от других районов. Такое различие не позволяло графически наглядно показать результат кластеризации, так как расстояние объединения указанных трех районов значительно превышали расстояния других районов. Поэтому из дальнейших расчетов были исключены Ленинский и Люберецкий районы. На рис.4.1 представлена древовидная диаграмма объединения районов Московской области по территориально-экономическим условиям.

 

 

Рис.4.1. Результаты кластеризации муниципальных образований Московской области по условиям и уровню сельскохозяйственного производства

 

Видно, что на начальном этапе районы с близкими экономическими показателями объединяются попарно. Образуются следующие пары районов: Серпуховской-Клинский, Орехово-Зуевский-Коломенский, Талдомский-Красногорский, Озерский-Мытищинский, Павлово-Посадский-Зарайский, Ногиский-Истринский, Шаховской-Сергиево-Посадский, Чеховский-Можайский, Рузский-Луховицкий. Далее на втором этапе другие районы добавляются в кластеры. Например, образуются следующие промежуточные кластеры: Серпуховской-Клинский-Домодедовский, Одинцовский-Орехово-Зуевский-Коломенский и т.д. При образовании второго и третьего кластеров расстояние объединения менее 2000. Далее к выделенным двум кластерам присоединяется Раменский район. Так как на первом этапе кластеризации уже был выделен первый кластер, то в дальнейших расчетах в него входят три района (Ленинский, Люберецкий, Раменский).

Результаты кластеризации свидетельствуют о том, что значительные различия территориальных (площадь, численность населения, число земельных участков) и экономических (объем сельскохозяйственного производства, объем вносимых удобрений, кадастровая стоимость земель и пр.) условий не позволяют проводить анализ всех объектов в одной группе. Поэтому при проведении анализа следует проводить расчеты раздельно выделенных кластеров Московской области.

Для проведения последующего анализа были выделены три кластера, основные характеристики которых приведены в таблице 4.1. В первый кластер вошли Ленинский, Люберецкий, Раменский районы. Во второй кластер вошли Дмитровский, Домодедовский, Клинский, Коломенский, Наро-Фоминский, Одинцовский, Орехово-Зуевский, Серпуховский, Ступинский районы. В третий кластер вошли Балашихинский, Волоколамский, Воскресенский, Егорьевский, Зарайский, Истринский, Каширский, Красногорский, Лотошинский, Луховицкий, Можайский, Мытищинский, Ногинский, Озерский, Павлово-Посадский, Подольский, Пушкинский, Рузский, Сергиево-Посадский, Серебряно-Прудский, Солнечногорский, Талдомский, Химкинский, Чеховский, Шатурский, Шаховской, Щелковский районы.

Видны значительные различия в экономических показателях между кластерами, лучшие результаты сельскохозяйственного производства получены в первом кластере. Так, поступления платежей за землю в первом кластере равны 1464,23 тыс.руб./га, во втором кластере – 364,04, в третьем – 1219,91. Чистый доход сельскохозяйственных предприятий снижается от 31492 руб./га в первом кластере до 3221,34 руб./га в третьем кластере. Рентабельность сельского хозяйства снижается с 5,41% в первом кластере до -0,70% в третьем кластере. Число убыточных хозяйств больше в третьем кластере (57%).

Величины результативных показателей в кластерах находятся в зависимости от факторов, их определяющих. Непосредственное влияние оказывают производственные факторы. Так, нагрузка сельскохозяйственных угодий на одного работника в сельском хозяйстве составляет в первом кластере 6,25 га/чел., во втором – 13,87, в третьем – 21,42 га/чел.

Таблица 4.1

Характеристика выделенных кластеров Московской области

	1 кластер	2 кластер	3 кластер
Поступление платежей за землю, тыс.руб/га	1464,23	364,04	1219,91
Урожайность зерновых, ц/га	15,26	21,36	16,10
Чистый доход с.-х. предприятий, руб/га	31491,99	7301,25	3221,34
Чистый доход с.-х. предприятий к себестоимости производства, руб./руб.	1,09	1,06	0,91
Рентабельность сельского хозяйства средняя, %	5,41	-0,48	-1,70
Себестоимость производства зерновых средняя, руб./ц	220,14	271,44	258,75
Себестоимость производства молока средняя, руб./ц	690,78	582,37	606,96
Нагрузка с.-х. угодий на работника в сельском хозяйстве, га/чел	6,25	13,87	21,42
Процент сделок с земельными участками, %	9,27	7,36	4,27
Среднее число с.-х. предприятий
Процент убыточных хозяйств, %	27,77	51,43	56,78
Средняя площадь КФХ, га	3,53	7,29	10,96
Окупаемость затрат ГЗК, руб./руб.	1,39	1,01	0,55
Выбросы в атмосферу, кг/га	52,97	10,29	45,76
% улавливания вредных веществ	46,83	59,42	35,91
Кадастровая стоимость сельскохозяйственных угодий, руб./га

 

На результативные показатели влияют и внешние факторы. Максимальная кадастровая стоимость в первом кластере (34810 руб./га). Во втором кластере она составляет 27084 руб./га, в третьем – 26105 руб./га. На результаты сельскохозяйственного производства влияет состояние рынка земли. В первом кластере число следок с земельными участками максимально и составляет 9,27%, в третьем – минимально (4,27%). Влияет и эффективность системы государственного земельного кадастра, которая выше в первом кластере. Меньшее различие видно в экологических факторах, но, тем не менее, выбросы вредных веществ минимальны в первом кластере.

Экономическая модель для определения расчетных величин результативных показателей может быть использована множественная линейная зависимость, так как проведенные экономические расчеты показали более тесную корреляционную зависимость между результативным показателем и факторами, чем при использовании степенной и экспоненциальной формами зависимости.

Экономические модели были составлены для каждого кластера. При этом были использованы наблюдения за период 2001-2006 гг. Для проведения анализа эффективности сельскохозяйственного землепользования были определены факторы, влияющие на результативный показатель использования земель сельскохозяйственного назначения. Для этого был применен корреляционно-регрессионный анализ и пакет Statistica.

В качестве результативного показателя была взята стоимость производства сельскохозяйственной продукции и объем поступления платежей за землю (земельный налог и арендная плата тыс.р/га).

В результате расчетов для первого кластера было получено следующие уравнения множественной корреляционной зависимости:

В_р1=51108+5,33∙Х₁-378,26Х₃+6,92∙Х₅-7,96∙Х₁₀+18,55∙Х₁₁, (43)

где В_рi– расчетная выручка от сельскохозяйственного производства в i-м кластере, руб./га; Х₁ – кадастровая стоимость сельскохозяйственных угодий, руб./га; Х₂ – процент сельского населения,%; Х₃ – нагрузка площади на работника, занятого в сельскохозяйственном производстве, га/чел; Х₄ – удельный вес пашни,%; Х₅ – число сделок с земельными участками, тыс.ед.; Х₆ – объем вносимых минеральных удобрений ц/га; Х₇ –средняя площадь КФХ, га; Х₈ – выбросы загрязняющих веществ, кг/га; Х₉- улавливание вредных выбросов,%; Х₁₀–объем сброса загрязненных вод (шахтных, рудничных, коллекторно-дренажных, млн.куб.м; Х₁₁ – удельный вес, внесенных в инвентаризационную ведомость ГЗК,%.

Коэффициент эффективности сельскохозяйственного землепользования в муниципальных образованиях (К_зем) может быть определен как отношение фактического значения чистого дохода сельскохозяйственного производства, полученной в среднем в 2001-2007 г. к расчетному значению, определенному по формуле 43. Величина коэффициента эффективности больше единицы свидетельствует об эффективном использовании земель в сельскохозяйственном производстве (табл.4.2).

В целом по Московской области оно неэффективно (коэффициент эффективности равен 0,66). Эффективно используется земля в пяти районах (коэффициент эффективности выше единицы). Наибольший коэффициент эффективности в Наро-Фоминском районе (К_зем =2,08). Минимальные коэффициенты эффективности получены в Химкинском (К_зем =0,04), Павлово-Посадском (К_зем =0,12) районах. Наибольшие различия фактических и расчетных величин получены в Домодедовском, Коломенском и Химкинском районах области.

Таблица 4.2

Анализ эффективности использования земель ссельскохозяйственного назначения в муниципальных образованиях Московской области

Наименование муниципального образования (района)	Чистый доход, руб./га	Коэффициент эффективности, Кзем	Ранг
фактическая	расчетная
1 кластер
Ленинский			1,16
Люберецкий			0,85
Раменский			0,31
2 кластер
Дмитровский			0,57
Домодедовский			0,47

 

Таблица 4.2 (продолжение)

Клинский			0,69
Коломенский			0,27
Наро-Фоминский			2,08
Одинцовский			0,72
Орехово-Зуевский			0,54
Серпуховский			0,25
Ступинский			0,84
3 кластер
Балашихинский			1,30
Волоколамский			0,42
Воскресенский			0,38
Егорьевский			0,93
Зарайский			0,61
Истринский			0,74
Каширский			0,58
Красногорский			0,88
Лотошинский			0,90
Луховицкий			0,41
Можайский			0,40
Мытищинский			0,42
Ногинский			0,65
Озерский			0,78
Павлово-Посадский			0,12
Подольский			0,51
Пушкинский			0,48
Рузский			0,54
Сергиево-Посадский			1,28
Серебряно-Прудский			0,33
Солнечногорский			0,59
Талдомский			0,37
Химкинский			0,04
Чеховский			0,25
Шатурский			1,29
Шаховской			0,21
Щелковский			0,76
По области			0,66

 

На рис 4.2. представлена картограмма эффективности использования земель сельскохозяйственного назначения в административных районах Московской области.

Рис 4.2. Картограмма эффективности использования земель сельскохозяйственного назначения в административных районах Московской области.

На основе результатов анализа были определены резервы в использовании земель сельскохозяйственного назначения по следующей формуле:

(44)

где – резерв увеличения чистого дохода в j-м муниципальном образовании, тыс.руб.; – разница между расчетным и фактическим чистым доходом в j-м муниципальном образовании, руб./га; – площадь j-го муниципального образования, га.

Результаты расчетов показали, что в целом по Московской области резерв увеличения производства сельскохозяйственной продукции может составить при оптимальном использовании природных и материальных ресурсов 13781,2 млн.рублей.

Выборка данных

Для анализа исходных данных можно создать выборку из генеральной совокупности, рассматривая входной диапазон как генеральную совокупность. Если совокупность слишком велика для обработки или построения диаграммы, можно использовать представительную выборку. Кроме того, если предполагается периодичность входных данных, то можно создать выборку, содержащую значения только из отдельной части цикла. Например, если входной диапазон содержит данные для сведениях о квартальных поступления платы за земельно-кадастровые данные, то создание выборки с периодом 4 разместит в выходном диапазоне значения платежей из одного и того же квартала.

Пример использования средств статистического анализа данных Microsoft Exel

С использованием средств статистического анализа данных Microsoft Exel была проанализирована зависимость поступления платежей за землю от объемов финансирования земельно-кадастровых и землеустроительных работ. В расчетах были использованы данные за период 2001-2006 гг.

Для этого на листе Microsoft Exel были введены данные о поступлении платежей за землю (графа B) и о финансировании земельно-кадастровых работ (графа С) (см. табл.5.1).

Таблица 5.1.

Пример представления данных в Microsoft Exel

	А	В	С
	Год наб 12345678910Следующая ⇒ Поделиться с друзьями: Особенности сооружения опор в сложных условиях: Сооружение ВЛ в районах с суровыми климатическими и тяжелыми геологическими условиями... Индивидуальные очистные сооружения: К классу индивидуальных очистных сооружений относят сооружения, пропускная способность которых... Археология об основании Рима: Новые раскопки проясняют и такой острый дискуссионный вопрос, как дата самого возникновения Рима... Состав сооружений: решетки и песколовки: Решетки – это первое устройство в схеме очистных сооружений. Они представляют...  © cyberpedia.su 2017-2024 - Не является автором материалов. Исключительное право сохранено за автором текста. Если вы не хотите, чтобы данный материал был у нас на сайте, перейдите по ссылке: Нарушение авторских прав. Мы поможем в написании вашей работы! 0.101 с.