Лава 2. Статистический анализ факторов, влияющих на прибыль лесной отрасли.

2.1. Описание факторных признаков. Формирование гипотез о наличии

зависимости.

Объектом исследования были выбраны регионы РФ, имеющие положительную прибыль в сфере «лесная отрасль и предоставление услуг в этой отрасли» за 2012 год. Выборка состоит из 34 наблюдений – регионов, получивших прибыль в сфере лесной промышленности за 2012 год (приложение 1). Данные были взяты с сайта http://www.fedstat.ru/indicators/start.do.

Предметом изучения в данной работе является оценка влияния различных факторов на суммарное количество прибыли, полученной регионами в сфере лесной отрасли и предоставления ее услуг. Таким образом, зависимым признаком здесь является «profit forest industry» - чистая прибыль регионов в сфере лесной промышленности и предоставления услуг в этой отрасли в целом до уплаты федерального подоходного налога. Из вышеупомянутых двух групп факторов было выбрано десять признаков:

1. Группа «Природно-климатические условия»

· Количество выброшенных в атмосферу загрязняющих веществ, а именно диеоксида серы

· Число лесных пожаров

· Лесные площади

· Загрязнение водных ресурсов

2. Группа «Факторы, несущие за собой экономический смысл»Экономические факторы

· Число действующих организаций с участием иностранного капитала

· Стоимость квартир на 1 кв метр площади жилья

· Текущие затраты на охрану окружающей среды

· Оценка конкурентной среды

· Среднегодовая численность занятых в экономике

· рентабельность

Таблица 1.Факторные признаки

№	Наименование	Обозначение	Описание
	Количество выброшенных в атмосферу загрязняющих веществ, а именно диоксида серы	Pollutants	Выброшено в атмосферу загрязняющих веществ – диоксид серы. Тысяча тонн.
	Число лесных пожаров	Fires	Число лесных пожаров. Единица.
	Лесные площади	Forests area	Лесные площади. Тысяча Гектаров.
	Загрязнение водных ресурсов	Water pollution	Число случаев выосокого загрязнения водных ресурсов. Единица.
	Число действующих организаций с участием иностранного капитала	Organizations with foreign capital	Непосредственно сфера лесной промышленности и услуги в этой области. Единица.
	Стоимость квартир на 1 кв. метр площади жилья	Cost of houses	Стоимость 1 квадратного метра жилья. Рубли.
	Текущие затраты на охрану окружающей среды	Env protection	Тысяч рублей.
	Оценка конкурентной среды	Competition	Строительство. Улучшение конкурентной среды. Проценты.
	Среднегодовая численность занятых в экономике	Number of employed	Сфера лесных хзозяйств. Проценты.
	Pентабельность	Rentability	Прибыль-убыток. Процент.

Выбор именно этих признаков обусловлен, прежде всего, наличием наглядной и достоверной информации по каждому из регионов, а также собственными предположениями о наиболее тесной их взаимосвязи с функцией отклика.

2.2. Проверка распределения на нормальность.

Рассчитаем простые описательные статистики по каждой из переменных (табл. 2).

Таблица 2. Простые описательные статистики[А2]

Переменная	Среднее	Медиана	Минимум	Максимум
profit_forest_industry	79548,0	5298,00	12,0000	640564,
organiz_w_forcap	2,91176	0,000000	0,000000	45,0000
cost_of_houses	110,829	80,4750	50,0900	325,710
pollutants	19,9667	4,60600	0,0330000	142,854
env_protection	2,94417e+006	1,48488e+006	12266,0	1,29294e+007
fires	302,118	54,5000	2,00000	2244,00
forests_area	19606,6	2241,40	0,000000	329177,
water_pollution	2,17647	0,000000	0,000000	30,0000
competition	1252,28	20,4050	0,375694	41849,0
number_of_employed	0,785294	0,400000	0,000000	3,50000
rentab	2,76471	1,50000	-19,2000	47,9000
Переменная	Ст. откл.	Вариация	Асимметрия	Эксцесс
profit_forest_industry	151249,	1,90135	2,39370	5,20355
organiz_w_forcap	8,37155	2,87508	4,07056	17,2524
cost_of_houses	67,9077	0,612728	1,90380	2,61946
pollutants	32,2963	1,61751	2,16232	4,59637
env_protection	3,24033e+006	1,10059	1,54943	1,92317
fires	550,854	1,82331	2,49313	5,61400
forests_area	61711,6	3,14749	4,23050	17,6131
water_pollution	5,72856	2,63204	3,86049	15,1945
competition	7173,27	5,72816	5,57045	29,0300
number_of_employed	0,846788	1,07831	1,48969	1,66564
rentab	9,82800	3,55481	2,65437	11,7989
Переменная	5% Perc.	95% Perc.	IQ range	Пропущенные наблюдения
profit_forest_industry	198,000	522658,	118983,
organiz_w_forcap	0,000000	24,0000	1,25000
cost_of_houses	54,4850	289,012	53,0400
pollutants	0,0487500	101,873	22,6700
env_protection	104014,	1,17734e+007	3,97725e+006
fires	2,75000	2133,00	335,250
forests_area	0,000000	202148,	4611,73
water_pollution	0,000000	18,7500	2,00000
competition	1,07642	10503,6	22,1325
number_of_employed	0,000000	2,82500	0,900000
rentab	-9,22500	21,3500	5,37500

Проверим выборку на однородность с помощью коэффициента вариации v = 1,90135, то есть вариация значений зависимого признака очень велика, следовательно, данная выборка в значительной степени неоднородна. Таким образом, прибегнем к логарифмированию зависимой переменной для достижения однородности выборки, чтобыпопытаясь снизить коэффициент вариации.

Снова рассчитаем простые описательные статистики по каждой из переменных, используя вместо изначально зависимого признака «profit forest industry», его аналог «l_profit_forest_industry», преобразованный с помощью операции «добавление логарифмов переменной» (табл.3).

Таблица 3. Простые описательные статистики[А3]

Переменная	Среднее	Медиана	Минимум	Максимум
organiz_w_forcap	2,91176	0,000000	0,000000	45,0000
cost_of_houses	110,829	80,4750	50,0900	325,710
pollutants	19,9667	4,60600	0,0330000	142,854
env_protection	2,94417e+006	1,48488e+006	12266,0	1,29294e+007
fires	302,118	54,5000	2,00000	2244,00
forests_area	19606,6	2241,40	0,000000	329177,
water_pollution	2,17647	0,000000	0,000000	30,0000
competition	1252,28	20,4050	0,375694	41849,0
number_of_employed	0,785294	0,400000	0,000000	3,50000
rentab	2,76471	1,50000	-19,2000	47,9000
l_profit_forest_industry	8,87450	8,57386	2,48491	13,3701
Переменная	Ст. откл.	Вариация	Асимметрия	Эксцесс
organiz_w_forcap	8,37155	2,87508	4,07056	17,2524
cost_of_houses	67,9077	0,612728	1,90380	2,61946
pollutants	32,2963	1,61751	2,16232	4,59637
env_protection	3,24033e+006	1,10059	1,54943	1,92317
fires	550,854	1,82331	2,49313	5,61400
forests_area	61711,6	3,14749	4,23050	17,6131
water_pollution	5,72856	2,63204	3,86049	15,1945
competition	7173,27	5,72816	5,57045	29,0300
number_of_employed	0,846788	1,07831	1,48969	1,66564
rentab	9,82800	3,55481	2,65437	11,7989
l_profit_forest_industry	2,70210	0,304479	-0,0630883	-0,722927
Переменная	5% Perc.	95% Perc.	IQ range	Пропущенные наблюдения
organiz_w_forcap	0,000000	24,0000	1,25000
cost_of_houses	54,4850	289,012	53,0400
pollutants	0,0487500	101,873	22,6700
env_protection	104014,	1,17734e+007	3,97725e+006
fires	2,75000	2133,00	335,250
forests_area	0,000000	202148,	4611,73
water_pollution	0,000000	18,7500	2,00000
competition	1,07642	10503,6	22,1325
number_of_employed	0,000000	2,82500	0,900000
rentab	-9,22500	21,3500	5,37500
l_profit_forest_industry	4,79174	13,1589	4,77642

Проверим выборку на однородность с помощью коэффициента вариации. v = 0,304479, то есть вариация значений зависимого признака несущественна, следовательно, данная выборка в значительной степени однородна. Далее проверим распределение на нормальность, используя критерий Хи-квадрат (табл.4).

Таблица 4. Распределение частот для l_profit_forest_industry

интервал	середина	частота	отн.	инт.
< 3,3920	2,4849		2,94%	2,94%	*
3,3920 - 5,2062	4,2991		0%	2,94%
5,2062 - 7,0204	6,1133		20,59%	23,53%	*******
7,0204 - 8,8346	7,9275		29,41%	52,94%	**********
8,8346 - 10,649	9,7417		14,71%	67,65%	*****
10,649 - 12,463	11,556		23,53%	91,18%	********
>= 12,463	13,37		8,82%	100,00%	***

Сформируем первоначальные гипотезы:

: распределение зависимого признака нормально;

: распределение не является нормальным.

Значение составило 0,286, принимается нулевая гипотеза о нормальном распределении с вероятностью ошибки р = 0,8667. Сравним расчетное и критическое значения Хи-квадрат: для начала рассчитаем критическое значение Хи-квадрат с помощью панелей инструментов в «Gretl». Зададим условия: количество степеней свободы равно 32, правосторонняя вероятность равна 0,05. Так получим критическое значение хи-квадрат, равное 46,1943, (рис. 1.)

Хи-квадрат(32)

Правосторонняя вероятность = 0,05

Дополняющая вероятность = 0,95

Критическое значение = 46,1943

Рисунок 1. Критические значения.

Таким образом, расчетное значение Хи-квадрат меньше критического, можно сделать вывод, что гипотеза не отвергается. Тот факт, что распределение зависимого признака является нормальным, подтверждается и графиком (рис.2.).

Рисунок 2. Тест на нормальное распределение

2.3. Корреляционная матрица

Составим корреляционную матрицу (Приложение 2). Корреляционная матрица состоит из значений коэффициентов парной корреляции. Анализ первой строчки матрицы позволит выявить факторы, у которых степень тесноты связи с результативным показателем значительна. Чем ближе коэффициент по абсолютной величине к 1, тем теснее связь. Корреляционная матрица состоит из значений коэффициентов парной корреляции. Знак при нем указывает на направление связи: знак «+» соответствует прямой зависимости, знак «-» - обратной. Значения, между которыми коэффициент корреляции больше 0,8, следует исключить.

Все парные коэффициенты оцениваются по шкале Чеддока (табл. 5)

r	Интерпретация
0.1 - 0.3	Слабая
0.3 - 0.5	Умеренная
0.5 - 0.7	Заметная
0.7 - 0.9	Высокая
0.9 - 1.0	Весьма высокая

Таблица 5. Шкала Чеддока.[А4]

Полученную матрицу можно охарактеризовать следующим образом:

1. Из представленных факторов наиболее сильно на прибыль оказывает влияние среднегодовая численность занятых в экономике в сфере лесного хозяйства и предоставления услуг в этой отрасли. Соответствующий коэффициент корреляции 0,5267 указывает на заметную зависимость. Среднегодовая численность занятых в экономике в сфере лесного хозяйства и предоставления услуг в этой отрасли прямо пропорционально влияет на прибыль регионов, то есть при увеличении разбираемого фактора увеличивается прибыль.

2. Второе место по степени влияния на прибыль из выбранных факторов занимают «число действующих организаций с участием иностранного капитала», «стоимость 1 квадратного метра квартир» и «лесные площади». Коэффициенты корреляции соответственно равны 0,4747; 0,4344; 0,4301. Связь между данными факторами и зависимым признаком прямая и умеренная. Рассматривая факторы в совокупности можно сказать, что взаимосвязь очевидна, так как все эти признаки могут оказать влияние на прибыль любой отрасли или предприятия. Например, при увеличении капитала предприятия, возможности производства расширяются, таким образом , чаще всего и доходы предприятий и отрасли в целом растут.

3. Связь между прибылью регионов в сфере лесного хозяйства и предоставления услуг в этой отрасли и факторами «Лесные площади», «Текущие затраты на охрану окружающей среды», «Число действующих организаций с участием иностранного капитала», «Pентабельность» прямая, но имеет слабую зависимость. Коэффициенты корреляции соответственно равны 0,2523; 0,1334; 0,2075; 0,2113. Так как не всегда все лесные площади возможно задействовать в реализацию для получения сырья. УПри увеличениеи затрат на поддержание и улучшение окружающей среды ведет за собой увеличение прибыли лесной отрасли, так как создаются более благоприятные условия для работы предприятий. Организации, пользующиеся помощью других инвесторов не только для дальнейшего развития своего предприятия, но так же и для поддержания разоряющихся компаний, таким образом они становятся заемщиками, за счет чего скорость увеличения дохода падает. Рентабельность в первую очередь зависит от себестоимости продукции и объемов производства, а лишь потом от прибыли.

4. Связь между прибылью регионов в сфере лесного хозяйства и предоставления услуг в этой отрасли и числом случаем загрязнения водных ресурсов обратная, на это указывает отрицательный коэффициент корреляции -0,07. Таким образом, при увеличении числа случаев загрязнения водных ресурсов, прибыль предприятий лесной промышленности снижается. Допустимая обратная связь между этими факторами, так как состояние окружающей среды значительно сказывается, как на здоровье населения, так и на функциональности предприятий.

5. Связь между прибылью регионов в сфере лесного хозяйства и предоставления услуг в этой отрасли и оценкой конкурентной среды в строительстве обратная, это подтверждается отрицательным коэффициентом корреляции -0, 1986. Таким образом, при увеличении, а вернее улучшении конкурентной способности в регионе доход снижается, так как при наличии тесно конкурирующих связей в любой деятельности значительно трудней повысить спрос именно на свою продукцию и услуги.

Проверка на мультиколлинеарность:

Сформируем гипотезы о наличии мультиколлинеарности:

: между объясняющими переменными нет мультиколлинеарности;

: объясняющие переменные высококоррелированы

Для проверки используем метод инфляционных факторов:

VIF(j) = , где – это коэффициент множественной корреляции

между переменной j и другими независимыми переменными.

Получены следующие значения:

VIF (organiz_w_forcap) 7,844

VIF (cost_of_houses ) 2,045

VIF (pollutants) 3,232

VIF (env_protection) 1,789

VIF (fires) 3,704

VIF (forests_area) 7,714

VIF (water_pollution) 2,487

VIF (competition) 1,394

VIF (number_of_employe ) 2,262

VIF (rentab) 1,250

Свойства матрицы :

1-я норма = 6,4616493e+014

Детерминант = 9,7690501e+061

Обратное условное число = 4,4688177e-015

Так как все рассчитанные значения гораздо меньше 10, принимается нулевая гипотеза об отсутствии мультиколлинеарности.

2.4. Регрессионный анализ

Изучение регрессионных зависимостей основывается на исследовании таких связей между переменными, при которых значения зависимой переменной изменяются в зависимости от того, какие значения принимает другая переменная, рассматриваемая как причина по отношению к зависимой. В экономике регрессионный анализ имеет достаточно широкое применение.

Данный вид анализа позволяет установить форму зависимости между переменными, оценить модельное уравнение регрессии, прогнозировать значения зависимой переменной.

Применим метод наименьших квадратов для построения регрессионной модели (табл.6).

Таблица 6. Метод наименьших квадратов

	Коэффициент	Ст. ошибка	t-статистика	P-значение	Значимость
const	5,83563	0,993326	5,8748	<0,00001	***
organiz_w_forcap	0,0613952	0,109557	0,5604	0,58087
cost_of_houses	0,0214944	0,00696991	3,0839	0,00543	***
pollutants	0,00630509	0,0182804	0,3449	0,73344
env_protection	2,21856e-08	1,36188e-07	0,1629	0,87208
fires	0,000177394	0,0011463	0,1548	0,87843
forests_area	-5,54219e-06	1,4733e-05	-0,3762	0,71039
water_pollution	-0,0706258	0,0901823	-0,7831	0,44189
competition	-0,00013445	5,38245e-05	-2,4979	0,02046	**
number_of_employed	0,882477	0,58657	1,5045	0,14668
rentab	0,0380842	0,0372039	1,0237	0,31712

Среднее зав. перемен	9,068125		Ст. откл. зав. перемен	2,492992
Сумма кв. остатков	77,56170		Ст. ошибка модели	1,877640
R-квадрат	0,610008		Испр. R-квадрат	0,432739
F(10, 22)	3,441141		Р-значение (F)	0,007484
Лог. правдоподобие	-60,92531		Крит. Акаике	143,8506
Крит. Шварца	160,3122		Крит. Хеннана-Куинна	149,3894

На данном этапе значимыми факторами из 10 оказались только 2: стоимость одного квадратного метра площади жилья и оценка конкурентной среды. Описывающая способность модели достаточно высокая согласно R² она равна 61%.

Построим уравнение регрессии[А5] :

= 5,84+0,61 organiz_w_forcap + 0,22 cost_of_houses - 0,01 pollutants + 2,21856e-08 env_protection +0,0002 fires -5,54219e-06 forests_area -0,07 water_pollution -0,0001 competition + 0, 9 number_of_employed +0,04 rentab

Проверка значимости уравнения регрессии

Сформируем гипотезы:

: уравнение регрессии незначимо;

: уравнение регрессии значимо.

F-статистика Фишера равна 3,44 . Нулевая гипотеза отвергается, уравнение регрессии значимо с вероятностью 0,07%. Значение = 0,432739 указывает на невысокое качество полученной модели. Проведем отбор факторов, пригодных для включения в итоговую модель. Воспользуемся пошаговым способом, который предполагает последовательное исключение незначимых факторов. Нельзя исключить их все сразу, потому что можно потерять значимые регрессоры, которые освободились от влияния незначимых (приложения 3-7).

Проведем тест на наличие гетероскедастичности (приложение 8), чтобы убедиться в однородности наблюдений. Тест Уайта показал, что тестовая статистика TR² 9,841706 меньше критического значения 46,1943, значит, гипотеза о наличии гомоскедастичности не отвергается.

Исключив из модели два оставшихся незначимых факторных признака «organiz_w_forcap» с р=0,21544 и «rentab» снова воспользуемся МНК (табл.7).

Таблица 7. Метод наименьших квадратов для значимых факторов

Факторы	Коэффициент	Ст. ошибка	t-статистика	P-значение	Значимость
const	5,96529	0,678693	8,7894	<0,00001	***
Cost_of_houses	0,0196899	0,00504463	3,9031	0,00052	***
competition	-0,000124613	4,785e-05	-2,6043	0,01437	**
number_of_employed	1,29651	0,378194	3,4282	0,00184	***

Среднее зав. перемен	9,068125		Ст. откл. зав. Перемен	2,492992
Сумма кв. остатков	92,41140		Ст. ошибка модели	1,785105
R-квадрат	0,535341		Испр. R-квадрат	0,487273
F(3, 29)	11,13714		Р-значение (F)	0,000049
Лог. правдоподобие	-63,81573		Крит. Акаике[А6]	135,6315
Крит. Шварца	141,6175		Крит. Хеннана-Куинна	137,6456

Уравнение регрессии примет вид:

=5, 97+0,02 cost_of_houses-0,0001 competition + 1,3number_of_employed

F-статистика Фишера равна 11,12. Нулевая гипотеза отвергается, уравнение регрессии значимо, вероятность ошибки составляет всего 0,000049 процентов.

После исключения незначимых признаков из модели, факторы «cost_of_houses», «competition», «number_of_employed» стали значимы. Значение = 0,487273 говорит о неплохом качестве полученной модели[А7] .

2.5. Интерпретация полученных результатов

Приложения 3-7.

Таким образом, в результате проведения корреляционно-регрессионного анализа, выяснилось, что из исследуемых десяти факторных признаков на зависимый параметр «profit_forest_industry» влияют только три: «cost_of_houses» , «ompetition», « number_of_employed». Попробуем найти этому логическое объяснение.

Наибольшая вероятность ошибки (p = 0,87843) зафиксирована у фактора «Fires». Данный признак представляет собой количество лесных пожаров, случившихся в регионах в 2012 году. По-видимому, данный признак не оказывает значимого влияния на процесс производства данной отрасли, в первую очередь из-за того, что, как правило, не все лесные площади разрешены для вырубки или добычи сырья. Зачастую регионы с меньшей лесной территорией добиваются значительно большегоих прогрессаов, нежели территории с густонаселенными[А8] лесами.

За «Fires» следует признак «env_protection» с вероятностью ошибки p =0,88175. Этот фактор характеризует текущие затраты государства, в данном случае казны регионов на защиту окружающей среде. На первый взгляд, результат довольно неожиданный, но, если подумать, необъяснимым он не является. Предположим, что денежные средства, выделяющиеся для данных работ, берутся из той составляющей казны государства, в которую входят налоги на прибыль больших и малых предприятий, но так в данной выборке учет прибыли идет без налогообложения, есть вероятность отсутствия связи между факторами. Первоначальная гипотеза о наличии значимого влияния отвергается.

Следующим рассмотрим признак «forests_area» с p = 0,74676. Он относится к группе факторов «Природно-климатические условия» и представляет собой площадь лесных земель. Отсутствие значимой связи с прибылью лесной промышленности можно объяснить тем, что в данной выборке рассматривается суммарный доход от всех предприятий, занимающихся в той или иной степени деятельностью, связанной, как с непосредственно прямой работой с «лесом» и готовым сырьем, так и с предоставлением различных услуг, имеющих отношение к лесной промышленности.

Фактор «pollutants» также оказался незначимым с вероятностью ошибки p = 0, 70430. Первоначальная гипотеза о наличии связи между данным фактором и зависимым признаком опроверглась.

Незначимый с вероятностью ошибки p = 0,44073 признак «water_pollutions».

Последними незначимыми (с вероятностью ошибки p = 0,21544 и р = 0,17855) признаками является «organiz_w_forcap» и «rentab.

Перейдём теперь к значимым факторам.

Признак «cost_of_houses» оказался значимым с уровнем вероятности p = 0,00052 как в первоначальной модели, так и в конечной. Данный фактор представляет собой стоимость жилья в расчете на один квадратный метр. Влияние данного признака на зависимую переменную объясняется тем, что при росте цен на жилье спрос на лесную промышленность наврятли[А9] сдвинется в какую-либо сторону. Соответственно, при изменении цен на любой из «важных» жизненно необходимых товаров происходят экономические сдвиги в государстве, таким образом, чтобы удержаться в строю фирмы вынуждены поднимать цены. А так как спрос не снизился, прибыль предприятий данной отрасли увеличится. Первоначальная гипотеза о том, что данный признак оказывает существенное влияние на зависимый, подтвердилась. Итак, при увеличении на один рубль одного квадратно метра жилья, прибыль лесной отрасли возрастет в среднем на 0,02%.

Признак «number_of_employed» оказался не значимым с вероятностью ошибки p =0,14668 в первоначальной модели и значимым при p = 0,00437 в конечной. Фактор представляет собой среднюю численность занятостыхь в экономики, специализация которой основана на лесной промышленности и предоставлении услуг в данной сфере. Вполне вероятная возможность наличия зависимости между факторами, так как прибыль любой отрасли, как правило зависит от количества рабочей силы. Таким образом, первоначальная гипотеза о наличии существенной связи между данным фактором и зависимым признаком подтверждается. Итак при увеличении на один процент среднегодовой численности занятых прибыль увеличивается на 1,3%.

Последний значимый признак «competition» с вероятностью р = 0,01437 был изначально значим. Это оценка улучшения конкурентной среды в строительстве. Данный фактор негативно влияет на зависимый признак, прибыль лесной отрасли, таким образом, при увеличении на 1% конкурентоспособности[А10] данной сферы в регионе, прибыль снижается на 0,0001%.

Заключение

Для проведения данного исследования были выбраны 34 региона РФ, получившие положительную прибыль за 2012 год в сфере лесной промышленности. Цель исследования заключалась в оценке влияния различных факторных признаков на суммарное значение прибыли всего региона от производства и предоставления услуг лесной отрасли.

В первой части исследования было определено экономическое значение и актуальность выбранной темы.[А11] Хоть Лесную отрасль можно оценить как высоко рискованную. При определении уровня кредитного риска, в первую очередь необходимо обращать внимание на производственные мощности заемщика, сырьевую базу, потенциал региона, рынок сбыта. Необходимо развивать и поддерживать лесное хозяйство (лесовосстановление, строительство инфраструктуры, реализация природоохранных мероприятий, содержание лесной службы и др.), для чего следует обеспечить максимально чистый доход собственнику лес. Политика государства «Не можешь окупить затраты – значит это не твой бизнес» не делает картину радужнее. С одной стороны государству нужен лесной доход, с другой, лесопользователи не могут его обеспечить. Бизнес работает по принципу «срубил дерево, продал, получил выручку», в результате мы имеем все вышеперечисленное. Были сформированы две группы факторов, влияющих на изменение суммарного дохода регионов.

Во второй главе из двух групп были выделены десять факторов, предположительно оказывающих наибольшее влияние на объясняемую переменную, и сформированы первоначальные гипотезы о наличии зависимости. В ходе исследования было выявлено, что полученная выборка распределяется по нормальному закону и является однородной. На следующем этапе мы провели корреляционный анализ, в результате чего была получена корреляционная матрица, а также сделан вывод об отсутствии мультиколлинеарности между факторами. Далее, с помощью метода наименьших квадратов была получена первоначальная[А12] регрессионная модель: = 5,84+0,61 organiz_w_forcap + 0,22 cost_of_houses - 0,01 pollutants + 2,21856e-08 env_protection +0,0002 fires -5,54219e-06 forests_area -0,07 water_pollution -0,0001 competition + 0, 9 number_of_employed +0,04 rentab. После исключения незначимых признаков из модели, уравнение регрессии приняло вид: =5, 97+0,02 cost_of_houses-0,0001 competition + 1,3number_of_employed, в котором три фактора стали довольно-таки значимыми.

Таким образом, в результате проведённого исследования было выявлено, что из десяти выбранных факторов только стоимость жилья в расчете на один квадратный метр , среднюю численность занятость в экономики и оценка улучшения конкурентной среды в строительстве оказывают значимое влияние на изменение прибыли регионов в сфере лесной промышленности и ее услуг.

Список литературы

1. Лесной кодекс Российской Федерации: Официальный текст; Действующая редакция. - М. :Экзамен,2008. -46 с.

2. Спиридонов Б.С. Экономические основы комплексного использования кедровых лесов Сибири.- Москва, 1968.

3. 3. Мосягин, В. И. Ценообразование в лесном комплексе [Текст] : [учеб. пособие] / В. И. Мосягин. – Санкт-Петербург : Изд. дом Герда, 2008. -448 с.

3.4. Лесные ресурсы России. Международный транслятор национальных стандартов на основные виды продукции : энциклопедия. Т. 1 / М-во науки техн. Политики Рос. Федерации, Рос. фонд технол. развития, Междунар. инж. академия Фирма Интак ; ред. И. В. Воскобойников. – Москва : Наука и техника, 1994. – 310 с.

3.5. Панков Д.А., Бельская И.В. и др. Анализ хозяйственной деятельности бюджетной организации. - М., 2008.

6. http://whatwood.ru/vyruchka-lesnoj-otrasli-rossii-v-2012-g-vyrosla-na-65-do-7336-mlrd-rub/

6.7. http://www.fedstat.ru/indicators/start.do

[А1]Что такое ветвь развития?

[А2]В приложение

[А3]В Приложение

[А4]Это не нужно. Дайте характеристику коэффициентов по статистике Стьюдента

[А5]Можно было сразу производить отсев дальше.

[А6]Вы все эти страшные показатели сможете объяснить?

[А7]Как раз этот коэффициент о не слишком высоком качестве говорит.

[А8]какими-какими?

[А9]Шедевр просто! Даже исправлять слово жалко!

[А10]Так конкуренции или конкурентоспособности?

[А11]Следующие предложения с первым плохо вяжутся.

[А12]Не надо первоначальную