Население является основополагающей частью всех процессов, проходящих в обществе. Изучение динамики и состава населения необходимо, чтобы регулировать и прогнозировать эти процессы. Актуальность данной темы заключается в необходимости систематического изучения населения и проведения анализа по его основным показателям с целью выявления основных проблем, характерных для данной территории. Статистический учет населения необходим в решении важнейших проблем при рассмотрении демографической политики, необходим для сбалансированного роста населения, в изучении миграции населения, составляющей основу межрайонного перераспределения рабочей силы и достижения равномерности ее распределения. На основании статистических данных по населению строится социальная и экономическая политика, разрабатываются программы развития страны и регионов.
Целью настоящего исследования является анализ существующих методов и приемов статистического прогнозирования численности населения. В процессе исследования был проведен контент-анализ публикаций с применением различных методов демографического прогнозирования.
Все многообразие методов прогнозирования численности населения можно разделить на два основных направления – формализованное и экспертное. Экспертный подход основывается на прогнозировании процессов, которые невозможно описать с помощью математического аппарата по причине характера информации или отсутствия информационной базы.
В зависимости от информационной базы, можно выделить три группы статистических методов прогнозирования динамики численности населения: прогнозы на основе ретроспективного анализа численности населения, прогнозы на основе показателей естественного и механического движения населения и прогнозы на основе моделирования ряда динамики.
Произведём отбор функции в качестве тренда используя F – критерий Фишера при α=0.05.
Fфакт = *
1.Линейная функция:
Fфакт = * =129,51
F табл=4,24
> , таким образом линейная функция считается статистически значимой и существенной.
2. Логарифмическая функция:
Fфакт = * =50,39
F табл=4,24
> , таким образом логарифмическая функция считается статистически значимой и существенной.
3. Полиномиальная функция:
Fфакт = * =70,66
F табл=3,38
Fфакт>Fтабл, таким образом полиномиальная функция считается статистически значимой и существенной.
4. Степенная функция:
Fфакт = * =50,07
F табл=4,24
Fфакт>Fтабл, таким образом степенная функция считается статистически значимой и существенной.
5. Экспоненциальная функция:
Fфакт = * =129,60
F табл=4,24
Fфакт>Fтабл, таким образом степенная функция считается статистически значимой и существенной.
Так как по F-критерию Фишера все пять функций подходят в качестве тренда, то наиболее адекватную функцию мы отберем по наименьшему среднему квадратическому отклонению. Среднее квадратическое отклонение имеет следующий вид:
1. Линейная функция:
=387,14
2. Логарифмическая функция:
=554,28
3. Полиномиальная функция:
=373,20
4. Степенная функция:
=564,16
5. Экспоненциальная функция:
=387,55
Наиболее адекватной функцией является полиномиальная функция, т.к. она имеет наименьшее среднее квадратическое отклонение.
Уравнение полиномиальной функции:
Yt= 1,9014t2 – 166,39t + 404,25
Отобрав функцию, подходящую в качестве тренда, определим показатели колеблемости и сделаем вывод о возможности прогнозирования на 2018 и 2019 года.
1. Размах колеблемости
Rt= (Yi-Y̅t)max-( Yi-Y̅t)min= 458,3-(-1103,5)=1561,8 тыс.чел.
2. Среднее абсолютное отклонение
d̅t= = = 314, 8 тыс. чел.
3. Дисперсия колеблемости
t2 = = = 139281, 94 тыс. чел.
4. Среднеквадратическое отклонение тренда
t= t2 = = 373,204 тыс. чел.
5. Относительный размах колеблемости
VRt= *100% = *100% = 4,05%
6. Относительное линейное отклонение
V d̅t = *100% = *100% = 0,82%
7. Коэффициент колеблемости
V= *100% = * 100% = 0,97%
8. Коэффициент устойчивости уровня ряда динамики
Kуст = 100% - V = 100% - 0,97% = 99,03%
Коэффициент устойчивости превышает 50%, следовательно уровни ряда динамики устойчивы и можно выполнить прогноз на будущее на основе показателей ряда.
Выполним интервальный прогноз на 2 года:
,
где = = 156692,18
- интервальный прогноз,
- табличное значение Стьюдента,
=2,06 при ,
Интервальный прогноз на 2018 год:
Интервальный прогноз на 2019 год:
Таким образом, если выявленная тенденция по полиномиальной функции сохранится, то в следующие два года с вероятностью 95% можно ожидать снижение численности сельского населения, причем в 2018 году сельское население будет составлять от 37066,2 тыс. чел. до 37447,4 тыс. чел., а в 2019 году – от 37000,43 тыс. чел. до 37397,11 тыс. чел.
Список литературы
1. Аблеева, А. М. Статистика [Электронный ресурс] : учебное пособие / А. М. Аблеева ; М-во сел. хоз-ва РФ, Башкирский ГАУ. - Уфа, 2018.- 173 с.
2. Бережной В. И. Статистика в примерах и задачах [Электронный ресурс]: учебное пособие / В.И. Бережной, О.Б. Бигдай, О.В. Бережная, Киселева О.А. - М.: НИЦ ИНФРА-М, 2016. - 288 с.– Режим доступа: http://znanium.com/bookread2.php?book=502176
3. Глинский, В. В. Статистика: учебник / В.В. Глинский, В.Г. Ионин, Л.К. Серга [и др.] ; под ред. В.Г. Ионина. — 4-е изд., перераб. и доп. — М. : ИНФРА-М, 2017. — 355 с. – Режим доступа: http://znanium.com/bookread2.php?book=552459
4. Гужова, О.А. Статистика в управлении социально-экономическими процессами : учеб. пособие / О.А. Гужова, Ю.А. Токарев. — М. : ИНФРА-М, 2017. — 172 с. — Режим доступа: http://znanium.com/bookread2.php?book=556718
5. Ефимова М. Р. Общая теория статистики [Электронный ресурс]: учебник / М.Р. Ефимова, Е.В. Петрова, В.Н. Румянцев. - 2-e изд., испр. и доп. - М.: ИНФРА-М, 2011. - 416 с. – Режим доступа: http://www.znanium.com/bookread.php?book=251320
6. Федеральная служба государственной статистики – Режим доступа: http://www.gks.ru/