CC BY
39
РАЗВИТИЕ АПК
ИССЛЕДОВАНИЕ ДИФФЕРЕНЦИАЦИИ РАЙОНОВ КРАСНОЯРСКОГО КРАЯ ПО УРОВНЮ РАЗВИТИЯ СЕЛЬСКОГО ХОЗЯЙСТВА НАОСНОВЕ МЕТОДОВ МНОГОМЕРНОГО СТАТИСТИЧЕСКОГО АНАЛИЗА
Н. Г. ФИЛИМОНОВА,
кандидат экономических наук, доцент кафедры организации производства на предприятияхАПК E-mail: natali_f08@mail. ru А. А. ГОРОДОВ, аспиранткафедры прикладной математики E-mail: Glexx84@mail. ru Красноярский государственный аграрный университет
Одной из проблем современного сельского хозяйства является неравенство развития отдельных территорий. В статье исследовано состояние сельского хозяйства в муниципальных районах Красноярского края. С помощью многомерных статистических методов проведена классификация районов, дана характеристика выделенных кластеров и выявлены особенности дифференциации.
Ключевые слова: сельское хозяйство, факторный и кластерный анализ, уровень экономического развития, дифференциация муниципальных районов.
Уровень развития сельского хозяйства страны определяется состоянием ее регионов, которое в свою очередь зависит от их географического расположения, природно-климатических условий, ес-тественноисторических особенностей территорий, обеспеченности производственными ресурсами, сложившихся типов хозяйствования и многих других факторов. Но неодинаковость первичных условий производства приводит к дифференциации развития территорий, что сказывается на социально-экономической эффективности работы отрасли. Особо
ярко это прослеживается в сельском хозяйстве Красноярского края, отличительной особенностью которого является огромные расстояния и масштабность территорий, различия природно-климатических и экономических условий производства. Поэтому изучение природы и масштабов дифференциации районов по уровню развития сельского хозяйства приобретает особое значение. Прежде всего, выявляется острота территориальных диспропорций, но главное — результаты анализа могут стать основой к принятию решений о совершенствовании территориальной структуры сельского хозяйства края, разработке комплекса мер, обеспечивающих оптимальное развитие отрасли в каждом районе края.
Выявление лидеров и аутсайдеров можно провести путем сравнения значений единичных показателей, например: стоимости валовой продукции сельского хозяйства или уровня рентабельности/ убыточности и др. Возможность определить направленность развития по совокупности экономических характеристик дают многомерные статистические методы, в частности — кластерный анализ.
Кластерный анализ — это совокупность методов, позволяющих классифицировать многомерные наблюдения, каждое из которых описывается набором исходных переменных Хх, Х2,.... Хт. Его главное назначение — классификация наблюдений на однородные группы (кластеры).
Инструментальная возможность применения аппарата кластерного анализа обусловлена значительным разбросом параметров деятельности сельскохозяйственных товаропроизводителей Красноярского края. Статистические характеристики (табл. 1) свидетельствуют о высокой степени дифференциации значений рассматриваемых показателей, что указывает на потенциальную возможность выделения однородных сегментов с применением процедуры кластерного анализа [1].
Важным этапом при проведении любого анализа является формирование исходной системы показателей. Для адекватного описания экономической ситуации было выделено девятнадцать показателей, которые дают достаточную характеристику экономическому развитию сельского хозяйства в районах Красноярского края:
Хх — произведено продукции на одно хозяйство,тыс. руб.;
Х2 — доля пашни в сельскохозяйственных угодьях, %;
Хъ — используемость пахотных земель, %; Х4 — фондообеспеченность, руб.; Х5 — энергообеспеченность, л. е.; Х6 — приходится работников на одно сельскохозяйственное предприятие, чел.; Х7 — обеспеченность трудовыми ресурсами, чел. /га;
Х8 — среднегодовой надой молока от одной коровы, кг;
Х9 — урожайность зерновых культур, ц/га; Хт — прибыль на одно предприятие,тыс. руб.;
X — валовая продукция сельского хозяйства
в расчете на одного занятого, тыс. руб.
X — фондоотдача, руб. /1 ООО руб.;
Х13 — валовой доход на одного работника, тыс.
руб.;
Х14 — индекс роста производства; X — уровень рентабельности по всей хозяйственной деятельности, %; Х16 — выручено на одно предприятие,тыс. руб.; Х11 — уровень рыночной концентрации, %; X — окупаемость затратвыручкой, руб. /руб.; Х19 — доля выручки от реализации сельскохозяйственной продукции в общем объеме выручки сельскохозяйственных предприятий, %.
Включение тех или иных показателей было обусловлено тем, что сельскохозяйственная деятельность зависит от ресурсного обеспечения, а ее эффективность определяется рациональным использованием ресурсов, умелой организацией производства и грамотной работой на сельскохозяйственных рынках. Система показателей согласуется с целевыми ориентирами программы «Развитие сельского хозяйства и регулирование рынков сельскохозяйственной продукции, сырья и продовольствия на территории Красноярского края на 2009—2011 годы и на период до 2017 года». Информационной базой явились данные территориального органа государственной статистики, годовые отчеты районов края за 2007 г. В исследование было включено 39 муниципальных районов, представляющих все сельскохозяйственные зоны края. Таким образом, матрица исходных данных (X) имеет размерность пх т или 39 х 19 (п — число объектов наблюдения, т — число элементарных аналитических признаков). Элементы матрицы х. представляют собой значенияу-х признаков на /-м объекте исследования.
Таблица 1
Уровень показателей, характеризующих развитие сельского хозяйства в районах Красноярского края
Статистическая характеристика Произведено валовой продукции на 1 хозяйство, тыс. руб. Среднегодовой надой молока от одной коровы, кг Урожайность зерновых культур, ц/га Получено прибыли в расчете на 1 хозяйство, тыс. руб. Уровень рентабельности, %
Среднее значение 29 901 2 995,5 15,8 10 122,6 15,4
Медиана 11 601 2 806,5 15,0 2 066,7 16,1
Стандартное отклонение 41216 978,2 4,8164 26 769,71 16,9
Эксцесс 7,38 -0,8939 2,1 20,3 1,6
Асимметрия 2,51 0,3506 0,9486 4,3 -0,9
Диапазон 200 966 3 561 23,9 153 858,1 83,6
Минимум 167 1 333 7,9 -4 931,3 -35,9
Максимум 201133 4 894 31,0 148 926,8 47,7
Для осуществления обработки и анализа статистической информации была выбрана система 8ТАТ18Т1СА.
В начале анализа была проведена стандартизация переменных. Необходимо это ввиду того, что различные измерения используют абсолютно разные типы шкал и значений (т. е. проценты, рубли и т. д.). Стандартизация же позволяет избавиться от различий, перейдя к условным значениям. Переход от матрицы исходных данных к матрице стандартизированных данных {!) осуществлялся после пересчета всех элементов х.по формуле:
гдех — элементы матрицы, представляющие собой значенияу-х признаков на /-ом объекте исследования. Размерность данной матрицы (п х т) как и у матрицы 2, но исходные данные представлены как безразмерные величины.
Поскольку при проведении кластерного анализа одним из главных условий является отсутствие сильно коррелированных признаков, все переменные были проверены на степень линейной зависимости. Для этого построена матрица корреляции для стандартизированных переменных (К), размерностью тхт. В нашем случае большое количество пар переменных имеет высокие и существенные значения коэффициентов корреляции, что свидетельствует об их выраженной линейной зависимости. При такой ситуации теряется равноценность переменных: искусственно усиливается влияние одних групп и ослабляется других. Кроме того, наличие сильно коррелированных признаков приводит к дублированию информации. Уход от этой проблемы и корректная кластеризация может быть обеспечена использованием факторного анализа в обработке данных. С его помощью происходит «сжатие» числа переменных, создание новых «синтетических» компонент, являющихся информационной базой для дальнейшего анализа. Иными словами факторный анализ дает возможность по т — числу исходных признаков выделить г главных компонент, или обобщенных признаков. Но следует заметить, что переход от большего числа переменных к обобщенным факторам не является существенной потерей информации, так как математическая модель факторного анализа базируется на допущении, что значения множества взаимосвязанных признаков порождают некоторый общий результат.
При этом главные компоненты представляют собой линейные функции от исходных переменных: ¥ =ХВ, где В — весовые коэффициенты,
характеризующие стохастическую связь между исходными признаками и общими факторами.
Матрица весовых коэффициентов, а также количество главных компонент системой 8ТАТ18Т1СА определились автоматически. В общей сложности из 19 переменных выделились три обобщающих показателя.
Полученные уравнения главных компонент имеют следующий вид:
- 0,9382, - 0,702Х2 - 0,6212, - 0,8912,- 0,9062; - 0,866Хб - 0,901Х7 - 0,550Х8 -
- 0,7162, - 0,8252,0 - 0,9592,, - 0,9692,2 -
- 0,9532,3 - 0,9352,4 - 0,5412,5 - 0,9462,б-
- 0,9332,7 - 0,579Х„ - 0,3612,-
' 1/ 1о '
¥ = - 0,144Х1 + 0,223Х2 + 0,1362, - 0,0212, -
- 0,078Х5 - 0,365 Х6 - 0,013Х7 + 0,718Х8 +
+ 0,2252, - 0,437Х10 - 0,0782,, + 0,017 Х12 -
- 0,1552,3 + 0,0412^ + 0,4582,5 - 0,2782,6 -
- 0,2862,, + О,6342,0 + 0,5492,-
1/ 1о 1у'
¥ = - 0,0052, + 0,260Х2 + 0,3532, + 0,1272, -
- 0Д73Д. - 0,2342^ - 0,062Ху + 0,004Х8 +
+ 0,3412, - 0,1902,0 - 0,0122,, + 0,013 Х]2 +
+ 0,0362,3 + 0,1622,4 + 0,4782,5 - 0,0962,б -
- 0,0642,7 - 0,3902,„ - 0,7022,о.
' 1/ 1о ' 1У
В уравнениях коэффициенты при стандартизированных значениях исходных переменных характеризуют степень их влияния на главную компоненту. Чем больше значение по модулю такого коэффициента, тем сильнее его влияние. Если коэффициент имеет знак «+», то увеличение стандартизированного значения ведет к увеличению главной компоненты, т. е. проявляется так называемая прямая связь. Если же коэффициент имеет знак «—», то влияние стандартизированного значения на главную компоненту является обратным.
Результатом решения уравнений является формирование матрицы значений факторов {¥), элементами которой являются факторные значе-ния/„ для каждой единицы наблюдения. Так как число общих факторов ¥г значительно меньше числа исходных признаков X, матрица ¥ имеет размерность пхг в отличие от исходной матрицы X размерностью пхт.
С целью определения пригодности полученных данных для дальнейшего анализа, главные компоненты были исследованы на степень их линейной зависимости. Построенная матрица корреляции показала, что новые «синтетические» переменные не имеют корреляционной зависимости и могут быть использованы в дальнейшем анализе.
Подготовленные данные являются той базой, по которой будет произведена кластеризация районов
края. В статистике существует несколько методов кластерного анализа [2]. В нашем исследовании использовался метод ^-средних, позволяющий задать заранее количество кластеров. Также этот метод позволяет максимизировать различия переменных в различных кластерах и минимизирует вероятность того, что объекты, имеющие схожие характеристики, попадают в разные кластеры. На взгляд авторов, оптимальным является разделение исследуемой совокупности на четыре группы. При разделении объектов на меньшее число групп (3) теряется их однородность, на большее (5 или 6) — формируются кластеры, содержащие только одно наблюдение, что нецелесообразно с экономической точки зрения. При проведении классификации наиболее трудным является определение однородности объектов, которое задается либо введением правила вычислений расстояния между любой парой исследуемых объектов, либо заданием некоторой функции, характеризующей степень близости объектов. В данном исследовании при разбиении объектов на группы использовалось евклидово расстояние:
й =
и
1
к=1
где й. — расстояние между /-м и у'-м объектами; х.к, х]к — значение к-й переменной соответственно у /-го иу'-го объектов.
Окончательные результаты классификации представлены в табл. 2. Следует отметить, что системой 8ТАТ18Т1СА номер кластеру присваивается автоматически и не является его рейтингом, т. е. порядковым показателем, отображающим значимость кластера в развитии сельского хозяйства края [3].
Правильность и надежность разбиения подтверждается сравнительным анализом межкластерных и внутрикластерных расстояний. Поскольку расстояние от отдельных наблюдений до центра кластера меньше расстояния между центрами других кластеров, то можно считать, что кластеры четко разделены и межгрупповые различия максимизированы.
Статистическая значимость различий средних показателей в четырех кластерах была оценена
Таблица 2
Принадлежность к кластерам районов Красноярского края
Номер наблюдения Район Расстояние от наблюдения до центра кластера Расстояние между центрами кластеров
Кластер 1
1 Березовский 3,080 838
2 Назаровский 2,953 011 21,9
3 Ужурский 4,737 494 К^-К^ 26,4
Кластер 2
4 Емельяновский 0,385 442 ^-^15,8
5 Канский 1,782 658 Ъ-К^б,1
6 Краснотуранский 1,645 590 10,8
7 Курагинский 0,751 539
8 Новоселовский 1,182 787
9 Сухобузимский 0,352 828
10 Шарыповский 0,724 015
11 Шушенский 1,751 023
Кластер 3
12 Абанский 0,430 088
13 Балахтинский 2,104 881 К3-К2^37,7
14 Боготольский 0,587 252 К3-К4^4,8
15 Большемуртинский 0,673 975
16 Дзержинский 0,599 348
17 Ермаковский 0,677 901
18 Идринский 0,430 119
19 Иланский 2,239 429
20 Ирбейский 0,302 633
21 Каратузский 1,228 499
22 Манский 0,808 140
23 Минусинский 2,373 791
24 Рыбинский 0,250 483
25 Тюхтетский 1,308 471
26 Уфский 0,461 266
Таблица 3
Номер наблюдения Район Расстояние от наблюдения до центра кластера РасстУШШЙЩ*бл• -центрами кластеров
Кластер 4
27 Ачинский 2,386 800 Д-^26,4
28 Бирилюсский 4,154 626 10,8
29 Большеулуйский 0,778 080 Д,-^ 4,8
30 Енисейский 1,450 938
31 Казачинский 0,741 089
32 Козульский 2,161 571
33 Нижнеингашский 2,180 174
34 Партизанский 3,678 099
35 Пировский 1,718 307
36 Саянский 0,891 959
37 Тасеевский 1,466 881
38 Туруханский 1,019 985
39 Эвенкийский 3,190 833
Средние значения исходных показателей по кластерам
Показатель Кластер
1 2 3 4
Х1 — произведено продукции на 1 хозяйство, тыс. руб. 142 682,7 55 818,5 14 961,2 5 163,8
Х2 — доля пашни в сельскохозяйственных угодьях, % 83,5 76,8 66,5 55,9
— используемость пахотных земель, % 87,7 79,4 51,0 39,6
Х4 — фондообеспеченность, руб. 18 452,5 8 052,4 4 065,0 2 225,9
Х5 — энергообеспеченность, л. с. 253,7 175,5 129,1 101,8
Х6 — приходится работников на 1 сельскохозяйственное предприятие, чел 722,7 230,4 94,0 60,2
Ху — обеспеченность трудовыми ресурсами, чел. /га 2,83 1,73 0,76 0,35
Хя — среднегодовой надой молока от одной коровы, кг 3 531,7 3 905,9 2 907,7 1 721,5
Х9 — урожайность зерновых культур, ц/га 25,8 18,6 14,8 10,4
Х10 — прибыль на 1 предприятие, тыс. руб. 89 784,3 10 538,1 2 975,9 -270,2
Хп — валовая продукция сельского хозяйства в расчете на одного занятого, тыс. руб. 698,7 350,9 234,3 157,7
Х12 — фондоотдача, руб. /1 000 руб. 1 708,8 887,9 552,0 272,6
Х13 — валовой доход на 1 работника, тыс. руб. 218,8 58,4 26,0 6,9
Х14 — индекс роста производства 119,4 108,1 104,0 99,5
Х15 — уровень рентабельности по всей хозяйственной деятельности,% 34,6 20,3 22,9 -0,48
Х16 — выручено на 1 предприятие, тыс. руб. 228 729,6 61 945,9 15 903,5 5 805,8
Хх1 — уровень рыночной концентрации, % 18,30 3,90 0,77 0,17
Х18 — окупаемость затрат выручкой, руб. /руб. 1,29 1,11 1,07 0,74
Х19 — доля выручки от реализации сельскохозяйственной продукции в общем объеме выручки, % 95,4 93,4 91,3 72,0
методами дисперсионного анализа. Межгрупповая дисперсия во всех случаях превышает внутригруп-повую дисперсию. Значение ^-критерия превышает табличное значение на уровне значимости менее 1%. Это свидетельствует о приемлемости полученной классификации [4].
«Портрет» кластеров получим, анализируя средние значения исходных показателей (табл. 3).
В первый кластер вошли три передовых района Красноярского края, имеющие наивысший уро-
вень развития сельского хозяйства, что послужило основанием наименовать данный кластер как высокоэффективный с растущим производством. Сельскохозяйственные товаропроизводители выделенных районов обладают достаточным производственным потенциалом, с помощью грамотно выстроенного менеджмента эффективно его используют, умело работают на сельскохозяйственных рынках, добиваясь высоких экономических результатов. Рассматривая исходные параметры,
можем видеть, что именно в этих районах работают крупные сельскохозяйственные предприятия, представляющие всероссийский клуб «Агро-300».
Все три района удалены от центра кластера, что подчеркивает нетипичный подход в формировании сельской экономики этих территории. Так, в Березовском районе главной отраслью специализации является птицеводство: 90 % краевого производства мяса птицы и 33,5 % яиц выращивают сельскохозяйственные товаропроизводители этой территории. В Назаровском районе основное направление специализации — скотоводческое с развитым производством зерна. При этом крупные сельскохозяйственные предприятия ставку делают на развитие инвестиционно-инновационных процессов. Особенностью Ужурского района является то, что сельскохозяйственные товаропроизводители, расположенные на его территории, являются краевыми лидерами по урожайности зерновых культур и продуктивности коров. А также в последнее время экономическое развитие получают несельскохозяйственные виды деятельности в сельской местности, в частности, агротуризм.
Во втором кластере, состоящем из восьми районов, — высокие параметры экономического развития. Так, средние значения исходных показателей свидетельствуют о том, что данные территории, относительно территорий последующих кластеров, более обеспечены ресурсным потенциалом, а размер валового производства на одно хозяйство превышает среднекраевой уровень в 1,7 раза. Исследование динамики показало стабильный характер производства без серьезных провалов. Ввиду этого кластер получил название «эффективного с устойчивым развитием производства». Сравнительная оценка расстояний от наблюдений до центра кластера позволяет утверждать, что районы находятся примерно в равных позициях.
В третий кластер вошли пятнадцать районов края. Территории данного кластера, обладая более низким ресурсным потенциалом, не могут обеспечить устойчивую эффективность сельскохозяйственного производства. Сравнительный анализ исходных показателей позволяет присвоить данному кластеру название «низкоэффективный с сокращающимся производством». Ближе всех к центру кластера располагается Рыбинский район. Для него характеристики данного кластера наиболее типичны. Удалены от центра Балахтинский (евклидоворасстояние2,10), Минусинский (2,37), Иланский (2,23) районы. Рассматривая динамику внутрирайонных показателей, отметим, что первые
два района при условии стабилизации экономического положения и наращивании производства могут мигрировать во второй кластер. В то время как Иланский район является потенциальным членом четвертого кластера.
В четвертом кластере — самый низкий уровень показателей экономического развития сельского хозяйства. В его составе тринадцать районов края, большинство из которых расположены в подтаежной или таежной зонах. Их ресурсный потенциал очень обеднен, а исходные показатели производственной деятельности весьма низкие. Вместе с тем в составе кластера находятся и районы, имеющие относительно благоприятные природно-климатические и экономические условия. Но отсутствие предпринимательской инициативы со стороны производителей и выверенной программы развития отрасли со стороны муниципальных органов привело эти районы к удручающему положению.
В целом по структуре кластер весьма неоднороден, наблюдается значительный разброс расстояний от наблюдений до центра кластера. К типичным можно отнести Саянский, Большеу-луйский, Казачинский районы. Наиболее удалены от центра кластера Бирилюсский, Партизанский, Эвенкийский районы. Для них характеристики кластера являются менее типичными. В целом следует признать данный кластер как «неэффективный» по уровню развития производства.
Итоги кластеризации показывают существенность проблем территориальной асимметрии в крае.
Во-первых, высокие значения экономических показателей присущи лишь трем районам, расположенным в центральной и западной зонах края. Но успешные параметры в этих муниципальных образованиях достигнуты благодаря деятельности нескольких крупных товаропроизводителей.
Во-вторых, самыми многочисленными и одновременно географически разбросанными оказались два кластера: «низкоэффективный с сокращающимся производством» и «неэффективный».
В-третьих, в части случаев дифференциация районов края обусловлена разницей в первичных условиях производства. Известно — они более жестки в северных территориях, проявляясь в экстремальных природных условиях, крайней уязвимости окружающей природной среды и замедленных темпах самовосстановления, ограниченности ресурсов и высокой степени зависимости экономической сферы от их поставок.
В-четвертых — на территории края во многих случаях неравномерность экономического развития вызвана разными уровнями использования факторов производства, построения системы ведения хозяйства, формирования экономических связей и отношений, освоения инноваций и осуществления инвестиций.
Усиление подобного рода дифференциации более болезненно для развития отрасли, поскольку многие районы, попав в категорию депрессивных, постепенно растрачивают накопленный ресурсный потенциал, сокращают производство и порождают социально-экономическую напряженность в своих сельских территориях.
Полученные результаты не только дают понимание, насколько велика межрайонная дифференциация развития краевого сельского хозяйства, но и могут послужить основанием к формированию программ по ее преодолению в рамках общей аграрной политики.
Преодоление межрайонной дифференциации развития краевого сельского хозяйства можно достигнуть разными путями. Но наиболее перспективными направлениями являются:
1) изменение отраслевой структуры территорий с учетом вовлечения в хозяйственную деятельность биоклиматического, производственного, культурно-исторического и рекреационного потенциалов. Это позволит развивать не только традиционные для регионального сельского хозяйства отрасли (производство зерна, картофеля, овощей, скотоводство, свиноводство, птицеводство), но и уникальные (для Красноярского края таковыми являются рыболовство, оленеводство, мараловодство, звероводство, охотничий промысел), а также отрасли смежные с сельскохозяйственным производством (сельский туризм, народные ремесла, сбор, заготовка и переработка дикорастущих плодов, ягод и лекарственных растений);
2) выявление «точек роста» на уровне каждого района, вовлекающих в хозяйственный процесс различные субъекты и объекты экономической де-
ятельности и определяющих позитивную динамику развития всей отрасли;
3) развитие всех форм бизнеса: крупного, среднего, малого. Создание равноправных условий развития и получения доходов, формирование эффективной конкурентной среды и взаимовыгодных отношений между субъектами сельской экономики. Обеспечение адекватных пропорций государственной поддержки сельскихтоваропроизводителей;
4) стимулирование инвестиционно-инновационной деятельности через осуществление эффективной интеграции науки и производства при поддержке краевых и муниципальных органов управления отраслью. Инновационный ресурс на фоне эффективного использования природных, финансовых и других ресурсов должен преодолеть выраженную территориальную асимметричность и сместить производство в направлении роста;
5) кадровое обеспечение отрасли за счет закрепления молодых специалистов в сельской местности и переподготовки «старых» кадров с целью развития навыков предпринимательской деятельности и инициативы;
6) формирование разветвленной инфраструктуры (производственной, рыночной, социальной), способной полностью реализовать потенциал аграрной системы и обеспечить ее стабильное функционирование.
Список литературы
1. Боровиков В. П. 8ТАТ18Т1СА. Искусство анализа данных на компьютере. Для профессионалов. 2-е изд. СПб.: Питер, 2003.
2. Дубров А. М. Многомерные статистические методы: учебник. М.: Финансы и статистика, 2000. 352 с.
3. Мхитарян В. С. Кластерный анализ в системе «8ТАТ18Т1СА». Методические указания. М.: МЭСИ, 2002.
4. Сошникова Л. А. Многомерный статистический анализ в экономике: учеб. пособие для вузов. М.: ЮНИТИ-ДАНА, 1999. 598 с.
