CC BY
46
предприятия, особенно крупные, в погоне за прибылью, практически полностью работают на импортном сырье, тем самым вынуждают отечественных товаропроизводителей сдавать свой скот переработчикам по низким ценам. Таким образом, перерабатывающие предприятия, торгующие фирмы за счет ввоза более дешевой импортной продукции по сравнению с местной извлекают значительную прибыль, что подрывает развитие сельского хозяйства и приводит к усилению зависимости продовольственного рынка СФО от ввоза продукции из-за рубежа и оказывает негативное влияние на развитие животноводства. Особенно сильно могут пострадать отрасли свиноводства и крупного рогатого скота. Вступление России в ВТО открыла границы для импорта в страну свинины. Так, в рамках установленной квоты в страну можно ввозить свинину совершенно беспошлинно, тогда как в прошлом она составляла 15 %. Кроме этого, на поставку свинины вне квоты пошлина снижена с 75 до 65 %, а также снижены ввозные пошлины на живых свиней до 5 % (против существовавших -40 %). Все это может привести к сокращению собственного производства свинины. Поэтому для сохранения продовольственной безопасности необходимо обеспечение населения собственным мясом в пределах 85 %. В сложившейся ситуации достичь этого уровня в настоящее время очень сложно, в виду того, что эффективность производства мяса, в частности говядины, по сравнению с развитыми зарубежными странами очень низкая. Это касается и высоких расходов кормов на 1 кг прироста живой массы свиней и крупного рогатого скота, низкого среднесуточного прироста на откорме, а отсюда и высокая себестоимость продукции. В то же время в развитии птицеводства ситуация несколько иная. Оно меньше всего может пострадать от вступления в ВТО, ввиду того, что в стране была принята импортная квота в 2012 г. в количестве 250 тыс. т, которая останется на этом уровне до 2020 г. При этом импортная пошлина на ввоз птицы в рамках квоты останется прежней на уровне 25 %.
Таким образом, для того чтобы улучшить продовольственное обеспечения населения собственной сельскохозяйственной продукцией необходимо регулирование и активная поддержка государством сельских товаропроизводителей. Для этого очень важно разработать предложения по развитию сельскохозяйственных потребительских кооперативов в сфере реализации произведенной продукции, введение индикативных цен на основные виды сельскохозяйственной продукции. Для защиты отечественного мясного рынка необходимо активно использовать антидемпинговые меры. Наряду с этим, для защиты внутреннего продовольственного рынка от экспансии импортной продукции очень важно использовать механизм разработанный в ЕС, где основным инструментом его стала система компенсационных платежей и выплат, которая выравнивала внутренние и внешние цены. Все это окажет положительное влияние на развитие сельского хозяйства и улучшения населения продовольствием.
ИСПОЛЬЗОВАННАЯ ЛИТЕРАТУРА
1.Стратегия устойчивого развития регионов России.- Новосибирск, 2012г. - 151 с.
2.Назаренко В.И. ЕС - Россия: проблемы торговли продовольствием //Экономика сельского хозяйства и перерабатывающих предприятий. - 2004. - №11 - С.6-10.
3. Афанасьев Е.В. и др. Анализ тенденций и перспектив развития агропромышленного производства СФО /Е.В. Афанасьев, Е.В. Рудой, Н.И. Пыжикова, Н.В. Григорьев// Вестник НГАУ. -№1 (26). - 2013. - С. 141-145.
КЛАСТЕРИЗАЦИЯ И ЕЕ ПРИМЕНЕНИЕ ДЛЯ АНАЛИЗА ФИНАНСОВО-ЭКОНОМИЧЕСКОГО СОСТОЯНИЯ ОТРАСЛИ РАСТЕНИЕВОДСТВА В РЕГИОНАХ РОССИЙСКОЙ ФЕДЕРАЦИИ
Громов В. В., аспирант, ФГБОУ ВПО Кубанский государственный университет
Региональные особенности развития АПК (агропродовольственного комплекса), которые основываются на природно-климатических, географических, производственно-экономических, ресурсных, структурных и прочих особенностях конкретного региона,
порождают не только различия в производственных, инвестиционных условиях, но и в подходах к решению проблем АПК [1]. Негативным фактором при этом является неопределенность, информационная непрозрачность и сложность в оценке финансово-экономического состояния отрасли в регионе.
Одним из самых популярных инструментов оценок финансовой стабильности, экономического состояния региона в целом или его отдельных отраслей, являются рейтинги, которые присваиваются всем субъектам Российской Федерации. Показатели рейтинга в компактной и емкой форме характеризуют состояние и перспективные тенденции изменения деятельности региона, играя роль индикаторов для принятия решений, установления и поддержания деловых отношений.
Рейтинг составляется на основе анализа шести критериев в АПК [3]: валовая продукция сельского хозяйства в расчёте на одного занятого в сельском хозяйстве, отношение выручки от продажи товаров, работ и услуг к стоимости основных средств на начало года, уровень рентабельности по всей деятельности сельскохозяйственных организаций, удельный вес прибыльных организаций в их общем числе, коэффициент относительной финансовой устойчивости, отношение заработной платы в сельском хозяйстве к заработной плате в среднем по экономике субъекта Российской Федерации.
На наш взгляд, данные методики имеют ряд недочетов и недостатков. Во-первых, очень часто используется примитивное ранжирование по исследуемым показателям. Во-вторых, отсутствует предварительный анализ исследуемых показателей. Также в данных методиках не используются современные методы многомерного статистического анализа и интеллектуальных систем, которые уже давно подтвердили свою эффективность в зарубежных исследованиях. Рейтинги, присвоенные по таким методикам, безусловно, способны определить лидеров и аутсайдеров, но могут дать весьма общую картину состояния региона и не способны адекватно определить состояние отрасли в отдельно взятом регионе. Чтобы провести комплексный анализ, который будет учитывать многомерные статистические данные, необходимо применять методы корреляционного, факторного, кластерного анализа данных, которые позволят выделить исследуемую выборку по группам (кластерам), позволят говорить о существовании таких групп.
В связи с этим создание собственной адекватной оценочной системы регионов по уровню их финансово-экономического состояния является актуальной задачей. Для её решения, на наш взгляд, целесообразно применять методы многомерного статистического анализа [2], нечетких продукционных систем [5]. В качестве исходных данных использовалась центральная база Федеральной службы государственной статистики.
Под термином «состояние отрасли» понимаем экономическую категорию, отражающую финансово-экономическое состояние отрасли, характеризуемое, на фиксированный момент времени, значениями следующих основных параметров: произведенная продукция, эффективность деятельности и другими количественными и качественными характеристиками и позволяющими ответить на следующие вопросы:
насколько эффективна деятельность региона в отрасли?
каков производственный потенциал отрасли?
В ходе исследования нами применялись прикладные программы Statictica[2] и Matlab[5].
На первом этапе в качестве показателей, характеризующих финансово-экономическое состояние отрасли в регионе РФ, выбираются значения коэффициентов из статистического сборника «Регионы России. Социально-экономические показатели 2012.» Федеральной службы государственной статистики (Росстата) [4]:
X! - Продукция растениеводства, млн. руб.;
X2- Сальдированный финансовый результат организаций, млн. руб.;
Х3 - Рентабельность проданных товаров, продукции, %;
Х4 - Посевные сельскохозяйственных культур площади, тыс. га.
Х5 - Валовой сбор сельскохозяйственных культур, тыс. т.
Х6 - Внесение удобрений минеральных и органических, т.
С помощью соответствующей процедуры в программе Statistica проведена нормализация (стандартизация) переменных - приведение к общему масштабу единиц исчисления.
На втором этапе исследования с помощью метода главных компонент [2], без вращения выделен фактор, который объединит финансовые показатели х2 и х3 (Рисунок 1).
Рисунок 1. Анализ собственного значения фактора Собственное значение нового фактора равно 1,61. Он представляет 75,85% от общей дисперсии. Следовательно, данные переменные можно объединить в один фактор, который будет линейной комбинацией факторов x2 и x3. Назовем его FIN.
На третьем этапе исследования проведен кластерный анализ по получившимся факторам. Применялись два метода кластеризации: k-средних и fuzzy c-means.
В алгоритме k-средних (k-means) строится k кластеров, расположенных на возможно больших расстояниях друг от друга. Данный метод подтверждает гипотезы относительно числа кластеров. Выбор числа k базируется на результатах исследований, экспертной оценке (Рисунок 2). _
Cluster Number Euclidean Distances between Clusters [2011) Distances below diagonal Squared distances above diagonal
No. 1 No. 2 No. 3
No. 1 0 000000 1 ЗВ141Э 4,92612
No. 2 1 175338 0 000000 10 58977
No. 3 2,219487 3,254192 0.00000
Рисунок 2. Расстояние между кластерами (3 кластера) Предположим, что наша выборка по регионам состоит из трех кластеров. Как видно из рисунка 2, предположение о существовании трех кластеров верно, так как центры кластеров расположены на достаточно большом расстоянии друг от друга (евклидово расстояние).
Далее выделим 5 кластеров из нашей выборки. Результаты представлены на рис. 3.
Plot of Means for Each Cluster
x1
x4
x5 Variables
x6
FIN
Cluster 1 Cluster 2 Cluster 3 Cluster 4 Cluster 5
Рисунок 3. Средние значения 5 кластеров по методу k-средних
6
В данном случае центры кластеров уже не так далеки друг от друга, но, тем не менее, явно прослеживаются 5 групп.
Гипотеза о существовании подтверждается евклидовым расстоянием и квадратом евклидового расстояния между кластерами (Рисунок 4) и таблицей дисперсионного анализа (Рисунок 5).
Cluster Number Euclidean Distances between Clusters [2011) Distances below diagonal Squared distances above diagonal
No. 1 No. 2 No. 3 No. 4 No. 5
No 1 0 000000 4.G1629S 13,33347 9 704484 10.66903
No. 2 2 148557 0 000000 2,59884 1.363229 3,17108
No. 3 3,651502 1 5120ЭЗ 0 00000 0,391664 2,38571
No. 4 3 115202 1.167574 0.62583 0 000000 1.48999
No. 5 3.266348 1.780753 1 54458 1.220652 0.00000
Рисунок 4. Расстояние между кластерами (5 кластеров)
Analysis of Variance (2011)
Between df Within df F sign if
Variable SS SS P
x1 60,96206 4 19.03794 76 60.84055 0.000000
x4 59 86350 4 20.13650 76 56.48483 0 000000
x5 59,73847 4 20.26153 76 56,01902 0.000000
x6 45,39256 4 34.60744 76 24.92119 0 000000
FIN 55,72310 4 24,27690 76 43.61095 0.000000
Рисунок 5. Анализ дисперсий (5 кластеров)
Во второй таблице приведены значения межгрупповых (Between SS) и внутригрупповых (Within SS) дисперсий признаков. Чем меньше значение внутригрупповой дисперсии и больше значение межгрупповой дисперсии, тем лучше признак характеризует принадлежность объектов к кластеру и тем «качественнее» кластеризация. Параметры F и p также характеризуют вклад признака в разделение объекта на группы. Лучшей кластеризации соответствуют большие значение первого и меньшие значения второго параметра.
В нашем случае, можно говорить о «хорошей» кластеризации исходных данных. Кластер №1 содержит регионы с очень высоким финансово-экономическим состоянием отрасли. Кластер №2 содержит регионы с высоким финансово-экономическим состоянием отрасли. Кластер №3 содержит регионы с низким финансово-экономическим состоянием отрасли. Кластер №4 и №5 содержит регионы с средним финансово-экономическим состоянием отрасли, наблюдается различие между кластерами по фактору x6 (внесение удобрений), что может говорить о географических особенностях регионов, попавших в кластер №5.
В таблице 6 представлено распределение регионов по кластерам.
Таблица 6. Кластеризация методом k-средних
Кластер
Регион №1 №2 №3 №4 №5
Краснодарский край Белгородская область Ивановская область Брянская область, Владимирская область Липецкая область
Ростовская область Воронежская область Архангельская область Калужская область, Костромской край Калининградская область
Ставропольский край Курская область Ненецкая автономная область Московская область, Орловская область Ленинградская область
Тамбовская область Псковская область Рязанская область, Смоленский край Мурманская область
Волгоградская область Республика Ингушетия Тверская область, Тульская область Сахалинский край
Республика Чеченская Ярославская
Республика 233
Карелия
Республика Татарстан Ханты-мансийский автономный округ Республика Коми, Вологодская область
Оренбургская область Ямало-Ненецкий автономный округ Новгородская область, Республика Адыгея
Саратовская область Республика Тыва Республика Калмыкия, Астраханская область
Челябинская область Забайкальский край Республика Дагестан, Кабардино- Балкарская Республика
Алтайский край Томская область Республика Карачаево-Черкессия, Республика Осетия
Красноярский край Сахалинская область Республика Марий-Эл, Республика Мордовия
Новосибирская область Хабаровский край Республика Удмуртия, Республика Чувашия
Омская область Чукотский автономный округ Пермский край, Кировская область
Нижегородская область, Пензенская область Самарская область, Ульяновская область Курганская область, Свердловская область Тюменская область, Республика Алтай Бурятская область, Республика Хакассия Иркутская область, Кемеровская область Камчатский край, Приморский край Амурская область, Магаданский край, Еврейская автономная область
Всего 3 14 14 22 5
Используем алгоритм нечеткой кластеризации (fuzzy c-means) и сравним полученные результаты. Главным достоинством данного метода является применение понятия нечеткости при определении принадлежности к определенному кластеру. Таким образом,
элемент может принадлежать к каждому кластеру с определенной степенью от 0 до 1. Используя прикладную программу Matlab и fuzzy logic toolbox [5], проведем нечеткую кластеризацию методом с-средних (команда fcm). В качестве параметров минимизирующей функции возьмем предлагаемые по умолчанию. Средние значения для каждого полученного кластера (центр кластера) представлены на рисунке 7.
Проанализировав матрицу принадлежности регионов к конкретному кластеру, получаем следующий результат (таблица 7). Стоит отметить, что алгоритм нечеткой кластеризации, используя понятия нечеткости, сумел лучше выделить кластеры и более «равномерно» распределил объекты наблюдений. В случае если регион с одинаковой степенью принадлежности относится сразу к нескольким кластерам, то мы использовали результаты первого метода.
Таблица 7. Кластеризация методом fuzzy c-means
Кластер
№1 №2 №3 №4 №5
Регион Воронежская область Белгородская область Брянская область Владимирская область Ивановская область
Краснодарский край Курская область Московская область Калужская область Костромская область, Смоленская область
Ростовская область Тамбовская область Орловская область Липецкая область Тверская область, Ярославская область
Ставропольски й край Волгоградская область Рязанская область Тульская область Архангельская область, Ненецкий автономный округ
Республика Башкортостан Республика Кабардино-Балкария Республика Карелия Псковская область, Республика Калмыкия
Республика Татарстан Мордовская область Республика Коми Республика Дагестан, Республика Ингушетия
Оренбургская Республика Вологодская Республика
Республика Чеченская 235
Чувашия Республика
Саратовская область Пермский край, Кировская область Калининградск ая область Марийская Республика, Ханты- мансийский автономный округ
Челябинская область Нижегородска я область, Тюменская область Ленинградская область, Камчатский край Ямало- ненецкий автономный округ, Алтайский край
Алтайский край Пензенская область, Красноярский край Мурманская область, республика Карачаево- Черкессия Республика Бурятия, Республика Тыва
Новосибирская область Самарская область, Кемеровская область Новгородская область, Магаданская область Республика Хакассия, Забайкальский край
Омская область Ульяновская область, Амурская область Республика Адыгея, Сахалинская область Сахалинская область, Хабаровский край
Курганская область, Свердловский край Астраханская область, Приморский край Еврейский автономный округ, Чукотский автономный округ
Всего 4 12 20 18 27
В ходе исследования нами были достигнуты следующие результаты: выполнен анализ состояния отрасли растениеводства регионах России, разработан комплекс статистических показателей оценки состояния отрасли в регионах, проведен корреляционный, факторный анализ показателей. Кроме того, проведена кластеризация регионов по выделенным факторам двумя методами. Таким образом, используя результаты кластерного анализа, подтвердили гипотезу о существовании пяти кластеров регионов Российской Федерации в отрасли «растениеводство»:
- кластер №1 - группа регионов с очень высоким финансово-экономическим состоянием отрасли «растениеводство» (4 региона);
- кластер №2 - группа регионов с высоким финансово-экономическим состоянием отрасли «растениеводство» (12 регионов);
- кластер №3 - группа регионов со средним финансово-экономическим состоянием отрасли «растениеводство» (20 регионов);
- кластер №4 - группа регионов с низким финансово-экономическим состоянием отрасли «растениеводство» (18 регионов);
- кластер №5 - группа регионов с очень низким финансово-экономическим состоянием отрасли «растениеводство» (21 регион);
В дальнейшем, опираясь на результаты кластерного анализа и экспертные заключения, необходимо выполнить следующий этап моделирования, связанный с разработкой дискриминантных моделей и нечеткой продукционной системы. Эти модели
позволят более точно и эффективно оценивать как отрасль растениеводства в целом и в каждом регионе Российской Федерации.
ИСПОЛЬЗОВАННАЯ ЛИТЕРАТУРА
1. Огнев Ю. Ю. Аграрный вопрос. Основные предложения.-М. Пресс, 2010.-56 с.
2. Халафян А. А. STATISTICA 6. Статистический анализ данных / 3-е изд. учеб. -М.: Бином-Пресс. 2007. - 512 с.
3. Минаков И. А. Экономика отраслей АПК: учеб. - М.: Колосс, 2008. - 256 с.
4. Федеральная служба государственной статистики [Электронный ресурс] / Центральная база статистических данных. Режим доступа: http//www.gks.ru, свободный. Загл. с экрана.
5. Леоненков А. В. Нечёткое моделирование в среде MATLAB и fuzzyTECH. - СПб.: БХВ-Петербург, 2007. -736 с.
УДОВЛЕТВОРЕННОСТЬ РАБОТОЙ СЕЛЬСКИХ МУЖЧИН И ЖЕНЩИН
Блинова Т.В., д.э.н., зам. директора, Вяльшина А.А., к.социол.н., научный сотрудник ФГБУ науки Институт аграрных проблем Российской академии наук
Удовлетворенность работой - эмоционально окрашенное оценочное представление субъекта деятельности о результатах своей трудовой активности, о самом процессе работы и внешних условиях, в которых она осуществляется. При оценке индивидом различных сторон трудовой деятельности, удовлетворенность может быть положительной (при условии соответствия ожиданиям индивида) и отрицательной при несоответствии им. Изначально концепция удовлетворенности работой сформировалась в социологии и психологии, применяясь в исследованиях организационного поведения индивидов. Позднее она привлекла внимание экономистов, одна группа из которых считает, что удовлетворенность работой идентифицируется с функцией полезности47 и функцией счастья48. Удовлетворенность работой рассматривается как одна из составляющих «счастья» индивида. Вторая группа экономистов полагает, удовлетворенность работой определяется не максимизацией функции полезности, а адаптацией индивидов к действующим нормам и
49
связана с их ожиданиями .
Задача нашего исследования состоит в анализе удовлетворенности различными сторонами работы сельских мужчин и женщин. Информационную базу составили данные Комплексного обследования условий жизни населения России, проведенного Росстатом50. Общий объем выборки составил 19 879 человек, из них 14 116 человек (71,0%) проживают в городе и 5 763 (29,0%) в сельской местности. Среди сельских жителей 2 493 (43,3%) мужчин и 3 270 (56,7%) женщин. При этом 60,0% женщин и 80,1% мужчин в трудоспособном возрасте. Среди опрошенных сельских жителей 41,7% женщин и 56,5% мужчин имели оплачиваемую работу или иное доходное занятие. При этом 81,4% женщин и 68,0% мужчин работали на предприятии, в организации со статусом юридического лица; 16,3% женщин и
47 Clark A. E. Job satisfaction and gender: why are women so happy at work? / A. E. Clark // Labour Economics. - Vol. 4, Issue 4. - 1997. - P. 341-372; Freeman R. B. Job Satisfaction as an Economic Variable / R. B. Freeman // American Economic Review - 1979. - Vol. 68. - P. 135-141.
48 См., например, Frey B. S. Happiness and Economics: how the Economy and Institutions Affect Human Well-Being / B. S. Frey, A. Stutze. - Princeton : Princeton University Press, 2002.
49 См., например, Hammermesh D. S. The Changing Distribution of Job Satisfaction / D. S. Hammermesh // Journal of Human Resources. - 2001. - Vol. 36. - Р. 1-30.
50 Итоги Комплексного обследования условий жизни населения Российской Федерации, проведенного на основании Постановления Правительства РФ от 27 ноября 2010 г. N 946 "Об организации в Российской Федерации системы федеральных статистических наблюдений по социально-демографическим проблемам и мониторинга экономических потерь от смертности, заболеваемости и инвалидизации населения" http://www.gks.ru/free_doc/new_site/K0UZ/survey0/index.html
