CC BY
4042 (249) - 2011
Управление производством
УДК 631.15:338.27
ПРОГНОСТИЧЕСКИЕ МЕТОДЫ В УПРАВЛЕНИИ ПРОИЗВОДСТВОМ ЗЕРНОВЫХ КУЛЬТУР
Е. Г. НИКИТЕНКО,
аспирант кафедры менеджмента
Е-mail: [email protected] Ставропольский государственный аграрный университет
Прогнозирование производства зерновых культур представляет актуальную и сложную задачу, связанную с особенностями этих культур под воздействием комплекса факторов, в том числе климатических. В статье представлена авторская методика прогнозирования производства зерна, описана зависимость их урожайности и факторов, оказывающих превалирующее воздействие на этот показатель.
Ключевые слова: прогнозирование, производство, зерновая культура, фактор, интенсификация, расчетно-аналитический метод, управление.
В современных условиях хозяйствования прогнозирование является действенным инструментом целенаправленного управления аграрной экономикой. Это обусловливает необходимость разработки научно обоснованных методологических подходов к формированию прогнозов развития сельскохозяйственного производства.
Зерновая отрасль является одной из ключевых в аграрной экономике Ставропольского края. Основным показателем отрасли является производство зерна, представляющее собой сложный объект прогнозирования, формируемый под воздействием ряда факторов, обеспечивающих его
нормальное функционирование и развитие. Для оценки влияния факторов, оказывающих воздействие на продуктивность зерновых культур, они были разделены на две группы: природные и антропогенные. Определяющими факторами являются природно-климатические условия как совокупность почвенно-климатических, мелиоративных, агрометеорологических и других характеристик данной территории. Природно-климатические условия оказывают непосредственное влияние на территориальное размещение зерновых культур и являются базисом для антропогенных факторов. Влияние природных факторов на антропогенные имеет как прямую, так и обратную зависимость, которая отражает воздействие человека (положительное и отрицательное) на природу.
Автор исходит из предположения, что существуют факторы, которые оказывают превалирующее воздействие на продуктивность зерна на достаточно длинных промежутках времени. Причем этот процесс воздействия осуществляется в глобальном масштабе и в той или иной степени оказывает влияние на все природные и антропогенные механизмы на Земле [2]. Автором было выделено влияние солнечной активности на продуктивность зерновых культур и принята достаточно очевидная гипотеза: урожай-
ность пшеницы находится в непосредственной зависимости от солнечной активности (рис. 1). Гораздо более сложным является установление вида связи между урожайностью зерновых культур и солнечной активностью, так как на результаты оказывают существенное воздействие и другие факторы.
Следует отметить, что упоминания о связи циклов солнечной активности и урожайности сельскохозяйственных культур периодически встречаются в специальной литературе, а также в разработках отечественных ученых. Однако прогнозирование урожайности пшеницы с использованием большого временного промежутка не дает значимых результатов в связи с отсутствием тесноты связи. Автором было выявлено закономерное поведение урожайности пшеницы относительно циклических колебаний активности солнца. В результате проведенного анализа было установлено, что особое внимание следует уделять центральным зонам цикла солнечной активности (4.. .8 точек), так как на этих отрезках урожайность пшеницы изменяется практически по одному и тому же закону (рис. 1).
Данное обстоятельство обусловлено различной длительностью фаз роста и спада солнечной активности, при этом форма центральной части циклов, как правило, не изменяется. Для подтверждения выдвинутой гипотезы о том, что на урожайность всех сортов пшеницы сильное влияние оказывают
200
180
160
140
120
100
количественные значения солнечной активности в середине кривой цикла, а также наметившийся темп роста солнечного излучения, применяются корреляционные методы математического анализа.
Значения парных коэффициентов корреляции солнечной активности, темпа роста и урожайности пшеницы по циклам довольно высокие, что говорит о более весомом влиянии центральной части кривой Вольфа на существующие колебательные процессы сбора зерновых культур в указанных периодах времени на изучаемых участках и о целесообразности использования сложившихся тенденций в дальнейших расчетах.
Эти факторы позволяют построить уравнение регрессии, выражающее зависимость урожайности озимой пшеницы Ставропольского края У от величины Х1 и темпа роста солнечной активности Х2: У = 24,94 + 0,22Х1 + 0,31Х2.
Значение множественного коэффициента детерминации Я2 = 0,8017 показывает, что 80,17 % общего изменения результативного признака объясняется вариацией факторных признаков Х1 и Х2.
Для моделирования тенденции производства зерна необходимо использовать явления, оказывающие непосредственное действие на производство зерновых культур. Основным критерием отбора таких факторов считается постоянный характер процесса, т. е. детерминированное воздействие на растение в
1901 1906 1911 1916 1921 1926 1931 1936 1941 1946 1951 1956 1961 1966 1971 1976 1981 1986 1991 1996 2001 2006 2011
-о- Солнечная активность W, числа Волн Средняя урожайность, ц/га
Рис. 1. Солнечная активность и урожайность озимой пшеницы в Ставропольском крае в 1901-2010 гг.
течение всего периода его вегетации. Помимо показателей солнечной активности и темпа ее роста, такие воздействия оказывают колебания относительной влажности воздуха и температуры почвы.
В связи с этим можно уверенно предположить, что взаимозависимые показатели относительной влажности воздуха и температуры почвы от солнечной активности также будут оказывать высокую степень воздействия на результаты расчета прогнозных значений урожайности. Для определения связи между указанными зависимостями используем метод корреляционного анализа. Зависимость между данными показателями представлена на рис. 2.
Производство пшеницы, помимо своей цикличности, обладает и сезонностью, которую также необходимо учесть в процессе прогнозирования. Так как данный объект исследования на всем анализируемом промежутке времени определяется тенденцией, направленной на ее повышение, то целесообразно применить в методике прогнозирования тренд - сезонную модель.
Таким образом, просматривается закономерность между солнечной активностью, температурой почвы, влажностью воздуха и урожайностью озимой пшеницы. Максимальному количеству пятен на Солнце соответствует рост температуры земли, снижение влажности воздуха и высокие значения урожайности зерновых культур. Наоборот, минимальным значениям солнечной активности сопутс-
твует повышение влажности воздуха, охлаждение почвы и невысокие урожаи.
Несмотря на природные явления, многочисленными исследованиями установлено, что не менее половины (50 % и более) прибавки в урожайности зерновых культур достигается за счет воздействия факторов интенсификации (внесение минеральных удобрений). Это в свою очередь приводит к повышению себестоимости продукции и цены ее реализации. За период с 2000 по 2010 г. значительно увеличилось применение минеральных удобрений. Так, если в 2000 г. было внесено 21,4 тыс. т удобрений (в пересчете на 100 % питательных веществ), то в 2010 г. этот показатель составил уже 78 тыс. т, т. е. произошло увеличение в 3,6 раза. Это отразилось на интенсивности производства зерна. Начиная с 2000 г. наметился устойчивый темп роста: в 2001 г. - 22,2 %, в 2002 г. - 15,7 %, в 2004 г. - 44,2 %, в 2005 г. - 6,6 %, в 2007 г. - 7,5 %, в 2008 г. - 7,8 %, в 2010 г. - 8 %.
Начиная с 2000 г. наблюдается непрерывный рост себестоимости зерна, что обусловлено двумя основными причинами. Во-первых, увеличением количества вносимых удобрений, во-вторых, качеством семян. Все это отразилось на цене реализации. За исследуемый период цена реализации одной тонны зерна увеличилась в 3,2 раза, составив 6 000 руб. Однако на цену также влияют погодные условия, так, из-за засухи наблюдается снижение урожайности, что приводит к росту стоимости зерна.
Л
н о о X
о а
г>55
Рис. 2. Трехмерная зависимость между урожайностью озимой пшеницы, температурой почвы и относительной влажностью воздуха в Ставропольском крае
о
Исследуемый временной ряд представляет собой периодические колебания, не имеющие четко выраженной периодичности, что позволяет для нахождения сезонной компоненты применить мультипликативную модель расчета. Сезонная составляющая учитывает колебания, периодически повторяющиеся в некоторое определенное время каждого года, дня месяца или часа дня. Трендовая компонента отражает основную тенденцию поведения объекта и рассчитывается путем построения регрессионного линейного уравнения
Подтвердилось и предположение о том, что на результаты урожайности пшеницы в середине цикла сильно влияет варьирование темных пятен на поверхности солнца, а также скорость (темп) нарастания солнечной активности по сравнению с предыдущим годом.
В связи с этим целесообразно рассматривать ряд урожайности зерновых культур в рамках отдельных типов циклов влияния солнца, которые классифицируются по «гладкости» [1].
Прогнозирование производства пшеницы представляет сложную задачу, формируемую совокупным воздействием факторов прогнозного окружения. Поэтому прогнозирование на достаточно продолжительные промежутки времени, по мнению, автора, неосуществимо с использованием какого-нибудь одного метода и обусловливает использование комбинации взаимосвязанных между собой моделей [4].
Текущий цикл солнечной активности, соответствующий 2008-2017 гг., представляет собой кривую ломаного цикла в максимуме и относится ко второму типу.
Разработанная блок-схема прогнозирования урожайности пшеницы в зависимости от формы цикла солнечной активности представлена на рис. 3. В этой схеме отражен процесс прогнозирования, сочетающий в себе методы многофакторных моделей, экспоненциального сглаживания, построение циклической волны и тренд-сезонной модели, которые определяют набор и параметры методологических инструментов в прогнозном процессе в зависимости от формы цикла, а также согласование результатов, полученных на различных этапах. Таким образом, применяемый подход для прогнозирования урожайности пшеницы является расчетно-экспертным.
На начальном этапе прогнозирования производства пшеницы, согласно представленной методике, подготавливается база ретроспективной информации, содержащая данные об урожайнос-
ти и солнечной активности, причем увеличение рассматриваемого периода повышает точность и надежность расчетов.
Взятый за основу метод экспоненциального сглаживания при расчете прогнозной модели дает смещение формы кривой и полученных результатов на один год и учитывает процессы, протекающие в окружающей среде и почве [3]. Так, плодородие почвы при выращивании сельскохозяйственных культур год от года иссякает, и возникает необходимость постоянного внесения минеральных удобрений. В то же время возникающие с определенной периодичностью природно-климатические явления по-разному воздействуют на динамику микроорганизмов в почве и их биологическую активность. Все происходящие изменения в верхних слоях почвы напрямую влияют на урожайность зерновых культур и требуют хотя бы косвенного их учета в математических моделях. Выбранная методика прогнозирования производства пшеницы (рис. 3) позволяет учитывать в регрессионном уравнении климатические и агропроизводс-твенные сезонные изменения, а также отражать стохастические биологические особенности растений. Таким образом, полученный прогноз производства пшеницы основан на адаптации предшествующего ряда к рассчитанным регрессионным моделям, описывающим формирование урожайности во временных фазах, где превалирующее воздействие оказывает солнечная активность.
В связи с тем, что расчетный прогноз пшеницы является точечным, то для определения границ возможных изменений предсказуемого показателя, в дополнение к нему, необходимо задать промежуток возможных значений объекта, т. е. вычислить прогноз интервальный. Определение верхних и нижних границ по методике доверительных интервалов (доверительного коридора) является более предпочтительным и наиболее объективным из всех существующих подходов, так как включает 100 %-ную вероятность попадания в него прогнозируемого результата [5].
Для верификации результатов проведенных расчетов были построены прогнозы по ретроспективным данным в рамках характерных циклов второго типа (1901-1913 гг., 1944-1954 гг. и 19861996 гг.). Результаты подтверждают достоверность и значимость предложенного алгоритма.
Графическое изображение построенного прогноза урожайности озимой пшеницы в Ставропольском крае и доверительных интервалов представлены на рис. 4.
II
III
IV
140 120 100 80 60 40 20 0
I Определение прогнозируемого временного периода
г
этап Прогноз урожайности в начале и конце цикла солнечной активности Прогноз урожайности в середине цикла солнечной активности
1
Адаптивный прогноз имеющегося ряда урожайности (за предыдущий 11-летний цикл солнечной активности) на 1-2 года вперед (модель Брауна)
Согласование результатов I и II этапов
Прогноз урожайности по уравнению регрессии в середине цикла солнечной активности
Использование циклической волны в зависимости от типа цикла, с учетом значений по регрессии II этапа и тренд-сезонной компоненты (за предыдущий 11-летний цикл солнечной активности)
Адаптивный прогноз имеющегося ряда урожайности (за предыдущий 11-летний цикл солнечной активности) на 1-2 г. вперед (модель Брауна) с учетом полученных прогнозных значений III этапа
Согласование результатов IV и V этапов
Рис. 3. Блок-схема составления прогноза урожайности пшеницы
Использование прогноза
. ♦-----...»
/ \ \
/ \ 4
/ \ 1 \
У -Ч. У
1998 2000 2002 2004 2006 2008 2010 2012 2014 20
....... Солнечная активность, Ш
—А— Средняя урожайность озимой пшеницы Ставропольского края —Д— Прогноз урожайности озимой пшеницы —□— Нижняя граница доверительного интервала —О— Верхняя граница доверительного интервала
Рис. 4. Прогноз урожайности озимой пшеницы в 2011-2016 гг. и доверительные интервалы (вероятность 0,9), ц/га
1996
Таким образом, представленный прогноз отражает результат работы блок-схемы и позволяет на его основе построить сценарные варианты производства зерновых культур Ставропольского края.
Прогноз производства пшеницы можно ис-
Список литературы
пользовать в практической работе ведущих сельскохозяйственных организаций Ставропольского края для предварительной оценки и корректировки хозяйственной и рыночной деятельности на среднесрочный и долгосрочный периоды.
1. Байдаков А. Н., Назаренко А. В. Прогнозирование тенденций в динамике урожайности и цен реализации в виноградарстве // Экономика сельскохозяйственных и перерабатывающих предприятий. 2009. № 4.
2. Витинский Ю. И. Цикличность и прогнозы солнечной активности. Л.: Наука, 1973.
3. Лукашин Ю. П. Адаптивные методы краткосрочного прогнозирования. М.: Финансы и статистика, 2003.
4. Четыркин Е. М. Статистические методы прогнозирования: 2-е изд., перераб. и доп. М.: Статистика, 1997.
5. Афанасьев В. Н, ЮзбашевМ. М. Анализ временных рядов и прогнозирование: учебник. М.: Финансы и статистика, 2001.
