CC BY
414
К. П. Личко, Е.В. Шумская
ПРОГНОЗ УРОЖАЙНОСТИ ЗЕРНОВЫХ КУЛЬТУР КАК ОСНОВА ПРОГНОЗИРОВАНИЯ ОБЪЕМОВ СЕЛЬСКОХОЗЯЙСТВЕННОГО ПРОИЗВОДСТВА
В статье изучается вопрос среднесрочного прогнозирования урожайности зерновых культур, который занимает одно из центральных мест в процедурах разработки агропродовольственной политики на уровне страны, регионов, а также программ развития сельскохозяйственных организаций. На основе всестороннего анализа показателя урожайности предложен авторский алгоритм построения прогноза на среднесрочный период. Возможности применения данного алгоритма показаны на примере конкретных товаропроизводителей. Даны методологические рекомендации по прогнозированию аграрного производства на региональном уровне.
Социально-экономические преобразования, свойственные переходной и пост-переходной экономикам, значительно усложняют процесс управления хозяйственными структурами. Это связано как с расширением их прав и обязанностей, так и с необходимостью более гибкой адаптации к складывающейся ситуации [1, 2].
В современных условиях многоукладности российской экономики, диверсификации производства, развития различных организационно-правовых форм хозяйствования, существенных структурных сдвигов в экономике государства, усложнения хозяйственных связей актуализируется роль искусства управления. Последнее предполагает выработку, принятие и реализацию управленческих решений на основе анализа информации о состоянии и закономерностях развития управляемого объекта. Разработка управленческих решений, являясь связующим процессом, охватывает все основные функции управления: планирование, организацию, мотивацию (анализ поведенческих мотивов) и контроль.
Важнейшие требования к управленческому решению - всесторонняя обоснованность, полномочность, правомерность, полнота и целостность содержания, своевременность принятия и доведения до исполнителей. Для реализации этих требований необходимо, чтобы принимаемые решения основывались на достоверной информации, всестороннем анализе факторов, оказывающих влияние на решения, учете предвидения его возможных последствий [3].
Агропромышленный комплекс - сложная система взаимосвязанных отраслей, производств и хозяйствующих субъектов. Сельскохозяйственное производство является одной из его составных частей, причем самой сложной (связано непосредственно с биологическими объектами) и самой незащищенной (испытывает на себе прессинг монополизма первой и третьей сферы АПК). Поэтому вопросы управления сельскохозяйственным производством требуют принятия взвешенных и обоснованных решений на всех уровнях: от хозяйствующего субъекта до региона и государства в целом.
Как известно, в технологии планирования и принятия управленческих решений основные входные параметры представляют собой прогнозные величины. В связи с этим представляется крайне важным качественное обеспечение информационной базы принятия решений посредством построения обоснованных прогнозов основных входных параметров.
Важность построения обоснованных прогнозов признана на государственном уровне . В современных условиях органы федерального и регионального управления АПК нуждаются в научно обоснованном предвидении будущих тенденций на*
См. Федеральный закон «О государственном прогнозировании и программах социально-экономического развития Российской Федерации» от 20 июля 1995 г. (№ 15-ФЗ) (с изменениями от 8 сентября 2000 г.).
учно-технического и социально-экономического развития. При этом одним из основных прогнозов является прогноз объемов производства сельскохозяйственной продукции. Так, прогноз производства продукции растениеводства складывается из двух составляющих: посевной площади и урожайности, причем прогноз последней представляет собой принципиальную сложность.
Урожайность сельскохозяйственных культур - важнейший обобщающий показатель, позволяющий судить об уровне развития сельского хозяйства в целом [4]. При вариантном расчете возможных сценариев, планов и моделей развития сельскохозяйственного производства, урожайность сельскохозяйственных культур является тем входным параметром, который определяет как товарность отдельных сельскохозяйственных культур, так и уровень товарности всей растениеводческой отрасли. Кроме того, этот показатель характеризует и уровень развития собственной кормовой базы, а следовательно, уровень продуктивности сельскохозяйственных животных, необходимость закупки дополнительных кормов или размер доходов от реализации их избытка. Это определяет необходимость обоснованного расчета данного техникоэкономического показателя с максимально возможной точностью.
В отличие от нормативных, статистических, бухгалтерских и других данных технико-экономические показатели, и урожайность сельскохозяйственных культур в частности, не являются жестко детерминированными. Причины этого вызваны тем, что данные показатели формируются под мощным воздействием природно-климатических факторов: при одних и тех же условиях производства (определяемых человеком) значения урожайности сельскохозяйственных культур могут весьма широко варьировать. Между тем это крайне важный показатель, который может оказать существенное влияние на принятие управленческих решений как непосредственно, так и опосредованно с использованием тех или иных экономико-математических моделей [5].
Обоснованное прогнозирование урожайности сельскохозяйственных культур -гарантия объективности отражения и реальности составления плановых заданий, принятия управленческих решений.
Исследования этой проблемы [6-8] позволяют утверждать, что в стране пока не создана целостная система прогнозирования развития сельскохозяйственного производства: не установлены жесткие сроки разработки прогнозов на различных уровнях управления, а также отсутствуют единые методики прогнозирования.
Отдельные вопросы долгосрочного прогнозирования колебаний природных условий сельскохозяйственного производства рассматривались Е. Борисенковым, В. Буха, Ю. Витинским, Г. Муром, В. Нестеровым, Т. Покровской, В. Пасовым, Л. Перекальской, М. Розановым, М. Семеновым, Н. Сидоренковым и др.
Проблема прогнозирования засух изучалась М. Байдалом, Л. Вительсом, П. Кабановым, В. Михельсоном и др.
Абстрактно-статистические методы прогнозирования цикличности в колебаниях урожаев и метеоусловий применяли Г. Баскин, Э. Брикнер, А. Воейков, М. Давидович, П. Колосков, Г. Крафт, С. Сергеев, С. Струми-лин, А. Тарасов, Н. Челинцев, Н. Четвериков, В. Череванин и др.
Особенно следует отметить работы В. Обухова. Его ретроспективные прогнозы подтвердили хорошую оправдываемость при заблаговременности от одного до трех месяцев. Успешными оказались прогнозы урожайности озимой пшеницы, составленные А. Прудниковым и Б. Бугерой для Краснодарского края.
Вместе с тем до последнего времени изучение вопроса среднесрочного и долгосрочного прогнозирования урожайности сельскохозяйственных культур в качестве особой экономической проблемы не было выделено в самостоятельное научное направление.
Ниже описана процедура разработки алгоритма, позволяющего строить достоверный прогноз урожайности сельскохозяйственных культур на среднесрочный период. Поскольку экспериментальная база была представлена в основном зерновыми культурами, главные выводы и результаты исследования сформулированы для зерновых культур. Разработке алгоритма предшествовал комплексный анализ показателя урожайности, в ходе проведения которого получены следующие результаты:
- урожайность сельскохозяйственных культур - показатель, обладающий большой инерцией;
- временн>е ряды урожайности сельскохозяйственных культур, как правило, не содержат выраженной тенденции, отличаются сильной колеблемостью, и их нельзя прогнозировать на основе аналитического выравнивания;
- в рядах динамики урожайности сельскохозяйственных культур присутствуют циклы различной продолжительности. Это подтвержено результатами Л/5-анализа, К-статистики и расчетом коэффициентов автокорреляции;
- невозможно четко идентифицировать характер взаимодействия циклов, и следовательно, определить, в какой фазе каждого цикла находится процесс в тот или иной момент наблюдения.
В связи с вышеизложенным была принята гипотеза о целесообразности разложения временного ряда динамики урожайности зерновых культур не на параллельные компоненты - тенденцию, циклическую и случайную компоненты - а на несколько выборочных временн>х цепочек. Предполагается, что временн>е цепочки формируются из выборочных уровней временного ряда, отстоящих друг от друга на определенные периоды.
Принятие такой идеи «выборочной» декомпозиции исходного ряда динамики урожайности зерновых культур предварялось применением в агротехнике возделывания культур системы севооборотов. Как известно, система севооборотов является важным фактором рационального использования природных ресурсов, сохранения экологического равновесия и повышения эффективности сельскохозяйственного производства. Применение севооборотов означает, что каждый следующий год культура, по которой строится временной ряд урожайности, возделывается на новом поле до окончания севооборота. Таким образом, каждый последующий уровень, в определенном смысле, несопоставим с предыдущим. Нет оснований считать данный факт ключевой причиной сложности прогнозирования изучаемого признака, но определенное влияние он, несомненно, оказывает.
Оправдывает такой прием разложения временного ряда и наличие циклических колебаний во временных рядах урожайности. Формирование временных цепочек из выборочных уровней исходного ряда динамики позволяет включать взаимосвязанные уровни ряда в единую последовательность и рассматривать характер поведения динамики в отдельности.
Применение такой схемы анализа обусловлено также инерционностью показателя. Однако при графическом анализе динамики урожайности зерновых культур иногда наблюдаются очень резкие изменения направления динамики: возрастания и убывания. Каким же образом сосуществуют два столь очевидных и столь противоречивых факта? Возможно, происходящие резкие изменения являются продолжением динамики предыдущих, но отстоящих на некоторый временной лаг уровней (в этом и состоит глубина инерционности изучаемого признака) и выглядят резко только на фоне непосредственно предшествующего уровня.
Общая схема анализа временного ряда и построения прогноза с учетом принятых предположений представлена на рисунке.
Рассмотрим данный алгоритм более подробно.
Шаг 1. Расчет коэффициентов автокорреляции и определение значимых временных лагов [9]. Необходимо выбирать временн>е лаги, для которых коэффициент автокорреляции имеет значимую величину, либо величину, очень близкую к критическому значению. Вместе с тем выбор длины временного лага должен обеспечивать достаточную длину временной цепочки для проведения содержательного анализа.
Шаг 2. Построение выборочных временн>х цепочек изучаемого показателя на основе отобранных временн>х лагов. При этом в полученных временных цепочках изменение на единицу независимой переменной будет соответствовать длине выбранного временного лага.
Рисунок. Алгоритм построения прогноза урожайности зерновых культур на основе выборочных временн>х цепочек
Шаг 3. Аппроксимация полученных временн>х цепочек [10]. Следует отметить эмпирическое правило, полученное в ходе проведения расчетов. Аппроксимирующую кривую следует выбирать таким образом, чтобы она как можно точнее отражала динамику последнего отрезка временной цепочки, обеспечивая наиболее точное соответствие модели последним значениям диапазона идентификации. Это условие является более существенным, чем общая точность модели выравнивания. При необходимости выбора между кривой, обеспечивающей максимальный коэффициент детерминации, и кривой, правильно отражающей динамику последнего отрезка, но обладающей меньшей точностью, предпочтение следует отдать второму варианту.
Шаг 4. Построение единой модели выравнивания временного ряда, расчет показателей точности модели. Сравнив показатели точности моделей, рассчитанных по каждому временному лагу, производится выбор наиболее точной модели, по которой в дальнейшем рассчитывается прогноз.
Шаг 5. Расчет прогнозных значений по каждой временной цепочке на соответствующий год горизонта прогнозирования. Далее было выдвинуто следующее предположение. Декомпозиция ряда наблюдений на временные цепочки производилась с целью анализа взаимосвязанных уровней динамического ряда. Полученная совокупность цепочек является моделью, отражающей характеристики имеющегося временного ряда. Однако строить прогноз по отдельным цепочкам некорректно, так как в этом случае могут быть потеряны важные составляющие динамики исходного временного ряда - тенденции, связанные с изменением климата, погодных условий, экономической ситуации, агротехнических условий производства, состояния засоренности и зараженности посевов. С этой целью представляется целесообразным объединить полученные временн>е цепочки в единую систему. Поскольку в полученных уравнениях цепочек изменение независимой переменной на
единицу соответствует определенному периоду реального времени n, следовательно, подставляя в уравнение значение независимой переменной, кратное 1/n, можно получить прогноз по каждой временной цепочке на каждый год горизонта прогнозирования. Далее, усреднением прогнозных значений, полученных по всем отдельным цепочкам, находится прогнозное значение изучаемого признака, отражающее целостный характер динамики исходного временного ряда.
Шаг 6. Расчет показателей точности прогноза [11]. Экспериментальная апробация данного алгоритма была проведена на 25 временн>х рядах урожайности различных зерновых культур по данным хозяйств Ступинского и Раменского районов Московской области, ряда районов Московской области и по Московской области в целом, а также СССР (России) в длительной динамике. Для сравнения точности моделей одновременно разрабатывались прогнозы методом экспоненциального сглаживания. В общей сложности были рассчитаны 104 модели прогноза урожайности зерновых культур.
На основе проведенных сравнительных расчетов установлено, что предлагаемый алгоритм построения прогноза дает более точную модель выравнивания ряда урожайности, а также более точный прогноз на среднесрочную перспективу по сравнению с выравниванием на основе метода экспоненциального сглаживания.
Предложенный алгоритм построения прогноза урожайности отличается простотой реализации (доступна реализация в Excel) и универсальностью с точки зрения его использования на различных уровнях управления (хозяйствующий субъект, район, область, государство).
Разработанные методические подходы к прогнозированию урожайности зерновых культур могут быть определенным вкладом в формирование методологии проектирования экономически устойчивого сельскохозяйственного производства.
Возможности применения прогноза урожайности зерновых культур в планировании и управлении сельскохозяйственным производством были рассмотрены на примере ЗАО «Красная Заря» Ступинского района Московской области. Для решения поставленной задачи была рассчитана типовая модель оптимизации производственной структуры хозяйства для различных вариантов прогноза урожайности. Расчет модели по ЗАО «Красная Заря» проведен по данным годового отчета за 2004 г.
Модель оптимизации производственной структуры рассчитывалась для следующих вариантов урожайности зерновых культур:
1 - простая экстраполяции урожайности отчетного года;
2 - точечный прогноз урожайности зерновых культур по предложенному алгоритму выборочных временных цепочек;
3 - нижняя граница интервального прогноза урожайности зерновых культур по предложенному алгоритму выборочных временных цепочек;
4 - верхняя граница интервального прогноза урожайности зерновых культур по предложенному алгоритму выборочных временных цепочек.
Прогноз урожайности рассчитывался по товарным культурам: озимой пшенице, ячменю (табл. 1).
Таблица 1
Варианты урожайности товарных культур, использованных для расчета моделей оптимизации производственной структуры
Урожайность, ц/га
культур 2004 г 2007 г. 2007 г 2007 г
(вариант l) (вариант 2) (вариант 3) (вариант 4)
Озимая пшеница 24,4 47,б 40,34 54,8
Ячмень 24,3 42,б l8,l5 б7,0
В результате решения моделей по ЗАО «Красная Заря» Ступинского района Московской области получено несколько вариантов производственной структуры данного хозяйства. Рассмотрим основные изменения (табл. 2-5).
Таблица 2
Структура посевных площадей ЗАО «Красная Заря», га
Культуры Вариант 1 Вариант 2 Вариант 3 Вариант 4
Товарные
Озимая пшеница 1843 2038 1835 2148
Ячмень 773 1586 509 1950
Итого 2616 3624 2344 4098
Фуражные
Ячмень 552 257 777 90
Озимая пшеница - - - -
Кукуруза на силос 319 258 304 143
Многолетние травы:
на сено 160 137 165 77
на сенаж 270 219 258 119
на зеленый корм 511 567
на семена 95 35 107 20
Кормовая свекла 45 39 45 22
Итого 1952 945 2223 471
Всего площадь пашни 4568 4569 4567 4569
Из приведенных данных следует, что при более высокой урожайности товарных культур (варианты 2 и 4) их доля в структуре посевов возрастает. При более низкой урожайности размеры посевов ячменя изменяются незначительно, но меняется направление использования - его выгоднее использовать в качестве фуражной, а не товарной продукции.
Таблица 3
Численность и структура поголовья крупного рогатого скота ЗАО «Красная Заря», голов
Группа животных Вариант 1 Вариант 2 Вариант 3 Вариант 4
Коровы 810 694 819 384
Молодняк 810 694 819 384
Всего численность поголовья 1620 1388 1638 768
Главный вывод для планирования сельскохозяйственного производства, который можно сделать на основе табл. 3 - определение минимальной и максимальной границ животноводческой отрасли. В этом случае, полученная численность поголовья по всем вариантам меньше фактической (2713 голов). Структура стада в расчетном варианте также отлична от фактической. Расчетное соотношение дойных коров и животных на выращивании и откорме 50%:50%, фактическая доля коров составляет 36% в структуре стада.
Из данных табл. 4 и 5 следует, что целесообразность изменения производственной структуры хозяйства и размера отраслей зависит от наиболее вероятного прогноза урожайности зерновых культур в целях максимизации прибыли. Кроме того, расчетные варианты определяют границы необходимых изменений. Нельзя не отметить, что рассчитанные варианты производственных структур хозяйства существенно различаются: в случае высокой урожайности сельскохозяйственных культур
все ресурсы хозяйства перераспределяются в пользу растениеводческой отрасли, значительно сокращая животноводство. С одной стороны, это объясняется нерентабельностью реализации мяса, с другой - такое объяснение неудовлетворительно с точки зрения прогнозирования, планирования и управления сельскохозяйственным производством. Необходимо искать ключевые причины сложившейся ситуации и пути решения проблемы. Таким образом, приведенный выше расчет модели урожайности зерновых культур позволяет предусмотреть возможные варианты производственной структуры хозяйства, размеров отраслей сельскохозяйственного производства, проанализировать сложившуюся ситуацию и скоординировать результаты со стратегическими целями и задачами хозяйствующего субъекта, т. е. определить стратегию развития организации.
Таблица 4
Состав выручки от реализации товарной продукции в ЗАО «Красная Заря», тыс. руб.
Продукция Вариант 1 Вариант 2 Вариант 3 Вариант 4
Озимая пшеница 13049 28156 21467 34161
Ячмень 4876 17582 2402 33980
Молоко 42204 36179 42659 20009
Мясо 3938 3375 3980 1867
Всего 64067 85292 70508 90017
Таблица 5
Структура выручки от реализации товарной продукции по отраслям в ЗАО «Красная Заря»
Отрасль Вариант 1 Вариант 2 Вариант 3 Вариант 4
Растениеводство 0,28 0,54 0,34 0,76
Животноводство 0,72 0,46 0,66 0,24
Кроме применения прогнозов урожайности зерновых культур на уровне конкретного сельскохозяйственного товаропроизводителя представляется важным и возможным аналогичное использование прогноза урожайности в планировании сельскохозяйственного производства на уровне региона.
В настоящее время основной методический подход, вытекающий из разработанных Минэкономразвития России совместно с Минсельхозпродом России рекомендательных документов, предполагает использование для региональных планов и прогнозов в качестве исходных данных показателей, сводных по цепочке: предприятие - район - область [12]. Затем сводные по региону данные корректируются с учетом статистических данных развития крестьянских (фермерских) и личных подсобных хозяйств и в таком виде направляются в центральные экономические органы, где используются для разработки федеральных прогнозов. Такой подход представляется односторонним: он в большей степени описательный и трансляционный, чем управленческий. Свод основных показателей и формирование единой картины развития региона должны дополняться расчетом моделей стратегии региона на основе его ресурсной базы и основных прогнозов сельскохозяйственного производства. Сопоставление расчетного варианта развития аграрной сферы региона с фактическим состоянием позволит критически оценить положение дел,
выявить наиболее острые проблемы, сконцентрировать меры государственной поддержки на решении ключевых проблем отрасли региона.
Литература
1. Кузнецов В.В., Гарькавый В.В., Тарасов А.Н. Модели экономического планирования развития АПК. Ростов-на-Дону: ВНИИЭиН, 2005.
2. КондратьевН.Д. Большие циклы конъюнктуры и теория предвидения. Избранные труды. М.: Экономика, 2002.
3. КостинаН.И., Алексеев А.А. Финансовое прогнозирование в экономических системах. М.: ЮНИТИ, 2002.
4. Личко К.П. Прогнозирование и планирование аграрно-промышленного комплекса. М.: ГАРДАРИКИ, 1999.
5. Личко К.П., Абельдяев Н.Ф. Прогнозирование урожайности сельскохозяйственных культур (экстраполяционные приемы).М.: ТСХА, 1988.
6. Манелля А.И. Агропромышленный сектор экономики: методы анализа, перспективы развития // Вопросы статистики. 1999. № 4.
7. Уотшем Т.Дж., Паррамоу К. Количественные методы в финансах. М.: ЮНИТИ, 1999.
8. Чернышев С.Л. Моделирование экономических систем и прогнозирование их развития. М.: Изд-во МГТУ им. Н.Э. Баумана, 2003.
9. ШмойловаР.А. Теория статистики. М.: Финансы и статистика, 1998.
10. Эконометрика / Под ред. И.И. Елисеевой. М.: Финансы и статистика, 2005.
11. Яковец Ю.В. Циклически-генетический подход к выбору будущего России // Эволюционный подход и проблемы переходной экономики. Доклады и выступления участников международного симпозиума, г. Пущино, 12-15 сентября, 1994 г. М., 1995.
12. Charnes A., Cooper W.W. and Rhodes E. Measuring of Efficiency ofDecision Making Units //EJOR, 1978, vol. 2.
