CC BY
81
Контроль за целевым и эффективным использованием средств областного бюджета, предоставляемых на реализацию модели, будет осуществлять Министерство сельского хозяйства и продовольствия Самарской области.
Основываясь все на том же Федеральном Законе, следует отметить и тот факт, что прогнозирование развития сельскохозяйственных территорий будет зависеть также от взаимо-
действия между уровнями участников модели рис. 2.
При условии полного охвата всех хозяйств региона и при полной законченности и неразрывности связи между участниками будет получена система постоянного оперативного мониторинга сельских территорий, позволяющая принимать управленческие решения, приводящие к росту основных показателей.
ПРОГНОЗИРОВАНИЕ УРОЖАИНОСТИ ЗЕРНОВЫХ КУЛЬТУР КАК ФАКТОРА ПРОДОВОЛЬСТВЕННОЙ БЕЗОПАСНОСТИ РОССИИ
Р.П. Кутенков, д.э.н., гл. науч. сотр. Института аграрных проблем РАН
Известно, что наличие надежных прогнозов урожайности сельскохозяйственных культур способствует расширению возможностей оценки и обоснования путей повышения продовольственной безопасности России. В частности, результаты прогнозов могут использоваться при решении задач, связанных с оптимизацией развития растениеводческой и животноводческой отраслей, формированием резервных фондов и переходящих запасов зерна, обоснованием бюджета и программ социально-экономического развития России. В данной работе содержится краткий анализ основных подходов к решению проблемы среднесрочного (13 года) прогнозирования урожайности зерновых культур с применением статистических методов и предлагается авторская методика прогнозирования, основанная на аппроксимации динамических рядов урожайности с использованием методов регрессионного анализа.
Как показывает анализ публикаций, наиболее высокая точность среднесрочных прогнозов урожайности зерновых культур в России достигается с использованием технологии «ЗОНТ», которая основана на оригинальной методике анализа природно-климатических условий на специально подобранных для исследуемого региона индуцирующих территориях земной поверхности в предшествующие годы и обеспечивает оправдываемость прогнозов до 90% с заблоговременностью свыше 9 месяцев до оприходования урожая [1, 2]. Информационная поддержка технологии «ЗОНТ» весьма трудоемка и дорогостояща. В силу серьезных финансовых трудностей последних лет потенциальные возможности технологии и результаты прогнозов практически не доступны для безвозмездного использования другими исследовательскими учреждениями.
Как следствие, в настоящее время разработано и разрабатывается значительное количество упрощенных систем прогнозирования,
адаптированных к доступной информации (см., например, [3, 4]). Разработчики подобных систем исходят из очевидной предпосылки, что урожайность в конкретный год на конкретной территории определяется тремя группами факторов: природные, экономико-технологические и организационно-хозяйственные. Последующий отбор факторов, осуществляемый с учетом их значимости и информационной доступности, связан с серьезными методолого-методи-ческими трудностями, поскольку воздействие многих факторов на урожайность взаимосвязано и взаимообусловлено.
В частности, проф. А.В. Алабушевым установлено [5], что при использовании интенсивных технологий влияние климатического фактора на урожайность зерновых культур будет составлять не более 7%. Среди других факторов урожайности роль системы удобрений и защиты растений оценивается в 25%, роль оптимизации технико-технологических процессов в 23%, внедрения новых сортов - 16,1%, увеличения посевных площадей - 12,9%, оптимизации структуры посевных площадей - 6%, рационализации системы семеноводства и повышения качества зерна - по 5%. По другой оценке проф. А.В. Алабушева фактическая нестабильность производства зерна в России по годам в зависимости от климатических факторов остается на уровне 70%, тогда как в Западной Европе около 20%. Еще более радикальные выводы получены д.э.н. И.А. Романенко, установившей по результатам корреляционно-регрессионного анализа статистическую незначимость связей урожайности зерновых культур в среднем по России с факторами, определяющими технико-технологический уровень растениеводства [6, с. 51]. Отмеченное обстоятельство, по-видимому, связано также с тем, что в исследуемый И.А. Романенко период (1996-2000 гг.) технико-технологический уровень сельскохозяйственного производства практически не менялся.
Таким образом, с учетом сложившегося невысокого агротехнического фона и низкой инновационности отечественного растениеводства, роль климатического фактора в прогнозировании урожайности остается весьма существенной. В то же время использование климатических параметров в качестве предикторов затруднено в силу сложности их прогнозирования на среднесрочный период. Как следствие, основным источником информации для построения прогнозов являются динамические ряды урожайности для конкретного региона и России в целом, а инструментарий анализа основывается на статистических методах аппроксимации временных рядов.
Предлагаемые в данной работе подходы учитывают особенности динамического ряда средних по России урожайностей зерновых культур. В качестве исходных данных для построения прогностических моделей использован динамический ряд значений средней по России урожайности зерновых культур в расчете на гектар посевной площади с 1953 по 2010 г. [7]. Исследуемый ряд представлен на рис. 1, на котором также изображены регрессионная кривая
урожайность, ц/га 24,0
22,0
20,0
18,0
16,0
14,0
12,0
10,0
8,0
(Д), описывающая тренд урожайности, и линии 10-процентных отклонений фактической урожайности от тренда (0,9 Д, 1,1 Д).
Из рис. 1 видно, что в рассматриваемый период урожайность имела тенденцию к росту. На эту тенденцию накладываются «пиковые» и «провальные» годы со значительным отклонением урожайности от тренда (кривой усредненного роста). По сравнению с началом наблюдений, в последнее время (примерно с середины 90-х гг.) подобные экстремальные годы отмечаются чаще, и динамика урожайности характеризуются увеличением амплитуды колебаний. В частности, в течение первых 10 лет наблюдений все фактические значения урожайности были близки к расчетным, отклоняясь от них не более чем на 10% (входили в «среднюю» группу на рис. 1). В то же время из тринадцати последних лет лишь для двух была отмечена средняя урожайность (2000 и 2003 гг.), для трех - ниже средней и для восьми выше средней. При этом два года были «пиковыми», два «провальными» (фактическая урожайность соответственно выше или ниже расчетной на 15% и более).
6,0
1953 1956 1959 1962 1965 1968 1971 1974 1977 1980 1983 1986 1989 1992 1995 1998 2001 2004 2007 2010
год
Рис. 1. Урожайность зерновых культур в среднем гк> России в 1953-2010 гг, ее тренд и линии 10 %-ных отклонений от тренда —°-урожайность фактическая, ц/га —*-тренд, УЛ (1) -----0,9ул —х—1,1ул
Темпы роста урожайности постепенно снижаются. Это подтверждает известное положение о том, что массовые технологии производства зерна, применяемые в России, и сортовая база не обеспечивают существенного роста урожайности и подлежат замене более совершенными. Об этом же свидетельствует увеличивающийся разброс урожайности в пиковые и провальные годы. Иными словами, наблюдается усиление влияния на урожайность природных факторов, которое не может компенсироваться за счет производственных ресурсов и технологий.
Для оценки тренда урожайности с учетом снижения темпов ее роста использовались функции насыщения. Вид функции и значения
ее коэффициентов определялись с использованием метода наименьших квадратов по критерию максимизации коэффициента детерминации. Адекватная аппроксимация представлена степенной функцией (1):
у = 6,234 • г
0,238
Я2 = 0,63, (1)
где € - предсказанное значение урожайности в году г , г - порядковый номер года, начиная с 1953 (г =1). Аналогичным способом построены модели динамики урожайности в благоприятные годы (У€(+)), для которых фактическая
урожайность превышает рассчитанную по (1) на 10 и более процентов (т.е. находится выше
разделяющей линии 1,1 Д на рис. 1), а также для неблагоприятных (Д (-)) и средних (Д (-)) лет (фактическая урожайность соответственно ниже линии 0,9 Д или заключена между введенными границами):
У (+) = 7,161 • Г0'247, Я2 = 0,94, (2)
у (0) = 6,464 • Г0'229 , Я2 = 0,91, (3) У (-) = 5,377 • г0205, Я2 = 0,69. (4)
Коэффициенты детерминации (Я2) моделей (1-4) статистически значимы при доверительной вероятности 0,95, при этом их значения для моделей (2-4) выше, чем для модели (1), следовательно, последние модели по выбранному критерию более точные.
Уравнения (1-4) могут использоваться в качестве инструментария для построения сценарных прогнозов урожайности зерновых культур в среднем по России. В частности, прогнозные значения урожайности в 2020 г. при сложившейся системе возделывания зерновых культур составят, в соответствии с верхним трендом (2), 20,3 ц. с гектара посевных площадей. Это значительно ниже, чем предусмотрено Концепцией долгосрочного социально-экономического развития России: 26-28 ц/га убранных площадей [8, с. 144] или примерно 24,426,3 ц/га в расчете на посевные площади. Таким образом, достижение предусмотренных нормативов маловероятно без инновационных преобразований в растениеводческой отрасли.
Из рис. 1 видно, что погрешность прогноза по модели (1) не превышает 10% от предсказанного значения примерно лишь для половины наблюдений. Уточнение было достигнуто с учетом автокорреляции остатков, то есть разностей между фактическими (у) и рассчитываемыми (по модели (1) значениями урожайности: = уг — . С помощью соответствующего анализа была установлена статистическая значимость коэффициентов автокорреляции остатков с лагами 9, 8 и 10 (с доверительной вероятностью 0,95 и 0,9 соответственно), и на этой основе построена уточненная модель
у = 6,234 • г °'238 — 0,058 — 0,503ег — 0,267е,—8 — 0,292е,—,0,
(5)
для которой остаточная дисперсия меньше на 10 %, чем для модели (1).
По результатам проведенного анализа могут быть сделаны следующие обобщения. Динамика урожайности зерновых культур в Рос-
сии характеризуется снижением темпов роста и усилением зависимости от погодных условий. Нестабильность урожайности по годам в зависимости от климатических факторов остается на уровне 70%, и это дает основание оценить проблему среднесрочного прогнозирования урожайности как не менее сложную в сопоставлении с неразрешенной до настоящего времени проблемой долгосрочного прогнозирования погодных условий.
С использованием предложенного в данной работе авторского подхода построены трендовые модели урожайности зерновых культур в РФ для неблагоприятных, средних и благоприятных погодных условий, а также авторегрессионные уточнения, учитывающие, наряду с трендом, изменения урожайности в годы, предшествующие прогнозным.
Полученные на основе трендовых моделей прогнозы урожайности могут интерпретироваться как пессимистический, средний и оптимистический сценарии и использоваться в задачах обоснования путей экономического развития сельского хозяйства в целях повышения уровня продовольственной безопасности России.
Источники
1. Загайтов И.Б., Яновский Л.П. Об оценке экономической эффективности прогнозов в сельском хозяйстве // Проблемы прогнозирования. - 2003.
- № 1. - С. 148-153.
2. Яновский Л.П. Принципы, методология и научное обоснование прогнозов по технологии «ЗОНТ». - Воронеж, 2000. - 138 с.
3. Бабков Г. А., Баков Н.Х., Хоружий В.И. Анализ и обоснование урожайности культур в предпринимательских структурах аграрного сектора региона // Управление экономическими системами. Электронный научный журнал. - 2009. -№ 4(20). - [Электронный ресурс]. - Режим доступа: http://uecs.mcnip.ru.
4. Личко К.П., Шумская Е.В. Прогноз урожайности зерновых культур как основа прогнозирования объемов сельскохозяйственного производства// Проблемы прогнозирования. - 2007. - № 3. -С. 60-67.
5. Алабушев А.В. Зерновое хозяйство России: состояние, проблемы и перспективы // Зерновое хозяйство России. - 2009. - № 1. - С. 2-7.
6. Романенко И.А. Теоретические основы анализа национальных агропродовольственных систем с применением методов математического моделирования. / Науч. тр . ВИАПИ им. А. А. Никонова .
- Вып. 14. - М., 2006. - 113 с.
7. Рассчитано к.э.н. Ю.П. Бондаренко по материалам статистических ежегодников Росстата и монографии: Трубицын Ю.И., Потапов А.П. Ресурсный потенциал зернового хозяйства России: состояние, тенденции, и условия развития. - Саратов: ИАгП РАН, - 2006. - 115 с.
8. Концепция долгосрочного социально-экономического развития Российской Федерации на период до 2020 года (утверждена распоряжени-
ем Правительства Российской Федерации от 17 ноября 2008 г. № 1662-р).
ДИФФЕРЕНЦИАЦИЯ ГОСУДАРСТВЕННОЙ ФИНАНСОВОЙ ПОДДЕРЖКИ СЕЛЬСКОХОЗЯЙСТВЕННЫХ ТОВАРОПРОИЗВОДИТЕЛЕЙ В ЗАВИСИМОСТИ ОТ ПОЧВЕННО-КЛИМАТИЧЕСКИХ УСЛОВИЙ
А.И. Фирсов, д.с.-х.н, рук. сектора, Л.Ю. Ададимова , к.э.н, рук. сектора, Ю.Г. Полулях, д.э.н., ведущий науч. сотр. Поволжского НИИ экономики и организации АПК
В последние годы в Российской Федерации произошли заметные улучшения государственной поддержки сельскохозяйственных товаропроизводителей. Увеличены объемы и расширен перечень направлений бюджетных субсидий. Введена дифференциация государственных средств, распределяемых между субъектами РФ, в зависимости от уровня их бюджетной обеспеченности. Но пока эта мера не распространена на региональный (межрайонный) уровень. Кроме того, требует решения еще одна очень важная проблема, связанная с необходимостью учета различий почвенно-климатических условий сельскохозяйственного производства, причем как в масштабах страны, так и в рамках отдельных регионов. В частности, на территории Саратовской области выделены две крупные природно-экономи-ческие зоны, а в них - семь существенно различающихся между собой микрозон, что вполне очевидно требует дифференцированного подхода к предоставлению субсидий.
Исследования, проведенные в Поволжском НИИ экономики и организации АПК, показали, что наиболее сильные корреляционные связи с экономическими показателями сельскохозяйственного производства, а, следовательно, и с потребностями в субсидиях, имеют повторяемость типа сухой погоды, представляющая климат, и кадастровая стоимость 1 га сельхозугодий, характеризующая плодородие почв и, отчасти, потенциальные результаты
хозяйственной деятельности. Поэтому два этих показателя приняты в качестве критериев для разработки коэффициентов, корректирующих общие нормативы предоставления господдержки. В связи с этим все сельские муниципальные районы области проранжированы по возрастанию показателя повторяемости сухого типа погоды и разделены на пять групп. В свою очередь, районы в каждой группе проранжиро-ваны по убыванию кадастровой стоимости (внутри группы) и разделены на три подгруппы. Для районов каждой из 15 подгрупп установлен корректирующий коэффициент в пределах от 0,4 до 1,8 в порядке возрастания.
Присвоенный тому или иному району корректирующий коэффициент означает, что при расчете размера субсидий для хозяйств данного района единый областной норматив должен быть уменьшен, если коэффициент меньше единицы (от 0,4 до 0,9), или увеличен, если он больше единицы (от 1,1 до 1,8). В табл. 1 демонстрируется схема разработки корректирующих коэффициентов, но районы пересортированы и размещены в алфавитном порядке.
Механизм установления коэффициентов можно показать на примере двух районов, рядом расположенных в списке, но полярно противоположенных по природным условиям сельскохозяйственного производства, - Александрово-Гайского и Аркадакского. Первый район находится в наиболее засушливой Юго-Восточной микрозоне, на самом юге области (рис. 1).
Таблица 1- Рекомендуемые коэффициенты корректировки нормативов расчета субсидий
№ по Муниципальные Повто- Индекс Кадастро- Индекс Группы по Подгруппа по када- Коэф-
спи- районы ряемость повтор-ти вая стои- кадастр повторяемости стровой стоимости фици-
ску типов типов сухой мость сель- стоим. по типов погоды ент
сухой пог. по хозугодий, отноше- № диапазон, № диапазон коррек-
погоды, % отношению к среднеоб-ласт., ед. руб/га нию к среденоб-ласт, ед. % кадастровой стоимости, % тировки норматива, ед.
1 2 2а 3 3а 4 5 6 7 8
1 Александрово-
Гайский 59 1,61 1131 0,07 V свыше 55 5.3 менее 0,5 1,8
2 Аркадакский 18 0,49 28245 1,75 I до 25 1.2 от 1 до 0,80 0,5
3 Аткарский 20 0,55 20135 1,25 I до 25 1.3 менее 0,8 0,6
4 Базарно- 28 0,76 19094 1,19 II 26-35 2.1 свыше 1,0 0,7
