CC BY
41
УДК 332.144:330.131.7:351:863
разработка
методологического подхода
к прогнозированию
экономических рисков в обеспечении национальной продовольственной безопасности с учетом цикличности в развитии агропродовольственной системы
И. А. ИВАНОВА,
кандидат экономических наук, доцент кафедры статистики, эконометрики и информационных технологий в управлении E-mail: ivia16@mail.ru
Мордовский государственный университет им. Н. П. Огарёва
В статье проведено исследование устойчивости агропродовольственной системы, базирующееся на изучении пространственно-временных закономерностей цикличности развития сельского хозяйства как основного компонента системы продовольственной безопасности. Для обоснования цикличности процессов в сельском хозяйстве с помощью спектрального анализа построена математическая модель прогнозирования на базе анализа временных рядов урожайности зерновых в Европейской части России за последние 130 лет.
Ключевые слова: продовольственная безопасность, прогнозирование, цикличность, устойчивость, сельское хозяйство, производство.
Многоплановость теоретических и практических исследований национальной продовольственной безопасности предопределяет необходимость разработки новых методических приемов для исследования ее обеспечения в условиях неопределенности и рисков. В связи с этим очевидна потребность прогнозирования экономических рисков в функционировании продовольственной системы.
Исследование устойчивости агропродовольственной системы должно базироваться на изучении пространственно-временных закономерностей цикличности развития сельского хозяйства как основного компонента системы продовольственной безопасности, что особенно актуально для формирования реальной продовольственной стратегии государства в качестве основного элемента его агропродовольственной политики. Именно с учетом условий неопределенности и прогнозирования рисков должен создаваться механизм обеспечения конкурентоспособности отечественной сельскохозяйственной продукции в мировом хозяйстве, принимая также во внимание процессы глобализации, изменения внешней и внутренней социально-экономической среды, усиление конкурентной борьбы и ограниченность ресурсов.
Проблема гармонизации взаимоотношений сельского хозяйства и природной среды постоянно обостряется как в региональном, так и в глобальном масштабе. Именно поэтому необходимо разработать методологические подходы к обоснованию устой- 53
чивого развития территориальных систем сельского хозяйства.
Для этих целей перспективно применение методов моделирования и прогнозирования, которые позволяют отобразить основные структурные и функциональные элементы системы, их взаимосвязи и, следовательно, более глубоко понять механизм функционирования системы.
Изучение длительных тенденций развития экономической конъюнктуры в стране и в мире составляет первооснову информационного обеспечения для принятия стратегических решений на различных уровнях управления производством, в том числе и для разработки и корректировки государственной экономической политики. Все это требует учета эволюционного характера процессов воспроизводства на макроэкономическом и наднациональном уровнях. Именно поэтому в последние десятилетия научное сообщество увлеченно занимается созданием циклической парадигмы развития природы и общества [2].
Обеспечение национальной продовольственной безопасности связано с преодолением влияния негативных факторов, которые обусловливают угрозы и риски: макроэкономические, природные, техногенные, технологические, агроэкологические, социальные, торговые, экономические и политические. В частности, в Доктрине продовольственной безопасности Российской Федерации [1] выделены следующие неблагоприятные факторы, способствующие усилению таких угроз и рисков:
• низкий уровень платежеспособного спроса населения на пищевые продукты;
• недостаточный уровень развития инфраструктуры внутреннего рынка;
• ценовые диспропорции на рынках сельскохозяйственной и рыбной продукции, сырья и продовольствия, с одной стороны, и материально-технических ресурсов - с другой;
• недостаточный уровень инновационной и инвестиционной активности в сфере производства сельскохозяйственной и рыбной продукции, сырья и продовольствия;
• сокращение национальных генетических ресурсов животных и растений;
• дефицит квалифицированных кадров;
• различия в уровне жизни городского и сельского населения;
• искусственные конкурентные преимущества зарубежной продукции, формируемые за счет различных мер государственной поддержки
производства пищевых продуктов в зарубежных странах;
• превышение пороговой величины насыщения внутреннего рынка импортной продукцией;
• моральное и физическое устаревание материально-технической базы АПК.
Процессы цикличности развития сельского хозяйства в отличие от других секторов народного хозяйства имеют ряд существенных особенностей, которые предполагается учесть при построении математических моделей. К их числу относятся:
- существенное влияние на сельское хозяйство природных условий территории и природных циклов (повторяемость засушливых лет, солнечная активность и др.);
- наличие сезонных колебаний в течение года в самом секторе;
относительно высокая инерционность и стабильность;
значительная продолжительность аграрных кризисов и большая длительность возврата в исходное состояние;
значительная зависимость от организационно-производственных изменений (смена систем земледелия, уровень механизации, химизации и мелиорации, диффузия инноваций). В силу этой специфики изучение цикличности сельского хозяйства должно быть основано на теории «длинных волн» (^-циклов) Н. Кондратьева. В настоящей работе объектом исследования является сельское хозяйство Европейской части Российской империи, СССР и современной России. Хронологические рамки исследования - с конца 1880-х гг. (понижательная фаза II А"-цикла), когда появились первые достоверные статистические сведения по сельскому хозяйству, по 2011 г. (понижательная фаза V А"-цикла).
Земледелие можно рассматривать как базу для производства основных продуктов питания людей и определяющее условие для развития животноводства и, следовательно, как основную составляющую продовольственной безопасности государства. Известно, что производство зерна и других продуктов растениеводства определяется посевными площадями и урожайностью. Проведем статистическое исследование урожайности зерновых как основного показателя состояния земледелия в России, построив временной ряд урожайности зерновых в России с 1883 по 2010 г.1.
1 Расчетная часть выполнена в рамках проекта N° 11 -06-00177 «Математическое и компьютерное моделирование экономических циклов в сельском хозяйстве», поддержанного РФФИ.
В статистическом изучении, моделировании и прогнозировании динамики временных рядов большое место занимает вопрос о закономерностях их динамики на протяжении длительного периода времени. На любое изучаемое явление, в том числе и на урожайность зерновых, оказывает влияние значительное количество факторов, действующих с разной силой и в разных направлениях, которые по характеру непосредственного воздействия можно разделить на:
1) факторы, формирующие основную тенденцию динамики временного ряда;
2) факторы, вызывающие циклические и сезонные колебания;
3) случайные факторы.
Фактический уровень временного ряда чаще всего содержит все три компоненты и формируется под воздействием основной тенденции, сезонных (циклических) колебаний и случайной компоненты.
Тенденция динамики урожайности зерновых связана с биологической продуктивностью почв, развитием агротехники, селекции и семеноводства, прикладного почвоведения, с укреплением экономики сельских хозяйств, повышением эффективности организации и управления производством.
Цикличность урожайности вызвана чередованием благоприятных и неблагоприятных погодных условий, циклами солнечной активности и, следовательно, неравномерным (периодичным) развитием болезней растений, размножением насекомых-паразитов и т. д.
Функциональную форму кривой роста, образующей тенденцию развития процесса (модель тренда), можно определить с помощью графического метода, метода конечных разностей, метода наименьших квадратов и т. д. В качестве уравнений кривых роста будем рассматривать следующие функции:
~y = a0 + at ; ~ 2 y = a0 + ait + a2t ;
~ ai .
y = a0 + t '
y = a0 + al lnt;
y=aoa i; У = ao ta
где оценки параметров моделей a0, ai и t определяются методом наименьших квадратов (МНК) [3].
С помощью программы Microsoft Excel определим параметры моделей (табл. 1). В качестве основ-
Таблица 1
Определение параметров уравнений трендов для прогнозирования урожайности зерновых в России
Уравнение кривой роста Коэффициент детерминации
Величина Ранг
y = 3,2155 + 0,1055/ 0,704 2
y = 6,7899 - 0,0594t + 0,0013t2 0,817 i
y = -2,3592 + 3,1926lnt 0,413 5
y = 4,7634e°,01t 0,697 3
y = 2,693t °,313 0,439 4
ного критерия анализа и отбора наилучшей модели тренда временного ряда используется коэффициент детерминации. Чем больше коэффициент детерминации, тем лучше трендовая модель описывает тенденцию временного ряда [3].
Как следует из анализа данных табл. 1, оптимальной для данного прогнозирования (модель тренда) является полиномиальная кривая роста, уравнение которой имеет вид
у = 6,7899 - 0,0594^ + 0,00Ш 2.
График динамики урожайности зерновых в Европейской части России с 1883 по 2010 г. и трендовая полиномиальная кривая представлены на рис. 1.
Парабола 2-го порядка как уравнение тренда применяется к различным процессам, которые на некотором, обычно непродолжительном этапе развития имеют приблизительно постоянное ускорение абсолютного прироста уровней.
Цикличность во временных рядах можно представить как комбинацию трех видов циклов с разными весами:
1) пилообразной цикличностью;
2) больших (долгопериодических) циклов колебаний;
3) случайных циклов.
Долгопериодические циклические колебания
характеризуются наличием многих последовательных отклонений одного знака, сменяющихся затем несколькими отклонениями противоположного знака подряд. Если равенство отдельных циклов существенно нарушается, то говорят о квазициклических колебаниях. Для прогнозирования цикличности необходимо выявить постоянную длину цикла. Одним из методов определения длины цикла является последовательное вычисление коэффициентов автокорреляции отклонений от тренда разных порядков. Длина цикла, таким образом, определяет-
55
26 24 22 20 18 16 14 12 10 8 6 4
Рис. 1. Динамика урожайности зерновых в Европейской части России с 1883 по 2010 г., ц/га
1860
1880
1900
1920
1940
1960
Рис. 2. Диаграмма рассеяния и линия тренда для временного ряда урожайности зерновых в Европейской части России с 1883 по 2010 г., ц/га
ся порядком наибольшего по абсолютной величине коэффициента автокорреляции.
Другим способом обнаружения циклов в динамике процесса является метод Фурье - преобразование периодических функций в ряд тригонометрических уравнений, называемых гармониками. Этот метод подходит для аналитического выражения сезонных (циклических) колебаний, имеющих синусоидальную форму.
Один из методов моделирования временного ряда, содержащего циклические колебания, - пос-
троение модели регрессии с включением фактора времени и фиктивных переменных.
Методом выявления цикличности процесса является также спектральный анализ, цель которого - распознать циклические колебания различной длины в динамике, в том числе сельскохозяйственных процессов. Применяя этот метод, можно попытаться выяснить, действительно ли сельскохозяйственные процессы, в частности урожайность зерновых, имеют циклическую природу.
С помощью программы Statistica был проведен спектральный анализ динамики урожайности зерновых в Европейской части России с 1883 по 2010 г. Для того чтобы к временному ряду можно было применить методы спектрального анализа, его необходимо привести к стационарному виду. В построенном временном ряду прослеживается тенденция роста, которую можно выразить линейной моделью тренда (рис. 2).
Однако прежде чем выявить тенденцию временного ряда, преобразуем его, исключив среднее значение и ярко выраженную линейную тенденцию (рис. 3).
Теперь к преобразованным данным с помощью программы Statistica применим одномерный спектральный анализ Фурье, который в общем смысле определяет корреляцию функций синусов и косинусов различной частоты с наблюдаемыми данными. Если найденная корреляция (коэффициент при определенном синусе или косинусе) велика, то можно
1980
2000
2020
50 60 70 80 Номер наблюдения
Рис. 3. Диаграмма преобразованного временного ряда урожайности зерновых в Европейской части России с 1883 по 2010 г., ед.
заключить, что существует строгая периодичность данных на соответствующей частоте. Для 128 наблюдений получаем пять характерных пиков со следующими значениями (частотой): 383,3 (0,0078); 77,51 (0,0234); 58,73 (0,0156); 33,72 (0,0547); 30,85 (0,06), из которых особенно выделяются три пика с частотами 0,0234, 0,0547 и у
0,06 и максимальный пик -на частоте приблизительно 0,01 (рис. 4, табл. 2).
Проанализируем данные табл. 2, учитывая, что частота -это число циклов в единицу времени (где каждое наблюдение составляет 1 единицу времени). Таким образом, частота 0,023438 соответствует 42 периодам (период -число единиц времени, требующихся на полный цикл). Поскольку исследуемые данные представляют собой годовые наблюдения, можно заключить, что на периодограмме имеются признаки существования 64-летнего и 42-летнего циклов и слабые
колебания 11-12-летних циклов. Известно, что количество и активность солнечных пятен влияют на погоду на Земле, а также на состояние сельского хозяйства, причем активность солнечных пятен имеет ярко выраженную циклическую природу с периодом 11-12 лет [5].
Итак, спектральный анализ урожайности зерновых в России выявил наличие умеренной циклической закономерности с периодами в 64 и 42 года и слабо выраженных циклов в 11-12 лет. Прогноз урожайности зерновых в нашей стране до 2042 г. с учетом полиномиальной возрастающей тенденции и циклической модели Фурье представлен на рис. 5. Таким образом, автором проведен анализ долговременной динамики одного из показателей продовольственной безопасности (урожайности зерновых), включая измерение основной тенденции, а также цикличной и сезонной компонент. Уточнена и дополнена методика выбора типа уравнений тренда,
130
400
350
300
250
200
150
100
50
0,00
0,05
0,10
0,15
0,20
0,25 0,30 Частота
0,35
0,40
0,45
0,50
Рис. 4. Периодограмма для временного ряда урожайности зерновых в Европейской части России с 1883 по 2010 гг., ед.
8
6
4
2
0
2
4
6
8
Таблица 2
Результаты спектрального анализа временного ряда урожайности зерновых в Европейской части России с 1883 по 2010 г.
Номер пика Частота Период Коэффициент косинуса Коэффициент синуса Значение периодограммы V Плотность Хемминг
1 0,007813 128,0000 2,442012 -0,160147 383,3006 201,7325 0,241071
2 0,015625 64,0000 -0,941162 0,178630 58,7325 137,8946 0,446429
3 0,023438 42,6667 0,701295 0,848075 77,5070 66,9036 0,241071
4 0,031250 32,0000 0,081009 -0,500334 16,4414 31,6072 0,035714
5 0,039063 25,6000 0,457807 -0,071347 13,7394 15,2357 -
6 0,046875 21,3333 0,274872 0,006068 4,8379 15,2891 -
7 0,054688 18,2857 0,190417 -0,700402 33,7166 24,1557 -
8 0,062500 16,0000 -0,500813 -0,480872 30,8513 22,5791 -
9 0,070313 14,2222 0,032982 -0,054643 0,2607 12,2237 -
10 0,078125 12,8000 -0,075454 0,433453 12,3888 10,0791 -
11 0,085938 11,6364 -0,287719 -0,356198 13,4182 10,1270 -
12 0,093750 10,6667 0,255249 -0,005208 4,1715 6,6602 -
13 0,101563 9,8462 -0,242734 -0,014689 3,7847 4,6042 -
14 0,109375 9,1429 0,117978 0,277927 5,8344 4,0630 -
25,0
20,0 -
15,0
10,0 -
5,0 -
0,0
I ■ •
г • { •
^ ^ -
• •• * Л
У /
4 4л.--Л.:-А':
' \ \у
111111111111111111111111111111111111111111111111111111111111111111111111111II111111111111 ■ 11111111111111111111111■ 11111111111111111111111111111111111 ■ 1111111111
ооооо100^^о<|гпго>э-'3-и->10101^г~.ооо101001-нг\|г\|гогг) 00000001010101010101010101(710101010101010000000
Рис. 5. Прогноз урожайности зерновых в Европейской части России до 2042 г с учетом полиномиальной возрастающей тенденции и циклической модели Фурье, ц/га
оценки надежности статистических характеристик динамики и анализа цикличности в развитии агропродовольственной системы. При этом дана оценка различных методов выявления тренда как необходимого этапа для получения «чистой» сезонной волны, апробирован метод гармонического анализа для выявления дополнительных циклов, определения факторов колебаний и построена модель прогнозирования урожайности зерновых в России до 2042 г. с учетом полиномиальной возрастающей тенденции и циклической модели Фурье.
Математическое моделирование сельскохозяйственных экономических систем Европейской
58 -
части России для выявления пространственно-временнь1х закономерностей их циклического развития (с использованием теории «длинных волн» Н. Кондратьева) позволяет дать научное обоснование оптимальных вариантов аграрной политики государства.
Природные, демографические и экономические факторы развития сельского хозяйства образуют единое социально-экономическое сельское пространство. В настоящее время их распределение осталось тем же, что и в советское время, что говорит о существовании устойчивых пространственных закономерностей организации сельской местности и сельского хозяйства в России. При этом несколько изменился характер приспособления аграрного сектора к природным и социально-экономическим факторам.
В целом за последние 20 лет организация и география сельского хозяйства в России определенным образом изменились, что выразилось: 1) в развитии многоукладности сельской экономики, появлении крупных агрохолдингов и фермерских хозяйств;
2) в усилении территориального разделения труда и сдвиге сельского хозяйства в районы с более благоприятными агроклиматическими условиями, изменении специализации сельского хозяйства;
3) в повышении концентрации и усилении поляризации сельского хозяйства.
В связи с этим можно сделать вывод, что экономическое состояние агропромышленного сектора в новых условиях постепенно приходит в соответствие с природными предпосылками и социально-демографическими ресурсами [4].
В результате поляризации пространства и модернизации производства посевные площади в России продолжают сокращаться, хотя и меньшими темпами. В свою очередь, рост урожайности зерновых зависит не столько от распахиваемых площадей и от количества работников, занятых в сельском хозяйстве, а от продуктивности земли и производительности труда. При поляризации предприятий и фермерских хозяйств в нашей стране происходит отбор реальных производителей. Важно, чтобы государственная политика в области сельского хо-
зяйства учитывала объективные процессы развития аграрного сектора и его природную и социальную дифференциацию, а также разные типы развития сельской местности в России.
Список литературы
1. Доктрина продовольственной безопасности Российской Федерации: утверждена Указом Президента РФ от 30.01.2010 № 120.
2. Зинина Л. И., Иванова И. А. Практические аспекты моделирования циклического развития экономических процессов // Мат-лы VII Межд. научно-практич. конференции «Новити на научния прогрес». Т. 1. Икономики. София: ООД «БялГРАД-БГ», 2011.
3. Иванова И. А., Коротаевский А. Г. Корреляционный и регрессионный анализ в экономических исследованиях. Саранск: Изд-во «СВМО», 2006.
4. Нефедова Т. Новейшая история сельского хозяйства и пищевой промышленности. URL: http:// www.ru-90.ru/node/970.
5. Спектральный (Фурье) анализ. URL: http://www. statsoft. ru/home/portal/applications/ ForecastingAdvisor/Methods/Fur 'e/fur 'e. htm.
ИЗДАТЕЛЬСКИЕ УСЛУГИ
Издательский дом «ФИНАНСЫ и КРЕДИТ» выпускает специализированные финансово-экономические и бухгалтерские журналы, а также оказывает услуги по изданию монографий, деловой и учебной литературы.
Тел.: (495) 989-9610 e-mail: post@fin-izdat.ru
