CC BY
15
Азарян Г.А.
ст. преподаватель кафедры «Экономики и бухгалтерского учета» Московского государственного университета приборостроения и информатики, филиал г. Ставрополь
чтоб масло весело швырчало
степень влияния факторов
предпринимательской среды
на эффективность производства
подсолнечника в Ставропольском крае
Многофакторное прогнозирование является одной из сложных проблем теории и практики экономического анализа хозяйственной деятельности сельскохозяйственных предприятий. Это объясняется тем, что на показатели эффективности функционирования сельскохозяйственного производства оказывает влияние ряд как объективных, так и субъективных факторов.
Для выявления степени влияния объективных и субъективных факторов на результативный показатель деятельности сельскохозяйственных организаций целесообразно использовать метод многомерных группировок, в частности, приемы кластерного анализа. Их особенность заключается в использовании, так называемого, политетического подхода, то есть принципа образования групп, когда при отнесении объекта в ту или иную группу (кластер) они все учитываются сразу. При формировании матрицы исходных данных в качестве объектов исследования взяты районы Ставропольского края, каждый из которых характеризуется значениями 32 показателей исходной
факторной системы. Затем была произведена многомерная группировка с помощью метода k-сред-них районов Ставропольского края в разрезе 3 групп (кластеров). По результатам группировки выяснилось, что в I кластер вошло 5 районов, во II кластер - 13 районов, в III кластер - 8 районов Ставропольского края. В результате пошаговой процедуры отбора наиболее значимых факторных переменных, в большей степени влияющих на изменение уровня производства подсолнечника в I кластере было получено следующее уравнение множественной регрессии: У = -13813.3 +12974.7х10 + 42.38х,, -
■648,71х13-131,2х17 -55,74x24 , М)
где Y - валовое производство подсолнечника в крае, тонн; Хю - внесено минеральных удобрений под все сельскохозяйственные культуры в расчете на 1га удобренной площади, ц; Х11 - внесено органических удобрений под все культуры, тыс. тонн; Х13 - степень износа основных фондов крупных и средних предприятий сельского хозяйства, %; Х17 - уровень рентабельности (убыточности) зерновых культур с учетом дотаций и компенсаций, %; Х24 - производственная себестоимость 1 центнера подсолнечника, руб.
Разработанная модель позволяет на 68,7% объяснить изменение объемов валового производства подсолнечника сельскохозяйственными предприятиями данной группы, отобранными из исходной системы показателей факторными переменными.
На первом месте по величине порционного коэффициента детерминации находится фактор Хц (внесение органических удобрений), изменение которого на 22,6% (из 68,7% общей объясненной вариации) объясняет вариацию результативного признака. Величина полученного коэффициента регрессии при этой переменной свидетельствует о том, что увеличение внесения органических удобрений на 1 тыс. тонн приводит к увеличению валового производства подсолнечника в данной группе районов края на 42,4 тонн. На втором месте переменная Х13 - степень износа основных фондов сельскохозяйственных предприятий (порционный коэффициент детерминации для него 14,4%), в
соответствии со значением коэффициента регрессии увеличение степени износа на 1% приводит к снижению производства подсолнечника на 648,7 тонн. На третьем месте - уровень рентабельности зерновых культур (Х17), увеличение, которого на 1% приводит к снижению валового сбора подсолнечника в среднем по группе районов на 131,2 тонны. Объясненная вариация результативного признака модели посредством данного фактора составила 12,1%.
Далее соответственно располагаются факторы внесения минеральных удобрений (Х^) и производственная себестоимость одного центнера подсолнечника (Х24), порционные коэффициенты детерминации для которых равны соответственно 10,6 и 9%. Как и для первой модели, процедура отбора факторов для второго кластера была осуществлена в 27 этапов. Однако полученный набор переменных несколько отличался от соответствующего набора для первого кластера. Это наглядно
в качестве объектов исследования взяты районы Ставропольского края, каждый из которых характеризуется
значениями 32 показателей
по результатам группировки выяснилось, что в I кластер вошло 5 районов, во II кластер -13 районов, в III кластер - 8 районов Ставропольского края
видно из уравнения множественной регрессии, представленного в общем виде:
Y = 25095,6 + 46,79х5 + 288,91х9 -- 411,06х13 - 92,7417 - 28,46х24 , (2)
где X5 - наличие зерноуборочные комбайны - всего, шт.; X9 - внесено минеральных удобрений под все сельскохозяйственные культуры, тыс. ц;
Как и в модели для первой группы районов в синтезированном уравнении были отобраны факторы X13, X17 и X24, свидетельствующие о том, что в настоящее время уровень производства подсолнечника в крае, прежде всего, определяется износом основных производственных фондов. А также экономической целесообразностью возделывания тех или иных культур. Прежде всего уровнем затрат и их доходностью.
Нами был отобран показатель, характеризующий внесение минеральных удобрений, с той разницей, что для первой группы районов он был взят в расчете на 1 га
удобренной площади, а для второй группы районов - их общее внесение.
В модели (2) отсутствует фактор внесения органических удобрений, но зато присутствует переменная X5, характеризующая наличие зерноуборочных комбайнов. При анализе порционного влияния отобранных факторных показателей модели в общей объясненной вариации (65,4%) уровня производства подсолнечника в районах второй группы можно отметить, что в наибольшей степени изменение результативного признака зависит от изменения факторной переменной X9 (внесения минеральных удобрений) - на 45,6%. На втором месте по уровню влияния на Y находится переменная X13 (степень износа основных фондов сельскохозяйственных предприятий) - на 11,2%. Степень влияния остальных факторных переменных (X5, X17, X24) модели значительно скромнее, в совокупности они лишь на 8,6% объясняют изменение результативного показателя. Пошаговая процедура отбора факторных переменных модели для третьей группы районов (III-го кластера) была осуществлена с помощью программы для обработки статистической информации SPSS в 28 этапов, в результате чего было получено уравнение множественной регрессии следующего вида:
Y = 4129,68 - 22,73х5 + 391,21х9 +
+ 21,54х18 + 1975,94Х27 , (3)
где X18 - уровень рентабельности (убыточности) подсолнечника с учетом дотаций и компенсаций, %;
Рис. 1. Валовое производство подсолнечника в Ставропольском крае и прогноз на 2008-2010 гг., т
Х27 - соотношение производственной себестоимости 1 ц сахарной свеклы к средней по краю. В полученной регрессионной модели на первом месте по величине порционного коэффициента детерминации находится фактор Х9 (внесение минеральных удобрений) изменение которого на 24,4% (из 59,7% общей объясненной вариации) объясняет вариацию уровня производства подсолнечника в данной группе районов. На втором месте находится фактор Х5 (наличие зерноуборочных комбайнов) - на 15,5%; на третьем месте переменная Х27 (соотношение производственной себестоимости 1 ц сахарной свеклы к средней по краю) - на 11,9%; и на четвертом месте - показатель Х18 (уровень рентабельности подсолнечника) - на 5,9%. На основании вычисленных прогнозных значений показателей был определен прогнозный объем
валового производства подсолнечника по каждому из районов края путем их подстановки в полученную модель множественной регрессии. Обобщенные результаты прогнозирования приведены на рис. 1. Согласно прогнозным расчетам в Ставропольском крае при сохранении рыночной конъюнктуры и отсутствии внешних факторов, кардинально влияющих на рынок подсолнечника и продукции его переработки следует ожидать дальнейшего повышения предпри-
как и для первого, так и для второго кластера, процедура отбора факторов была осуществлена в 27 этапов
нимательской активности в производстве данной продукции. Это позволит повысить региональные показатели конкурентоспособности в каждой из групп исследованных районов, снизить себестоимость производства подсолнечника и, как следствие, снизить оптовые и розничные цены продукции перерабатывающих предприятий. Кроме того, поскольку и технология производства подсолнечника, и технология его переработки отвечают национальным стандартам качества, не ниже требований западных стандартов, но более привычным для основной массы отечественных потребителей, это позволит достичь повышения экономических результатов в данной отрасли производства сельскохозяйственной продукции.
пошаговая процедура отбора факторных переменных модели для третьей группы районов была осуществлена с помощью программы для обработки статистической информации SPSS в 28 этапов
и технология производства подсолнечника, и технология его переработки отвечают
национальным стандартам качества, не ниже требований западныхстандартов
Литература
1. Айвазян, С.А. Классификация многомерных наблюдений / С.А. Айвазян, З.И. Беляева, О.В. Староверов. - М.: Статистика, 1974.
2. Багриновский, К.А. Экономико-математические методы и модели (микроэкономика) / К.А. Багриновский. - М.: Издательство Российского университета дружбы народов, 1999.
3. Гладилин, А.В. Эконометрика / А.В. Гладилин, А.Н. Герасимов, Е.И. Громов. - М.: КНОРУС, 2006.
4. Цымбаленко, Т.Т. Методы математической статистики в обработке экономической информации / Т.Т. Цымбаленко, А.Н. Байдаков, О.С. Цымбаленко, А.В. Гладилин. - М.: Финансы и статистика; Ставрополь: АГРУС, 2007.
5. Weihrich, H. The TOWS Matrix - A Tool for Situational Analysis, In Long Range Planning / H.Weihrich. - Vol. 15, N. 2, April 1982, Pergamon Press Ltd.
