Scientific journal

Fundamental research

ISSN 1812-7339

"Перечень" ВАК

ИФ РИНЦ = 1,674

Сельское хозяйство – отрасль, на долю которой приходится более одной трети валового регионального продукта Республики Дагестан. Ключевым показателем развития сельского хозяйства является валовая продукция, производимая в отрасли.

По данным Дагстата, объем валовой продукции сельского хозяйства в 2012 г. составил 64871,8 млн руб., в том числе продукции растениеводства – 27036,3 млн руб. (41,7 %), животноводства – 37859,7 млн руб. (58,3 %).

Основными видами сельскохозяйственной продукции являются зерно, овощи, плоды, виноград, мясо и молоко.

В 2012 г. в республике произведено 156,5 тыс. т зерна, что на 36 % меньше, чем в 2011 г. Ведущими производителями зерна являются хозяйства Кизлярского и Хасавюртовского районов, на долю которых приходилось в 2012 г. 46 % его объема.

Овощей в республике было произведено 1062,6 тыс. т (на 6,9 % больше, чем в 2011 г.), в т.ч. более 50 % в двух районах: Левашинском и Дербентском.

Из остальных видов продукции следует привести объемы производства плодов и ягод (120,5 тыс. т); винограда (59,5 тыс. т); грубых кормов (1253,5 тыс. т).

Целью настоящего исследования является прогнозирование показателей производства основных видов продукции сельского хозяйства в Республике Дагестан, используя в качестве исходных данных величины этих показателей за 2000–2012 гг.

Прогнозирование экономическое – научное предвидение направлений развития экономики, отдельных ее элементов в будущем или поиск оптимальных способов достижения поставленных целей.

Правильный выбор метода определяет качество прогноза.

Методика прогнозирования в данном исследовании основывается на одновременном использовании комплекса методов: трендового, адаптивного, корреляционно-регрессионного и имитационного моделирования. Это позволит получить достоверные и многовариантные результаты.

Прогнозы, полученные с помощью приведенных методов, во многих литературных источниках называют соответственно инерционным, интенсивным, реалистическим и инновационным вариантами или сценариями развития [3, 4, 5].

На первом этапе исследования строятся трендовые модели валовой продукции сельского хозяйства, на втором – прогноз валовой продукции рассчитывается на основе корреляционно-регрессионного анализа в сочетании с трендовым моделированием, на третьем – рассчитываются прогнозные варианты развития сельского хозяйства.

Прогнозирование на основе трендовых моделей основано на предположении сохранения сложившейся тенденции развития сельского хозяйства республики на 2000–2012 гг. (табл. 1) на прогнозный период.

Таблица 1

Валовая продукция сельского хозяйства РД (в фактически действующих ценах, млн руб.)

Т.е. прогнозы строятся на экстраполировании неизвестных уровней динамического ряда, лежащих за его пределами, путем продления прошлого тренда. Поэтому этот вариант называют инерционным.

Рассчитаем прогнозные значения валовой продукции сельского хозяйства исходя из предположения, что тенденция ряда может быть описана: линейной, параболической, степенной и показательной моделью. Математические записи полученных моделей таковы:

y = 1466,64 + 474,3t; y = 9491,7·1,2t;

y = 7228,7 + 1929,5t + 181,8t2;

y = 7079,5t0,8,

где y – валовая продукция сельского хозяйства, млн. руб., а t – параметр времени (). Результаты представлены в табл. 2.

Таблица 2

Прогнозные значения валовой продукции сельского хозяйства РД по данным за 2000–2012 гг. по различным трендовым моделям, млн руб.

Прогноз, полученный по линейной модели, соответствует сложившейся тенденции изменения валовой продукции сельского хозяйства РД за 2000–2012 годы. В среднем этот показатель за последние 13 лет увеличивался на 4722,8 млн руб. Прогноз, рассчитанный с помощью степенной модели, является, с нашей точки зрения, пессимистическим. Согласно параболической модели валовая продукция сельского хозяйства в 2013–2017 гг. в среднем может увеличиваться на 7747 млн руб., а показательной модели – на 17797 млн руб. Хотя последний прогноз наиболее оптимистичен, но наименее вероятен.

При анализе тенденции развития также целесообразно сглаживать исходный временной ряд с применением адаптивных моделей прогнозирования, которые позволяют строить самокорректирующиеся (самонастраивающиеся) модели, способные оперативно реагировать на изменение условий путем учета результата прогноза, сделанного на предыдущем шаге, и отражать различную информационную ценность уровней ряда [1, 6, 7].

Сглаживание временного ряда для валовой продукции сельского хозяйства за 2000–2012 гг. в настоящем исследовании проведено с помощью экспоненциального и простого скользящего средних. В первом случае требуется выбрать параметр сглаживания 0 < a < 1. Чем он ближе к 1, тем больший вес придается последним уровням ряда, низкое его значение свидетельствует о предпочтении предшествующих наблюдений. Во втором случае следует выбрать длину интервала сглаживания. Она предполагается нечетной для простоты определения центрального значения каждого участка. При этом чем шире интервал сглаживания, тем в большей степени поглощаются колебания, и тенденция развития носит более плавный, сглаженный характер. Но в то же время выбор более широкого интервала предполагает потерю большего числа уровней временного ряда. В нашем случае выбрана трехчленная скользящая средняя, поскольку исходный ряд не имеет резких колебаний. Результаты прогнозирования на основе адаптивных методов также представлены в табл. 2.

Согласно табл. 2 для 3-летней скользящей средней и модели, полученной с помощью экспоненциального сглаживания, средние абсолютные приросты значений исследуемого показателя на прогнозируемом интервале почти совпадают (4373 и 4071 млн руб. соответственно). При этом для прогнозов, полученных на основе 3-летней скользящей средней справедливы те же замечания, что и для прогнозов по степенной модели.

Реалистичный сценарий рассчитывается на основе корреляционно-регрессионного анализа в сочетании с трендовым моделированием.

Корреляционно-регрессионный метод позволяет учитывать в прогнозных расчетах влияние различных факторов. В процессе исследования нами отобраны следующие факторы: урожайности основных видов продукции растениеводства республики (зерна, овощей, плодов, винограда и т.д.), а также основные показатели продуктивности продукции животноводства (выход телят на 100 коров, средний надой молока на одну корову). Прогнозные значения для перечисленных показателей, полученные с помощью линейного тренда по данным Дагстата за 2007–2012 гг., представлены в табл. 3.

Таблица 3

Прогнозные значения выхода телят на 100 коров и урожайности основных видов продукции сельского хозяйства РД по данным за 2007–2012 гг. на основе линейного тренда

Согласно табл. 3 имеет место снижение урожайности зерна за прогнозируемый период (2013–2017 гг.). Хотя прогноз на 2013 год меньше среднего за 2007–2012 гг. значения урожайности зерна, он больше фактического значения, достигнутого в 2012 году – 18,5 ц/га.

Прогнозы урожайности винограда также ниже среднего значения за 2007–2012 гг. Наибольшей урожайности винограда за исследуемый период удалось достигнуть в 2011 году, она составила 78,2 ц/га. В следующем 2012 году – лишь 35,9 ц/га.

Прогнозы надоев на одну корову на 2013–2017 гг. выше средних за 2007–2012 гг. При этом в среднем за период прогнозирования надой на 1 корову должен увеличиваться на 200,3 кг ежегодно.

Корреляционный анализ зависимости валовой продукции сельского хозяйства РД за 2007–2012 гг. от выбранных нами показателей показал сильную корреляцию урожайности овощей с урожайностью плодов и обоими показателями продуктивности животноводства. Коэффициенты корреляции между ними колеблются от 0,90 до 0,98. Не коррелированы с остальными факторами урожайность зерна и винограда. В результате среди мультиколлинеарных факторов выбран надой молока на 1 корову. Тогда построена следующая регрессионная модель:

y = 18201,7 + 61,8x1 – 214,8x2 + 25,2x3; D = 0,98,

где y – валовая продукция сельского хозяйства, млн руб., x1, x2 – урожайность зерна и винограда соответственно, ц/га; x3 – надой молока на 1 корову, кг; D – коэффициент детерминации.

Теперь можно рассчитать прогнозные значения результативного показателя по регрессионной модели используя прогнозные значения факторов из табл. 3.

Итак, прогноз валовой продукции сельского хозяйства республики по регрессионной модели на 2013–2017 гг. представлен в табл. 4 (второй столбец).

Таблица 4

Прогноз валовой продукции сельского хозяйства РД по различным методам, млн. руб.

По сравнению с прогнозами, представленными в табл. 2, прогнозы по регрессионной модели выглядят более реалистично. Действительно, в 2012 году фактическое значение валовой продукции составило 64871,8 млн руб. Прогнозы на следующий 2013 год согласно табл. 2 либо необоснованно высокие, либо неприемлемо низкие.

Инновационный сценарий основан на применении имитационного моделирования на основе полученной в уравнении регрессии с учетом ожидаемых изменений экономических условий.

В данном исследовании необходимо рассчитать скорректированные показатели потенциально возможных урожайностей зерна и винограда, а также надоя на 1 корову, а затем уже спрогнозировать по регрессионной модели исследуемый результативный показатель.

Для обеспечения динамического и эффективного развития сельского хозяйства, пищевой и перерабатывающей промышленности в республике Дагестан в 2012 году разработана программа «Развитие сельского хозяйства и регулирования рынков сельскохозяйственной продукции, сырья и продовольствия на 2013–2020 годы». В соответствии с Программой ежегодное увеличение производства продукции сельского хозяйства в хозяйствах всех категорий прогнозируется в среднем на 4,1 процента, в том числе продукции растениеводства – на 3,3 процента, продукции животноводства – на 4,9 процента. Например, объем производства винограда планируется довести до 223 тыс. т, а обеспечение закладки виноградников за весь период реализации программы планируется на площади 19,1 тыс. га.

Используя прогнозируемые на 2013–2017 гг. урожайность зерна или винограда или надой на 1 корову в соответствии с республиканской Программой, можно определить прогнозы результативного показателя на основе полученной регрессионной модели. Скорректируем в модели, например, показатель урожайности винограда. Результаты представлены в табл. 4 (третий столбец).

Как и ожидалось, прогнозы валовой продукции сельского хозяйства РД по инновационному варианту превышают реалистический вариант.

Таким образом, описанные в данном исследовании этапы создания прогнозных вариантов представляет собой систему экономико-математических моделей, связанных между собой исходя из логики исследования. Поэтому можно сказать, что реализация предложенного алгоритма прогнозирования позволяет выбрать траектории наиболее эффективного экономического развития регионального аграрного сектора.

Шейхов М.А., д.э.н., профессор кафедры «Статистика и анализ», ФГБОУ ВПО «Дагестанский государственный аграрный университет имени М.М. Джамбулатова», г. Махачкала;

Алиев М.А., д.э.н., профессор кафедры экономической теории, ФГБОУ ВПО «Дагестанский государственный педагогический университет», г. Махачкала.

Работа поступила в редакцию 26.02.2014.