Scientific journal

Fundamental research

ISSN 1812-7339

"Перечень" ВАК

ИФ РИНЦ = 1,674

Конкурентоспособность продукции сельского хозяйства на рынках продовольствия главным образом определяется качеством применяемого инструментария поддержки принятия управленческих решений, который должен основываться на широком и грамотном использовании методов экономико-математического моделирования в анализе и прогнозировании.

Цель исследования: анализ и прогнозирование динамики показателей сельского хозяйства региона на основе моделей временных рядов и рядов динамики.

На рис. 1 представлена общая схема исследования.

Материалы и методы исследования

Муниципальная статистика РД представляет собой панельные данные в разрезе административных районов за 2012–2017 гг. [1]. Из них выбраны объемы производства некоторых видов сельскохозяйственной продукции. Они в свою очередь сгруппированы отдельно по каждому году. Средние значения по группам и составили уровни временных рядов.

С другой стороны выбраны некоторые показатели сельского хозяйства РД по данным регионов РФ за 2012–2017 гг. [2]. Это позволит построить модели рядов динамики и получить некоторые варианты прогнозов.

Исследование и прогнозирование динамики показателей сельского хозяйства региона осуществляется на основе эконометрических моделей временных рядов и рядов динамики. Кроме того, в исследовании использован метод статистических группировок при разбиении административных районов региона по уровню производства различных видов сельскохозяйственной продукции.

Результаты исследования и их обсуждение

Возвращаясь к этапу группировки (рис. 1), необходимо заметить, что применение классического метода статистических группировок приводит к некоторым затруднениям.

А именно, согласно формуле Стерджесса исходную совокупность наблюдений необходимо разбить на 6 групп. Но такое разбиение оказалось некорректным, так как диапазоны значений выбранных показателей – величины интервала – широкие. Например, объем производства зерновых культур в 2012 г. меняется в диапазоне от 203 ц (Курахский административный район) до 27,3 тыс. ц (Каякентский административный район). Тогда интервал группировки составил 4,5 тыс. ц, вследствие чего первая группа составила 19 районов, вторая – 4, третья и шестая – по 2, четвертая – 1, пятая – 0. Выявление связей и зависимостей между показателями возможно только в первой группе, но проводить анализ по данным районов с уровнем производства значительно ниже, чем среднее значение (по всем наблюдениям соответствующего года), не представляется целесообразным.

Значение группировочного признака внутри совокупности изменяется неравномерно, поэтому примем неравный интервал группировки [3]. Исходная совокупность разделяется на три группы одинаково во всем периоде: с низким, средним и высоким уровнем производства сельскохозяйственной продукции по видам.

Например, по объему производства зерновых культур:

– в 2012 г. первая группа включает районы с уровнем производства от 203 ц до 1,2 тыс. ц; вторая – от 1,3 до 3,7 тыс. ц; третья – от 4,6 до 27,3 тыс. ц;

– в 2017 г. первая группа включает районы с уровнем производства от 1,6 до 5,2 тыс. ц; вторая – от 6,6 до 20,7 тыс. ц; третья – от 21,1 до 241,7 тыс. ц (Кизлярский административный район).

Лидером по производству зерновых культур в 2012–2014 гг. был Каякентский, а в 2015–2017 гг. – Кизлярский административный район. Причем у последнего в 2012 г. этот показатель составил 13,8 тыс. ц, а в 2017 г. – 241,7 тыс. ц, что больше в 17,5 раз.

Временные ряды средних значений показателя в группах представлены в табл. 1.

Аналогично получены средние значения объемов реализации и других видов сельскохозяйственной продукции. Показатель в последнем столбце табл. 1 представлен по данным о социально-экономических показателях регионов РФ.

Приняв в качестве результативного показателя объемы реализации сельскохозяйственной продукции, получены модели временных рядов и рядов динамики в отдельных группах. Последние представлены в табл. 2.

В табл. 2 – объемы производства некоторых видов сельскохозяйственной продукции в различных группах, – количество внесенных удобрений на 1 га посева сельскохозяйственных культур (кг), – расход кормов в расчете на одну условную голову КРС (центнеров кормовых единиц), R2 – индекс детерминации.

Прежде чем рассчитать прогнозные значения результативных признаков, обратим внимание на группу 3(а), по данным которой также построены модели.

Если визуализировать значения средних в группах, то получим графики, представленные на рис. 2.

Согласно графикам, во-первых, мы видим разницу показателей в группах по объемам выпуска, а во-вторых, необходимость выравнивания графиков третьей группы. Выравнивание уровней ряда в этой группе проведено с помощью скользящей средней [4]. Вследствие чего появилась группа 3а, по выравненным данным которой построены модели и рассчитаны прогнозы. Прогнозные значения представлены в табл. 3.

На следующем рис. 3 представлены графики зависимости средних объемов производства зерновых культур в 3-й группе от времени фактически и прогнозных значений, полученных по различным моделям.

Нижние кривые отражают значения, полученные по выровненным данным с помощью скользящего среднего (группа 3(а)). Здесь отсутствует первый уровень ряда. Интервал сглаживания равен двум. Разветвления графиков отражают прогнозные значения по различным моделям. Они разнонаправлены. Согласно моделям временных рядов в 2018, 2019 гг. ожидается увеличение среднего значения объема производства зерновых культур в административных районах РД, а по моделям рядов динамики – снижение. Известно, что модели рядов динамики позволяют учитывать в прогнозах влияние показателей-факторов. В настоящем исследовании модели однофакторные, а на результативный признак оказывают влияние и другие существенные показатели.

Кроме того, показатель количества внесенных удобрений на 1 га имеет «аномальный» уровень ряда за 2015 г. (табл. 1). Во временном ряде нельзя исключать подобные значения, как в пространственных данных. Поэтому заменим его на среднее значение между двумя соседними уровнями ряда. Результаты перерасчета параметров, индекса детерминации моделей рядов динамики и соответствующих вариантов прогнозов во всех группах представлены ниже.

(0,5)

(0,5)

(0,3)

(0,6),

где – объемы производства зерна в различных группах, – количество внесенных удобрений на 1 га посева сельскохозяйственных культур. В скобках указаны индексы детерминации моделей рядов динамики. Сравнивая их с соответствующими значениями, полученными для моделей в табл. 1, видно, что показатель увеличился во всех группах, кроме 3-й. В последней всего лишь 30 % вариации результативного показателя зависит от количества внесённых удобрений на 1 га посева [5]. Тогда целесообразнее для третьей группы использовать модель, построенную по выровненным данным (3(а)).

В табл. 4 представлены прогнозные значения, полученные по последним моделям.

Таблица 4

Прогнозные значения средних объемов производства зерновых культур по данным административных районов РД за 2012–2017 гг., полученные по моделям рядов динамики, ц

Прогнозные значения в табл. 4 значительно выше аналогичных, представленных в табл. 3 по всем группам административных районов.

На рис. 4 представлены графики изменения показателя «объем производства зерновых культур» в разных группах административных районов.

На рис. 4 прогнозные значения выделены черным цветом. Прогнозные значения в 3-й группе более точны в 3(а), так как показатели качества соответствующей модели получены более высокие, чем для группы 3. Согласно рис. 4 ожидается рост производства зерновых в республике в 2018, 2019 гг.

Заключение

Таким образом, в настоящем исследовании сопоставлены данные статистики различных уровней (регионального и муниципального). Группировка административных районов республики Дагестан по уровню производства различных видов сельскохозяйственной продукции, а также выравнивание уровней временных рядов в группах, в которых это требовалось, увеличили качество построенных эконометрических моделей, а соответственно, вариантов прогнозов. Прогнозы объемов производства сельскохозяйственной продукции на основе моделей временных рядов дополнены вариантами по моделям рядов динамики.