Научный журнал
Фундаментальные исследования
ISSN 1812-7339
"Перечень" ВАК
ИФ РИНЦ = 1,674

АНАЛИЗ ДИНАМИКИ ПОКАЗАТЕЛЕЙ ПРОИЗВОДСТВА, СЕБЕСТОИМОСТИ И РЕАЛИЗАЦИИ ПРОДУКЦИИ ЖИВОТНОВОДСТВА ПО МАТЕРИАЛАМ ОТЧЕТНОСТИ МИНСЕЛЬХОЗПРОДА РЕСПУБЛИКИ ДАГЕСТАН ЗА 2005–2015 ГГ.

Баммаева Г.А. 1
1 ФГБОУ ВПО «Дагестанский государственный университет»
Агропромышленный комплекс (АПК) представляет собой совокупность отраслей, объединенных единой целью доведения до конечного потребителя продуктов питания и товаров из сельскохозяйственного сырья. Под сельским хозяйством подразумевают особую сферу материального производства и крупную отрасль, которая наряду с другими отраслями входит в состав национального хозяйства, т.е. экономики и занимает особое место в системе АПК, и его успешное развитие зависит от межотраслевых связей в этой системе. Под сельским хозяйством подразумевают особую сферу материального производства и крупную отрасль, которая наряду с другими отраслями входит в состав национального хозяйства, т.е. экономики, и занимает особое место в системе АПК, и его успешное развитие зависит от межотраслевых связей в этой системе. Основной целью данного исследования является выявление и оценка взаимозависимостей между показателями производства, себестоимости и реализации продукции животноводства на основе сводных данных за 2005-2015 гг. Минсельхозпрода РД по форме годовой отчетности № 13-АПК.
агропромышленный комплекс
анализ
сельское хозяйство
прогноз
1. Адамадзиев К.Р., Адамадзиева А.К. Компьютерное моделирование в экономике: учебное пособие. – Махачкала: Издательско-полиграфический центр ДГУ, 2014. – 211 с.
2. Адамадзиев К.Р., Ахмедов С.А., Шихмагомедова А.М. Модельно программный комплекс для анализа численности работников и оплаты их труда в аграрном секторе экономики (на примере РД); URL: http://www.scienceforum.ru/2013/255/4755.
3. Газизулин Р. Компьютеры в сельском хозяйстве; URL: http://www.agroru.com/blog/gazik-blok-2/8960.php.
4. Информатизация сельского хозяйства; URL: http://www.agrokapital.ru/sobytiya/informatizatsiya-selskogo-hozyaystva.html.
5. Прогнозирование и ориентирование в сельском хозяйстве; URL: http://www.mybntu.com/economy/plan/prognozirovanie-i-orientirovanie-v-selskom-xozyajstve.html.

В Республике Дагестан сельское хозяйство – ведущая отрасль экономики. При этом свыше половины аграрного производства приходится на животноводство. Животноводство является важной отраслью как по части занятости населения, так и в его продовольственном обеспечении, особенно в хозяйствах горной и предгорной зон. Однако потенциал развития экономики АПК, по мнению ученых и специалистов, реализуется весьма неудовлетворительно. Причин такого положения много. К ним можно отнести высокие инвестиционные риски, связанные с неблагополучной обстановкой в республике, недопустимо высокий уровень безработицы, низкая конкурентоспособность экономики республики в целом и сельского хозяйства в частности, низкий уровень развития производственной и социальной инфраструктуры сельского хозяйства и низкий, по сравнению с другими сферами экономики, образовательный уровень сельского хозяйства, острая нехватка специалистов в силу непрестижности профессий, ориентированных на аграрный сектор, самая низкая среди сфер экономики заработная плата и вызванный этим отток сельской молодежи в город [1, 2, 4].

Анализ (с др. греч. – разложение, расчленение) – это метод исследования, позволяющий изучить анализируемый объект. Экономическое прогнозирование – это получение информации о состоянии экономических показателей анализируемого объекта посредством применения системы методов, расчетов. Для анализа динамики показателей были рассчитаны показатели базисного и цепного темпов роста. В табл. 1–3 представлены такие показатели крупного рогатого скота молочного направления, как среднегодовое поголовье, общее количество затрат и материальные затраты, а также темпы роста к базисному (2005 г.) и предыдущему году за 2005–2015 гг.

Как видно из данных таблиц, среднегодовое поголовье крупного рогатого скота в целом за рассматриваемый период имеет тенденции к снижению, но в 2011 г. наблюдается скачек на 19,5 %, что на 4025 тыс. голов больше чем в 2010 г. В 2012 г. поголовье возросло на четверть, по сравнению с 2011 г., а в 2014 г. наблюдается скачок поголовья, почти в два раза (на 63,3 %) по сравнению с 2013 г.. Величина материальных затрат, аналогично общему количеству затрат, имеет тенденцию к росту, но так же, как и по общему количеству затрат, в 2013 г., здесь наблюдается спад на 2,4 % по сравнению с 2012 г., в 2014 г., также резкий скачок на 83,5 % по сравнению с предыдущим годом, а в 2015 г. по сравнению с 2014 г. особой разницы не наблюдается.

Что касается изменения этих показателей по отношению к базисному (2005) году, то здесь можно отметить, что среднегодовое поголовье скота уменьшается, а материальные затраты и общее количество затрат при этом возрастают, что говорит о не очень эффективном использовании ресурсов. То есть если в 2005 г. этот показатель составлял 25443 тыс. голов, то в 2015 г. он составил 47560 тыс. голов. Материальные затраты и общее количество затрат возросло на 58,98 % и 44,20 % соответственно по сравнению с базисным годом, то есть на 374512 тыс. руб. и на 715986 тыс. руб. соответственно. Колебания этих показателей наглядно отображены на рис. 1.

Таблица 1

Величины среднегодового поголовья скота, материальных и всех затрат по основному стаду крупного рогатого скота молочного направления (по данным МСХиПрод. РД за 2005–2015 гг.)

 

2005

2006

2007

2008

2009

2010

2011

2012

2013

2014

2015

Среднегодовое поголовье, голов

25443

23139

21853

21095

21232

20671

24696

30988

29450

48086

47560

Затраты – всего, тыс. руб.

17181

17355

18763

22131

25881

301567

37005

53184

52569

88779

93114

Материальные затраты, тыс. руб.

70707

73633

78144

87612

10104

117581

15594

24858

24265

44521

48773

Таблица 2

Темпы роста к предыдущему году среднегодового поголовья скота, общего количества затрат и материальных затрат

 

2005

2006

2007

2008

2009

2010

2011

2012

2013

2014

2015

Среднегодовое поголовье, голов

 

90,9

94,4

96,5

100,6

97,4

119,5

125,5

95,0

163,3

98,9

Затраты – всего, тыс. руб.

 

101,0

108,1

117,9

116,9

116,5

122,7

143,7

98,8

168,9

104,9

Материальные затраты, тыс. руб.

 

104,1

106,1

112,1

115,3

116,4

132,6

159,4

97,6

183,5

109,5

Таблица 3

Темпы роста к базисному (2005) году среднегодового поголовья скота, общего количества затрат и материальных затрат

 

2005

2006

2007

2008

2009

2010

2011

2012

2013

2014

2015

Среднегодовое поголовье, голов

100

90,6

85,9

82,9

83,4

81,2

97,1

121,8

115,7

189,0

186,9

Затраты – всего, тыс. руб.

100

101

109

128,8

150,6

175,5

215,4

309,6

306,0

516,7

542,0

Материальные затраты, тыс. руб.

100

104

110

123,9

142,9

166,3

220,5

351,6

343,2

629,7

689,8

Источник: составлена автором.

bam1.wmf

Рис. 1. График базисных темпов роста основных показателей КРС

Таким образом, можно сделать вывод, что лучшие результаты по всем трем показателям были в 2015 г. и составили: среднегодовое поголовье – 47560 тыс. голов, затраты – всего – 931146 тыс. руб., материальные затраты – 487734 тыс. руб.

По данным структуры затрат на ключевые виды продукции животноводства за 2005–2015 гг. видно, что основная доля затрат приходится на корма, наибольший удельный вес затрат на корма был в 2015 г., а именно составил 56,72 % от общего количества затрат. Также удельные веса оплаты труда по овцеводству и козоводству в среднем превышают удельные веса оплаты труда по основному стаду КРС молочного направления на всем рассматриваемом периоде, что говорит о том, что в сектор овцеводства направлено больше трудовых ресурсов.

Диаграммы структуры затрат по животноводству всего за 2010 и 2015 гг. по основным видам затрат представлены на рис. 2 а и б соответственно.

Как видно из представленных диаграмм, структура затрат в 2010 и 2015 гг. отличается. А именно, в 2010 году доля затрат на корма собственного производства превышает долю этих же затрат в 2015 г. на 16,78 %, но при этом доля затрат на общее количество кормов в 2015 г. возросла на 15,53 %, что говорит о том, что в 2015 г. шла активная закупка готовых кормов. Также, по сравнению с 2010 г., в 2015 г. затраты на оплату труда сократились на 9,21 %, что говорит о не очень удовлетворительной структуре затрат, так как оплата труда является одним из самых важных видов затрат, а в 2015 г. на долю этих затрат пришлось всего лишь 12,09 %. Для выявления тенденций могут быть применены различные методы, модели и методики. Наиболее распространенными методами выявления тенденций являются [1]:

– классический метод, предусматривающий расчет темпов роста и прироста;

– графический метод, предусматривающий построение различных видов графиков и диаграмм;

– эконометрический, предусматривающий построение уравнений временных рядов и рядов динамики, расчет и анализ их параметров и характеристик.

Одним из наиболее распространенных способов моделирования тенденции временного ряда является построение аналитической функции, характеризующей зависимость уровней ряда от времени или тренда [2]. Выбор наилучшего уравнения можно осуществить путем перебора основных форм тренда по статистическим характеристикам, проанализировав наиболее важные из характеристик, которыми являются коэффициенты корреляции и детерминации, F-критерий Фишера и средняя ошибка аппроксимации. Реализация этого метода относительно проста при компьютерной обработке [5].

Коэффициенты корреляции и детерминации позволяют оценить степень тесноты связи между экономическими показателями, принятыми в качестве зависимой (у) и независимой (х) переменных. Величина коэффициента корреляции варьирует от 0 до 1. Чем ближе коэффициент к 1, тем связь считается теснее. Соответственно коэффициент корреляции близкий к нулю говорит об отсутствии связи между показателями [1].

bam2a.wmf

а)

bam2b.wmf

б)

Рис. 2. Структура затрат на производство продукции животноводства в 2010 (а) и 2015 (б) гг., %

Таблица 4

Величины параметров и статистических характеристик уравнений временных рядов для среднегодового поголовья крупного рогатого скота по данным МСХиПрод РД за 2005–2015 гг.

   

линейн.

гиперб.

степен.

показ.

парабол.

Параметры

b

16535,9

28933,2

20127,4

18705,8

32246,4

m

1841,7

– 7743,1

0,1636

1,0600

– 6013,5

Коэффициент регрессии m1

m1

       

714,1

Стандарт. ошибка для параметра b

seb

4472,4

4034,2

0,0803

0,1383

3814,9

Стандарт. ошибка для параметра m

sem

720,8

10247,6

0,1112

0,0223

1593,3

Стандарт. ошибка для параметра m 1

sem1

       

141,2

Стандартная ошибка для y

sey

6547,0

8523,9

4704,7

4592,2

3243,6

Коэффициент детерминации

r2

0,4494

0,07

0,2129

0,4603

0,8817

Число степеней свободы

df

8

8

8

8

7

F-критерий Фишера

F

6,5

0,6

2,2

6,8

26,1

Остаточная сумма квадратов

Ssresid

3,429E + 08

5,812E + 08

0,0902

0,3280

7,365E + 07

Регрессионная сумма квадратов

Ssreg

2,798E + 08

4,148E + 07

0,0244

0,2798

5,491E + 08

Средняя ошибка аппроксимации

А, %

16,92

20,48

18,09

17,98

12,16

Коэффициент корреляции

R

0,6703

0,2581

0,4614

0,6785

0,9390

Источник: составлена автором.

bam3.wmf

Рис. 3. График, отображающий уровни ряда и линию тренда

Таблица 5

Величины параметров и статистических характеристик уравнений рядов динамики, выражающих зависимость затрат на производство продукции животноводства по данным МСХиПрод РД за 2005–2015 гг.

   

линейн.

гиперб.

степен.

показ.

парабол.

Свободный член

b

– 316960,9

1303754,3

0,00454

72249,9

– 480437,3

Коэффициент регрессии

m

25,5

– 235967383,3

1,7768

1,0001

36,2

Коэффициент регрессии m1

m1

       

– 0,00016

Стандарт. ошибка для параметра b

seb

99206,0

162460,9

1,8692

0,3766

506516,2

Стандарт. ошибка для параметра m

sem

3,6

3989993326,0

0,4236

0,000014

32,6

Стандарт. ошибка для параметра m 1

sem1

       

0,000457

Стандартная ошибка для y

sey

89024,9

104393,3

102152,4

106552,9

94440,1

Коэффициент детерминации

r2

0,8646

0,81

0,6874

0,6727

0,8667

Число степеней свободы

df

8

8

8

8

7

F-критерий Фишера

F

51,1

35,0

17,6

16,4

22,8

Остаточная сумма квадратов

Ssresid

6,340E + 10

8,718E + 10

0,1646

0,9136

6,243E + 10

Регрессионная сумма квадратов

Ssreg

4,049E + 11

3,812E + 11

0,3620

1,8782

4,059E + 11

Средняя ошибка аппроксимации

А, %

16,92

20,48

36,76

36,08

26,02

Коэффициент корреляции

R

0,6703

0,2581

0,8291

0,8202

0,9310

Источник: составлена автором.

Средняя ошибка аппроксимации – это среднее отклонение расчетных значений от фактических. Допустимый предел значений средней ошибки аппроксимации не более 10–15 % [2].

F-критерий Фишера необходим для оценки качества построенного уравнения. При этом уравнение считается приемлемым, если рассчитанное значение F-критерия выше табличного (табличные значения F-критерия приводятся в учебниках по статистике и эконометрике [3]).

Выявим наилучшее уравнение тренда и определим величины параметров и статистических характеристик уравнений временных рядов для среднегодового поголовья крупного рогатого скота. Результаты расчетов представлены в табл. 4.

Как видно из табл. 4, у линейной, гиперболической, степенной и показательной регрессии ошибка аппроксимации превышает допустимые значения и равна 16,9 %, 20,5 %, 18,1 %, 17,9 % соответственно. Это говорит о том, что расчетные значения уравнений значительно отклоняются от фактических. Также у гиперболической и степенной регрессии низкий коэффициент корреляции (0,26 и 0,46 соответственно), что говорит об очень слабой и почти случайной связи между показателями. Расчетное значение F-критерия для параболической регрессии, как видно из табл. 4, равно 26,1, а значит, данные уравнения в целом являются статистически значимыми и адекватно описывают изучаемое явление. Параболическое уравнение принимает следующий вид: Yt = 32246,4 – 6013,5t + 714,1t2.

График, отображающий фактические уровни ряда и полиномиальную линию тренда, представлен на рис. 3.

Для дальнейшего исследования необходимо рассчитать статистические характеристики и построить на их основе уравнения рядов динамики. За зависимый показатель Y принимаем затраты, за независимый показатель Х – среднегодовое поголовье скота. Производя необходимые расчеты по исходным данным, получаем данные, отраженные в табл. 5.

Проведя аналогичный анализ, из табл. 5 можно сделать вывод, что все уравнения регрессии являются статистически незначимыми, так как их ошибки аппроксимации достаточно превышают допустимые значения, хотя расчетные значения F-критерия Фишера и превышают табличное значение (5,32, для количества степеней свободы равное 8 и вероятности 0,05). Но так как у линейной регрессии ошибка аппроксимации ниже, чем у других уравнений, и незначительно превышает допустимую норму (16,9 %), а также коэффициент корреляции равен 0,67 (что говорит о «хорошей» связи между показателями), то можно сказать, что данное уравнение в целом адекватно описывает изучаемое явление. Линейное уравнение принимает следующий вид: Уt = – 316960,9 + 25,5*Хt.

Выводы

1. Для принятия обоснованных управленческих решений региональными органами управления агропромышленным комплексом, требуется проведение анализа динамики социально-экономических показателей. В рамках данного исследования нами использованы статистические методы (средних и относительных величин, обработки рядов динамики, индексный, корреляционный анализ) анализа социально-экономических показателей производства продукции животноводства, а также методы построения и анализа моделей временных рядов и рядов динамики.

2. Нами проанализированы показатели среднегодового поголовья, суммарных и материальных затрат на содержание основного стада крупного рогатого скота молочного направления. Выявлено, что среднегодовое поголовье скота имеет тенденции к снижению при росте суммарных затрат. Резкое снижение по всем трем показателям (среднегодовое поголовье, суммарные и материальные затраты) наблюдается в 2013 г. по сравнению с 2012 г. Но в 2014 и 2015 гг. имеет место резкий скачок по этим показателям.

3. Для выявления более приемлемого вида уравнения тренда нами определены и проанализированы величины параметров и статистических характеристик различных уравнений временных рядов (пяти видов) для среднегодового поголовья крупного рогатого скота. Наиболее приемлемым, с нашей точки зрения, является параболический вид тренда, что подтверждается рядом статистических характеристик, в частности значение скорректированного коэффициента корреляции является наиболее высоким, а также средняя ошибка аппроксимации находится в допустимых пределах.

4. Проанализировав величины параметров и статистических характеристик уравнений рядов динамики, мы пришли к выводу, что ни один из видов тренда не оказался статистически значимым, так как средняя ошибка аппроксимации у всех уравнений выходила за допустимые пределы. Но так как у линейной регрессии, по сравнению с другими, ошибка аппроксимации наименьшая и незначительно превышает допустимые нормы, то можно считать, что она наиболее адекватно описывает изучаемое явление.


Библиографическая ссылка

Баммаева Г.А. АНАЛИЗ ДИНАМИКИ ПОКАЗАТЕЛЕЙ ПРОИЗВОДСТВА, СЕБЕСТОИМОСТИ И РЕАЛИЗАЦИИ ПРОДУКЦИИ ЖИВОТНОВОДСТВА ПО МАТЕРИАЛАМ ОТЧЕТНОСТИ МИНСЕЛЬХОЗПРОДА РЕСПУБЛИКИ ДАГЕСТАН ЗА 2005–2015 ГГ. // Фундаментальные исследования. – 2016. – № 11-1. – С. 117-122;
URL: https://fundamental-research.ru/ru/article/view?id=40938 (дата обращения: 29.03.2024).

Предлагаем вашему вниманию журналы, издающиеся в издательстве «Академия Естествознания»
(Высокий импакт-фактор РИНЦ, тематика журналов охватывает все научные направления)

«Фундаментальные исследования» список ВАК ИФ РИНЦ = 1,674