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.
Рис. 1. Схема исследования динамики показателей сельского хозяйства региона на основе моделей временных рядов и рядов динамики
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.
Таблица 1
Средние значения объемов реализации зерновых культур (ц), количество внесенных удобрений на 1 га посева сельскохозяйственных культур (кг) в сельскохозяйственных организациях РД за 2012–2017 гг.
Годы |
Средние значения объемов реализации зерновых культур |
Внесено удобрений на 1 га |
||
1-ая группа |
2-ая группа |
3-ая группа |
||
2012 |
929,5 |
2246,6 |
12027,9 |
9,5 |
2013 |
1111,9 |
3903,1 |
21057,0 |
9,8 |
2014 |
967,3 |
2516,9 |
25807,6 |
8,9 |
2015 |
2621,1 |
10776,3 |
67954,3 |
17,0 |
2016 |
2836,9 |
12939,7 |
72507,0 |
10,7 |
2017 |
3347,7 |
13788,8 |
70425,4 |
11,3 |
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.
Таблица 2
Модели временных рядов и рядов динамики зависимости средних объемов производства сельскохозяйственной продукции от некоторых показателей сельского хозяйства и их коэффициенты детерминации, полученные по данным административных районов РД за 2012–2017 гг.
Группы адм. районов по уровню производства |
Модели временных рядов |
Модели рядов динамики |
|||
Мат. запись |
R2 |
Мат. запись |
R2 |
||
зерно |
1-ая |
|
0,87 |
|
0,40 |
2-ая |
|
0,85 |
|
0,38 |
|
3-я |
|
0,86 |
|
0,47 |
|
3(а) |
|
0,94 |
|
0,35 |
|
молоко |
1-ая |
|
0,46 |
|
0,76 |
2-ая |
|
0,36 |
|
0,81 |
|
3-я |
|
0,49 |
|
0,85 |
|
3(а) |
|
0,85 |
|
0,57 |
|
мясо |
1-ая |
|
0,30 |
|
0,46 |
2-ая |
|
0,32 |
|
0,73 |
|
3-я |
|
0,36 |
|
0,68 |
|
3(а) |
|
0,73 |
|
0,80 |
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.
Рис. 2. Графики зависимости средних объемов производства сельскохозяйственной продукции от фактора времени в различных группах
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.
Таблица 3
Прогнозные значения средних объемов производства некоторых видов сельскохозяйственной продукции по данным административных районов РД за 2012–2017 гг., полученные по различным моделям, ц
Группы адм. районов по уровню производства |
По моделям временных рядов |
По моделям рядов динамики |
|||
2018 |
2019 |
2018 |
2019 |
||
зерно |
1-ая |
3861,1 |
4401,6 |
2362,8 |
2475,3 |
2-ая |
17003,2 |
19662,7 |
9598,8 |
10142,6 |
|
3-я |
93811,6 |
107768,3 |
56456,5 |
59740,3 |
|
3(а) |
92704,3 |
108368,9 |
49315,3 |
50558,8 |
|
молоко |
1-ая |
2966,5 |
3251,0 |
3038,9 |
3344,1 |
2-ая |
14909,8 |
16170,8 |
16560,0 |
18292,4 |
|
3-я |
61228,2 |
66357,2 |
62379,5 |
67837,6 |
|
3(а) |
58605,3 |
63348,2 |
58146,2 |
63323,0 |
|
мясо |
1-ая |
539,5 |
580,9 |
615,9 |
679,1 |
2-ая |
3958,1 |
4364,7 |
4270,9 |
4766,9 |
|
3-я |
23921,6 |
26410,7 |
24966,0 |
27753,4 |
|
3(а) |
23367,5 |
25843,0 |
24787,1 |
28113,0 |
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.
Рис. 3. Графики зависимости средних объемов производства зерновых культур в 3-й группе от фактора времени фактически и прогнозных значений, полученных по различным моделям, ц
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
Группы адм. районов по уровню производства |
2018 |
2019 |
1-ая |
3143,7 |
3404,7 |
2-ая |
13563,8 |
14868,0 |
3-я |
68752,2 |
74038,7 |
3(а) |
71829,9 |
77929,0 |
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.
Рис. 4. Динамика изменения объемов производства зерновых культур в группах административных районов РД фактически и прогнозных значений на 2018 и 2019 гг., ц
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.
Библиографическая ссылка
Касимова Т.М. ИССЛЕДОВАНИЕ И ПРОГНОЗИРОВАНИЕ ДИНАМИКИ ПОКАЗАТЕЛЕЙ СЕЛЬСКОГО ХОЗЯЙСТВА РЕГИОНА НА ОСНОВЕ МОДЕЛЕЙ ВРЕМЕННЫХ РЯДОВ И РЯДОВ ДИНАМИКИ // Фундаментальные исследования. – 2018. – № 12-1. – С. 113-118;URL: https://fundamental-research.ru/ru/article/view?id=42361 (дата обращения: 16.08.2024).