Прогнозирование развития сельского хозяйства с учетом ограничений ВТО

 

3.1 Прогнозный сценарий динамического развития 
                 сельского хозяйства Пензенской области

 

Благодаря комплексным и своевременным  мерам господдержки в 2011 году в агропромышленном комплексе области обеспечена позитивная динамика развития сельского хозяйства практически по всем направлениям.

Объем валовой продукции в хозяйствах всех категорий составит 56,1 млрд. рублей, индекс производства продукции сельского хозяйства – 151,3 % к уровню прошлого года. Начиная с 2000 года, темпы роста производства продукции сельского хозяйства в Пензенской области превышают среднее значение по Российской Федерации.

Рисунок 10 – Динамика производства продукции растениеводства 
в Пензенской области

В растениеводстве осваиваются  интенсивные технологии, базирующиеся на новом поколении тракторов и сельскохозяйственных машин, уве

 

личении внесения минеральных удобрений, переходе на посев перспективными высокоурожайными сортами и гибридами.

В 2011 году в хозяйствах всех категорий  произведено 957,6 тыс. тонн зерна в  первоначально-оприходованном весе (включая  кукурузу на зерно), урожайность зерновых и зернобобовых культур – 17,5 ц/га.

Получены высокие урожаи сахарной свеклы 1,9 млн. тонн (в 2,1 раза больше уровня 2009 года) при урожайности 335 ц/га, подсолнечника  – 200,0 тыс. тонн (в 3 раза больше уровня 2009 года), картофеля – более 600,0 тыс. тонн (в 1,3 раза больше уровня 2009 года), овощей (включая овощи закрытого грунта) – около 160,0 тыс. тонн (в 1,1 раза больше уровня 2009 года).

Анализ и статистическое описание динамики какого-либо существенного колеблющегося показателя начинается с выявления формы его тренда. После этого приступают к статистической оценке параметров тренда.

В соответствии с определением тренда, форма его объективна и отражает закономерности развития изучаемого процесса. Задача исследователя заключается в выявлении реально существующей формы тренда, а затем уже в выборе того уравнения (типа линии), которое наилучшим образом аппроксимирует объективный тренд. С позиций признания объективного характера формы тренда исходный пункт исследования самого процесса развития заключается в выявлении его материальной природы, внутренних причин развития и его внешних условий. Такое исследование может установить ожидаемую форму тренда.

Одно из важнейших практических применений статистического изучения тенденций динамики и колебаемости состоит в прогнозировании на его основе возможных оценок величины изучаемого признака. Прогнозирование на основе измерения тренда и колебаемости один из методов статистического прогнозирования.

Статистический прогноз предполагает не только верное качественное предсказание, но и достаточно точное количественное измерение вероятных возможностей ожидаемых значений признаков.

 

На основе данных, с помощью построения диаграмм, выявляем наиболее адекватную модель по каждому виду продукции.

Выбор наилучшей модели тренда осуществляется на основе скорректированного коэффициента детерминации ( ). Исходные данные лучше всего описывает полиномиальная модель, где коэффициент детерминации 0,382.

Рисунок 11 – Зависимость производства зерна по ряду динамики

 

Связь в данной модели очень слабая. Это объясняется  сезонностью колебаний.

Далее рассмотрим зависимость производства сахарной свеклы по ряду динамики.

Рисунок 12 – Зависимость производства сахарной свеклы 
по ряду динамики

Исходные данные лучше всего описывает полиномиальная модель, где коэффициент детерминации более 60%.

Аналогичным образом рассмотрим зависимость  производства семян подсолнечника, картофеля и овощей.

Рисунок 13 – Зависимость производства семян подсолнечника 
по ряду динамики

В случае с производством семян  подсолнечника наиболее подходящим является экспоненциальный тренд, который  описывается на 56%. Коэффициент эластичности здесь равен 0,0768.

Рисунок 14 – Зависимость производства картофеля по ряду динамики

Производство картофеля по ряду динамики адекватнее всего описывает полиномиальная функция шестой степени.

Рисунок 15 – Зависимость производства овощей по ряду динамики

 

Производство овощей большей характеризуется  также полиномиальной зависимостью, хотя она проявляется только на 32%.

Используя статистический пакет «SPSS», оценим показатели адекватности наилучших моделей и значимость их параметров.

Таблица 12 – Показатели адекватности наилучших моделей 
и значимость их параметров в растениеводстве

Продукция	Наиболее адекватная модель	Коэффициент детерминации в моделях (R2)	Значимость F (норм. < 0,05)	P-Значение при Х / Х2 (норм. < 0,05)
Зерно	y = 34x2 - 1116x + 18613	0,382	0,010	0,028 / 0,104
Сахарная свекла	y = 59,29x2 - 1031x + 8419	0,605	0,000	0,011 / 0,001
Семена подсолнечника	y = 6E-65e0,0768x	0,562	0,000	0,000
Картофель	y = 0,006x6 - 0,346x5 + 6,532x4 - 43,59x3 - 12,08x2 + 900,7x + 2766	0,306	0,078	х
Овощи	y = -2,927x2 + 85,96x + 914,5	0,321	0,025	0,023 / 0,061

Из таблицы 12 видно, что все модели, кроме производства картофеля, являются адекватными по критерию Фишера, а их параметры значимыми по критерию Стьюдента.

На основе полученных показателей модели, осуществляем прогноз данных до 2020 года.

Таблица 13 – Прогноз производства продукции растениеводства,

млн. центнеров

Продукция	2011г.  (факт)	2012 г.	2013 г.	2014 г.	2015 г.	2016 г.	2017 г.	2018 г.	2019 г.	2020 г.	Темп роста  2020г. к 2011г.,  проц.
Зерно  (в весе после  доработки)	8,75	8,97	9,21	9,44	9,68	9,93	10,19	10,45	10,72	10,99	122,51
Сахарная  свекла   (фабричная)	20,54	21,25	21,99	22,75	23,53	24,35	25,19	26,06	26,96	27,90	131,27
Семена  подсолнечника	2,14	2,17	2,20	2,23	2,26	2,30	2,33	2,36	2,40	2,43	111,94
Овощи	1,61	1,62	1,64	1,65	1,67	1,68	1,70	1,71	1,73	1,74	107,18

Прогнозируя динамическое развитие сельского  хозяйства, следует отметить рост показателей производства основных видов растениеводческой продукции. Если регион будет продолжать развиваться по темпам предыдущих лет и при этом будут обеспечены аналогичные условия для его развития, то рост продукции зерновых составит к 2020 году около 23%, сахарной свеклы около 31%. По производству семян подсолнечника и овощам возможный рост ожидается до 12% и 7% к уровню 2012 года.

Однако следует учитывать и  возможные погрешности в моделях, используемых для прогноза.

В животноводстве продолжается наращивание производства мяса и  молока. Этому способствует проводимая в области политика государственной поддержки технической и технологической модернизации молочного скотоводства.

Производство скота  и птицы на убой в 2011 г. составило 164,0 тыс. тонн, что на 4% больше, чем  в 2010 году. Максимальные темпы наращивания  производства продолжают сохраняться  в птицеводстве, в 2011 году произведено на убой 79,0 тыс. тонн птицы или на 8,5% больше уровня прошлого года.

Рисунок 16 – Динамика производства продукции животноводства 
в Пензенской области

 

Производство яиц в хозяйствах всех категорий составило 342,3 млн. штук, или на 3,0% больше, уровня прошлого года.

В хозяйствах всех категорий произведено более 480,0 тыс. тонн молока или 103% к уровню прошлого года.

С помощью построения диаграмм, по каждому виду продукции, определим наиболее адекватную модель.

Рисунок 17 – Зависимость производства скота и птицы по ряду динамики

Зависимость производства мяса скота  и птицы по ряду динамики достаточно сильно (0,949) описывает полиномиальная модель. При этом она имеет актуальные коэффициенты эластичности.

Рисунок 18 – Зависимость производства молока по ряду динамики

Анализ моделей зависимости  производства молока по ряду динамики показал, что и здесь наиболее характерной функцией является полиномиальный тренд, который объясняет зависимую переменную на 82,1%.

 

 

Рисунок 19 – Зависимость производства яиц по ряду динамики

Аналогичная ситуация складывается и по производству яиц в Пензенской области. Полиномиальная модель описывает данный сектор почти на 94%.

С помощью SPSS получаем следующие показатели, подтверждающие правильность выбранной модели.

Таблица 14 – Показатели адекватности наилучших моделей 
и значимость их параметров в животноводстве

Продукция	Наиболее адекватная модель	Коэффициент детерминации в моделях (R2)	Значимость F (норм. < 0,05)	P-Значение при Х / Х2 (норм. < 0,05)
Скот и  птица	y = 1,376x2 - 33,21x + 282,1	0,948	0,000	0,000 / 0,000
Молоко	y = 2,281x2 - 63,61x + 893,9	0,824	0,000	0,000 / 0,000
Яйца	y = 1,621x2 - 46,31x + 597,3	0,938	0,000	0,000 / 0,000

Полученные модели являются достаточно адекватными и значимыми  по своим параметрам, т.е. подтверждают свою пригодность для прогнозирования.

На основе полученных показателей модели, осуществляем прогноз данных до 2020 года.

 

 

Таблица 15 – Прогноз производства продукции животноводства

Продукция	2011 г. (факт).	2012 г.	2013 г.	2014 г.	2015 г.	2016 г.	2017 г.	2018 г.	2019 г.	2020 г.	Темп роста  2020 г. к 2012 г, проц.
скот и птица на убой   (в живом весе),  тыс. тонн	169,30	173,94	178,70	183,60	188,63	193,80	199,11	204,57	210,17	215,93	124,14
молоко,  тыс. тонн	485,60	494,05	502,65	511,39	520,29	529,34	538,55	547,92	557,46	567,16	114,80
яйца, млн. штук	343,70	348,99	354,37	359,82	365,37	370,99	376,71	382,51	388,40	394,38	113,00

Прогнозируя динамическое развитие основных видов продукции животноводства, следует отметить их рост с 2012 г. до 2020 г.

За 8 лет прирост производства скота  и птицы должен составить более 24%, молока – около 15%, яиц – 13%.

Это свидетельствует об интенсивном  развитии отрасли животноводства и в первую очередь связано с ее объявленной в рамках нормативных актов развития сельского хозяйства приоритетностью для региона.

3.2 Прогнозный сценарий ресурсного  обеспечения развития 
                сельского хозяйства Пензенской области в условиях ВТО

 

На сегодняшнем этапе развития экономики России принимает на себя некоторые обязательства как член Всемирной торговой организации.