Господь Бог не играет в кости А. Эйнштейн - umotnas.ru o_O
Главная
Поиск по ключевым словам:
страница 1
Похожие работы
Господь Бог не играет в кости А. Эйнштейн - страница №1/1

Господь Бог не играет в кости

А. Эйнштейн




4.2. Информационная модель агросистемы
Геосистемная модель – это философско-научный взгляд в будущее Земли без каких-то гаданий на кофейной гущи и игр в кости. Информационная модель проектируемой геосистемы означает синергетическую форму научного предвидения, распространённую в виде эконометрического прогнозирования и социально-экономических сценариев развития стран мира. Нобелевской премии в 1980 г. заслужила разработка мировой модели, построенной на основе системы уравнений проекта ЛИНК в результате слияния отдельных эконометрических моделей 17 индустриально развитых стран – США и других членов Организации экономического сотрудничества и развития, 8 социалистических государств и 4 регионов развивающихся стран.1

Классической разновидностью геосистемы является региональная агросистема, основу проектирования которой закладывает информационное моделирование её экономико-математических параметров. К настоящему времени созданы объективные предпосылки комплексной информатизации региональных агросистем РФ. В перспективе проектирования комплексного и устойчивого развития сельских территорий возникает ориентир на решение задач информационной поддержки мониторинга социально-экономического развития, научного анализа и управления региональным хозяйством. Достигаемый с развитием информатизации более высокий уровень управляемости является, по некоторым оценкам, одним из факторов инвестиционной привлекательности регионального развития.2

В развитии информатизации агросистем можно выделить два основных направления, связанных, соответственно, с задачами информационно-справочного и информационно-аналитического обеспечения. В рамках первого направления уже функционируют многочисленные информационные системы, например, входящие в состав информационно-консультационных структур Министерства сельского хозяйства субъектов и всей РФ. Основная цель разработок по второму направлению – информационно-математические формализации, ориентированные на раскрытие целостности объекта, выявление многообразных связей между его компонентами, сведение их в единую теоретическую систему, позволяющую моделировать реальные социально-экономические ситуации.3

Налицо информационное, алгоритмическое и программное обеспечение типологического построения сценарных прогнозов развития региональных агросистем, что требует высокой общенаучной подготовки разработчиков и пользователей. По этой причине большинство подобных информационно-аналитических систем еще не доведены до этапа массового внедрения и находятся на различных стадиях проектирования. Исключение составляют специализированные системы с четко очерченной областью применения. Одна из таких систем, «Банк данных АПК регионов РФ», разработана в ИАгП РАН под руководством и при участии автора.

Система разработана для операционной среды Windows 98, имеет научную ориентацию и предназначена для комплексных экономико-статистических исследований агропродовольственных комплексов субъектов РФ с использованием информационных моделей. В состав баз данных по информационному описанию агросистемы региона на основе показателей статистической отчетности включены характеристики ресурсного потенциала сельскохозяйственного производства, объемов и эффективности производства и переработки сельскохозяйственной продукции, доли фермерских хозяйств и хозяйств населения в объемах произведенной продукции, уровня потребления продуктов питания населением региона, демографической ситуации и занятости сельского населения.

По каждому региону – субъекту РФ отслеживается свыше 150 ежегодно дополняемых и обновляемых показателей, начиная с 1995 г. Источники информации – материалы Роскомстата и Минсельхоза России. Инструментальные средства банка данных обеспечивают автоматизацию процедур ввода, корректировки, поиска и отбора информации из баз данных, построения расчетных показателей, выдачи информации в виде таблиц заданного формата и картограмм. Реализованы средства, обеспечивающие связь с внешними приложениями для дальнейшей обработки данных, включая проблемно-ориентированный пакет прикладных программ SPSS и программы пользователя.

Информационное описание и прогнозирование процессов развития агросистем как сложных социально-экономических объектов предполагает преобразование информации из баз данных с использованием математических моделей. В исследовательской практике Института аграрных проблем РАН (ИАгП РАН) получили развитие методы математико-статистического моделирования, объединенные в следующие блоки.


  • Формирование системы типообразующих характеристик региональных агропродовольственных систем на основе агрегирования показателей статистической отчетности с использованием математико-статистических методов.

  • Комплексное экономико-статистическое исследование агропродовольственных систем с использованием агрегированных показателей: классификация, анализ зависимостей между основными показателями для разных типологических групп регионов с использованием методов факторного анализа; анализ устойчивости (во времени) полученных моделей, построение динамических классификаций агросистем и т.д.

  • Анализ потребительского спроса на региональном продовольственном рынке с использованием математической формализации функции предпочтений. Позволяет осуществить вариантные расчеты влияния цен на структуру спроса, эластичность спроса к доходам; определить коэффициенты замещения, отражающие структурные сдвиги спроса при регулирующих воздействиях.

  • Моделирование демографических процессов в регионе и прогнозирование основных демографических параметров, определяющих численность и структуру населения.

  • Краткосрочный прогноз динамических рядов и распределений. Позволяет анализировать тенденции основных показателей производственной и социальной сферы агросистем, включая уровень экономического неравенства населения (например, распределение населения по уровню доходов).

Объединение перечисленных компонентов информационного описания (баз данных), средств доступа к информации и ее преобразования определяет информационную модель, ориентированную на исследование процессов социально-экономического развития агросистем регионов России. С использованием методов каждого из отмеченных блоков преобразований информации могут быть построены локальные модели, конкретизирующие тот или иной аспект исследовательской проблемы.

Например, методы, включенные в два первых блока, ориентированы на построение классификаций агросистем регионов России по различным типообразующим основаниям. На основе классификаций могут быть проанализированы тенденции развития агросистем, расселения и другие аспекты, связанные с государственным регулированием развития территорий. Разработка подобных классификаций весьма актуальна, поскольку недооценка пространственного аспекта становления рыночных институтов, механизмов, структур выступает, как известно, одним из важнейших факторов снижения эффективности агропромышленного производства. С использованием моделей, описывающих зависимости между показателями, устанавливаются факторы, объясняющие сложившийся уровень эффективности производства в агросистемах, и нормативные значения факторов, достижение которых обеспечивает заданный уровень эффективности. Иными словами, применительно к различным типологическим группам агросистем осуществляется моделирование основных показателей объемов и эффективности производства в агросистемах с учетом имеющегося ресурсного потенциала.

Для оценки потребностей региона в продовольствии используются математические модели, построенные по методам из двух последующих блоков. Модели позволяют учитывать различные сценарии изменения численности и структуры населения, его денежных доходов, а также различные варианты нормативов потребления.

Результаты расчетов по моделям производства и потребления могут быть положены в основу разработки оптимальной стратегии развития агросистем региона. Создание дополнительных блоков, моделирующих технологические аспекты производства, будет способствовать автоматизации процесса построения стратегии в целом и, как следствие, повысит качество разработки.

С использованием методов последнего блока можно моделировать как краткосрочные прогнозы значений показателей по их динамическим рядам, так и структурные изменения в социально-экономических процессах (по моделям динамики распределений).

Таким образом, представленная информационная модель, по нашему мнению, дает адекватную формализацию для укрупненной схемы автоматизированного анализа основных социально-экономических процессов в агросистемах регионов России (типологизация – производство – потребление – динамика – социальные последствия). Ежегодное пополнение и актуализация информационной базы позволяют создать технологию адаптации локальных моделей в режиме мониторинга, с использованием современного алгоритмического и программного инструментария.

Разработанная информационная модель и ее фрагменты используются в исследованиях ИАгП РАН с середины 90-х годов. В течение этого времени было построено значительное количество локальных моделей, описывающих различные подсистемы АПК регионов России. Проанализируем наиболее существенные, на наш взгляд, результаты моделирования.

Модели формирования агрегированных типообразующих факторов, классификации и факторного анализа агросистем регионов России. Одним из ключевых моментов при решении задач типологии и классификации агросистем являлось определение типообразующей специфики множества исследуемых объектов. В число типообразующих показателей включались характеристики отдельных подсистем, отслеживаемые в базах данных (например, подсистемы ресурсного потенциала, объемов и эффективности производства и т.д.). Каждая подсистема содержала не менее 5-8 исходных показателей, среди которых имелись взаимообусловленные или скоррелированные. С учетом последней особенности, в целях снижения размерности пространства показателей использовались приемы статистического агрегирования показателей, основанные на методе главных компонент4. Для каждой подсистемы были построены по две агрегированные характеристики, соответствующие первой и второй главным компонентам. Доля объясняемой дисперсии (D) для каждой подсистемы составляла, как правило, от 60 до 85%, модули факторных нагрузок – от 0,60 до 0,95, что свидетельствует об удовлетворительном качестве агрегирования.

Одна из главных компонент (чаще первая) представляла линейную комбинацию исходных нормированных показателей с положительными коэффициентами, знаки коэффициентов другой – различные. Это позволило интерпретировать полученные агрегированные факторы соответственно как характеристики масштаба (общего объема, уровня) и структуры (например, специализации).

Например, уравнения главных компонент, агрегирующих показатели объемов сельскохозяйственного производства в агросистемах России в 1996 г. имеют вид5:
B1 = 0.195x1 + 0.141x2 + 0.193x3 + 0.218x4 + 0.226x5 + 0.202x6,

B2 = – 0.634x1 + 0.475x2 + 0.493x3 – 0.400x4 – 0.201x5 + 0.356x6, D= 90%.


Здесь xi, i = 1-3, валовой сбор в хозяйствах всех категорий, тыс.тонн, соответственно зерновых и зернобобовых культур; картофеля и овощей; x4 – производство мяса в убойном весе, тыс. тонн; x5 – молока, тыс. тонн, x6 – яиц, млн. шт. (значения описанных переменных в уравнениях центрированы и нормированы стандартным способом).

Из приведенных уравнений видно, что главные компоненты B1 и B2 характеризуют соответственно суммарный объем и специализацию сельскохозяйственного производства в регионе.

Уравнения главных компонент для показателей объемов производства в 1999 г. имеют вид6:
B1 = 0.167x1 + 0.182x2 + 0.193x3 + 0.215x4 + 0.225x5 + 0.202x6

B2 = -0.696x1 + 0.498x2 + 0.321x3 – 0.329x4 – 0.128x5 + 0.311x6, D = 86%.

Проверка показала, что собственные числа, соответствующие главным компонентам для 1996 и 1999 гг. отличаются несущественно: статистическая гипотеза относительно их равенства не отклонялась при уровне значимости 0,1. Это позволило сделать вывод о несущественности изменений структуры производимой сельскохозяйственной продукции в регионах России за период 1996-1999 гг.

Построенные подобным образом для других подсистем АПК главные компоненты использовались в качестве типообразующих факторов при решении задач классификации агросистем. Применялся метод иерархического кластерного анализа Уорда с использованием евклидовой метрики7. Для целей классификации агросистем этот метод представляется предпочтительным, поскольку позволяет получить наиболее однородные в статистическом смысле кластеры (группы). (Последнее обосновано теоретически, подтверждено модельными расчетами и результатами практической классификации регионов России по различным социально-экономическим основаниям.) Классификации строились отдельно по каждой группе однотипных показателей, характеризующих определенную подсистему АПК. На их основе была построена сводная классификация, а также классификация, учитывающая динамику развития агросистем в 1996-1999 гг.

Для каждой типологической группы из итоговой динамической классификации проведена оценка соответствия объемов и уровней эффективности производства фактическому уровню ресурсного потенциала. Использовались регрессионные зависимости, связывающие значения соответствующих главных компонент. На их основе определены агросистемы, репрезентирующие различные тенденции развития, и приоритеты региональной политики, направленной на повышение эффективности аграрного производства.8

В развитие полученных результатов была проведена классификация агросистем по факторам инвестиционной привлекательности.9 На основе типологического и факторного анализа было установлено, что основными факторами, определяющими объем инвестиций, являются объемы производства сельскохозяйственной продукции в регионе, техническая оснащенность производства и доля продукции, производимая в частных хозяйствах. Это объясняется тем, что основной источник инвестирования – собственные средства сельскохозяйственных предприятий. Их явно недостаточно. Например, в таких крупных сельскохозяйственных регионах как Саратовская, Волгоградская, Оренбургская, Ростовская и Омская области объем инвестиций в расчете на гектар пашни в 2003 г. составил от 172 до 642 руб.. В то время как расчеты показывают, что эффективность инвестиций как фактора роста проявляется при объемах не ниже 800-1000 руб.

На основе математико-статистического моделирования было также установлено, что доведение объемов инвестиций до 1000 руб. и бюджетных субсидий до 130 руб. на гектар пашни (примерно в 1,5-2 раза выше, чем в среднем по России) приведет к прогнозируемому росту выхода валовой продукции на 25-30% в агросистемах со среднероссийскими показателями динамики производства и рентабельности. (на 35-50% – в агросистемах с динамикой выше среднероссийской). Рекомендованное увеличение инвестиций следует рассматривать в качестве нижней оценки, поскольку переход к инновационным технологиям производства потребует более значительных капиталовложений.

Описанные подходы к построению моделей нашли успешное применение также в задаче классификации регионов России по показателям адаптивного потенциала сельского населения10. По результатам были выделены две группы регионов. Регионы первой группы (в ее составе территориальные образования Северного Кавказа и некоторые регионы Нижнего Поволжья, Южного Урала и Сибири) характеризуются высоким потенциалом, и на их базе целесообразно отрабатывать технологии совершенствования рыночных отношений в агросистемах. Адаптивный потенциал сельского населения второй группы (в основном, регионы Центрального и Северо-Западного федеральных округов) значительно ниже. Для них более целесообразна отработка механизмов социальной защиты населения.

Следует отметить, что описанные подходы были использованы автором ранее, при исследовании взаимосвязей социально-экономических и демографических процессов в сельских административных районах Саратовской области, где были получены столь же убедительно интерпретируемые результаты11. Это является свидетельством адаптированности разработанного инструментария к разноуровневым объектам и может служить обоснованием рекомендации его более широкого применения в задачах социально-экономического анализа агросистем.

Экстраполяция динамических рядов, моделирование и прогнозирование демографических процессов. При прогнозировании динамики численности и демографической структуры населения обычно используется метод передвижки возрастов12. Для его реализации необходимо задать исходные значения численности мужчин и женщин по стандартным пятилетним возрастным группам, а также значения коэффициентов рождаемости и смертности для этих групп. Последние определяются как количества родившихся и умерших в расчете на 1000 человек соответствующей группы. Все данные задаются на основе материалов демографической статистики и должны соответствовать году, предшествующему началу прогнозного периода. Прогноз строится с шагом пять лет. Для второго и последующих шагов необходимо либо постулировать постоянство коэффициентов рождаемости и смертности, либо как-то задать динамику их изменения.

При построении моделей демографического развития российского села нами использовались два типа сценариев изменения коэффициентов – экстраполяционные и инновационные. Экстраполяционные сценарии учитывали динамику изменения коэффициентов рождаемости и смертности за последние 5-8 лет. Для описания динамики использовались математические аппроксимации (приближения) временных рядов соответствующих коэффициентов по методу наименьших квадратов. Наиболее точное (по критерию максимизации коэффициента множественной детерминации) описание было достигнуто с использованием выпуклых функций времени, в основном, логарифмических и степенных (для последних значения показателя степени изменялись от 0 до 1). Значения коэффициента множественной детерминации для построенных моделей превышали 0,86, что свидетельствует о достаточно высокой точности построенных математических описаний. Соответствующие иллюстрации приведены на рис. 1 и 2.


Рис. 1. Аппроксимация коэффициента рождаемости

(родившихся живыми на 1000 женщин)

для сельских женщин в возрасте 30-34 года, чел.

(по данным 2000-2004 гг.)
Pow: y = 39,58 · t 0,121, S: y = 49,4 · e- 0,23 / t , 2000 г. → t = 1, 2004 г. → t = 5.
Инновационные сценарии основывались на факторах демографического роста, связанных с сохранением наметившегося в последние годы экономического подъема, оптимистических ожиданий населения и с перспективами успешной реализации Приоритетных национальных проектов и Программы стимулирования рождаемости. Они определялись различными сочетаниями роста рождаемости и снижения смертности с учетом выхода к определенному году на уровень демографической ситуации середины восьмидесятых годов, наиболее благоприятной за последние двадцать пять лет.

Прогнозные расчеты проводились до 2035 года с шагом 5 лет, то есть на начало 2010, 2015, …, 2035 г., их результаты проиллюстрированы на рис. 3. Первая группа прогнозов (1.1-1.4) соответствует экстраполяционным сценариям, вторая (2.1-2.5) – инновационным, третья учитывает пролонгацию сложившегося отрицательного сальдо миграции. Из рис. 3 следует, что по всем сценариям численность сельского населения будет сокращаться и составит к 2035 году 28-35 млн. чел. или 73-91% от численности на начало 2005 г. Абсолютные потери исчисляются в 3,6-10,5 млн. чел. Наряду с численностью прогнозировались значения основных структурных параметров сельского населения России: численность в трудоспособных возрастах, общая демографическая нагрузка, число женщин в детородных возрастах и др.


Рис. 2. Аппроксимация стандартизированного коэффициента

смертности сельских мужчин по данным 1998-2004 гг.,

(число умерших на 100000 чел.), чел.


log: y = 1976 + 195,8 · ln t, S: y = 2382 · e- 0,20 / t, 1998 г. → t = 1, 2004 г. → t = 5.
Полученный к концу прогнозного периода значительный разброс значений численности и параметров структуры сельского населения свидетельствует относительно неустойчивости демографической ситуации. Это обстоятельство существенно повышает значимость исследований по балансам трудовых ресурсов, по адаптации сферы занятости к различным проявлениям демографической динамики, по управлению рисками в социально-демографической сфере с учетом их экономических последствий.13 Экстраполяции динамических рядов также применялись в задачах прогнозирования показателей уровня жизни, индексов инфляции, урожайности зерновых культур.14 Модель для прогнозирования структуры спроса на продовольствие в зависимости от среднедушевых доходов семей рассмотрена в работе.15

Рис. 3. Прогнозы численности сельского населения РФ



по различным сценариям, млн. чел.
Таким образом, приведенные примеры государственной поддержки аграрного производства и устойчивого развития сельских территорий демонстрируют эффективность применения компонентов информационной модели в задачах, связанных с разработкой и обоснованием механизмов экономического регулирования в региональных агросистемах. Разработанные инструментальные средства позволяют автоматизировать основные этапы решения отмеченных задач, обеспечивают информационно-аналитическую поддержку проектирования и способствуют повышению эффективности регионального управления. Технологические, технические, алгоритмические и программные решения, достигнутые в процессе разработки, имеют достаточно универсальный характер и могут тиражироваться при создании систем информационно-аналитической поддержки проектирования в сфере региональной экономики.

1 См.: Клейн Лоуренс Р. Некоторые экономические сценарии на 1980-е годы // Мировая экономическая мысль сквозь призму веков в 5 томах. Т.V. Всемирное признание. Лекции нобелевских лауреатов. Кн. первая. М.: «Мысль», 2004. С.386.

2 См.: Авдулов А.Н., Кулькин А.М. Программы регионального развития в контексте государственной научно-технической политики: опыт США / РАН. ИНИОН. М., 1999.

3 См.: Информационный бюллетень / М.: Минсельхоз РФ (период. издание), а также www-сервер Головного вычислительного центра Министерства.

4 Прикладная статистика: Классификация и снижение размерности: Справ. изд. / С.А. Айвазян, В.М. Бухштабер, И.С. Енюков, Л.Д. Мешалкин. М.: Финансы и статистика, 1989.

5 Кутенков Р.П. Агросистемы России: межрегиональные сопоставления. Саратов: ИАгП РАН, 2001.

6 Там же. С.109.

7 См., например, SPSS Base 7.5. для Windows: Руководство пользователя (пер. с англ.). М.: Изд. Центра Общечеловеческих Ценностей, 1997.

8 Кутенков Р.П. Социально-экономическое развитие региональных агросистем России: тенденции и методы измерений: Дисс….док. экон. наук: 08.00.05, 08.00.13. Саратов, 2003.

9 Кутенков Р.П., Былина С.Г. Сценарные прогнозы производства сельскохозяйственной продукции в основных типологических группах агросистем регионов России // Социально-экономические проблемы трансформации аграрных отношений и реформирования агропромышленного комплекса: материалы научных чтений (Островские чтения 2005). Саратов: ИАгП РАН, 2005; Кутенков Р.П., Былина С.Г. Инновационное регулирование и инвестиционная обеспеченность агросистем как факторы повышения продовольственной безопасности России // Проблемы обеспечения продовольственной безопасности России / Сб. статей. Под ред. академика А.А.Анфиногентовой. Саратов: ИАгП РАН, 2006.

10 Шабанов В.Л. Развитие домохозяйств: многомерный анализ // Пространственно-временная организация страны: Региональный анализ. Саратов: Приволж. кн. изд-во, 2000.

11 См., например: Кутенков Р.П., Петрушова А.А. Взаимосвязь социально-экономических и демографических процессов в сельских административных районах / АН СССР. ИСЭП АПК. Саратов, 1991.

12 Тихомиров Н.П. Статистические методы анализа воспроизводства населения. М.: Финансы и статистика, 1984.

13 См.: Блинова Т.В., Кутенков Р.П., Русановский В.А., Былина С.Г. Динамика и прогнозы демографических процессов в современной России. Саратов: Изд-во Саратовского государственного социально-экономического университета, 2006.

14 См.: Кутенков Р.П. Аппроксимации динамических рядов индексов // Статистический анализ в финансовых, экономических и социальных задачах: Сб. науч. трудов / МЭСИ. М., 1996; Трубицин Ю.И., Потапов А.П. Ресурсный потенциал товарного производства зерна в России и регионах. Саратов: ИАгП РАН, 2005.

15 См.: Кутенков Р.П., Бурмистрова И.К. Новые подходы к анализу результатов обследования бюджетов семей // Вопросы статистики. 2000. №3.