К.э.н., Смотрова Е.Е.
Волгоградский государственный аграрный университет, Россия
Прогноз производства зерна Волгоградского региона
Среди субъектов Южного федерального округа, Волгоградская область по производству зерна и подсолнечника на протяжении последних лет находилась стабильно на третьем месте, уступая Краснодарскому краю и Ростовской области (табл. 1).
Таблица 1 – Производство продукции растениеводства в хозяйствах
всех категорий в 2013г., тысяч тонн
Регионы Южного федерального округа |
Зерновые и зернобобовые |
Подсолнечник |
Бахчевые продовольственные культуры |
|||
510,0 |
126,4 |
6,6 |
||||
Республика Калмыкия |
195,5 |
3,3 |
Краснодарский край |
12037,6 |
1165,8 |
87,2 |
Астраханская область |
25,3 |
- |
199,2 |
|||
Волгоградская область |
3088,5 |
186,7 |
217,2 |
|||
Ростовская область |
6617,0 |
814,2 |
39,0 |
Периодические засухи в Волгоградской области оказывают значительное влияние на динамику валового сбора зерна. Необходимо отметить, что за последнее время валовой сбор зерна стабильно находится на уровне 3,0-3,3 млн. тонн (рис. 1).
Рисунок 1. Исходный ВР валового сбора зерна в хозяйствах всех категорий, млн. тонн
Особую роль при решении важных задач в области дальнейшего планирования и улучшения организации производства приобретает прогнозирование [2].
Методы прогнозирования на основе временных рядов должны, в ситуации изменения внешних условий, в большей мере учитывать последние реализации исследуемого процесса и, здесь, наиболее эффективными оказываются адаптивные методы прогнозирования. Среди них выделяется методология Бокса-Дженкинса, не предполагающая какой-либо специальной структуры данных временных рядов и использующая интерактивный подход к определению подходящей модели среди всех допустимых моделей ARIMA (p,d,q).
С использованием научного пакета прикладной программы Statistica 6.0 модуля «Временные ряды» проведено моделирование валового сбора зерна Волгоградской области в период с 1950-2013гг. В результате, по характеру автокорреляционной и частной автокорреляционной функции и минимальным значениям критериев Акаике и Шварца подобрана модель ARIMA (0,1,1)(1,0,0) следующего вида:
(1)
Анализ параметров полученной модели по t – критерию Стьюдента показал адекватность всех коэффициентов при уровне значимости α=0,05 (9,75 и 3,06). Модель адекватна, остатки нормально распределены и не автокоррелированы (рис. 2).
Рисунок 2. Графики остатков на нормальной вероятностной бумаге
Рисунок 3. Прогноз валового сбора зерна на 2014-2018гг.
Согласно прогнозу (рис. 3), в 2014г. ожидается увеличение производства зерна на 0,04 млн. тонн, к 2015г. наблюдается сокращение до 2,93 млн. тонн и значительное возрастание до 3,54 млн. тонн к 2016г.
Литература:
1. Мазаева Т.И. Роль производства зерна в продовольственной безопасности (на примере Волгоградской области) // Экономика и предпринимательство, 2014. № 9. С. 366-369.
2. Четыркин, Е.М. Статистические методы прогнозирования. Москва: Статистика, 1977, с. 200.
3. Эконометрика: учеб. / под ред. д-ра экон. наук, проф. В.С. Мхитаряна, Москва: Проспект, 2008, с. 384.