Сиптиц С.О. Всероссийский институт аграрных проблем и информатики им.А.А.Никонова г. Москва

Сиптиц С.О.
Всероссийский институт аграрных проблем и информатики
им.А.А.Никонова
г. Москва
Модельный инструментарий прогнозирования АПК: структура и функциональные
возможности
Спектр задач прогнозирования в АПК достаточно широк, что обусловливает
необходимость применения разнообразного по структуре и функциям модельного
инструментария, морфология которого представлена на рисунке 1.
Методы
прогнозирования
Фактографические
Статистические
Комбинированные
Аналогии
Гибридные
математически
е модели
Экспертные
С обратной
связью
Прямые
Экстраполяция
и интерполяция
Исторические
аналогии
Опрос
Опрос
Регрессии и
корреляции
Математически
е аналогии
Анализ
Генерация идей
Графовые
модели
Игровые
модели
Нейронные
сети
Факторные
модели
Экономикоматематичекие
модели
Нечеткое
моделирование
Рисунок 1. Процедуры и методы прогнозирования, применяемые в экономике.
Из всего разнообразия процедур прогнозирования в отраслевой практике сельского
хозяйства и АПК следует выделить: статистические (вся левая ветвь на рис.1), экономикоматематические модели, графовые модели и процедуры нечеткого моделирования и
гибридные модели, сочетающие в своем составе все перечисленные выше.
Специализация инструмента прогнозирования тесно связана с типом модели или
применяемым методом. Так процедуры экстраполяции (на основе аналитических
функций, аппроксимирующих данные или динамических моделей временных рядов)
удобны для прогнозирования кратко- и среднесрочных тенденций изменения, каких либо
экономических показателей. «Интерполяция в будущее» может стать хорошим приемом,
если с помощью экспертных процедур будет определено состояние экономической
системы в конце прогнозного периода (например, по мнению экспертов, душевое
1
потребление мяса к 2020 году будет равно 80 кг). Регрессионные модели, не входящие в
противоречие с экономическим содержанием прогнозируемого процесса, являются
хорошим оператором прогнозирования лишь при наличии прогноза входящих в уравнение
регрессии аргументов, а для использования нейросетевых технологий, как правило,
нужны ряды показателей такой длины, которая отсутствует в системе статистических
наблюдений.
Прогноз реакций сложной экономической системы, например связанных
агропродовольственных рынков, обладающих большим числом внутрисистемных связей,
отягощенных
недостаточной
изученностью
внутренних
закономерностей
функционирования отдельных подсистем, представляет собой очень сложную проблему.
Для описания реакций такой системы целесообразно использовать методы мягкого
моделирования, такие как графовые модели, а также модели, основанные на нечеткой
логике. В качестве примера приведем результаты моделирования системы связанных
рынков зерна, молока и мяса (говядина, свинина, мясо птицы). Графовая модель рынка
зерна представлена на рисунке 3. Величины, соответствующие вершинам графа,
принимают значения, соответствующие лингвистической переменной:
№
Прирост показателя
Бальная оценка
1
Падение значительное
1
2
Падение существенное
2
3
Падение заметное
3
4
Падение несущественное
4
5
Практически без изменений
5
6
Несущественный рост
6
7
Заметный рост
7
8
Существенный рост
8
9
Значительный рост
9
10
Не определенное изменение
NONE
Модель «работает» следующим образом. В терминах приведенной выше таблицы
формируются условия во внешнем экономическом окружении рыночной системы.
Взаимодействие сигналов в вершинах графа вычисляется по правилам алгебры
порядковых шкал. Как и в моделях частичного равновесия определяются рыночные цены,
балансирующие спрос и предложение (Рисунок 2):
Категории градаций цены
9
8
7
6
5
4
3
2
1
Ряд1
Цена зерна
Цена молока
Цена мяса
КРС
Цена св инины
Цена мяса
птицы
5
5
4
5
5
Рисунок 2. Равновесные цены на связанных агропродовольственных рынках
Таким образом, новое состояние рынков, переход в которое инициировали
изменения во внешнем экономическом окружении, может быть определено при
измененных равновесных ценах. Модель достаточно проста в реализации и служит
прекрасным инструментом для формализации содержательных представлений эксперта.
2
Рост значительный
От потребителей кормового
зерна
Рост значительный
9
9
Душевые доходы
населения
Коэффициент Джини
Практически без изменений
Розничные цены на прод.
переаб
Практически без изменений
Практически без изменений
5
5
5
Курс рубля
Квоты
Таможенный тариф
Практически без изменений
5
Практически без изменений
5
Цены
Цены импортных контрактов экспортных
контрактов
4,988179133
Потребно
сть
животнов
одства
Практически без изменений
Практически без изменений
5
Внутрихоз
яйственно
е
потребле
ние
Тарифы
имп.
пр.перер.
5
Конечное потребление
Промпереработка
Импорт продукции
растениеводства
Экспорт сырья
Цены
импортных
контрактов
пр.-пер
Импорт прод.
Перераб
Практически без изменений
Запасы
5
Квоты на
прод-пер
Практически без изменений
Практически без изменений
5
5
Практически без изменений
Спрос
Предложение
Практически без изменений
5
Дотации
Субсидированная
часть ставки
кредита
Степень компенсации
лизинговых платежей
Реализация в натуре
Платежесп
особность
Кредиты
Лизинг
Доход
Цена реализации
Практически без изменений
5
5
Цены факторов производства
Трансакцио
нные
издержки
Полная себестоимость
Удобрения
Практически без изменений
Уборочная
техника
Рентабельность
5
Виды на урожай
Площадь
Урожайность
Валовой сбор
Рисунок 3. Графовая модель рынка зерна
3
Приведенная выше графовая модель предназначена для прогноза вероятных
качественных изменений на связанных агропродовольственных рынках и не учитывает
фактор времени. Однако наряду с прогнозами, являющимися продолжением инерционной
динамики, большое значение имеют задачи прогнозирования состояний экономических
систем, находящихся под воздействием внешнего окружения, в том числе мер
государственного регулирования. Здесь ситуация принципиально иная. Оператор
прогнозирования в этом случае задается системой конечно-разностных уравнений, в
правых частях которых присутствуют зависимости от переменных внешнеэкономического
окружения (например, численность населения и его душевые доходы, цены на ГСМ и
минеральные удобрения), а также управления, находящиеся в распоряжении государства
(например, импортные квоты и тарифы, дотации производителям, ставки льготных
кредитов и пр.). Все экзогенные переменные, перечисленные выше, должны быть заданы
на интервале прогноза. В практической жизни эту обязанность берет на себя
Минэкономразвития, однако все элементы аграрной политики требуют обоснований
изнутри отрасли сельского хозяйства. При этом используются методы анализа сценариев,
получающихся
за
счет
содержательного
комбинирования
переменных
внешнеэкономического окружения и элементов аграрной политики.
Для долгосрочных прогнозов развития сельского хозяйства (на 10 летний период) с
учетом внешнеэкономического обмена на мировых рынках сырья и продовольствия в
течение ряда лет используется динамическая система моделей AGINK&COSIMO,
представляющая собой модель частичного равновесия. Эта модель используется
Секретариатом ОЭСР и сотрудничающими с ним странами как инструмент для анализа
последствий
государственного
регулирования
взаимосвязанных
мировых
агропродовольственных рынков.
Модель AGLINK разработана специалистами ОЭСР в тесном сотрудничестве с
экспертами из стран-членов этой организации, а также ряда других стран. Блоки по
развивающимся странам, разработаны специалистами ФАО в рамках проекта Мировая
Продовольственная Модель (World Food Model) в 2004 году. В целом проект по созданию
новых модулей получил название СOSIMO (Commodity Simulation Model). Впервые
расчеты с применением модели AGLINK стали использоваться при подготовке
сельскохозяйственного прогноза ОЭСР в 1992 г.
Основные характеристики модели можно сформулировать следующим образом:
• состоит из 10800 уравнений и модулей для 39 стран и 19 регионов мира;
• базовая модель AGLINK состоит из восьми модулей для стран/регионов ОЭСР
(Австралия, Канада, Европейский Союз-25, Япония, Корея, Мексика, Новая
Зеландия и США) и четырех модулей для стран, не являющихся членами ОЭСР
(Аргентина, Бразилия, Китай и Россия). В свою очередь модуль ЕС-25 состоит из
трех отдельных эндогенных блоков (ЕС-15, Польша и Венгрия), а также из
экзогенного блока, включающего оставшиеся восемь стран;
• часть модели, относящаяся к COSIMO, состоит из следующих блоков: Турция; 23
страны, не входящие в ОЭСР, и 15 регионов;
• страны, которые рассматриваются как экзогенные для модели AGLINK-COSIMO,
включают Норвегию, Швейцарию, Другие европейские страны и Другие
центрально-американские страны.
Блок «Россия» модели AGLINK состоит из 211 уравнений и 304 переменных
(полная спецификация в таблицах 1 и 2). Расчеты производства, потребления и внешней
торговли осуществляются по 24 видам продовольственной продукции, включая 15 видов
сельскохозяйственной продукции и 9 видов продукции переработки, в том числе:
а) растениеводство (9): ячмень, кукуруза, овес, рис, рапс, подсолнечник, рожь, соя,
пшеница;
б) животноводство (6): говядина и телятина, мясо птицы (курятина), яйца, молоко,
свинина, баранина,
4
в) переработка (9): животное масло, сыр, свежая молочная продукция, растительное масло
(всего), шрот (всего), сухое обезжиренное молоко, сахар, сухое цельное молоко, сухая
сыворотка.
Приведем результаты расчетов в соответствие со следующими сценарными
условиями. Сценарий 1 предусматривает анализ ситуации, при которой увеличение темпа
роста ВВП и сохранение демографической динамики в прогнозном периоде, обеспечит
общий рост покупательной способности населения. Предполагалось выяснить, в каких
направлениях произойдет рост производства продукции АПК, каким образом изменятся
цены производителей на продукцию АПК, как данные изменения отразятся на
показателях внешнеэкономического обмена, таких как импорт и экспорт продовольствия.
В качестве исходной информации при формировании сценария были использованы ряды
значений индекса ВВП в текущих ценах, где за базу был принят 2000 год. Среднегодовой
темп роста ВВП составил в данном сценарии около 6,5%. После расчёта сценария
выяснилось, что наиболее сильные изменения произошли в следующих показателях :
 импорт говядины и телятины, свинины;
 производство мяса птицы;
 цена производителя на мясо птицы;
 экспорт пшеницы;
 пшеница, на корма.
Сценарий 1 продемонстрировал, что рост покупательной способности населения
влечет за собой не рост производства сельскохозяйственной продукции, а увеличение ее
импорта.
Сценарий 2 был направлен на анализ изменений на мировом рынке пшеницы,
которые могут произойти при повышении ее урожайности в России. Увеличение
урожайности пшеницы повлекло за собой рост объёмов производства и экспорта пшеницы
из России, снижение мировой равновесной цены, заметное снижение общих объемов
экспорта зерна пшеницы в таких странах как США, Канада, Украина, Аргентина,
Австралия, Турция.
Изменение значений переменных, полученное в результате расчетов по сценарию
3, в котором рассматривается открытый рынок свинины, показывает, что к концу
прогнозного периода 11%-й рост потребления свинины достигается за счет резкого
увеличения ее импорта (в 2,3 раза к концу прогнозного периода), при этом на четверть
падает цена производителя, что влечет за собой сокращение отечественного производства
свинины на 17%. Связанные с рынком свинины рынок говядины и рынок пшеницы на
корма демонстрируют снижение объемов как производства, так и потребления.
Прогноз по основным рынкам продовольствия был сделан при следующих
макроэкономических условиях. Для данного прогноза использовалась гипотеза, что в
ближайшие 10 лет темпы роста ВВП в России будут постепенно замедляться с 6,5% в 2008
г. до 5,4% в период с 2010 по 2017 гг. В рамках этой гипотезы индекс потребительской
инфляции в долгосрочной перспективе будет снижаться до уровня 4,9% в 2012 г. и 3,8% в
2017 г. Оценки численности населения исходят из того, что в России не удастся
преодолеть ситуацию с сокращением населения. Поэтому к 2012 г. численность населения
в Российской Федерации прогнозируется в размере 138 млн. чел., а к 2017 г. – 135 млн.
чел. Поскольку, в основном, международная торговля ведется в долларовом исчислении, в
данной модели в число экзогенных переменных включен показатель обменного курса
рубля к доллару. В качестве рабочей гипотезы была выбрана тенденция о его
постепенном росте, то есть о девальвации рубля по отношению к данной валюте. В
частности, в 2012 г. обменный курс оценивается на уровне 28,7 рублей за доллар, а к 2017
г. – 31,3.
5
В соответствии с произведенными расчетами производство пшеницы в России
будет постепенно наращиваться и достигнет к 2012 г. уровня в 48 млн. т, а к 2017 гг. - 53
млн. т, при этом средние объемы экспорт увеличится до 12 млн. в 2012 г., и до 15 млн. т. в
2017 г. В целом такие оценки совпадают с существующими целевыми ориентирами МСХ
РФ. Например, в Госпрограмме до 2012 г. экспорт зерна на конец этого периода
оценивается в 15 млн. т, а расчеты по модели дают цифру экспорта всех зерновых около
15,6 млн. т.
По фуражным культурам, которые по классификации ОЭСР входят в группу
«грубые зерновые», модель прогнозирует стабильный уровень на весь период (30-31 млн.
т). Уровень экспорта по этой группе товаров сначала растет до 3,4 млн. т к 2011 г., а потом
снижается до 2,7 млн. т в 2017 г. В основе такой тенденции лежит увеличение
производства продукции животноводства, которое повышает потребление зерновых
внутри страны и снижает ресурсы доступные для экспорта. В общем балансе фуражных
культур большую часть занимает ячмень. Производство этой культуры прогнозируется на
уровне 17,5-18 млн. в течение 10-летнего периода. При этом проявляется тенденция к
сохранению экспорта на уровне от 1 до 1.3 млн. т.
В рамках данной модели по маслосеменам прогнозируется не только рост
производства до 9,5 млн. т к 2012 г., и 10,8 млн. т к 2017 г., но и существенное
увеличение экспорта с 1,5 млн. т в 2012 г. и 1,7 млн. т в 2017 г. Такая динамика экспорта
объясняется тем, что модель весьма консервативно оценивает возможность увеличения
потребления шротов из маслосемян в животноводстве. Поэтому при высокой выгодности
выращивания масличных культур появляется излишек на внутреннем рынке, который
направляется на экспорт.
В России большая часть урожая маслосемян приходится на подсолнечник, поэтому
динамика прогнозов по этой культуре во многом объясняет и динамику показателей в
целом по маслосеменам. В частности, прогнозируется устойчивый рост производства
подсолнечника до 7,2 млн. т в 2012 г., и 8,2 млн. к 2017 г. При этом экспорт возрастает до
0,9 млн. к 2017 г.
Модель прогнозирует существенное увеличение производство рапса: до 1,7 млн. в
2017 г. Однако большая часть произведенной
продукции направляется на экспорт,
который достигает к 2017 г. 1,1 млн. т. Такая тенденция объясняется сложившейся на
рынке ситуации, когда основным потребителем рапса и рапсового масла выступают
страны ЕС, которые развивают производство биодизельного топлива на основе рапсового
масла. Можно также отметить, что прогнозы по рапсу в два с лишним раза ниже, чем в
Госпрограмме до 2012 г. (производство рапса в 2012 г.: ОЭСР – 1,4 млн. т, Госпрограмма
– 3 млн. т).
В соответствии с моделью прогнозируется увеличение производства всех видов
мяса. К 2017 г. общее производство мяса вырастет до 7,8 млн. т (в у.в.), в том числе:
говядина – 1,9 млн. т, свинина – 2,9 млн. т, мясо птицы – 2,8 млн. т. Однако, внутреннее
потребление мясной продукции в силу роста доходов населения будет расти более
быстрыми темпами, чем производство. Поэтому импорт мяса сохранится на уровне 2,8
млн. т в год, в том числе 0,9 млн. т - говядина, 0, 7 млн. т - свинина, 1,2 млн. т – мясо
птицы. Необходимо принимать во внимание, что в модели используется гипотеза о
сохранении существующих импортных квот на мясо на весь прогнозный период.
Прогнозы развития молочного сектора опираются на гипотезу о сохранении
существующих консервативных тенденций. К 2017 г. производство молока увеличится
только до уровня 35 млн. т. При этом, поголовье молочных коров вырастет
незначительно (до 11 млн. гол.), и надои составят около 3200 кг от одной коровы в год.
Такая динамика, во многом объясняется тем, что в модель заложена динамика и
пропорции развития молочного производства, сложившиеся в конце 90-ых и в 2000-ых
годах. Возможно, осуществление государственных программ, направленных на
поддержку молочного сектора смогут изменить ситуацию в этой отрасли.
6
В отраслях по переработке маслосемян прогнозируется положительная динамика
производства, основанная на росте спроса на шрот в животноводстве и на масло
растительное на потребительских рынках. Производство шрота из всех маслосемян
вырастет к 2012 г. 3,3 млн. т., а к 2017 до 3,8 млн. т. При этом импорт и экспорт шрота
сохраняются примерно на одном уровне, что отражает ситуацию, при которой вывозится
из страны шрот одной культуры (например, подсолнечника), избыточный на внутреннем
рынке, и ввозится шрот из другого вида маслосемян (например, сои), по которому
существует дефицит.
По растительному маслу прогноз дает весьма консервативную оценку роста. В
соответствии с расчетами по модели к 2012 г. производство этого продукта составит около
2,9 млн. т, а к 2017 г. – 3,4 млн. т, то есть увеличится за 10 лет лишь на 0,8 млн. т. При
этом импорт растительного масла сохраниться на уровне 0,6 млн. т (в основном за счет
ввоза пальмового масла). Также прогнозируется увеличение экспорта растительного
масла до 1,1 млн. т, что вполне соответствует современной динамике.
Прогнозы по сахарному комплексу показывают весьма оптимистичную динамику.
Производство сахара из сахарной свеклы увеличится до 3,5 млн. т к 2012 г, и до 4,0 млн. т
к 2017 г. При этом прогнозируется сокращение импорта сахара до 2,3 млн. т к 2017 г., и
сохранение общего потребления этого продукта на уровне 6 млн. т в год.
По животному маслу прогнозируется рост производства до 303 тыс. т к 2012 г. и до
326 тыс. т к 2017 г. Однако, темпы роста потребления будут опережать производство,
поэтому прогнозируется увеличение импорта сливочного масла до 199 тыс. т к 2017 г. По
сухому молоку прогнозируется медленный рост производства с достижением уровня 74
тыс. т по ЦСМ, 87 тыс. т по ОСМ в 2012 г. и 81 тыс. т по ЦСМ и 93 тыс. т по ОСМ в 2017
г.1 На весь прогнозный период сохраняется тот же уровень импорта ЦСМ, который
сложился в 2005-07 гг. (34-36 тыс.) и постепенное увеличение импорта ОСМ до 58 тыс. т
к 2017 г. По сыру прогнозируется рост производства до 643 тыс. т к 2012 г. и до 705 тыс.
т к 2017 г., а также увеличение импорта с 304 до 376 тыс.т. Необходимо принимать во
внимание, что данные по сыру, которые используются в модели, не совпадают с
российской статисткой, поскольку в ОЭСР первичные данные по сырам пересчитываются
для того, чтобы привести к единой системе измерения.
1
ЦСМ – цельное сухое молоко, ОСМ – обезжиренное сухое молоко.
7