Содержание к диссертации
Введение
1 . Методологические вопросы анализа и прогнозирования производства на сельскохозяйственном предприятии с использованием системного моделирования
1.1 Содержание и цели одномерного, многомерного, сквозного анализа и прогнозирования 11
1.2 Методологические принципы системного подхода к анализу и прогнозированию 18
1.3 Методологические вопросы разработки комплекса моделей анализа и прогнозирования 24
2. Комплекс моделей анализа и прогнозирования производства на сельскохозяйственном предприятии
2.1 Общая организационная структура комплекса моделей 34
2.2 Основные модули моделей комплекса 41
2.3 Критерий оптимальности в оптимизационных моделях комплекса 75
2.4 Логика функционирования комплекса моделей 83
3. Математическое и программное обеспечение расчетов по оптимизацион ным моделям комплекса 89
3.1 Математическое и программное обеспечение расчетов по моделям сквозного прогнозирования 90
3.2 Математическое и программное обеспечение расчетов ненулевых оценок на используемые ресурсы 107
4. Экспериментальная апробация комплекса моделей на примере СПК ПЗ "Детскосельский" Ленинградской области
4.1 Целевая установка экспериментальных расчетов по комплексу моделей 115
4.2 Информационное обеспечение числовых моделей и анализ одномерных прогнозов 119
4.3 Результаты расчетов по анализу и сквозному прогнозированию развития производства на перспективу 132
Выводы 157
Литература
- Методологические принципы системного подхода к анализу и прогнозированию
- Основные модули моделей комплекса
- Математическое и программное обеспечение расчетов ненулевых оценок на используемые ресурсы
- Информационное обеспечение числовых моделей и анализ одномерных прогнозов
Введение к работе
Актуальность исследования.
Совершенствование анализа и прогнозирования сельскохозяйственного производства с использованием математических методов и современных средств вычислительной техники является перспективным направлением аграрной экономической науки. Важность исследований в этом направлении определяется задачами повышения качества управления производством в аграрном секторе экономики, результаты деятельности которого подвержены влиянию как управляемых, так и не управляемых человеком факторов. Весьма важным это направление исследований является для предприятий, где непосредственно производится сельскохозяйственная продукция. Развитие этого направления исследования предполагает реализацию системного подхода к анализу и прогнозированию сельскохозяйственного производства, решение вопросов теории, методологии и методики системного моделирования, разработку комплекса моделей анализа фактического состояния, а также недетерминированных моделей прогнозирования развития производства на сельскохозяйственных предприятиях, соответствующего информационного, математического и программного обеспечения расчетов по комплексу моделей на ПЭВМ.
Значение исследований в этом направлении определяется потребностью в повышении качества целенаправленного анализа фактического состояния производства и разработке научно-обоснованных прогнозов развития сельскохозяйственного производства на предприятиях, которые были бы надежны в реализации, обеспечивали достижение высоких конечных результатов, были ориентированы на эффективное использование земельных, материальных и трудовых ресурсов. Отмеченное, в основном, определило общую целевую установку и конкретные задачи исследования.
Цель и задачи исследования.
Общей целью диссертационной работы явилась разработка комплекса
моделей анализа и прогнозирования сельскохозяйственного производства на предприятиях в подготовленном для функционирования виде.
Реализация этой цели вызвала необходимость решения следующих задач:
- исследовать методологические вопросы системного подхода к анализу и прогнозированию производства на сельскохозяйственном предприятии;
- определить основные принципы системного анализа и прогнозирования производства на сельскохозяйственном предприятии, раскрыть их содержание;
- обосновать общую организационную структуру комплекса моделей анализа и прогнозирования сельскохозяйственного производства на предприятиях;
- определить основные функциональные модели комплекса, общее их назначение, информационный и алгоритмический характер их взаимодействия в процессе функционирования;
- разработать основные детерминированные и недетерминированные модули всех моделей комплекса;
- адаптировать алгоритм согласования решений оптимизационных моделей к подсистеме моделей сквозного прогнозирования с трехуровневой структурой организации;
- определить общую логику функционирования комплекса моделей анализа и прогнозирования производства на сельскохозяйственных предприятиях;
- разработать блок-схему алгоритмической процедуры итеративного трехуровневого расчета сквозного прогноза развития сельскохозяйственного производства на предприятии в динамике по годам перспективы;
- разработать блок-схемы алгоритмов, реализующих расчет ненулевых оценок на все учитываемые и используемые ресурсы в оптимальном плане прямой задачи линейного программирования;
- определить программное обеспечение расчетов по оптимизационным подкомплексам моделей;
- экспериментально апробировать разработанный комплекс моделей анализа и прогнозирования производства на примере предприятии.
Предметом исследования в диссертации является совокупность методологических, теоретических и методических вопросов системного моделирования процессов анализа и прогнозирования производства на сельскохозяйственных предприятиях.
В качестве объекта практической апробации реализованных в диссертации инструментальных средств послужило СПК ПЗ "Детскосельское" Ленинградской области.
Теоретической и методологической основой исследования служили труды отечественных и зарубежных ученых по изучаемым в диссертации вопросам, в частности, Аганбегяна А.Г., Алексеева В.В., Амосова В.В., Багриновского К.А., Бендата Дж., Бергстрома А., Беспахотного Г.П., Блауберга И.В., Бойко И.П., Борука А.Я., Боярского А.Я., Бусленко Н.П., Гатаулина A.M., Голыптейна EX., Гранберга А.Г., Данцига Дж., Дрейпера Н., Егоровой Н.Е., Ермольева Ю.М., Вульфа Ф., Еникеева В.Г., Ильченко А.Н., Кашьяпа Р.Л., Канторовича Л.В., Кагановича И.З., Кравченко Р.Г., Крылатых Э.Н., Колемаева В.А., Малыша М.Н., Месаровича М., Милосердова В.В., Онищенко A.M., Пастернака П.П., Раяцкаса Р.Л., Смекалова П.В., Чернова В.П. Юзбашева MJVL, Юттлера Г. и других. В соответствие с кругом исследуемых вопросов в работе использовались методы: матричные, балансовые, теории вероятностей и математической статистики, математического программирования и системного математического моделирования экономических процессов.
Научная новизна работы.
Научная новизна диссертационного исследования заключается, прежде всего, в обосновании методологических положений системного подхода к анализу и прогнозированию сельскохозяйственного производства на предприятиях с использованием системного математического моделирования.
В процессе исследования получены следующие наиболее существенные научные результаты:
1. Осуществлена интеграция анализа и прогнозирования производства на сельскохозяйственных предприятиях, включающая определение целей, содержания, задач одномерного, многомерного, сквозного анализа и прогнозирования, а также принципов, которыми необходимо руководствоваться при их реализации.
2. Разработана общая организационная структура комплекса логически, информационно и алгоритмически взаимосвязанных моделей анализа и прогнозирования производства на сельскохозяйственных предприятиях, включающая модели по расчету ненулевых оценок на все используемые ресурсы.
3. Разработан комплекс моделей анализа фактического состояния и прогнозирования развития сельскохозяйственного производства на предприятиях, определена общая логика его функционирования.
4. Разработаны все основные функциональные, а также расчетные модули комплекса моделей, ориентированные на реализацию информационных и алгоритмических связей между моделями в процессе функционирования.
5. Совершенствована методика вычисления средней ошибки аппроксимации регрессионных моделей, обеспечивающая повышение точности оценки одномерных прогнозов (без поправок на степень свободы).
6. Предложена алгоритмическая процедура многокритериальной оптимизации плана с учетом всего множества базисных допустимых решений оптимизационных задач.
7. Адаптировано математическое и программное обеспечение расчетов по подкомплексу оптимизационных моделей сквозного прогнозирования сельскохозяйственного производства на предприятиях.
8. Разработаны блок-схемы, реализующие на ПЭВМ расчет сквозных прогнозов на конкретный год и в динамике по годам перспективного периода, а также расчет ненулевых оценок на используемые ресурсы в моделях комплекса.
9. Проведена экспериментальная апробация разработанного комплекса моделей анализа и прогнозирования при разном уровне надежности недетерминированных параметров на примере конкретного сельскохозяйственного предприятия.
Практическая значимость и использование результатов исследования.
Выполненное исследование соответствует разделу 1.6 "Разработка экономико-математического и статистического обеспечения информационных технологий анализа, прогнозирования и управления в аграрном секторе" плана НИР экономического факультета СПГАУ на 2001-2005 годы по комплексной теме "Разработка методологии, методов и информационных технологий, учета, анализа, прогнозирования и управления экономическими процессами в аграрном секторе рыночной экономики".
Практическая значимость работы состоит в возможности использования разработанного в ней комплекса моделей в подготовленном для функционирования виде для проведения расчетов по анализу достигнутого уровня производства, а также многовариантному прогнозированию развития сельскохозяйственного производства на предприятиях с учетом задаваемых уровней надежности недетерминированных параметров. Эти расчеты могут служить основой для принятия обоснованных управленческих решений по дальнейшему развитию сельскохозяйственного производства на предприятиях. Они могут быть весьма полезны также в работе создаваемых информационно-консультационных служб по аграрному сектору экономики.
Результаты выполненных расчетов используются при определении перспектив развития сельскохозяйственного производства в СПК ПЗ "Детскосельский", что подтверждено документально. Содержащиеся в
диссертации результаты исследования используются также в учебном процессе СПГАУ по курсам: "Планирование и прогнозирование межотраслевых пропорций", "Математическое моделирование экономических процессов в сельском хозяйстве", что документально подтверждено в работе.
Апробация работы и публикации.
Основные результаты диссертационного исследования докладывались на научных конференциях СПбГАУ в 2000,2001,2002 и 2003 годах, отражены в 4 опубликованных работах автора, а также включены в научные отчеты по НИР экономического факультета СПГАУ за 2001, 2002, 2003 годы.
Структура диссертации определена, исходя из целевой установки и логической последовательности решаемых задач в процессе исследования. Работа состоит из введения, четырех глав, общих выводов, библиографического списка литературы и приложения.
Во введении обосновывается актуальность исследования по теме диссертации, определены целевая установка и задачи исследования, научная новизна и практическая значимость работы.
В первой главе "Методологические вопросы анализа и прогнозирования производства на сельскохозяйственном предприятии с использованием системного моделирования" с позиции системного подхода осуществлена интеграция системы анализа и прогнозирования. Рассмотрены цели и задачи одномерного, многомерного и сквозного анализа и прогнозирования. Сформулированы методологические принципы системного подхода к анализу и прогнозированию, а также раскрыто их содержание. Особое место в главе уделено проблемным вопросам анализа и прогнозирования производства на сельскохозяйственных предприятиях с использованием системного моделирования.
Во второй главе "Комплекс моделей анализа и прогнозирования производства на сельскохозяйственном предприятии" разработана общая организационная структура комплекса моделей, представлены основные модули моделей комплекса. Совершенствована методика вычисления средней
ошибки аппроксимации регрессионных моделей одномерного прогнозирования. Рассмотрены вопросы критерия оптимальности в оптимизационных моделях комплекса. Предложена алгоритмическая процедура решения оптимизационных задач на критериальный комплекс. Определена общая логика функционирования комплекса моделей анализа и прогнозирования производства на сельскохозяйственном предприятии.
В третьей главе "Математическое и программное обеспечение расчетов по оптимизационным моделям комплекса" рассмотрено математическое и программное обеспечение на ПЭВМ расчетов по оптимизационным моделям сквозного прогнозирования. Представлены разработанные блок-схемы, реализующие на ПЭВМ расчет сквозных прогнозов на конкретный год и в динамике по годам перспективного периода, а также расчет ненулевых оценок на используемые ресурсы в моделях комплекса.
В четвертой главе "Экспериментальная апробация комплекса моделей на примере СГОС ПЗ "Детскосельский" Ленинградской области рассмотрены: целевая установка расчетов по комплексу моделей, информационное обеспечение числовых моделей сквозного прогнозирования развития производства в СПК ПЗ "Детскосельский" на 2005 и 2010 годы с двумя уровнями надежности недетерминированных параметров, анализ одномерных прогнозов, а также результаты сквозного прогнозирования развития производства на сельскохозяйственном предприятии с использованием разработанного комплекса моделей.
В "Выводах" обобщаются основные результаты проведенного исследования.
Методологические принципы системного подхода к анализу и прогнозированию
Проблема совершенствования и повышения качества анализа и прогнозирования производства на сельскохозяйственных предприятиях в настоящее время должна решаться на основе системного подхода к анализу и прогнозированию - в комплексном учете и изучении состояния, поведения, эволюции экономических процессов. Повышение эффективности применения методологии системного подхода к сквозному анализу и прогнозированию непосредственно связано с необходимостью учета при анализе и разработке прогнозов ряда методологических принципов. К числу наиболее значимых из них, по нашему мнению, следует отнести, представленные на рисунке 1.2.1.
Так, принцип целенаправленного развития имеет важное значение как для подсистемы анализа фактического состояния сельскохозяйственного производства на предприятии, так и для подсистемы прогнозирования. Он применительно к анализу представляет совершенствование его качества по мере общего развития теории и методологии изучения экономических процессов, а также методологии подготовки исходной информации для его проведения. По отношению к сквозному прогнозированию он предусматривает разработку тех одномерных и многомерных прогнозов, на основе которых можно определить будущее развитие всей системы. С его учетом следует целенаправленно совершенствовать методы одномерного, многомерного и сквозного прогнозирования.
Принцип целенаправленной структуризации и ориентации предполагает структуризацию исходной информации как для анализа фактического состояния сельскохозяйственного производства на предприятии, так и для разработки прогнозов.
Он предполагает выделение автономных по характеру и функциональному назначению информационных массивов. С учетом этого принципа изучается и обосновывается структура объекта анализа, проводится последовательное расчленение (структуризация) его в соответствии с его строением, обосновывается логика последовательного его проведения. На основе структуризации объекта анализа выделяются его части, проведение которых может осуществляться относительно автономно. Результаты целенаправленного анализа отдельных частей обобщаются и используются при решении первоначально сформулированной целевой установки сквозного анализа.
В соответствии с данным принципом проводится структуризация информационных массивов, их целенаправленная ориентация на конкретные модели одномерного, многомерного и сквозного прогнозирования. Принципы согласованности и полноты предполагает формирование информационной базы, позволяющей осуществлять всесторонний анализ фактического состояния и поведения объекта. Они применительно к сквозному прогнозированию предусматривают учет и формирование тех одномерных и многомерных прогнозов, на основе взаимосвязей которых можно определить развитие системы, согласование одномерных прогнозов по элементам системы и многомерных прогнозов по группам элементов системы (объекта сквозного прогнозирования). Эти принципы предусматривают переход от частных моделей прогнозирования элементов процесса к системе моделей, обеспечивающей прогнозирование состояния (поведения) в целом процесса как системы и могут быть реализованы в рамках комплекса моделей прогнозирования.
Принцип соответствия и адаптации предполагает подготовку исходной информации в соответствии с требованиями моделей одномерного, многомерного, сквозного анализа достигнутого уровня сельскохозяйственного производства, а также его прогнозирования на перспективу. С учетом этого принципа конкретизируются целевые установки анализа и прогнозирования сельскохозяйственного производства в соответствии с изменяющимися условиями, а также задачами дальнейшего повышения эффективности производства.
Принцип вариантности представляет особую значимость для сквозного прогнозирования. В силу возрастающей неопределенности влияния в будущем различных факторов на развитие системы требуется разработка прогнозов по вариантам, отражающим возможное доминирующее влияние различных факторов, замену одного ресурса другим. Требование этого принципа весьма важно. Прогнозируя развитие такой сложной системы как сельскохозяйственное производство предприятия на конкретный год перспективы, следует разрабатывать варианты прогноза развития производства, например, с минимальной, а также максимально-возможной надежностью. При таком подходе имеется возможность классифицировать данные варианты с точки зрения разных качественных характеристик. Например, вариант сквозного прогноза по развитию производства на предприятии с минимальной надежностью можно считать в качестве лучшего - оптимистического. Вариант с максимально-возможной надежностью в конкретных условиях можно отнести в разряд худшего - пессимистичного. В рамках такого подхода имеется возможность сравнительно легко строить множество "промежуточных" прогнозов , каждый из которых может быть сравнительно легко рассчитан с использованием предварительно построенных лучшего - оптимистического, а также худшего - пессимистического вариантов сквозного прогнозирования.
Основные модули моделей комплекса
Качество функционирования комплекса моделей информационной системы анализа и прогнозирования производства на сельскохозяйственном предприятии, при прочих равных условиях, зависит от достоверности поступающих в модели исходных данных. Поэтому модули моделей формирования исходной информации [і] должны обеспечивать подготовку полной, достоверной информации для других моделей комплекса.
Модули моделей формирования исходной информации в основном определяются составом моделей анализа достигнутого уровня производства [2], моделей одномерного прогнозирования параметров [5], оптимизационных моделей сквозного прогнозирования развития сельскохозяйственного производства на перспективу [б]. В зависимости от целевой установки расчётов и находящихся в [2],[5],[б] моделей, модули моделей формирования исходной информации [і] могут конкретизироваться и дополняться.
Модули моделей [l.l.l] - формирования показателей по земледелию, моделей [1.1.2] - по животноводству, моделей [і.І.з] - по сельскохозяйственной технике, моделей [1.1.4] - по производственным ресурсам, моделей [1.1.5] - по достигнутому уровню специализации производства используются в основном в качестве исходной информационной базы для матричных моделей фактического уровня производства и распределения продукции [2. і] и оптимизационной модели отраслевой структуры производства [2.2]. При этом, модули моделей [і. 1.1], [і. 1.2], [і. і.з], [і. 1.4], [і. 1.5] формируют исходную информацию на отчётный год, по годам отчетного периода, в среднем по годам за отчетный период. Это определяется конкретной временной установкой анализа достигнутого уровня производства на сельскохозяйственном предприятии и соответствующего ей построения моделей [2.l],[2.2].
Для матричных моделей фактического уровня производства и распределения продукции [2. і] формируется информация в натурально-вещественной форме по прямым межпродуктовым затратам продукций, по валовому и товарному производству сельскохозяйственной продукции, по затратам ресурсов на производство продукции, объёмам наличных ресурсов, приобретенным оборотным средствам в натурально-вещественной и стоимостной формах, затратам их на производство продукции и ряду других показателей.
Для оптимизационной модели отраслевой структуры производства [2.2] формируется информация по достигнутому уровню урожайности сельскохозяйственных культур и продуктивности животных, высеву семян, внесению органических и минеральных удобрений, содержанию питательных веществ в кормах, затратам кормов на одну среднегодовую голову каждого вида сельскохозяйственных животных, объёмам выполнения работ сельскохозяйственной техникой, наличию в хозяйстве сельскохозяйственной техники, среднегодовому поголовью всех видов животноводства, трудоёмкости продукции земледелия и животноводства, по фактическим и рекомендуемым вариантам севооборотов, по годовому обороту стада крупного рогатого скота и свиней, наличным животноводческим помещениям, земельным и трудовым ресурсам, достигнутому уровню валового и товарного производства сельскохозяйственной продукции, покупным кормам, производству и использованию кормов, зеленому конвейеру кормов и ряду других показателей.
Модули моделей формирования данных по производственным ресурсам предприятия [1.1.4], по достигнутому уровню специализации производства [і. 1.5] служат также основой для определения исходных количественных значений ограничений в конкретных функциональных модулях оптимизационных моделей сквозного прогнозирования развития сельскохозяйственного производства в предприятии на перспективу. Это модули формирования информации по площади различных видов сельскохозяйственных угодий, по наличному поголовью животноводства, по трудовым ресурсам, по возможному привлечению трудовых ресурсов хозяйством, по наличию животноводческих помещений, по достигнутым фактическим объемам производства товарной продукции и др.
Модели [і .2. і] и [1.2.2] включают в качестве основных модули по производству продукции земледелия и животноводства в рамках возможных вариантов специализации сельскохозяйственного производства на предприятии. Эта информация используется в оптимизационных моделях сквозного прогнозирования ]. Кроме того, в процессе функционирования моделями [1-2.2] осуществляется формирование динамических рядов показателей для одномерного прогнозирования их количественных значений на перспективу. Когда имеет место сильная колеблемость показателей динамического ряда целесообразным представляется сокращение периода наблюдений, а также изъятия показателей из ряда, которые искажают тенденцию. Динамические ряды показателей определяют информационный "вход" на модели одномерного прогнозирования параметров ].
Основные модули в матричных моделях[2. і] отражают производство и распределение производимой на предприятии продукции, а также использование ресурсов (наличных и приобретенных на стороне) в форме системы уравнений:
Математическое и программное обеспечение расчетов ненулевых оценок на используемые ресурсы
В работах 89 впервые рассмотрены вопросы расчета ненулевых оценок на все используемые ресурсы в оптимальных и неоптимальных планах. В определены требования, выполнение которых обеспечивает расчет ненулевых оценок на все изначально учитываемые и действительно используемые ресурсы в оптимальном плане прямой задачи линейного программирования: максимизировать Цх) = скхк (3.2.1) У.а!кхк Ь{ (/= 1,2,...,г), при условиях: , (3.2.2) хк 0 (к =1,2,...,5).
Решение задачи (3.2.1)-(3.2.2), а именно х"к (к = 1,2,...,5) определяет необходимое и достаточное количество для него всех учитываемых ресурсов, _ S т.е. ь. = 5 д ; (/=i,2,...,r). (3.2.3)
Сам расчет ненулевых оценок yt 0,yz 0,..., , ь0 на все используемые ресурсы в оптимальном плане задачи (3.2.1)-(3.2.2) в объемах (3.2.3) осуществляется путем решения модифицированной двойственной задачи: г минимизировать L(y) = b,y, (3.2.4) і 1 г при условиях: а.ку. ск(к = 1,2,...,5), по отношению к прямой задаче: s максимизировать L(x)=yckxk л=і s _ Y.aikxk =й,- (і = l,2,...,r) при условиях: ff, (3.2.5) jct 0 (к = 1,2,...,5). Очевидно, что задача (3.2.1)-(3.2.2) трансформируется, с учетом (3.2.3), в задачу (3.2.5) и решение последней совпадает с решением (3.2.1)-(3.2.2). В общем случае, как это показано в 89 решение задачи (3.2.4) определяет ненулевые оценки на все г виды ресурсов, когда в задаче (3.2.5) количество основных переменных S r числа учитываемых условий и, при этом, в матрице la J имеется подматрица \a.k\ полного ранга . При выполнении этих требований расчет ненулевых оценок на все используемые ресурсы в оптимальном плане предполагает решение задачи (3.2.1)-(3.2.2). Далее, по формуле (3.2.3) определяется необходимое и достаточное количество ресурсов для оптимального плана х"к (к = 1,2,...,г) задачи (3.2.1)-(3.2.2). С использованием
(3.2.3) строится и решается задача (3.2.4) или задача (что с вычислительной точки зрения легче осуществимо) вида (3.2.5). Решение (3.2.5) симплексным методом позволяет, наряду с расчетом х к ( = 1,2,...,, ), получить одновременно решение (3.2.4), т.е. ненулевые оценки на все г виды используемых ресурсов. Однако, когда изначально в исходной задаче (3.2.1) - ( 3.2.3) количество основных переменных S г количества учитываемых условий, а также, когда S r и в матрице І aik отсутствует подматрица полного ранга, осуществить расчет ненулевых оценок на все ресурсы вектора (3.2.3) не представляется возможным без искусственного увеличения количества основных линейно независимых переменных в задаче (3.2.5) и учитываемых условий в задаче (3.2.4) до необходимого количества "г".
В 89 предложен прием искусственного увеличения количества основных переменных до необходимого количества "г" в задаче (3.2.5), который обеспечивает совпадение оптимального плана расширенной задачи (3.2.5) с оптимальным планом исходной задачи (3.2.1)-(3,2.2).В то же время, здесь модифицированная двойственная задача, решаемая одновременно с расширенной задачей (3.2.5), позволяет рассчитать ненулевые оценки на все используемые ресурсы (3.2.3) в оптимальном плане исходной задачи (3.2.1)-(3.2.2).
В целях иллюстрации этого приема, предположим, что базис оптимального плана задачи (3.2.1)-(3.2.2) содержит лишь 2 основных переменных в первых двух её строках (что не нарушает общности предполагается, что условия разрешимости и невырожденности в задачах выполняются. по рассмотрения). Тогда в расширенной задаче (3.2.5) должно содержаться Х = (г-2) искусственных линейно независимых переменных с соответствующими векторами системы:
Информационное обеспечение числовых моделей и анализ одномерных прогнозов
Для проведения одномерных прогнозов по недетерминированным параметрам с заданной надежностью была подготовлена информация в форме динамических рядов за 15 лет: - по площади всех видов сельскохозяйственных угодий; - по урожайности возделываемых сельскохозяйственных культур открытого грунта; - по урожайности возделываемых сельскохозяйственных культур в защищенном грунте; - по продуктивности сельскохозяйственных животных; - по затратам живого труда в человеко-часах на гектар посевной площади сельскохозяйственных культур и угодий и принятую единицу измерения по отраслям животноводства.
Для проведения расчетов по сквозному прогнозированию развития сельскохозяйственного производства на предприятии с разным уровнем надежности недетерминированных параметров при р=0.95 и р=0.8 подготавливалась информация по: - вариантам осваиваемых и рекомендованных к освоению севооборотов; - возможной трансформации отдельных видов сельскохозяйственных угодий в другие; - нормам высева семян; - отходам продукции земледелия; - зеленому конвейеру кормов; - выходу кормовых единиц и перевариваемого протеина с 1 гектара посева сельскохозяйственных культур и угодий; - питательной ценности кормов; - показателям перевода одних видов кормов в другие; - затратам кормов по отраслям животноводства; - структуре стада сельскохозяйственных животных и другим.
В качестве основных модулей моделей [2], [5] (рис.1) учитывались модули, представленные в параграфе 2.2. В частности, в моделях [5] учитывались модули: - по расчету ошибки уровня показателя на отдельный год для прямолинейного, экспоненциального, логарифмического, полиномиального трендов; - по расчету доверительных границ прогнозируемых уровней показателей; - по расчету оценки надежности (расчет значения показателя при заданной оценке надежности).
В числовых моделях [6] (рис.1) сквозного прогнозирования развития сельскохозяйственного производства на конкретный период (год) перспективы учитывались все функциональные и расчетные модули, перечисленные в разделе 2.2 данной работы. В частности, в модели [6.1] многомерного прогнозирования развития земледелия открытого грунта, в модели [6.2] многомерного прогнозирования развития земледелия защищенного грунта, в модели [6.3] многомерного прогнозирования развития животноводства на конкретный год перспективы, в координирующей модели [6.4] формирования сквозного прогноза по развитию сельскохозяйственного производства на предприятии на конкретный год перспективы учтены были все модули, представленные в Таблице 2 (стр.60 работы).
В координирующей дискретно-динамической модели [6.5] формирования сквозного прогноза по развитию сельскохозяйственного производства на предприятии на 2005 и 2010 годы были использованы модули: - по преемственности в динамике расчетного поголовья каждого вида сельскохозяйственных животных (2.2.113); - по преемственности в динамике производства всех (или отдельных) видов товарной продукции земледелия и животноводства (2.2.114); - по преемственности в динамике расчетных площадей под севооборотами (2.2.115); - по преемственности в динамике расчетных площадей под пашней и другими видами сельскохозяйственных угодий (2.2.116); - по выпуклым линейным комбинациям базисных решений модели [6.4] по годам перспективы (2.2.112).
Расчеты по сквозному прогнозированию развития производства в СПК ПЗ "Детскосельский" на перспективу (2005-ый и 2010-ый годы) ориентированы в форме векторной оптимизации на максимальное производство товарной продукции с учетом достигнутого в хозяйстве уровня специализации производства.
Подготовка входной информации для проведения оптимизационных расчетов осуществлялась с помощью моделей [1],[2],[5] комплекса моделей анализа и прогнозирования производства на предприятии. При этом прогнозирование показателей сельскохозяйственного производства на предприятии осуществлялось авторегрессионным методом на основе экстраполяции по тренду с помощью моделей [5] одномерного прогнозирования параметров (рис.1 параграф 2.1). Форма трендов и их параметры для каждого прогнозируемого показателя определялись по фактическим динамическим рядам за 15 лет (для одномерного прогноза показателей на 2005 год) на ПЭВМ с использованием пакета прикладных программ Microsoft Excel 2000. Были рассчитаны четыре вида моделей трендов для каждого показателя. Для расчета одномерных прогнозов показателей на 2010 год перспективы использовался достроенный ряд расчетных показателей (на 2002,2003,2004,2005 годы), что рекомендовано в работах [44,127.
Рассчитанные виды моделей трендов по урожайности сельскохозяйственных культур, а также продуктивности сенокосов и пастбищ в СПК ПЗ "Детскосельский" на 2005 и 2010 годы представлены соответственно в таблицах 1, 2 "Приложения".
Модели трендов по трудоемкости продукций сельскохозяйственных культур, сенокосов и пастбищ в СПК ПЗ "Детскосельский" на 2005 и 2010 годы представлены в таблицах 7, 8 "Приложения".
Рассчитанные модели трендов по урожайности сельскохозяйственных культур весенних теплиц в СПК ПЗ "Детскосельский" на 2005 и 2010 годы представлены в таблицах 3,4 "Приложения".
Модели трендов по урожайности сельскохозяйственных культур утепленного грунта в СПК ПЗ "Детскосельский" на 2005 и 2010 годы соответственно представлены в таблицах 5,6 "Приложения".
Виды моделей трендов по продуктивности животноводства, а также трудоемкости производства продукции животноводства в СПК ПЗ "Детскосельский" на 2005 и 2010 годы отражены в таблицах 9, 10, 11, 12 "Приложения" соответственно.
Далее, сравнивались коэффициенты аппроксимации по всем видам трендов для данного показателя и отдавалось предпочтение тому тренду, которому соответствовало наибольшее значение коэффициента аппроксимации.
Модели трендов, которые лучше отражали тенденцию изменения показателей использовались для расчета одномерных прогнозов на перспективу (2005,2010 годы) с оценкой надежности: 0.95 и 0.8.
