Содержание к диссертации
Введение
Глава 1. Использование систем поддержки принятия решений в сельском хозяйстве
1.1 .Информационно-аналитическое обеспечение сельского хозяйства 9
1.2. Развитие региональных систем поддержки принятия решений 15
1.3.Использование нейросетевых моделей 18
Глава 2. Разработка комплексной модели прогнозирования сельского хозяйства с модификацией метода предподготовки данных нейронной сети
2.1 .Общее представление нейронной сети с обратным распространением ошибки
2.2. Обучение нейронной сети с обратным распространением ошибки 28
2.3.Проблемы программной реализации экспертных информационных систем на базе нейронных сетей
2.4.Модификация метода предподготовки данных обучающего множества нейронной сети обратного распространения
2.5. Комплексное представление показателей, характеризующих развитие сельского хозяйства
2.6.Системное рассмотрение объекта исследования 43
2.7.Моделирование подсистемы анализа и прогнозирования экономического развития сельского хозяйства
2.8.Функциональное представление разрабатываемой подсистемы 57
2.9.Методы многокритериальной оценки вариантов развития отрасли 61
Глава 3. Практическое использование разработанной модели на примере курской области
3.1. Предварительная подготовка и обработка информации 67
3.2. Анализ состояния и прогнозирование развития сельского хозяйства Курской области
3.3. Выбор и обоснование варианта развития 86
Заключение 94
Список литературы 99
Приложения
- Развитие региональных систем поддержки принятия решений
- Обучение нейронной сети с обратным распространением ошибки
- Комплексное представление показателей, характеризующих развитие сельского хозяйства
- Анализ состояния и прогнозирование развития сельского хозяйства Курской области
Введение к работе
Актуальность работы.
Эффективная подготовка, прогнозирование и формирование управленческих решений в сельском хозяйстве осуществляется в условиях неопределённости и риска из-за сложности комплексного учёта трудноформализуемых факторов. Традиционные методы и модели управления в сельском хозяйстве, основанные на статистическом подходе, в современных условиях являются ограничено применимыми, т.к. частично учитывают свойства неопределённости и нелинейности при подготовке данных и прогнозирования. Комплексный учёт ряда факторов управления состоянием сельского хозяйства должен быть основан на разработке систем поддержки принятия решений (СППР) и их многокритериальной оценки. При этом важнейшей подсистемой в СППР будет выступать подсистема подготовки данных и прогнозирования, задающая необходимый уровень качества принимаемых решений. Отсутствие полной формализации всех управляющих факторов, многомерность исходных данных, ограниченность или противоречивость данных обуславливают применение адаптивных моделей, методов и технологий для управления в отрасли.
В настоящее время при моделировании сложных систем используют нейросетевые модели (НСМ), которые позволяют эффективнее оценить сложность структуры объекта, работать с большими размерностями вектора входных факторов, представленных в качественном, количественном и порядковом виде. Поэтому качественно новый уровень разрабатываемых региональных СППР представляется как результат синтеза статистических моделей и нейросетевых моделей - синтетических информационно-аналитических моделей. Эффективность использования подобных систем определяется адаптивностью, возможностью исследования динамических случайных процессов с учётом влияния на объект изменчивой внешней среды. Синтетические модели и основанные на них информационно-
4 аналитические подсистемы прогнозирования развития (ИАПГТР) уменьшают степень риска при принятии решений в таких областях как управление регионом, планирование производства, управление материально-производственными запасами и др.
Теоретические и практические вопросы проектирования и использования ИАППР, в том числе и сельском хозяйстве, рассматривались в работах, И.Б. Загайтова и Л.П. Яновского, С.Д. Коровкина и И.Д. Ратманова, А.Н. Тарасова и В.Л. Дунаева. Однако разработка ИАППР на базе НСМ, как самостоятельная задача, применительно к сельскому хозяйству не рассматривалась.
Актуальность исследования и разработки ИАППР связана с тем, что в настоящее время отсутствуют единые методы и модели анализа и прогнозирования развития сельского хозяйства в условиях неопределённости и ограниченности данных.
Объектом исследования являются процессы прогнозирования и принятия решений в сельском хозяйстве.
Предметом исследования являются методы и модели анализа, прогнозирования и принятия решений.
Цель работы: повышение качества принятия решений на основе разработанных математических методов, нейросетевых моделей и алгоритмов построения ИАППР.
Для достижения поставленной цели решаются следующие задачи:
анализ существующих ИАППР в сельском хозяйстве, выявление их основных ограничений, и обоснование перспектив внедрения нейросетевых (НС) технологий в ИАППР;
синтез НСМ прогнозирования и модифицированного метода предподготовки данных для ИАППР;
разработка структуры НСМ прогнозирования вариантов развития сельского хозяйства с использованием сценарного подхода и исследование характеристик НС;
формирование альтернатив и разработка оптимальных вариантов развития сельского хозяйства на базе многокритериальной оценки;
разработка структурно-функциональной организации ИАППР с использованием нейронных сетей и её апробация.
Методы исследования основаны на положениях теории проектирования сложных информационных систем, системного анализа в управлении, общей теории статистики, методах искусственного интеллекта и принятия решений, теории управления, квалиметрии, имитационного моделирования.
Научная новизна результатов, полученных в диссертационной работе, состоит в том, что при решении поставленных задач были разработаны:
модифицированный алгоритм подготовки обучающего множества, который позволяет осуществить масштабирование данных для прогнозирования восходящих и нисходящих тенденций показателей сельского хозяйства на базе НСМ;
методы оценки предельной производительности факторов производства в сельском хозяйстве на базе модифицированной производственной функции (ПФ), расширяющие аналитические возможности ИАППР и дополняющие информационное обеспечение подсистемы;
модифицированный алгоритм оценки размерности вектора входных факторов для НСМ, позволяющий оптимизировать обучающее множество за счёт подсчёта рейтинга экзогенных переменных;
структурно-функциональная организация ИАППР, обеспечивающая выбор рациональных решений на основе сценарного подхода.
Практическая значимость Проведенные теоретические и экспериментальные исследования позволили:
разработать ИАППР для управления сельским хозяйством;
разработать программный комплекс, обеспечивающий информационную поддержку принятия решений в сельском хозяйстве, путём предоставления лицу, принимающему решения, оперативную аналитическую информацию;
повысить оперативность получения аналитической информации и решения управленческих задач путём внедрения ИАППР.
Апробация работы. Основные положения и научные результаты диссертационной работы докладывались и обсуждались на: 1 Международной научно-практической конференции «Современные инструментальные системы, информационные технологии и инновации» (Курск, 2003 г.); Международной конференции «Системные проблемы качества, математического моделирования, информационных и электронных технологий» (Сочи, 2003 г. и 2004 г.).
Достоверность и внедрение. Достоверность определяется корректностью постановки и решением задач, а также совпадением теоретических и экспериментальных данных. Апробация разработанной ИАППР позволила повысить степень автоматизации решения задач прогнозирования для принятия управленческих решений в агропромышленном комплексе Курской области с 30% до 55%, а оперативность принятия управленческих решений на 10-12%. Данные получены на основании результатов экспертного оценивания при проверке действия подсистемы. Разработанная подсистема эксплуатируется в комитете агропромышленного комплекса Курской области, что подтверждается актом о внедрении.
Результаты исследования внедрены в учебный процесс и нашли развитие в курсе «Информационные системы в экономике», что подтверждено актом о внедрении.
Первая глава посвящена обзору современного состояния развития СППР в сельском хозяйстве; рассмотрены основные направления развития
7 информатизации прогнозно-аналитической работы регионального уровня; обосновываются положения, касающиеся эффективности использования нейросетевых моделей как комплексного средства поддержки принятия решений в условиях неопределённости.
Во второй главе рассматриваются методы, модели и алгоритмы, позволившие разработать структурно-функциональную организацию ИАППР на базе нейронных сетей обратного распространения (НСОРО). Предлагаемая система состоит из модулей, каждый из которых функционирует независимо и связывается информационными потоками. Модульная разработка позволяет наращивать представленную подсистему для расширения аналитических и прогностических возможностей.
Третья глава посвящена результатам практической реализации методов и моделей, положенных в основу ИАППР сельского хозяйства. Представленные методы позволили структурировано отобразить информацию для базового варианта, в последующем являющейся ресурсом для апостериорных альтернатив. Приведены основные выводы согласно анализа статистической информации по сельскому хозяйству Курской области. Расчёты по блокам растениеводства, животноводства, фондам и труду позволили определить дополнительные характеристики, послужившие обоснованием для составления альтернативных вариантов развития сельского хозяйства в рамках одного сценария.
В заключении работы приведена общая характеристика работы и основные выводы по результатам диссертационного исследования.
Основные положения, выносимые на защиту:
1. Модифицированный метод подготовки обучающего множества для НСМ, который позволяет масштабировать подаваемые на вход данные и прогнозировать восходящие и нисходящие тенденции показателей сельского хозяйства.
Модель интегральной оценки производительности труда на базе спецификации ПФ, расширяющая аналитические возможности подсистемы.
Структурная организация ИАППР сельского хозяйства, позволяющая синтезировать множество сценариев развития и обеспечивающая рациональный выбор наиболее эффективных на базе комплексного применения многомерных критериальных оценок.
Подсистема подготовки и прогнозирования данных на базе НСМ.
Развитие региональных систем поддержки принятия решений
В ходе проведенных исследований, в частности во ВНИИ экономики сельского хозяйства (Москва), были разработаны и апробированы линейные модели сельского хозяйства большой размерности. Не преувеличивая значения полученных в восьмидесятые годы результатов, можно сказать, что модельные исследования однозначно подтвердили бесперспективность ориентации на импорт фуражного зерна [75]. Кроме того, использование разработанной с непосредственным участием автора модели перспективного развития АПК страны показало, что в рамках проводившейся экономической политики выполнение Продовольственной программы, не говоря уже о выходе на уровень и структуру потребления стран Запада, невозможно из-за отсутствия бюджетных возможностей для субсидирования соответствующего увеличения объемов потребления [81].
Кардинально иные условия, в которых к настоящему времени оказалась экономика России, породили новые проблемы, что в свою очередь вынуждает искать новые подходы к прогнозированию, расширяя при этом спектр применяемых экономико-математических моделей. Одним из примеров создания информационно-аналитического инструмента является САПСЭР (Система Анализа и Прогнозирования Социально-Экономического Развития региона) [106], ориентированная на решение задач анализа и прогнозирования в отраслевом разрезе конкретного регионального комплекса. Основа САПСЭР - динамическая модель многоотраслевой экономики, сочетающая в себе возможности межотраслевого баланса и нелинейных производственных функций отраслей экономики региона [106]. Модель является результатом логического развития метода межотраслевого баланса и содержит основные элементы процесса расширенного воспроизводства. Наряду с балансом производства и распределения продукции она включает также баланс основных фондов и трудовых ресурсов. Исследования на материалах нескольких регионов РФ доказали эффективность этой системы и полезность получаемых при ее использовании выводов. В отличие от других известных методов прогнозирования социально-экономических процессов САПСЭР обладает адаптивностью и, главное, системностью, позволяя исследовать регионы не как набор автономно функционирующих отраслей, а как целостную социально-экономическую систему. САПСЭР предполагает реализацию сценарного подхода в управлении, то есть дает возможность достоверно определить наиболее вероятные тенденции развития, взаимосвязи между действующими факторами и возможные последствия различных управляющих воздействий. Формирование сценариев является распространенным приемом динамического анализа, позволяющим, исходя из некоторых предположений, рассчитывать различные траектории развития исследуемого процесса [57,58]. На региональном уровне сценарный подход предполагает рассмотрение множества вариантов развития в зависимости от изменения внешней и внутренней социально-экономической среды и управляющих воздействий региональной администрации. В качестве последних рассматриваются, прежде всего, целевые программы [59], реализующие прямую бюджетную поддержку отдельных сфер деятельности, или косвенную - через выбранную систему приоритетов [22]. В САПСЭР реализовано 3 модели: балансовая нелинейная динамическая модель; модель анализа отраслевой структуры; модель анализа эффективности региональной экономики. Первая модель включает нелинейные производственные функции отраслей регионального хозяйства и показатели межотраслевого баланса. Предусмотрена возможность формирования внутрирегиональных фондов потребления и накопления (по их материально-вещественному состоянию) не только в процессе внутрирегионального воспроизводства, но и путём ввоза и вывоза товаров народного потребления и средств производства из других регионов. Вторая модель в настоящий момент имеет вспомогательное значение для региональных исследований и привлекается для поиска измерителей скорости структурных изменений, их влияния на эффективность производства. Третья модель включает расчёт обобщающего показателя эффективности регионального производства, факторный анализ прироста национального дохода региона [32]. Но САПСЭР плохо адаптирован к решению задач оценки перспективного развития АПК в силу слабого математического обеспечения модуля прогнозирования и отсутствия характеристических показателей хозяйственной деятельности сельского хозяйства. В качестве программного приложения САПСЭР был реализован во времена существования плановой экономики, и все модели базировались на периодических данных: пятилетки, десятилетки и т.п. Такое статическое представление результатов не может адекватно представлять состояние исследуемого объекта [59, 60, 61].
Воронежская технология «ЗОНТ» профессора Загайтова [38,39] обладает большим ретроспективным объёмом данных для последующего перспективного анализа. Технология базируется на представлении о квазицикличном характере колебаний многих процессов природно-экономического свойства, о наличии определенных зависимостей динамики таких колебаний во времени и пространстве, о принципиальной возможности познания этих зависимостей при использовании современного потенциала естественных, экономических и социальных наук, новых способов математической обработки информации, ее анализа и оценки достоверности результатов исследований [127]. Но технология «ЗОНТ» позволяет прогнозировать только урожайность, не затрагивая оценку прогноза по другим показателям сельскохозяйственного производства.
Региональная экономико-математическая модель сельского хозяйства, реализованная в программном средстве FAR-2000, позволяет моделировать размеры сельскохозяйственного производства в регионе, определяет потребности в материально-технических ресурсах, позволяет оценивать возможные направления использования произведенной сельскохозяйственной продукции [102]. Трёхуровневая классификация моделей (эконометрические и две балансовые) опирается на использование методов регрессионного анализа и нелинейных моделей экономического развития. База входных показателей, характеризующая результаты деятельности АПК, жёстко привязана к моделям системы и не имеет полноценной возможности многофакторного анализа. Оценка перспектив развития сельскохозяйственного производства в регионе проводится на базе трёх сценариев - инерционного, вероятного и оптимистического. Но прогнозные значения рассчитываются на основе классических трендовых моделей.
Обучение нейронной сети с обратным распространением ошибки
Иллюстрация За описывает общую структуру нейронной сети по слоям, отдельные зоны которой размечены функциональными блоками, каждый из которых представлен на производных рисунках 36 - Зг. Рисунок 36 отображает условное распространение сигналов по аксону. На рисунке Зв изображена условная схема функционирования нейронов скрытого слоя, направление распространения сигналов. В процессе взаимодействия нейронов скрытого и выходного слоя изменяются параметры модели с учётом численных значений критериев качества обучения НС (рис. Зг).
Из выражения (9) следует, что когда выходное значение у/п ]) стремится к нулю, эффективность обучения заметно снижается. При двоичных входных векторах в среднем половина весовых коэффициентов не будет корректироваться [52,53], поэтому область возможных значений выходов нейронов [0,1] желательно сдвинуть в пределы [-0.5,+0.5], что достигается простыми модификациями логистических функций [27, 126, 131].
Теперь коснемся вопроса емкости НС, то есть числа образов, предъявляемых на ее входы, которые она способна научиться распознавать. Для сетей с числом слоев больше двух, он остается открытым.
Кроме того, фигурирующее в названии емкости прилагательное «детерминистский» означает, что полученная оценка емкости подходит абсолютно для всех возможных входных образов, которые могут быть представлены Nx входами. В действительности распределение входных образов, как правило, обладает некоторой регулярностью, что позволяет НС проводить обобщение и, таким образом, увеличивать реальную емкость. Так как распределение образов в общем случае, заранее не известно, мы можем говорить о такой емкости только предположительно, но обычно она раза в два превышает емкость детерминистскую [52].
Для повышения достоверности классификации желательно ввести избыточность путем выделения каждому классу одного нейрона в выходном слое или, что еще лучше, нескольких, каждый из которых обучается определять принадлежность образа к классу со своей степенью достоверности, например: высокой, средней и низкой. Такие НС позволяют проводить классификацию входных образов, объединенных в нечеткие (размытые или пересекающиеся) множества. Это свойство приближает подобные НС к правдоподобному и адекватному описанию состояния исследуемого объекта. Вместе с тем надо отметить, что рассматриваемая НС имеет несколько «узких мест». Во-первых, в процессе обучения может возникнуть ситуация, когда большие положительные или отрицательные значения весовых коэффициентов сместят рабочую точку на сигмоидах многих нейронов в область насыщения. Малые величины производной от логистической функции приведут в соответствие с (7) и (8) к остановке обучения, что «парализует» НС. Во-вторых, применение метода градиентного спуска не гарантирует, что будет найден глобальный, а не локальный минимум целевой функции. Эта проблема связана еще с одной, а именно - с выбором величины скорости обучения. Доказательство сходимости обучения в процессе обратного распространения основано на производных, то есть приращения весов и, следовательно, скорость обучения должны быть бесконечно малыми, однако в этом случае обучение будет происходить неприемлемо медленно. С другой стороны, слишком большие коррекции весов могут привести к постоянной неустойчивости процесса обучения. Поэтому в качестве т] обычно выбирается число меньше 1, но не очень маленькое, например, 0.1, и оно, вообще говоря, может постепенно уменьшаться в процессе обучения. Кроме того, для исключения случайных попаданий в локальные минимумы иногда, после того как значения весовых коэффициентов стабилизируются, г] кратковременно сильно увеличивают, чтобы начать градиентный спуск из новой точки. Если повторение этой процедуры несколько раз приведет алгоритм в одно и то же состояние НС, можно более или менее уверенно сказать, что найден глобальный максимум, а не какой-то другой. Существует и иной метод исключения локальных минимумов, а заодно и паралича НС, заключающийся в применении стохастических НС [109, 131].
Комплексное представление показателей, характеризующих развитие сельского хозяйства
Наиболее остро проблема комплексного сравнения предприятий обозначилась в условиях современных преобразований в России, когда поток реформ спровоцировал неопределенность и значительную дисперсию, как институциональных ценностей, так и хозяйственно-производственной среды экономических отношений. Проблемы комплексного сравнения эффективности хозяйственной деятельности предприятий в плановой экономике решались в соответствии с предпочтениями и установками сверху. В современных рыночных условиях при принятии хозяйственных решений необходимо учитывать сложную структуру внешней среды организации, что предопределяет многоцелевой характер деятельности предприятий. Непродолжительный собственный опыт становления рыночной экономики не позволяет четко утверждать о возможностях хозяйствующих единиц в новых условиях хозяйствования. Наиболее неопределенными остаются возможности сложно организованных агропромышленных предприятий. Мощное, высокотехнологичное и в то же время специфичное и низко мобильное наследие сельского хозяйства плановой экономики пока не нашло надлежащего достаточно эффективного использования в новых условиях. Это обусловило ряд проблем: незнание возможностей вызывает неуверенность в принятии решений, в выборе отношений. Это в свою очередь мешает формированию национальных, географических, этических, политических, а также финансовых, производственных, технико-технологических и т.д. предпочтений и ценностей в среде принятия решений. Т.о., развитие научного похода к решению проблем оценки, сравнения и выбора наиболее актуально в современных условиях деятельности хозяйствующих субъектов. В условиях плановой экономики проблема комплексной оценки широко развивалась для несколько иных целей, и при этом был разработан довольно мощный инструментарий. Именно тот факт, что разработки в то время не были ориентированы на субъективные предпочтения с тем, чтобы дать практикам немедленную выгоду, позволил создавать научно обоснованные методы распознавания объективной эффективности функционирования организаций. В настоящее время принципы системного подхода активно используются в качестве общенаучной методологии к исследованию предмета различных наук. Формализация экономических явлений с помощью системного подхода обнаруживает альтернативные возможности разработки аналитического инструментария. Системное моделирование явлений дает возможность применять наиболее прогрессивную технику и создавать высокопроизводительные технологии. Таким образом, системный подход, использованный в разработке методики комплексного сравнения хозяйств, несет потенциал создания высоко производительных информационных технологий. Экономическое моделирование является не менее важной процедурой. Настоящее состояние теории фирмы делает актуальным вопрос о выборе экономической модели фирмы для последующего применения к ней соответствующих приемов экономического анализа [104]. Комплексный анализ хозяйственной деятельности АПК может опираться на модель, представленную на рис. 6. На схеме показано поэтапное формирование варианта в разрезе хозяйств, которые в целом определяют АПК как объект предметного анализа. Методика анализа хозяйственной деятельности направлена на обоснование бизнес-планов и управленческих решений, систематический контроль за их выполнением, изучение влияния факторов на результаты хозяйственной деятельности, поиск резервов повышения эффективности производства и разработку мероприятий по их освоению, оценку деятельности предприятия по использованию возможностей повышения эффективности производства. По своему содержанию анализ хозяйственной деятельности АПК почти не отличается от анализа в других отраслях национальной экономики, однако имеются некоторые особенности в методике его проведения, которые обусловлены спецификой этой отрасли производства.
Необходимо учитывать, что результаты хозяйственной деятельности сельскохозяйственных предприятий во многом зависят от природно-климатических условий, поскольку дожди, засухи, морозы и другие природные явления могут значительно уменьшить сборы урожая, снизить продуктивность труда и другие показатели. Для получения правильных выводов о результатах хозяйственной деятельности показатели текущего года должны сопоставляться не с прошедшим годом, как это делается на промышленных предприятиях, а со средними данными за предшествующие 3-5 лет.
Анализ состояния и прогнозирование развития сельского хозяйства Курской области
Массив факторов представлен аналитическими показателями, расчёт которых позволяет описать общее состояние отрасли сельского хозяйства в составе АПК (прил. 11). Качественный анализ опирается на исследование динамики движения рабочей силы в период самых напряжённых работ - сев, уборка урожая. Количество принятого персонала имеет тенденцию к постоянному увеличению в среднем на 2 тыс. человек в год. Несмотря на это привлекательность работы в отрасли сельского хозяйства уменьшается, о чём свидетельствует статистический показатель среднесписочная численность персонала. Наблюдается единичный всплеск притока рабочих в 1999 году, что обусловлено действиями административных органов власти, сосредоточивших большое количество ресурсов в АПК. Управленческая политика администрации также сказалась в Курской области и на динамике уволившихся работников. Коэффициент оборота по выбытию (KOV) в 1998 работников задействованных в сельском хозяйстве Курской области году и в 2002 году составил 19% -самое большое значение за весь ретроспективный период. Уровень выбытия работников в 2002 году обусловлен сменой административной политики, а также возросшим после 1998 года кризисом во многих отраслях народного хозяйства. Общий анализ всех предложенных показателей в блоке «Труд» характеризуется строгой пропорциональностью в разрезе процессов приёма и увольнения работников (рис. 12). Непривлекательность работы в сельском хозяйстве также обусловлена затруднениями в социальном плане, а именно: тяжёлые условия труда, низкий уровень заработной платы, слаборазвитая социальная защищённость членов трудовых коллективов. Являясь низкорентабельными, предприятия АПК не способны обеспечить полноценную поддержку работников: материальную, инвестиционную или жилищную. Детальный анализ в рамках данного исследования не предполагается, но при углубленном рассмотрении в подтверждение сказанному будет детализация показателей данной группы по состоянию фонда оплаты труда, на который оказывает влияние также инфляция.
Коэффициентный анализ ретроспективы блока «Фонды» позволяет проследить динамику показателей в условиях развития сельского хозяйства как в АПК Курской области, так и в целом по России. Сельскохозяйственное производство характеризуется привлечением сложных агротехнических технологий и тяжёлой техники. Амортизационный период в среднем составляем 8 лет (машины и оборудование). Но динамика коэффициентов обновления фондов свидетельствует об относительно постоянном и невысоком уровне поступления основных средств (0,5-0,6). Тенденция показателя срока обновления в ретроспективе возрастающая. Это означает, что имеющиеся машины и оборудование эксплуатируются дольше амортизационного периода. Выбытие основных средств в отрасли (рис 13) превышает уровень прироста в среднем в 3-4 раза. Дальнейшее соблюдение этой тенденции вызовет ещё большие трудности с обслуживанием хозяйственной деятельности. Материально-техническая база по обслуживанию оборудования и машин, задействованных в сельском хозяйстве, сохраняет низкие темпы прироста изнашиваемого оборудования, о чём свидетельствует динамика коэффициента износа основных средств. Сельхозпредприятиям, вероятно, выгоднее поддерживать работоспособность машин сверх амортизационного периода за счёт кредитов в пользу приобретения запасных частей. Невозможность приобретения новых машин также обусловлена высокой стоимостью и слабо развитой рыночной стороной сотрудничества предприятий промышленности и сельского хозяйства. В результате промышленные предприятия, работающие на АПК, также с течением времени становятся низкорентабельными. О динамике эффективности использования основных средств свидетельствует показатель фондоотдачи. В ретроспективном периоде с 1995 года по 1998 год явно выражена тенденция резкого снижения (рис. 14а,б). Как отмечалось в анализе блока «Труд», смена политики на административном уровне управления АПК, позволила повысить валовую прибыль к 2002 году по сравнению с 1995 годом примерно в 2 раза. Основные фонды, участвующие в производстве были активно задействованы согласно расчётным значениям фондоотдачи (рис. 14). Обратный показатель - фондоёмкость - показывает, что в 1997 году для обеспечения производства сельхозпродукции требовалось примерно в 25 раз больше средств, чем в 2002 году. При этом необходимо учесть тот факт, что стоимость основных фондов снизилась на 30%, площадь сельхозугодий снизилась на 2 %. Произошла переориентация производства с экстенсивного на интенсивный уровень (рис. 15), о чём свидетельствуют расчёты обобщающих показателей обеспеченности хозяйств Курского АПК основными производственными фондами. С 1995 года по 2002 наблюдается ярко выраженная тенденция повышения значений фондообеспеченности примерно в 1,5 раза и снижение фондовооружённости.
Анализ блока «Растениеводство» опирается на рассмотрение ретроспективной динамики статистических показателей. Большое влияние на урожайность оказывают природно-климатические условия, предсказать которые затруднительно. Их игнорирование может привести в свою очередь к неправильным выводам и прогнозам. В контексте данного диссертационного исследования рассмотрению подлежат многофакторная связь валового сбора зерновых культур от состояния развития АПК в целом: социальные и экономические характеристики. Определённый интерес представляет показатель окупаемости 1 ц. действующего вещества - ONPK. При всех прочих неизменных условиях, принимая во внимание только показатель урожайности и удобряемости почвы, средствами регрессионного анализа можно составить модель, объясняющую функциональную зависимость урожайности конкретной культуры от уровня использования в растениеводстве удобрений. В растениеводстве можно определить приоритетные культуры, например, доля пшеницы самая большая по сравнению с остальными выращиваемыми культурами. В Курской области наблюдается смена приоритетов с пшеничного производства на выращивание ячменной культуры, пригодной как для производства фуражного зерна, так и в качестве сырья для пивоваренных заводов (рис.16). Традиционно сложившееся масштабное выращивание сахарной свеклы до 1997 года сохраняло нисходящую тенденцию, но после 1998 года наблюдается постепенное увеличение. Низкий уровень производства в 2001 году скорее всего связан с погодно-климатическими условиями. Снижение урожайности также может быть обусловлено естественными потерями во время уборки, уровень которых повышается в силу изнашиваемости зерно-свеклоуборочных комбайнов. Анализ блока «Животноводство» основывается на рассмотрении статистических показателей. Если эндогенные факторы представлены продуктивностью, то к экзогенным относятся факторы развития растениеводства, определяющие кормовую базу. Повышение уровня кормления животных - главное условие интенсификации производства и повышения его эффективности. Исследуя динамику показателя концентрации корма, явно выражена нисходящая тенденция на протяжении всего ретроспективного периода (снижение на 30%). Но кормовая база, значения которой выражены в показателе расхода кормов поддерживается на среднем уровне 29 ц. корм. ед. и ближе к 2002 году имеет склонность к повышению на относительно стабильном уровне 0,5-1% в год. Стоит отметить, что более высокий уровень кормления животных обеспечивает повышение в рационах доли продуктивной части корма, рост продуктивности животных и сокращение затрат кормов на 1 единицу продукции.
