Диссертация (1169097), страница 20

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 20)

При этом 21% респондентов не могли себе позволитьсбалансированное питание по материальным причинам, а 2% респондентовне могли обеспечить детям сбалансированное питание. Среди всехреспондентов 14% довольствовались только несколькими видами недорогойпищи.С точки зрения безопасности пищевых продуктов, 56% респондентоввсегда читают информацию на этикетке, при этом 83% из них считают, что всоставе пищевых продуктов содержатся вредные вещества.

21% опрошенныхлично сталкивались с пищевыми рисками.С учетом того, что в динамике производства продукции сельскогохозяйства в стоимостном выражении можно выделить два основных фактора,оказывающих влияние на изменение его стоимости: индекс потребительскихценнапродовольственныетоварыииндекспроизводствапродовольственных товаров, интересным представляется моделированиеэтих двух показателей и на основе полученных моделей построениекраткосрочного прогноза.

Для выбора модели прогнозирования необходимовыявить наличие компонент временного ряда.На рисунке 3.1.8 представлена динамика потребительских цен напродовольственные товары за период январь 2011 г.- июль 2019 г. вмай.19янв.19сен.18янв.18май.18сен.17май.17янв.17сен.16янв.16май.16сен.15май.15янв.15сен.14май.14янв.14сен.13май.13янв.13сен.12май.12янв.12сен.11май.11106,0105,0104,0103,0102,0101,0100,099,098,0янв.11%процентах к предыдущему месяцу.Индексы потребительских цен на продовольственные товары, %Рисунок 3.1.8 ̶ Динамика потребительских цен на продовольственные товарыза период январь 2011 г.- июль 2019 г., % к предыдущему месяцу 116 На основании графического представления индекса потребительскихцен можно предположить наличие сезонной компоненты, так как зарассматриваемыйпериодснижениепотребительскихценнапродовольственные товары устойчиво наблюдается в августе, а ихнаибольший рост – в январе.

Для подтверждения наличия сезонности былрассчитанрядпервыхразностейиндексапотребительскихценнапродовольственные товары и на его основе построена автокорреляционнаяфункция (рисунок 3.5 приложения 3). В результате анализа функции рядапервых разностей также было выявлено наличие сезонной составляющей:имеются «выбросы» на лагах, кратных периоду сезонности.Для выявления наличия систематической компоненты необходимоисключить из временного ряда сезонную составляющую с использованиемсезонныхразностей.автокорреляционнаяНарисункефункция3.6рядаприложениясезонных3представленаразностейиндексапотребительских цен на продовольственные товары за рассматриваемыйпериод. Коэффициенты автокорреляции ряда сезонных разностей плавноубывают, что указывает на наличие систематической компоненты вовременном ряду.Визуальный анализ графического изображения ряда не дает полногопредставления о характере сезонных колебаний, следовательно, припрогнозированиинеобходиморассмотретьиаддитивную,имультипликативную формы сезонности.В таблице 3.10 приложения 3 представлен результат расчетаабсолютных сезонных и относительных разностей, а также индексысезонности.Построимсезоннуюволнуиндексапотребительскихценпродовольственные товары на основе индексов сезонности (рисунок 3.1.9). на117 101,5101,0%100,5100,099,599,098,5Индекс сезонности, %Рисунок ̶ 3.1.9.

Сезонная волна индекса потребительских цен напродовольственные товарыГрафик сезонной волны подтверждает выводы, сделанные наосновании визуального анализа исходных данных: снижение уровня ценимеет место с января по август, после чего наблюдается резкое повышениецен на продовольственные товары.Для моделирования временного ряда индекса потребительских цен напродовольственные товары будем использовать два класса методов:адаптивные методы и метод ARIMA [38].Преимуществом адаптивных методов моделирования временныхрядов является возможность учитывать различную информативную ценностьуровней временного ряда.Модели ARIMA (авторегрессии и скользящего среднего) получилинаибольшее распространение среди моделей стационарных рядов.

Этиметоды достаточно хорошо моделируют показатели, имеющие сложнуюструктуру, в то время как применение других традиционных методов не даетудовлетворительного результата.Сравнительная характеристика моделей временного ряда индексапотребительских цен на продовольственные товары представлена в таблице3.11 приложения 3.На основе анализа полученных ошибок моделей временного рядапредпочтение отдается модели ARIMA. Все оценки операторов выбранной 118 модели значимы (рисунки 3.7, 3.8 приложения 3), а построенная модельARIMA(0,0,0)(2,1,0) описывает поведение уровней исходного временногоряда на 84,47%.Проверим значимость предложенной модели ARIMA(0,0,0)(2,1,0).Для этого рассчитаем F-критерий по формуле:;Таким,образом,0,005090,00004регростFрасч=127,25,что127,25большекритическойточки=3,935, поэтому гипотеза H0 отвергается на 5%-ном уровне; ;значимости, то есть модель статистически значима.Выполним прогноз по выбранной модели индекса потребительскихцен до конца 2019 года (таблица 3.1.2).Таблица 3.1.2 – Прогнозные значения индекса потребительских цен напродовольственные товары на август – декабрь 2019 года, % к предыдущемумесяцуМесяцИнтервальный прогноз (95,0%)Нижняя границаВерхняя граница98,17100,7698,01101,6898,05102,5797,76102,9897,72103,58Точечный прогнозавгустсентябрьоктябрьноябрьдекабрь99,4599,83100,28100,33100,61На основе прогнозных значений можно ожидать, что потребительскиецены на продовольственные товары к концу 2019 года по сравнению суровнем цен в июле 2019 года возрастут на 0,5%.

Полученные прогнозныезначениянепротиворечатобщимзакономерностямразвитиярассматриваемого показателя.В результате анализа нормального вероятностного графика остатковмодели (рисунок 3.9 приложения 3), можно сделать вывод, что остаткимодели нормально распределены, так как они находятся около прямойнормального распределения, и нет выбросов, то есть полученная модель 119 достаточно хорошо описывает поведение уровней ряда, соответственно,полученные прогнозы являются точными.Выполним моделирование и прогнозирование индекса производствапродовольственных товаров.

Следует отметить, что данные по индексупроизводствапродовольственныхтоваровпубликуютсяРосстатомсквартальной периодичностью, начиная с 2011 года. Представим индексыпроизводства продовольственных товаров за этот период графически(рисунок 3.1.10).140,0130,0%120,0110,0100,090,0I квартал 2011II квартал 2011III квартал 2011IV квартал 2011I квартал 2012II квартал 2012III квартал 2012IV квартал 2012I квартал 2013II квартал 2013III квартал 2013IV квартал 2013I квартал 2014II квартал 2014III квартал 2014IV квартал 2014I квартал 2015II квартал 2015III квартал 2015IV квартал 2015I квартал 2016II квартал 2016III квартал 2016IV квартал 2016I квартал 2017II квартал 2017III квартал 2017IV квартал 2017I квартал 2018II квартал 2018III квартал 2018IV квартал 2018I квартал 2019II квартал 201980,0Индексы производства продовольственных товаров, %Рисунок 3.1.10 ̶ Динамика производства продовольственных товаров всопоставимых ценах за период 1 квартал 2011 – 2 квартал 2019 гг., % кпредыдущему годуНа основе визуального анализа не представляется возможным сделатьпредположение относительно наличия компонент временного ряда.

В связи сэтим,построимавтокорреляционнуюфункциюрассматриваемоговременного ряда (рисунок 3.1.11). На основе анализа автокорреляционнойфункциииндексапроизводствапродовольственныхтоваров,можноутверждать наличие сезонной составляющей, так как имеются выбросы налагах,кратныхпериодусезонности(первомичетвертом).Автокорреляционная функция ряда первых разностей также доказывает этопредположение (рисунок 3.11 приложения 3).

В результате анализа 120 автокорреляционной функции ряда сезонных разностей однозначного выводасделать нельзя (рисунок 3.12 приложения 3).Автокорреляционная функция(Стандартные ошибки - оценки белого шума)LagCorr. S.E.1-,200 ,16651,45 ,22882-,237 ,16383,54 ,17033+,228 ,16125,53 ,13664-,454 ,158513,74 ,00825+,014 ,155713,75 ,01736+,186 ,152915,23 ,01867-,243 ,150017,84 ,01278+,203 ,147119,74 ,01149+,159 ,144120,96 ,012810-,240 ,141123,86 ,008011+,162 ,138025,24 ,008412+,036 ,134825,31 ,013413-,194 ,131627,48 ,010714+,059 ,128327,69 ,015715+,064 ,124827,95 ,02190-1,0Q-0,50,00,5p01,0Доверительный интервалРисунок 3.1.11 ̶ Автокорреляционная функция индекса производствапродовольственных товаровДля визуального анализа сезонной составляющей построим сезоннуюволну индекса производства продовольственных товаров за период 1 квартал2011 – 2 квартал 2019 гг.

(таблица 3.12 и рисунок 3.13 приложения 3).В результате анализа графика сезонной волны можно сделать вывод,что прирост объема производства продовольственных товаров имеет место в3 и 4 кварталах, соответственно, на 1,8% и 1,9%, при этом в 1 и 2 кварталахнаблюдается снижение объема производства на 1,6% и 1,7%.Для выявления наличия систематической компоненты во временномряду применим критерий серий, основанный на медиане. 121 Подсчитаем количество серий U(n) и протяженность самой длиннойсерии τmax(n): U(34)=16, τmax(34)=5.

Проверим нулевую гипотезу H0 оботсутствии систематической компоненты во временном ряду.16 ≯ 0,5 ∙ 34 11,96 ∙ √3451,431 ∙ ln 34 11Следовательно, гипотеза об отсутствии систематической компонентыво временном ряду индекса производства продовольственных товаров впостоянных ценах отклоняется.Длямоделированиявременногорядаиндексовпроизводствапродовольственных товаров будем использовать адаптивные методы имодели ARIMA.Сравнительная характеристика полученных моделей представлена втаблице 3.13 приложения 3.На основе анализа полученных ошибок моделей временного рядапредпочтение отдается модели ARIMA(0;0;0)(1;1;0).

Все оценки операторовмодели значимы (рисунки 3.14, 3.15 приложения 3), а построенная модельописывает поведение уровней исходного временного ряда на 73,28%.Проверим значимость предложенной модели ARIMA(0,0,0)(1,1,0). Дляэтого рассчитаем F-критерий по формуле:;Таким,; ;образом,0,243560,00558регростFрасч=43,65,что43,65большекритическойточки=4,149, поэтому гипотеза H0 отвергается на 5%-ном уровнезначимости, то есть модель статистически значима.Выполним прогноз по выбранной модели индекса производствапродовольственных товаров до конца 2019 года (таблица 3.1.3). 122 Таблица 3.1.3 – Прогнозные значения индекса производства продукциисельского хозяйства до конца 2019 год, %КварталИнтервальный прогноз (95,0%)Нижняя границаВерхняя граница90,23122,3280,64124,01Точечный прогнозIII кварталIV квартал105,06100,00Наосновепрогнозныхзначенийможносделатьвывод,чтопроизводство продовольственных товаров вырастет на 5,1% по сравнению соII кварталом 2019 года.Наряду с мониторингом и прогнозированием основных показателейпродовольственной безопасности, важное значение с учетом спецификиРоссийской Федерации имеет выявление региональных различий попоказателям продовольственной безопасности3.2.Выявление региональных различий по показателямпродовольственной безопасностиСточкизренияанализапродовольственнойбезопасностиврегиональном разрезе важно выявить «лидирующие» и «отстающие»субъекты РФ по производству различных видов продукции сельскогохозяйства.В результате сравнительного регионального анализа можно сделатьвывод, что по уровню производства всех видов продукции сельскогохозяйства в основном выделяются одни и те же субъекты:Краснодарский край занимает первое место в рейтинге субъектовРоссийской Федерации по валовому сбору зерна и четвертые места – врейтинге субъектов по производству всех остальных рассматриваемых 123 продовольственных товаров, за исключением улова рыбы и валового сборакартофеля;Ростовская область занимает первое место в рейтинге субъектовРоссийской Федерации по производству товарной рыбы, вторые места – поваловому сбору зерна и производству яиц и пятые места – по валовому сборуовощей и производству молока;Воронежская область входит в «пятерку» лучших субъектов РФ поваловому сбору зерна и картофеля;В Челябинской области наблюдается высокий уровень производстваскота и птицы на убой и производства яиц;Астраханская область – «вторая» из лучших субъектов РоссийскойФедерации по производству товарной рыбы и валовому сбору овощей;Республика Татарстан лидирует по производству молока и «вторая» врейтинге субъектов по валовому сбору картофеля;Республика Башкортостан входит в «пятерку» лучших по производствумолока и входит валовому сбору картофеля.Лидирующие позиции в рейтинге субъектов Российской Федерации поулову рыбы и добычи других водных биоресурсов в связи с удобнымтерриториальным расположением в полном объеме заняли субъектыДальневосточного федерального округа.Наихудшие результаты по большинству показателей производствапродовольственных товаров в 2017 году были отмечены в Ямало-Ненецкомавтономном округе, Чукотском автономном округе, г.

Характеристики

Список файлов диссертации