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

Текст из файла (страница 3)

Таким образом, почвенный фонд Челябинской области представлен преимущественно плодородными почвами, нуждающимися, однако, в дифференцированных технологических подходах. Пахотные почвы имеют довольно высокое противоэрозионное качество. Наиболее плодородны и устойчивы к эрозии выщелоченные черноземы. Наибольшая опасность дефляции имеет место в южной лесостепной и степной зонах Челябинской и Курганской области на почвах легкого гранулометрического состава.

2 МЕТОДИКА ИССЛЕДОВАНИЯ

2.1 Цели и задачи

Целью наших исследований является обоснование оптимальных параметров сельскохозяйственного предприятия (животноводство и земледелие) южной лесостепи Южного Урала с учетом погодных условий.

Для достижения данной цели необходимо решить следующие задачи:

1. Провести анализ статистических данных стационарного опыта Курганского НИИ сельского хозяйства, для выявления нормативов модели.

2. Разработать нормативную базу, затраты в натуральном и стоимостном выражении, стоимость продукции, прибыль.

3. Разработать модель устойчивого земледелия.

4. Провести анализ полученных решений.

2.2 Методы исследований

Систематическое изложение методов агроэкономических исследований приведено И. В. Поповичем (1973).

Метод – это совокупность приемов изучения внутреннего содержания и законов развития явления, процесса.

Экономические науки при изучении сельского хозяйства как отрасли общественного производства используют разные методы исследования. В данной работе использованы: статистический, экономико-математический, математическое моделирование и двухэтапная модель И.Ф.Полунина.

Статистико-экономический метод, который используется при изучении массовых явлений и процессов общественной жизни. Этот метод включает массовое наблюдение, экономические группировки с использованием обобщающих и аналитических показателей, статистико-экономический анализ взаимосвязей между показателями с использованием корреляционного анализа.

В настоящее время наиболее эффективными методами изучения объектов, как сложных систем. Являются математические методы, представляющие собой развитие идеи многофакторного анализа. Эти методы достаточно эффективны, причем, чем сложнее система, тем они эффективнее.

Главное достоинство математических методов состоит в том, что при решении задач исследователь находит достаточно простую математическую модель, с помощью которой он может управлять и прогнозировать поведение этого объекта.

Математические методы весьма разнообразны, они используются для поиска оптимальных условий и оптимизации параметров, для получения математических моделей, отражающих взаимодействие факторов, объясняющих механизм явлений, а также для проверки гипотез и уточнения констант математических моделей. Математический метод включает методы математической статистики и математическое моделирование (Гринин, 2003).

Одним из важнейших методов накопления материалов при экономических исследованиях является статистическое наблюдение. Статистическое наблюдение – организованное получение сведений об изучаемом явлении.

В процессе статистических наблюдений используются отчеты сельскохозяйственных предприятий, сводные отчеты районных управлений сельского хозяйства, области.

В зависимости от задач анализа статистического материала применяют типологические, структурные и аналитические (причинно-следственные группировки). С помощью типологических группировок дается характеристика социально-экономических и производственных типов хозяйств, совокупного продукта, населения. В нашей работе мы использовали общепринятые классификации. Аналитические группировки дают возможность определить взаимосвязь между признаками изучаемого явления. Принципы их построения использовались в ходе наших исследований.

По характеру признаков, принятых в основу расчленения совокупности, различают качественные и количественные группировки. По построению выделяют группировки простые, когда совокупность расчленяют на группы по одному признаку, и комбинированные.

В аналитических группировках взаимосвязанные признаки делят на факториальные, обуславливающие изменения явления, и результативные, изменяющиеся под воздействием определенных причин. Изучаемым результативным признаком были изменения урожайности основных культур возделываемых в зоне лесостепи Южного Урала.

Взаимосвязи признаков экономических явлений, как правило, носят корреляционный характер. При корреляционных взаимосвязях одному значению изучаемого признака может соответствовать много значений другого или других признаков. Причем с изменением одного признака изменения других признаков варьируют в различных направлениях.

Прогностические возможности корреляционно-регрессионного анализа не велики, так как в области экстраполяции характер зависимостей может быть принципиально иным, чем в исследованной (Яно, 1972). Всегда существует угроза ошибочных суждений о причинно-следственных связях на основе корреляционной зависимости, опасность автокорреляции (Ланге, Банасиньский, 1972). Устойчивость зависимостей в регрессионных моделях ниже, чем, например, в производственных функциях, довольно широко используемых для статистической имитации продуктивности сельскохозяйственных культур (Образцов, 1990). Вместе с этим, корреляционно-регрессионный анализ дает ясное понимание общего характера зависимостей и с учетом этого является незаменимым этапом подготовки к более глубокому факторному анализу.

Простая корреляция отображает связи между двумя признаками (осадками и урожайностью).

Коэффициент линейной корреляции – показатель, отражающий направление и меру тесноты связи между признаками при прямолинейных (или близких к ним) взаимозависимостях.

При малых выборках коэффициент линейной корреляции исчисляют по следующим формулам:

,(1)

,(2)

,(3)

где r – коэффициент корреляции; x, y – значение изучаемых признаков; - средние величины по каждому признаку; n – численность ряда (И.В.Попович, 1973).

Математическое программирование – это особый раздел науки математики, который разрабатывает теорию и методы решения экстремальных задач с ограничениями. При выборе средств математического моделирования следует учитывать, что значительная их часть предназначено для построения информационных моделей, но мало пригодна для конструирования управляющих, к каким относят модель земледелия сельскохозяйственного предприятия (Хомяков, 1996). В нашей работе использовался метод линейного программирования, так как методика его проведения наиболее разработана и позволяет получить удовлетворительные результаты, данный метод использовался для разработки отдельных моделей, соответствующих разным погодным условиям.

Как метод решения прикладных проблем модель линейного программирования была сформулирована советскими и американскими учеными, среди которых следует особо выделить Л.В.Канторовича, Дж.Б.Данцига, Т.Купманса. Изложение теории и приложений линейного программирования можно найти в ряде капитальных руководств (Горчакова, Орлова, 1995; Федосеев, 1996).

Для описания динамических процессов в сельском хозяйстве используется множество алгоритмов моделирования. В нашей работе для построения модели устойчивого земледелия мы использовали параметрическое моделирование И.Ф.Полунина. Это моделирование происходит в два этапа, на первом составляется предварительный вариант решения модели для усредненных значений, например, изменение урожайности, определение площади пашни, поголовье скота. Второй этап – окончательный, где полно рассматривается первичный вариант, а затем он утверждается (например, оценивается показатель товарного производства). Достоинством данного моделирования является то, что при ее использовании не требуются долгосрочные метеопрогнозы.

Математическое моделирование представляет собой сложный процесс, состоящий из ряда этапов.

В ходе подготовительного этапа уточняется цель моделирования. Основой для этого служат результаты, полученные на предыдущих этапах системного анализа. Цель, преследуемая при системном анализе и при построении математической модели, не обязательно совпадает – в последнем случае она, как правило, уже. Сформулированная цель конкретизируется в перечне задач, которые необходимо решить для ее достижения. Каждой из задач будет соответствовать свой вариант модели, т. к. очевидно, что в рамках одной модели решение всех задач невозможно.

Второй этап моделирования заключается в выявлении взаимосвязей между сформулированными на предварительном этапе задачами, определении последовательности их решения. Часто в ходе второго этапа обнаруживается, что некоторые из задач не представляют самостоятельной ценности. В этом случае они могут быть исключены, либо объединены с другими.

Третий этап моделирования состоит в построении математических моделей для решения каждой из поставленных задач. Он представляет собой ряд подэтапов: а) выбор типа модели; б) модификация типа модели; в) математическая формулировка модели; г) систематизация информации, а при необходимости сбор и систематизация дополнительной информации; д) собственно построение модели; е) решение задачи; ж) анализ результатов, их агроэкономическая интерпретация.

Третий этап реализуется в режиме итераций. Если результаты какого либо подэтапа не удовлетворяют разработчика по тем или иным критериям, то необходим возврат к более ранним.

Выбор типа модели обусловливается, с одной стороны, результатами предыдущих этапов системного анализа, с другой – исходной информацией. Необходимость дополнительных итераций может обнаружиться и на заключительном подэтапе, когда проводится оценка и проверка полученных результатов. Анализ результатов позволяет выявить устойчивость получаемых решений, агроэкономическая интерпретация – их рациональность, соответствие здравому смыслу и профессиональному опыту. Не всякое несоответствие здравому смыслу и профессиональному опыту является свидетельством неудовлетворительного качества моделирования – возможно, что здесь обнаружено нетривиальное решение.

Изложенная логическая схема полностью не раскрывает всех проблем, возникающих в ходе построения модели. Зачастую элементарные ошибки, допущенные при расчете технических коэффициентов, ставят разработчика в крайне затруднительное положение, а поиск таких ошибок занимает длительное время (Фрумин, 1998).

Погодные условия очень динамичны, что не возможно описать их в полной мере статическими моделями. Следовательно, очень важно разработать конкретную модель для сельскохозяйственного предприятия лесостепи Южного Урала, при которой оно будет стабильно получать максимальную прибыль, независимо от сложившихся погодных условий.

3 ЭКСПЕРИМЕНТАЛЬНАЯ ЧАСТЬ

3.1 Статистическая обработка данных

Динамический ряд урожайности сельскохозяйственных культур, таких как пшеница, кукуруза, овес, вика с подсевом овса, горох, по зоне лесостепи отличается значительными колебаниями по годам. Урожайность ведущей культуры – яровой пшеницы – за период с 1967 по 1998 годы на неудобренном фоне колебалась с 0,7 до 2,8 т/га, в то время как на удобренном фоне изменения урожайности были в пределах от 0,7 до 3,4 т/га. Такие колебания урожайности вызваны многими факторами (качество семян, сортосмена, применяемые технологии), но резкое снижение или повышение урожайности чаще всего обусловлено сложившимися погодными условиями. Резко континентальный климат Южного Урала характеризуется широким варьированием погодных условий по годам. По средним многолетним данным, осадки в течение вегетационного периода выпадают неравномерно, однако эта неравномерность сглаживается, создавая лучшие, по сравнению со средними многолетними, условия увлажнения вегетационного периода. В такие годы погодные условия могут обеспечить высокий урожай (Марамыгин, Сотникова, 1995).

Для установления закономерностей колебаний урожайности культур от количества осадков, нами были обработаны данные стационарного опыта КНИИСХ старшего научного сотрудника М.Н. Сметаниной, руководитель М.А.Глухих. Для характеристики устойчивости аграрного производства зоны лесостепи Южного Урала, обрабатывались данные урожайности основных возделываемых культур.

Первым шагом в обработке данных было ранжирование урожайности культур на неудобренном и удобренном фоне в порядке возрастания. После этого длинные ряды были разделены на три группы в соответствии с урожайностями культур в неблагоприятные, благоприятные и средние по увлажнению годы. Неблагоприятным считался год, когда за вегетационный период выпадало 55 мм осадков, благоприятный год – 241 мм, средний по увлажнению год предполагал выпадение 120 мм осадков. Полученная урожайность культур была занесена в таблицу 1.

Таблица 1 – Группировка урожайности культур (без удобрений), т/га

Из данных таблицы видно, что количество осадков за вегетационный период оказывает влияние на урожайность культур, так на пшенице средняя урожайность в неблагоприятные годы снизилась на 55 % по сравнению с урожайностью в благоприятные годы. Кукуруза резко снижает урожайность зеленной массы в неблагоприятный год на 77,5 % по сравнению с благоприятным годом. Резкое снижение урожайности в неблагоприятный год наблюдается у овса, вико-овсянной смеси на зеленый корм, гороха, и оно составило 80, 67 и 79,3 %.

Характеристики

Список файлов ВКР