Использование цикличности в управлении аграрной экономикой

МИНИСТЕРСТВО СЕЛЬСКОГО ХОЗЯЙСТВА РОССИЙСКОЙ ФЕДЕРАЦИИ

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ

УЧРЕЖДЕНИЕ ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ

СТАВРОПОЛЬСКИЙ ГОСУДАРСТВЕННЫЙ

АГРАРНЫЙ УНИВЕРСИТЕТ

Использование цикличности в управлении аграрной экономикой

Выполнил: студент

Экономического факультета

специальность

«Менеджмент (бакалавр менеджмента)»

3 курс 12 группа В.А. Павлов

Научный руководитель:

д.э.н., профессор

кафедры «Менеджмент» А.Н. Байдаков

Проректор

по учебной

и воспитательной работе И.В. Атанов

Ставрополь, 2013 г.

Содержание

Введение

В современных условиях хозяйствования прогнозирование является действенным инструментом целенаправленного управления аграрной экономикой. Это обуславливает необходимость разработки научно обоснованных методологических подходов формирования прогнозов развития сельскохозяйственного производства.

Виноградарство является одной из ключевых отраслей в аграрной экономике Ставропольского края, однако в настоящее время ее состояние в целом характеризуется отсутствием выраженных тенденций развития. Существующий огромный природно-экономический потенциал отрасли в должной мере не используется. Следовательно, необходима разработка и реализация программ ее развития на всех уровнях, что обуславливает построение соответствующих прогнозных сценариев виноградарства в условиях современной экономики. Это позволит повысить обоснованность принимаемых решений, что в свою очередь будет способствовать повышению эффективности функционирования предприятий, научному обоснованию предоставляемой государственной поддержки, а также формированию комплекса мероприятий по управлению рисками, присущими отрасли. Данными обстоятельствами и обусловлена актуальность выбранной темы научной работы, ее цель, предмет и содержание.

Переход современной отечественной экономики на рыночные условия хозяйствования предопределил повышенное внимание к прогнозированию, как наиболее эффективному инструменту построения многовариантной характеристики будущего состояния изучаемого явления.

Теоретические и методологические основы прогнозирования представлены в работах отечественных и зарубежных авторов, таких, как А. И. Алтухова, Л. Е. Басовский, Г. В. Беспахотный, И. В. Бестужев-Лада, В. И. Борисевич, Л. П. Владимирова, А. М. Гатаулин, Г. М. Добров, И. Б. Загайтов, Н. Д. Кондратьев, М. Я. Лемешев, В. А. Лисичкин, Л. П. Яновский, Дж. Джонстон, В. Гольдберг, Л. Клейн, М. Мескон, Дж. Нейман, Д. Норт, Р. Солоу, Я. Тинберген и др.

Прогнозирование непосредственно в аграрном секторе экономике рассматривали в своих трудах И. М. Башкиров, В. В. Денисов, В. А. Клюкач, В. А. Кузнецов, К. П. Личко, А. А. Никонов, С. Б. Огнивцев, А. Ф. Серков, Ю. Б. Симаров, С. О. Сиптиц, Н. В. Чепурных и др.

Отдельные аспекты изучаемой проблемы раскрыты в трудах ученых Юга России: В. И. Трухачева, А. Н. Байдакова, Н. В. Банниковой, Ю. Г. Бинатова, И. Г. Винтизенко, О. Н. Кусакиной, В. В. Гарькавого, Н. Ю. Ермакова, Е. И. Громова, Т. Н. Костюченко, Н. Н. Куницыной, В. В. Кузнецова, А. Н. Тарасова, В. С. Яковенко и др.

Научная разработка и обоснование приоритетных направлений развития виноградарства, прогнозирование результатов его производства представлены в работах Е. А. Егорова, К. А. Серпуховитиной, Т. И. Гугучкиной, А. М. Аджиева, М. С. Гаджиева, Э. Р. Ханукова, Б. А. Музыченко и др.

Несмотря на достаточно многочисленные разработки по данной тематике, некоторые теоретические и методологические аспекты построения и обоснования прогнозных сценариев в виноградарстве остаются малоизученными. Недостаточно исследованы проблемы формирования прогнозных сценариев в виноградарстве в условиях изменяющегося воздействия системы факторов; разработки эффективной системы управленческих действий в рамках разрабатываемых сценариев и т.д.

1. Сущность, принципы и функции прогнозирования

Прогноз происходит от греческого слова «prognosis» и переводится как «предвидение, предсказание» [47]. Прогноз первоначально означал предсказание хода болезни, затем вообще всякое конкретное предсказание, суждение о состоянии какого-либо явления в будущем (прогноз погоды, исход выборов и т.п.). С. И. Ожегов в «Словаре русского языка» дает толкование этого термина применительно к современной действительности как «основанное на специальном исследовании заключение о предстоящем развитии и исходе чего-нибудь» [37].

Закон «О государственном прогнозировании и программах социально-экономического развития Российской Федерации» от 20 июля 1995 года определяет прогноз как систему научно-обоснованных представлений о направлениях социально-экономического развития, основанных на законах рыночного хозяйствования [42].

Анализ классических работ [1, 5, 19, 32] позволяет констатировать существенное сходство имеющихся определений термина «прогнозирование». Прогнозирование – это выявление возможных путей и результатов развития явления на основании изучения тщательно отобранных данных.

Цель прогнозирования заключается в создании научных предпосылок, обобщающих всесторонний анализ современных тенденций развития экономики; предвидении альтернативных путей предстоящего развития, основанном на выявленных тенденциях и намеченных целях; обосновании направлений развития для принятия управленческих решений; оценке степени воздействия и возможных последствий принимаемых решений.

Суть прогнозирования не сводится к определению характера будущих событий и сроков их наступления, а заключается в выявлении тенденций развития, возможных их сценариев, факторов и последствий. Это позволяет использовать возможности и условия реализации сценарного прогноза, близкого к оптимальному, и сконцентрировать на нем стратегическое управление. Основой прогнозирования является теория предвидения будущего, разработанная отечественным экономистом Н. Д. Кондратьевым, развитая и адаптированная к современным условиям российскими и зарубежными экономистами.

Предвидение будущего развития, согласно Н.Д. Кондратьеву [25], базируется на познании и практическом использовании закономерностей статики, цикличной динамики и социально-экономической генетики. Статика позволяет выявить структуру социально-экономической системы, ее внутренние и внешние взаимосвязи, пропорции, обеспечивающие ее функционирование. Динамика раскрывает механизмы цикличного развития системы, смены фаз циклов, позволяет предвидеть периодические кризисы и определять пути выхода из них, смену систем или переход их в новое качественное состояние. Генетика выявляет механизм действия наследственности, изменчивости и отбора в развитии социально-экономических систем, характер, пределы и последствия их изменения в результате саморазвития. Таким образом, в прогнозировании важная роль принадлежит законам развития и функционирования объекта. Без знания которых, научная прогнозная деятельность практически невозможна.

В зависимости от степени точности можно выделить три формы предвидения: гипотезу, прогноз и план. Гипотеза – это предположительное суждение о причинных или закономерных связях каких-либо явлений, не противоречащее имеющимся знаниям о них. Однако любой прогноз носит вероятностный характер, то есть связи прогноза с исследуемым объектом не являются однозначными и жесткими. Наибольшую конкретность и определенность предвидение получает в плане, который, как и прогноз, основывается на результатах конкретно-прикладной теории.

За пройденный период становления и развития теории прогнозирования и планирования серьезно изменились концепция и методология науки. Один из родоначальников «генетической концепции» Н. Д. Кондратьев считал, что план должен приобретать форму прогноза, обобщая совокупность факторов, определяющих данное развитие. Другого мнения придерживался Н. И. Бухарин [9], который не отождествлял эти два понятия, отводя большую роль прогнозу. На смену телеологической концепции, основанной на директивных принципах планирования и преимущества планов перед прогнозами, пришла концепция индикативного, желательного планирования, отдавая преимущество прогнозам. Результатом смены концепции стала многовариантность прогнозирования и гибкость планирования.

Изменения в методологии прогнозирования и планирования затронули, прежде всего, принцип и порядок разработки и составления прогноза и планов. На замену модели, разрабатываемой сверху вниз и работающей по схеме «гипотеза-план-прогноз» пришла разработка снизу вверх по схеме «гипотеза-прогноз-план». Повысилась точность и надежность прогнозирования за счет учета динамики экономических показателей и большей приспособляемости к постоянно меняющимся рыночным условиям.

Прогнозирование и планирование тесно связаны: вместе они составляют взаимодополняющие друг друга стадии управления экономикой. Однако существует ряд экономических процессов, планирование которых затруднено или невозможно, но данные процессы являются объектами прогнозирования. Не поддаются планированию демографические процессы, половозрастная структура населения, потребительский спрос и другие. Также затруднено планирование урожайности сельскохозяйственных культур и качества выращиваемой сельскохозяйственной продукции.

Таким образом, прогнозирование можно охарактеризовать как определенный, отличный от других механизмов, путь познания социально-экономической действительности исследуемого объекта, а также поиск формы предвидения его будущих состояний, выбор одного из этих состояний и планомерное его достижение.

Прогнозирование основывается на ряде принципов. Важнейшие из них, по нашему мнению, можно схематично изобразить в виде схемы (рис. 1). Представленная интерпретация принципов прогнозирования отражает их взаимосвязанность и непротиворечивость.

Рисунок 1 – Принципы прогнозирования

Принцип системности прогнозирования основывается на всестороннем рассмотрении и увязке изучаемого прогнозного объекта с внешними и внутренними факторами, обуславливающие условия его функционирования с корректировкой на существующие связи между ними. Данный принцип предусматривает построение прогнозных моделей при помощи системы методологических инструментов на основе учета взаимодействия факторов окружения и элементов объекта прогнозирования, что нацелено на выработку многовариантного и непротиворечивого прогноза.

Принцип согласованности прогнозирования, заключается в согласовании прогнозных материалов, полученных с использованием различных методов и прогнозных периодов.

Принцип вариантности основан на возможности развития как экономики в целом, так и ее элементов в частности, по разным траекториям в зависимости от количественного и качественного воздействия факторов внутреннего и внешнего окружения. Данный принцип санкционирует построение сценарных прогнозов, учитывающих возможные варианты поведения прогнозируемого объекта в будущем [52].

Принцип непрерывности прогнозирования, основывается на возможности текущей корректировки прогнозируемых материалов с учетом вновь поступившей информации характеризующей прогнозный объект и факторы непосредственного его окружения. Использование данного принципа дает возможность построить конструктивно гибкой модели прогноза, обладающей адаптационными свойствами к изменяющейся прогнозной среде.

Принцип верифицируемости прогнозирования необходим для оценки достоверности, обоснованности прогнозов, а также установления степени их точности. Прогнозирование должно отражать объективные закономерности, а также устойчивые тенденции развития для построения теоретического аналога реального экономического процесса с целью достижения максимального совпадения прогнозных и реальных результатов.

Принцип рентабельности прогнозирования характеризует эффективность прогнозных мероприятий, то есть затраты на разработку прогнозов не должны превышать полученный экономический эффект от его реализации. Нецелесообразно использовать методы прогнозирования, требующие колоссальных затрат, прежде всего, человеческих ресурсов, если нет уверенности в их эффективности и оправданности.

Развитие прогнозирования на современном этапе характеризуется интеграцией на всех уровнях экономики; прогнозирование используется как в глобальных системах – в масштабе мировой экономики, так и в рамках конкретных регионов отдельно взятой страны и субъектов хозяйствования [11,14]. Прогнозирование любого объекта носит системный характер, то есть данный процесс объединяет все особенности и уровни его функционирования, основываясь на совокупности прогнозных результатов элементов, входящих в рассматриваемый объект.

Прогнозирование является информационно-аналитической поддержкой процесса принятия решений, включаемой в систему стратегического планирования для определения прогнозных сценариев развития с возможностью адекватного воздействия на изменяющиеся условия внешней среды и формирования спектра вариантов будущего состояния.

Как и любой процесс, прогнозирование начинается с выбора объекта исследования, постановки целей и задач. Необходимо понимать, что именно масштаб выбранного объекта и поставленная цель во многом определяют конечный результат прогнозирования. На следующем этапе проводится генезис изучаемого объекта для определения основных особенностей развития, методов измерения и формирования ретроспективной информации. Осуществляется сбор и обработка полученных данных. В дальнейшем необходимо провести систематизацию объекта с целью выявления присущих для него тенденций развития, а также выбора методологического инструмента для прогнозирования. Следующая стадия прогнозирования посвящена непосредственно самому процессу разработки прогноза изучаемого объекта с учетом выявленных особенностей.

Непосредственно после проведения мероприятий по разработке прогноза проводится верификация, то есть оценка достоверности и возможности дальнейшего использования. В случае не соответствия полученного прогноза поставленным целям или недостоверности, принимается решение о дополнительной его доработке с учетом выявленных моментов.

Функции прогнозирования тесно связаны с понятием сущности и основываются на его принципах. Выделим и рассмотрим функции прогнозирования, которые, по нашему мнению, являются основными:

1. Системный анализ изучаемого объекта по выделенным экономическим, со­циальным, научно-техническим особенностям функционирования с учетом выявленных тенденций развития.

2. Исследование объективных закономерностей развития социально-экономи­ческих явлений изучаемого объекта в постоянно изменяющихся условиях прогнозного фона.

3. Выявление достоверных и объективных вариантных моделей экономиче­ского и социального развития рассматриваемого объекта прогнозирова­ния.

4. Комплексная оценка исследуемого объекта прогнозирования.

5. Накопление и хранение отобранного научного материала для осуществле­ния непрерывности, верифицируемости прогнозирования, а также обес­печения процесса принятия управленческих решений и анализа их по­следствий.

Содержание прогнозирования более глубоко раскрывается через его классификацию, разделяющую прогнозирование по тому или иному признаку. Чем полнее классификация, тем шире наше представление о том или ином понятии, тем больше возможностей практического использования выявленных классов.

Важным классификационным признаком является характеристика прогнозирования по временному горизонту. В данном случае можно выделить: оперативное, краткосрочное, среднесрочное, долгосрочное и дальнесрочное прогнозирование. Степень конкретизации прогноза зависит от охвата временного промежутка. Наибольшей точности достигают значения прогнозных моделей при разработке оперативных и краткосрочных прогнозов, так как они более детализированы, чем при работе с более удлиненными временными периодами прогнозирования.

Классификация прогнозов с точки зрения периодов упреждения не является устоявшейся. Так, Бережная Е. В. в своей работе [4] различает краткосрочные (до трех лет), среднесрочные (от 3 до 5 лет) и долгосрочные (не менее 5 лет) прогнозы. Бестужев-Лада И. В. [5] разделяет следующие планы и программы, а, следовательно, и необходимые для их составления прогнозы: текущие – на один год, краткосрочные – на 5 лет, среднесрочные – 10 лет, долгосрочные 20 лет. Глущенко В. В. [17] выделят прогнозы: краткосрочный – до одного года, среднесрочный – несколько лет, долгосрочный – более 5 лет, дальнесрочный – на 20-25 лет. В этой же работе указано, что в условиях переходной экономики России считали (1997 год): краткосрочный прогноз – до трех месяцев, среднесрочный – до полугода, долгосрочный – свыше года. Личко К. Л. в своей работе [32] использует следующую классификацию: долгосрочные – 5-10 лет, среднесрочные – 1-5 лет, краткосрочные – от месяца до года, оперативные – до одного месяца. Сходные классификации используются и в других научных трудах [11,35,7,53].

Для динамично развивающихся предприятий, таких как электроника, химическая отрасль, машиностроение и др. наиболее целесообразно «сужение» временного коридора, чтобы не утратить актуальность прогнозируемых мероприятий и более оперативно реагировать на изменения факторов прогнозного окружения. В сельском хозяйстве, особенно в плодоводческом и виноградарском секторе, наоборот: необходимо увеличение отрезков прогнозирования, что обусловлено спецификой производства. Значимость данного классификационного элемента состоит в том, что выбор горизонта прогнозирования во многом определяет выбор методики и влияет на качество прогноза.

Классификационные блоки в предложенной схеме (рис. 3) тесно переплетаются между собой. Так, перечисленная классификация прогнозирования по временному горизонту также характеризуется и характером прогнозной информацией (табл. 1).

Таблица 1 – Классификация прогнозирования по характеру прогнозной

информации в зависимости от периода упреждения

Процесс составления оперативного прогноза базируется на предположении о том, что на протяжении составленного прогнозного периода изменения в изучаемом объекте не будут носить существенных качественных или количественных характеристик, а в полученных прогнозах будут содержаться детальные количественные изменения предполагаемых событий. При краткосрочном прогнозировании получаемая прогнозная информация приобретает характерно выраженные количественные изменения исследуемого объекта. Увеличение прогнозного периода, наряду с изменениями количественного характера в прогнозной информации, подразумевает появление качественных сдвигов в прогнозируемом объекте. Причем, чем длинее прогнозный период, тем существеннее преобладание качественных изменений над количественными. Так, при среднесрочном прогнозе в прогнозной информации доминируют количественные изменения над качественными, а при долгосрочном прогнозировании, наоборот, качественные характеристики превалируют, оттесняя количественные изменения объекта прогнозирования. Дальнесрочное прогнозирование подразумевает построение прогнозов, основывающихся уже не на количественных изменениях, а на качественных оценках на уровне общих закономерностей развития прогнозируемого объекта.

Одним из ключевых классификационных признаков является разделение прогнозирования по способу предоставления информации. В рамках данной классификации прогнозирование подразделяется на точечное и интервальное (сценарное). Интервальное прогнозирование позволяет составить многовариантный прогноз с целым спектром сценариев развития событий, что позволяет предусмотреть различные варианты в зависимости от изменения факторов прогнозного фона и, как следствие, повысить управляемость рассматриваемой системы [15].

По типу прогнозирование различается: поисковое (генетическое), нормативное и поисково-нормативное (комбинированное). Поисковое прогнозирование направлено на определение всего спектра допустимых значений состояния прогнозного объекта, опираясь на познание присущих данному объекту тенденций и закономерностей развития изучаемой системы. Нормативное прогнозирование построено на исследовании возможных направлений и методов достижения поставленной цели и отражает субъективное состояние развития объекта прогнозирования. Комбинированное прогнозирование строится на сочетании основных тенденций развития изучаемого объекта с выбором оптимальных направлений достижения реализации заданных целей.

По объектам исследования прогнозирование, по нашему мнению, необходимо классифицировать по следующим видам: естествоведческие, научно-технические и обществоведческое. Систематизация методов прогнозирования и более подробное их описание в рамках рассматриваемого объекта прогнозирования представлена ниже. Таким образом, представленная классификационная модель является обобщающим «рисунком» прогнозной деятельности, позволяющим проводить четкую градацию прогнозирования по выделенным параметрам.

Среди существующих разнообразных путей решения задач прогнозирования, по мнению автора необходимо выделить следующие подходы: исторический, системный и комплексный. Исторический подход охватывает анализ развития прогнозного элемента в разрезе существовавших его исторических форм. В рамках этого подхода прогнозирование отражает тенденции и закономерности, присущие объекту в настоящем и прошлом, для формирования на их основе прогностической модели будущего.

Системный подход основывается на рассмотрении любого объекта прогнозирования как системы, включающей в себя связанные между собой элементы, формирующие свойства и функции системы в целом. Поэтому расчленение системы на составляющие и определение функций и свойств данных подсистем позволяет предвидеть формирование основных тенденций, присущих рассматриваемым элементам, и направить их развитие в соответствии с поставленными целями для всей изучаемой системы. В рамках системного подхода широкое распространение получило использование математических инструментов в прогнозной деятельности для разработки, верификации и осуществления поставленных целей прогнозирования. Таким образом, применение системного подхода позволяет в соответствии с поставленными целями определять необходимые ресурсы для их достижения, что определяет принятие адекватных управленческих решений на научной основе.

Комплексный подход представляет собой исследование объекта прогнозирования с использованием не только набора методологических инструментов данной науки, но и с помощью других научных знаний по изучению данного явления. В частности, прогнозирование урожайности возделываемых культур в сельском хозяйстве тесно связано не только с экономическо-статистическими знаниями, но и с рядом сельскохозяйственных (растениеводство, агрохимия, селекция и др.), технических и других наук.

Однако, несмотря на огромное количество прогнозных инструментов и различных подходов к решению поставленных задач, существуют причины, заставляющие принимать управленческие решения на базе неполного анализа изучаемой проблемы. Причинами данной ситуации являются определенные рамки познания в прогнозировании, возникающие вследствие ограниченности возможностей наблюдения за исследуемым объектом, недостатка времени и ресурсов для обработки и анализа информации и т.д. Таким образом, задача сводится к упрощению за счет уменьшения количества рассматриваемых параметров и, как следствие, к снижению полноты изученности данной проблемы и степени точности прогнозных значений. Также необходимо отметить, что на данный момент нет разработанных методик определения оптимальной пропорции между простотой и точностью решения прогнозных задач и путей достижения данного соотношения, поэтому решения принимаются на базе приобретенных теоретических знаний, накопленного практического опыта и интуиции.

Прогнозирование в современных условиях хозяйствования является одним из ключевых механизмов, обеспечивающих процессы развития экономических субъектов, выполняя роль качественно-количественного обоснования данных процессов. Все государственные федеральные и региональные программы и планы, а также корпоративные проекты, непосредственно, зависят от качества прогнозных мероприятий. Процесс прогнозирования должен быть направлен на минимизацию отрицательных и непредвиденных последствий от принятия управленческих решений за счет разрабатываемых прогнозных данных, а также на уменьшение степени неопределенности конечного результата.

Разработанная классификационная блочно-модельная схема, объединяющая классификации прогнозирования, позволяет структурировать накопленные знания и обобщить их в единой схеме. Данная модель также является универсальной для применения во всех отраслях народного хозяйства и дополняемой в случае выделения нового классификационного признака прогнозирования.

Важно помнить об ограниченности применяемых методов прогнозирования, и об их невозможности предвидеть значительные качественные изменения исследуемых процессов. Но тем не менее перефразируем известную ироническую фразу Т. Сааги – одного из создателей раздела моделирования – решения практических задач, основанные на прогнозировании, очень плохи, но решения, принятые без него, еще хуже.

Исходя из поставленных целей научной работы и опираясь на изученные основы прогнозирования, для дальнейшего исследования необходимо рассмотреть основные направления развития виноградарства Ставропольского края в спектре историко-отраслевых особенностей, присущих отрасли.

2. Методические основы разработки прогнозных сценариев развития аграрной экономики

Под методами прогнозирования следует понимать совокупность приемов и способов мышления, позволяющих на основе анализа ретроспективных данных, экзогенных и эндогенных связей объекта прогнозирования, а также их изменений в рамках рассматриваемого явления или процесса вывести суждения определенной достоверности относительно его будущего развития [53].

По результатам оценок ученых [6,31,32,53],методологический аппарат прогнозирования включает в себя более 200 методов, большинство из которых отражают лишь отдельные процедуры и приемы, построенные на специфичных особенностях объекта прогнозирования. Другая часть методов сводится к определенному набору приемов, различающихся от эталонных моделей или между собой порядком их применения и (или) количеством приемов в наборе. Таким образом, из всего спектра методологических элементов в практическом прогнозировании используется не более 10 - 15 методов, а в каждом конкретном случае их круг еще уже.

Наиболее важным моментом прогнозирования является определение метода или набора методов, которые будут использоваться в дальнейшем. Необходимо понимать, что данный выбор будет оказывать непосредственное влияние на точность и достоверность прогнозных материалов [21,36].Поэтому, по нашему мнению, данный выбор должен осуществляться по следующим стадиям: обзорное рассмотрение существующих и доступных методов; выбор наиболее подходящей группы методов; и на последнем этапе – выбор метода (или методов), который будет непосредственно использован для прогнозных мероприятий.

Методы математического моделирования являются самыми распространенными методологическими инструментами прогнозирования [30,56]. Использование математических методов позволяет описать сложные экономические процессы математическим языком, рассчитать величину и результаты взаимодействия изучаемых факторов и объекта прогнозирования, а также определить масштаб данных процессов.

Главной особенностью многофакторных динамических моделей является то, что в ее рамках изучается формирование системы не только под воздействием временного фактора, но и взаимосвязи с другими факторами, оказывающими значимое воздействие на рассматриваемый объект. Данное обстоятельство способствует проведению более глубокого анализа прогнозного объекта на предмет установления функциональной зависимости с системой отобранных факторов. Построение данного вида моделей основано на применении корреляционно-регрессионного анализа. Данные модели широко применимы в прогнозировании основных показателей, характеризующих развитие виноградарской отрасли, и для установления количественного воздействия на них факторов непосредственного прогнозного окружения.

Процесс определения параметров является краеугольным камнем при построении прогнозной модели. Разрабатываемая модель прогнозирования должна соответствовать основным принципам и отражать существующие закономерности исследуемого прогнозного объекта. Отбор параметров для математической модели необходимо осуществлять с учетом специфических особенностей, присущих анализируемому процессу, при этом доминирующие тенденции, как прошлого, так и будущего (прогнозного) периодов, должны отразиться в параметрах модели. Переход в моделях на общие тенденции, как правило, не снижает степень достоверности прогнозных данных, а при расширении прогнозного коридора происходит укрупнение показателей, что снижает размерность прогнозной модели.

Использование того или иного набора факторов в модели определяется экспертным путем на основе глубокого исследования особенностей функционирования объекта прогнозирования во взаимосвязи с окружающими его явлениями. Таким образом, факторы, входящие в многофакторную динамическую модель, должны быть количественно измеримы (качественным факторам необходимо придать количественную определенность, например в баллах), не должны быть интеркоррелированы и, тем более, находиться в точной функциональной связи [50].

Несмотря на то, что теоретические аспекты построения регрессионных моделей позволяют включать в ее состав любое количество факторов, на практике, как правило, это невозможно по причине ограниченности периода наблюдения за состоянием объекта, что и обуславливает необходимость проведения отбора факторов, который обычно проводят в два этапа. На первом этапе отбирают факторы, опираясь на сущностные характеристики изучаемого явления, а затем в рамках второго этапа, на базе корреляционных матриц рассчитывают t-статистики факторов включаемых в регрессионную модель.

При наличии явной корреляционной зависимости между факторными признаками данные коэффициенты являются коллинеарными (дублирующими друг друга), при этом желательно исключить их из формируемого набора факторов. Также в процессе отбора факторов необходима их проверка на мультиколлинеарность (совокупное влияние факторов между собой), путем расчета определителя корреляционной матрицы. Чем ближе полученный определитель к единице, тем ниже мультиколлинеарность факторов и более надежны результаты множественной регрессии. При наличии мультиколлинеарности факторов невозможно с большей степенью достоверности определить степень воздействия частных факторов, поскольку уменьшается надежность получаемых результатов, что приводит к непригодности разрабатываемой модели для прогнозирования [54].

В процессе построения многофакторной динамической модели серьезным препятствием может стать интеграция частных корреляционных моделей в единую систему, составляющую уравнение регрессии [28,29]. Несмотря на то, что отдельные частные корреляционные модели в той или иной степени приемлемы для описания закономерностей развития прогнозного объекта (в случае если воздействием других факторов, оказывающих влияние на исследуемый объект можно пренебречь), такие модели не дают целостного представления и зачастую ошибочны.

Использование многофакторных динамических моделей для построения прогнозов подразумевает существование в будущем причинно-следственных связей, действовавших в прошлом или регистрируемых в настоящем, причем с одинаковой интенсивностью. Данное обстоятельство характерно для многих методов прогнозирования, однако не всегда выполнимо.

При проведении корреляционно-регрессионного анализа наличие высокой корреляции не всегда определяет тесную причинно-следственную связь между независимой и факторной переменными. В ситуации, когда диапазон значений независимой переменной определен широко и возможно объединение с множеством специфических обособленных факторов, которые находятся в той или иной связи с зависимыми переменными, причинно-следственные связи искажены или скрыты, что затрудняет составление прочной исходной базы данных под выявленные и обоснованные взаимосвязи [20].

Прогнозирование развития сельскохозяйственных показателей с использованием многофакторных моделей в целом дают неплохие результаты, но только на краткосрочный или среднесрочный периоды (до 5 лет). Прогнозирование на долгосрочный период с использованием многофакторных моделей затруднено, так как практически невозможно определить поведение исследуемых факторов относительно зависимой переменной на длительную перспективу [23]. Например, для построения прогноза развития отрасли в масштабе региона на долгосрочный период, придется учесть огромное количество факторов, так как точность полученной модели будет сомнительна, а затраты не будут оправданы. Однако, если с определенной уверенностью знать закономерности будущего поведения факторов, включаемых в модель, то временные границы использования многофакторных моделей расширяются до тех рамок, пока остается возможность определять положения независимых переменных.

Но наряду со всеми перечисленными трудностями в составлении моделей и их недостатками, несомненным достоинством будет являться возможность получения многовариантного прогноза, необходимого для построения прогнозных сценариев. Данные модели позволяют составлять различные варианты развития путем изменения факторов, описывающих прогнозный фон рассматриваемого объекта. Применение информационных технологий позволяет упростить и ускорить процесс составления многофакторных моделей, при этом за счет построения многовариантного прогноза существенно повысить его научный уровень, рассматривая несколько возможных путей развития. Таким образом, многофакторные модели являются эффективным инструментом прогнозирования развития виноградовинодельческого комплекса как в краткосрочном и среднесрочном временном разрезе, так и по возможности на долгосрочную перспективу.

Наиболее популярными в практических исследованиях являются следующие виды трендов: линейный, степенной, квадратичный, логарифмический и другие [17,35].Учитывая специфические особенности виноградовинодельческой отрасли, прогнозирование по трендам не представляется возможным, так как тенденции не продолжительны, а колебания по годам существенны. Однако, иногда бывает полезно и необходимо в рамках других методов увидеть общее представление о развитии процесса, то есть оценить историю изменения рассматриваемых показателей.

Следующей группой методов, рассмотренных нами применительно к данной отрасли, являются экстраполяционные методы, а именно экстраполяция отдельных показателей. В рамках данной подгруппы рассмотрим метод экспоненциального сглаживания, а также циклические закономерности (построение циклической волны).

В основе экстраполяционных методов прогнозирования лежит предположение о том, что основные факторы и тенденции, имевшие место в прошлом, сохраняются и в будущем. Сохранение этих тенденций – непременное условие успешного прогнозирования. При этом необходимо, чтобы учитывались лишь те тенденции, которые не устарели и до сих пор оказывают влияние на изучаемый процесс [51].

Метод экспоненциального сглаживания (модель Брауна) [18,34] основан на возможности определить параметры тренда, основывающихся не на среднем значении данного процесса, а на основе тенденции, устоявшейся на последних этапах фактических наблюдений. Модель Брауна приспосабливает существующие зависимости к изменяющимся внешним условиям в будущих периодах с учетом единственного фактора – «время».

Методология построения модели Брауна заключается в следующем: по первым уровням ряда производится оценка значений параметров модели (данные за 3-5 лет); далее с использованием полученных значений параметров строится прогноз на шаг вперед (разница между фактическими значениями и прогнозными составляет ошибка прогнозирования); следующим этапом является продолжение расчетов на один шаг с учетом корректировки параметров и так далее. В результате строящаяся модель аккумулирует получаемую информацию и отражает сложившуюся тенденцию.

Одним из основных преимуществ рассматриваемых моделей является способность строить прогноз по небольшому временному ряду информации. На протяжении прогнозного периода будущие тенденции сохраняются и зависят как от предшествующих лет, так и от более ранних процессов. При построении модели Брауна более ранним наблюдениям целесообразно присваивать меньшие веса по сравнению с поздними данными, таким образом, достигается наилучшее отражение качественного изменения тенденции в будущем. Механизмом, учитывающим реакцию временного ряда, является параметр адаптации (сглаживания), принимающий диапазон значений от нуля до единицы.

Основополагающей проблемой в процессе построения прогнозного значения при помощи модели экспоненциального сглаживания является установление оптимального уровня параметра сглаживания, в большей степени определяющего значения прогноза. Значение данного параметра более 0,5 соответствует приданию большего веса поздним наблюдениям, а низкий уровень параметра сглаживания (менее 0,5) свидетельствует об учете в прогнозе всего уровня рассматриваемого ряда. Параметр адаптации подбирают путем многократных подстановок (экспертный подход) его значения в модель или по формуле, учитывающей интервал сглаживания, предложенной Р. Брауном [8]:

, (1)

где α – параметр сглаживания;

m – число наблюдений, входящих в интервал сглаживания.

Метод экспоненциального сглаживания целесообразно применять при прогнозировании на краткосрочную и среднесрочную перспективы, главным условием при этом является существование устойчивых тенденций развития прогнозного объекта.

Спады и подъемы экономического развития определили наличие закономерностей ее развития и побуждали ученых к проведению исследований и поиску различных циклов, объясняющих данные процессы [2,22,27,33,38].

Так в середине XIX века Ф. Энгельс доказал цикличность промышленного развития с длительностью циклов 5 и 10 лет. К. Маркс обосновал повторяемость экономических кризисов периодичностью 7, 10, 11 лет. Огромный вклад в понимание цикличности развития экономики внес Н. Д. Кондратьев [24,25], выделивший 4 вида циклов: очень короткие сезонные колебания; короткие (3-3,5 года); средние (7-11 лет); длинные (50-60 лет).

Циклическое поведение представляет собой периодический процесс, в котором известны время начала, конца, длительность периода, амплитуда колебаний и объективные причины его повторяемости. Важным условием является периодичность (повторяемость) процесса. Опираясь на знание специфических процессов, имеющих место в виноградовинодельческой отрасли, можно предположить возможность построения циклической волны для прогнозирования отдельных показателей, например, урожайность винограда. В рамках данного исследования для определения цикличности развития виноградовинодельческой отрасли целесообразно использовать циклы солнечной активности.

Следует отметить, что упоминания о связи циклов солнечной активности и урожайности сельскохозяйственных культур периодически встречаются в специальной литературе, однако дальнейшего развития данная проблема, как правило, не получает и остается на стадии предположений и высказываний, пусть и справедливых. Так в монографии И.Г. Винтизенко и В.С. Яковенко [10], выдвинуто предположение о наличии такой зависимости, но практического подтверждения связи ученые в данной работе не приводят.

Солнечная активность – это совокупность наблюдаемых изменяющихся явлений на Солнце, таких как солнечные пятна, вспышки, волокна и другие. Наблюдения за Солнцем, производимые учеными на протяжении XVIII-XIX столетий, позволили выявить закономерность в изменении индексов солнечной активности, в среднем повторяющиеся каждые одиннадцать лет и потому называющиеся одиннадцатилетней солнечной цикличностью.

Директор обсерватории в Цюрихе Р. Вольф подробно изучил ранние данные наблюдений пятен на Солнце и организовал дальнейшую систематическую их регистрацию. Он ввел для характеристики пятнообразовательной деятельности Солнца специальный индекс W, который впоследствии стали называть относительными числами Вольфа. Таким образом, в дальнейших расчетах значение солнечной активности мы будем представлять в числах Вольфа.

Выделяют несколько циклов солнечной активности [13]:

ü одиннадцатилетний цикл. Интервалы между соседними минимумами сол­нечной активности составляют от 8 до 14 лет, а в среднем 11,1 год (закон Швабе – Вольфа). В начале цикла пятен на Солнце почти совсем нет. По­том за 3 – 7 лет их количество увеличивается до максимального значения числа Вольфа W~50 – 200. После этого в течение 5 – 10 лет значения W снова уменьшается до минимума;

ü двадцатидвухлетний цикл. С учетом чередования в соседних циклах после­довательности магнитной полярности пятен биполярных групп (за­кон Хейла), физически более обоснованный 22-летний цикл солнечной активности (цикл Андерсона, 1939);

ü тридцатипятилетний цикл, климатические периоды Брюкнера (цикл Брюк­нера, 1890);

ü вековой цикл (80 – 130 лет).

Известно, что наряду с перечисленными циклами солнечной активности наблюдаются колебания с большими периодами: 169-189 лет, 270 - 290 лет и другие [12]. В данной работе, в связи с ограниченностью данных по урожайности винограда в Ставропольском крае, будем использовать одиннадцатилетние, двадцатидвухлетние, и вековой циклы солнечной активности.

В результате построение циклической волны для прогнозирования урожайности винограда сводится к наложению циклов солнечной активности на динамический ряд урожайности и классификации циклического поведения относительно урожайности винограда. На следующем этапе: проведение поиска общих закономерностей и расчет индексов цикличности урожайности в рамках циклов солнечной активности.

Исходя из целей диссертационного исследования, заключающихся в разработке методики построения сценарного прогноза развития рассматриваемой отрасли, необходимым условием которого является построение доверительного «коридора», в котором должны находиться прогнозные значения. Для построения доверительных интервалов воспользуемся методикой, предложенной Федосеевым В. В. [51] для построения интервальных прогнозов. При этом, по мнению М. М. Юзбашева и В. Н. Афанасьева [55], вопрос о степенях свободы вариации, использующихся при построении доверительного интервала требует дальнейших теоретических исследований.

Стоит отметить, что построение сценарных прогнозов (сценарный метод) входит в классификацию методов прогнозирования как экспертный, так и формализованный, объединяющий в прогнозировании качественные и количественные методики.

К наиболее значимым закономерностям развития виноградарской отрасли, позволившим сформировать прогнозные показатели развития виноградарской отрасли и составить комплекс методологических инструментов прогнозирования, можно отнести следующие:

1. Виноград необходимо рассматривать как систему – ампелоценоз.

2. Урожайность винограда находится в непосредственной зависимости от сол­нечной активности.

3. Относительная стабильность урожайности винограда.

4. Неоднородность воздействия антропогенных и природных факторов во вре­мени.

5. Зависимость виноградарской отрасти от циклических особенностей солнеч­ной активности.

6. Длинный временной лаг экономической отдачи капитальных вложений.

Большое количество методов прогнозирования определяет необходимость их классификации, что облегчает их сравнение и оценку в зависимости от предоставляемых возможностей, а также их выбор для практических целей. Мы согласны с мнением ряда авторов [5,20,28,7,53], что наиболее рациональной является классификация методов прогнозирования по степени формализации. На рисунке 2 представлена классификация методов,

Группа экспертно-расчетных методов представлена комбинацией формализованных и экспертных методов с преобладанием использования в прогнозном процессе интуитивных методов. Расчетно-экспертные методы – сочетание перечисленных методов с преимуществом применения формализованных прогнозных инструментов.

Согласно предложенной классификации оперативное прогнозирование урожайности винограда осуществимо экспертно-расчетными методами, а на краткосрочную и среднесрочную перспективу – расчетными прогнозными инструментами. Долгосрочное прогнозирование урожайности применимо с использованием расчетно-экспертных методов. Себестоимость виноматериалов и цена их реализации прогнозируются на оперативные и краткосрочные периоды упреждения с использованием расчетных методов. При увеличении горизонтов прогнозирования набор инструментов расширяется преимущественно в сторону экспертных методов. Так, на среднесрочный период прогнозирование возможно с использованием экспертно-расчетных методов, а на долгосрочный период – экспертным путем.

Прогнозные оценки, полученные тем или иным способом, должны пройти стадию верификации [30,39]. Использование прогнозных данных в практической деятельности обуславливает формирование особых требований к оценке их точности и достоверности. Объективное заключение о достоверности можно сделать только после выполнения прогноза, однако ожидание его исполнения с целью оценки достоверности лишает всякого смысла использование прогнозирования, что и определило проведение верификации на стадии прогнозного исследования.

Под верификацией понимают специализированные приемы и методики определения точности и оценки достоверности прогнозных данных. Подразделяют следующие виды проведения верификации:

ü метод прямой верификации – сравнение прогнозных данных определен­ных одной методикой с результатами, полученными с использованием другого метода;

ü метод косвенной верификации – доказательство достоверности прогноза путем ссылки на уже имеющиеся аналогичные исследования изучаемого объекта;

ü верификация экспертным путем – экспертная оценка (не менее двумя спе­циалистами) прогнозных данных путем выдвижения контраргументов на каждой стации прогноза;

ü верификация, основанная на исключении систематических ошибок в про­цессе прогнозирования.

Кроме перечисленных методов верификации некоторые исследователи выделяют инверсную, консеквентную и дублирую­щую верификации. Наиболее простым из перечисленных методов является метод косвенной верификации, однако довольно редко встречаются аналогичные исследования по прогнозируемому объекту. Метод прямой верификации, несмотря на его трудоемкость, наиболее эффективен и обладает явным преимуществом – с его помощью можно верифицировать любой прогноз применительно к рассматриваемому объекту прогнозирования. Итак, полученные прогнозные данные вне зависимости от метода прогнозирования, необходимо верифицировать с использованием описанных выше приемов верификации. При этом следует помнить, что верифицируется метод и его соответствие ретроспективной информации, что не может служить гарантией достоверности прогнозирования при существенном изменении в будущем условий прогнозируемых процессов.

Применительно к изучаемому объекту прогнозирование необходимо осуществлять с использованием разнообразных методов. Рассмотренные методы необходимо применять в комплексе, синтезируя всесторонние результаты решения проблемы, формируя полный всесторонний прогноз развития виноградовинодельческой отрасли.

Если рассматривать методы применительно к отрасли виноградарства и виноделия в разрезе временных периодов прогнозирования, то можно отметить следующие моменты. Построение многофакторных динамических моделей целесообразно на краткосрочную и среднесрочную перспективы, хотя не исключается вариант использования данных моделей в долгосрочной перспективе. Модель экспоненциального сглаживания наиболее эффективна на период прогнозирования, не превышающий 5 лет, а применение циклических закономерностей развития дает возможность получения прогнозов на длительные этапы развития. Диапазон применения экспертных методов очерчен долгосрочным прогнозированием, однако они не эффективны на разных стадиях корректировки информации в рамках формализованных прогнозных инструментов. Таким образом, рассмотрены методологические инструменты для прогнозирования развития на всех периодах, позволяющие создавать разновременные модели развития виноградовинодельческой отрасли.

На основании проведенных исследований в области прогнозирования развития виноградарской отрасли нами был предложен алгоритм обоснования прогнозных сценариев развития виноградарской отрасли (рис. 3), включающий в себе тринадцать этапов.

Первоначальный этап построения прогнозных сценариев заключается в постановке проблемы. Далее согласно поставленным целям и задачам в допустимых рамках условий необходимо определить набор факторов, обуславливающий развитие виноградарской отрасли.

На третьем этапе осуществляется проверка на соответствие полученного набора факторов поставленным целям; в случае отрицательного результата производится корректировка первоначальных условий, а при положительном – выполнение алгоритма переходит на следующий этап – формирование информационной базы данных (этап IV). В рамках пятого этапа необходимо на основании определенного набора факторов и информации по ним отобрать основные показатели, характеризующие развитие виноградарской отрасли.

Рисунок 3 – Алгоритм обоснования прогнозных сценариев развития

В случае установления сведений о том (этап VI), что данного объема информации недостаточно для реализации данных мероприятий, целесообразно вернуться к пополнению информационной базы, в противном случае необходимо перейти к выявлению основных тенденций развития отрасли по полученным показателям (этап VII).

При необходимости корректируется информационная база, после чего на следующем этапе составляется прогноз выделенных показателей, отражающих развитие виноградарской отрасли.

На десятом этапе при получении неудовлетворительных результатов прогнозирования принимается решение о дополнительных исследованиях по информационному обеспечению процесса. Если полученные результаты отражают выявленные тенденции развития, то в рамках данного алгоритма переходим к обоснованию прогнозных сценариев развития виноградарской отрасли. Таким образом, при достижении поставленных целей и решении всех задач последним этапом является перенос полученных результатов на решение конкретных прикладных проблем. Однако, если цели не достигнуты, то в зависимости от причины необходимо вернуться к более ранним этапам алгоритма для дальнейшей работы над поставленной проблемой.

По нашему мнению прогнозные сценарии развития виноградарства – это модели будущего состояния, описывающие вероятные направления развития с учетом воздействия основных факторов прогнозного окружения, которые могут оказать значительное влияние на будущие состояния, как отдельных предприятий, так и виноградарской отрасли в целом. Для осуществления непосредственно прогнозных мероприятий необходимо провести всесторонний анализ, рассмотреть состояние и тенденции развития отрасли виноградарства в масштабах Ставропольского края, для этого перейдем к анализу условий функционирования исследуемой отрасли.

3. Использование цикличности в управлении агарной экономики

Управление сложными экономическими системами требует использования теоретико-методологического инструментария, позволяющего адекватно учитывать существенную нелинейность и процессов развития управляемой системы, и воздействий внешней среды. В этой связи представляется весьма продуктивным применение фрактального подхода, который позволяет учитывать процессы саморганизации и развития социально-экономических систем как с точки зрения социальных и экономических взаимосвязей, так и их интегрированности в природную среду [49]. При этом мы рассматриваем фрактальность с двух взаимосвязанных позиций: фрактальность систем и фрактальность процессов. Такое исследование нацелено на формирование теоретико-методологических основ реализации когнитивного подхода в управлении социально-экономическими системами, позволяющего, помимо прочего, осуществлять решение весьма нетривиальной задачи идентификации точек бифуркации в развитии социально-экономических систем. Указанные бифуркации являются, на наш взгляд, проявлением циклических закономерностей более высокого порядка по отношению к процессам в исследуемых системах.

Фрактальный подход базируется на самоподобии исследуемых систем и процессов. Причем мы исходим в исследовании социально-экономических систем не из геометрического понятия самоподобия, а его структурного и семантического содержания. Теоретико-методологическую основу этому образуют сами определения системы, ее свойств, основывающихся на комплексе системных закономерностей – эмерджентность, целостность, изоморфизм, изофункционализм, иерархичность, функциональная иерархия, закон необходимого разнообразия, жизненный цикл системы, самоорганизация, циклический характер функционирования, эквифинальность, потенциальная эффективность, принцип компенсации энтропии, полнота частей системы.

Особо в этой связи следует отметить свойства целенаправленности, изоморфизма, изофункционализма и иерархии. Именно они составляют основу фрактального подхода в исследовании социально-экономических систем. Ключевым моментом фрактальности, ее семантического содержания, на который следует указать в этой связи, является то, что любая подсистема также обладает характерными свойствами системы.

К числу фрактальных признаков социально-экономических систем мы относим:

- системные свойства;

- целенаправленность;

- иерархическая определенность;

- наличие управления;

- открытость.

Обратим внимание на следующий из этого фрактальный характер таких категорий как миссия, цель, стратегия, задачи, управленческие и организационные процессы.

Основываясь на специфике сельскохозяйственного производства и на результатах исследований в гелиобиологии и гелиоклиматологии [45,48],мы пришли к выводу о целесообразности использования в качестве базы формирования цикличности в аграрной сфере циклов солнечной активности. Подтверждением этому служат также проведенные ранее исследования [44,43,49].

Так, на рисунке 4 представлена динамика изменения солнечной активности и урожайности виноградников в Ставропольском крае более чем за столетний период. Анализ приведенных колебаний позволяет прийти к выводу об отсутствии прямой связи между циклами Солнца и основными тенденциями, присущими виноградарству. Однако более детальные исследования позволяют получать достаточно надежные прогнозные результаты, основанные на фрактальной методике, то есть набор и параметры инструментов прогнозирования формируются в зависимости от динамики цикла (типа цикла солнечной активности, на протяжении которого осуществляется прогнозирование, так и от его конкретных фаз).

Рисунок 4 – Солнечная активность и урожайность виноградников Ставропольского края 1900-2010 гг.

Продолжением исследований циклических закономерностей развития сельского хозяйства является использование описанного подхода в анализе урожайности зерновых культур [41] (рис. 5). В отличие от проявлений воздействия солнечной активности на виноградное растение, вариация урожайности озимой пшеницы и солнечной активности позволяет выделить два основных компонента: трендовую и циклическую составляющие. Так, на наш взгляд, циклическая составляющая отражает природно-климатические воздействия на результативность зернового хозяйства, а тренд – антропогенные. Приведенные на рисунке данные по циклам конъюнктуры Кондратьева являются примером суперпозиции циклов разной природы и подтверждением фрактальности подходов.

Продолжение исследований возможно с применением описанных методик и на базе отдельных предприятий, как Ставропольского края, так и других регионов России, что свидетельствует о пространственном аспекте фрактальности описанных подходов. Принципиально необходимым условием, при выполнении которого возможно фрактальное моделирование и на его основе надежное прогнозирование по данным методикам, является наличие достаточно длинного ретроспективного периода по исследуемым параметрам.

Рисунок 5 – Динамика урожайности озимой пшеницы в Ставропольском крае, циклы Кондратьева и солнечная активность, 1900-2011 гг.

Следовательно, рассматривая циклы по нарастающим уровням с позиции фрактальности социально-экономических систем, можно выстроить следующую иерархическую структуру:

…

- квазистолетний солнечный цикл Глайссберга;

- вековой цикл солнечной активности;

- цикл Кондратьева;

- двадцатилетний цикл солнечной активности Андерсона;

- одиннадцатилетний цикл солнечной активности;

- сезонный цикл (годовой, производственный);

- квартальный;

- месячный;

- суточный;

- сменный;

…

Приведенная иерархия не является и в принципе не может быть завершенной. Не включение в нее циклов более высокого или более низкого порядков, и даже промежуточных свидетельствует не об их отсутствии (или неидентифицируемости) тех или иных циклов на определенный момент времени, а о недостаточности информации о них. Хотя это может быть обусловлено также задачами исследования.

Очень важным свойством разрабатываемых подходов является их универсальность и инвариантность. Основные результаты проведенного исследования, несмотря на выраженную отраслевую направленность изложенных в работе примеров, в силу системности объектов, системного инструментария и фрактальности подходов применимы и к другим предметным отраслям.

Выводы и предложения

Проведенные исследования в области изучения теоретико-методологиче­ских и практических основ прогнозирования тенденций развития аграрной эко­номики позволяют сделать следующие выводы и предложения:

1. Условия прогнозирования в аграрной экономике существенно отлича­ются от данного вида деятельности в других отраслях народного хозяй­ства и характеризуются специфическими особенностями, основанными на закономерностях ее развития, что обуславливает необходимость раз­работки специальных подходов для использования прогностических ин­струментов. Разработанный алгоритм обоснования прогнозных сценариев является достаточно универсальным и применим на различных уровнях отраслевого хозяйствования, а также в других регионах страны.

2. Исследования показали, что в отрасли существуют закономерные пери­оды поочередного превалирующего воздействия антропогенных и при­родных факторов на экономическую результативность виноградарства, что обуславливает необходимость разработки различных подходов к управлению отраслевым развитием и отдельными предприятиями.

3. Существует три основных направления развития ситуации в виноградар­стве, что приводит к обоснованию прогнозных сценариев развития от­расли: пессимистического, реалистического и оптимистического. Это означает необходимость разработки соответствующих стратегий, направ­ленных на снижение воздействия возможных негативных последствий и повышения отдачи от использования позитивных тенденций.

4. Обоснованные сценарии развития виноградарства следует использовать на различных уровнях: Министерство сельского хозяйства – составление государственных программ развития; ГУ «Ставропольвиноградпром» – координация исполнения мероприятий по поддержки виноградарства че­рез распределение финансирования по статьям; на отдельных предприя­тиях отрасли – выработка управленческих действий, адаптированных под реализуемый сценарий, направленных на реализацию виноматериалов, адаптацию производственных мощностей производства, изменение тех­нологий выращивания винограда, оптимизацию затрат и процессов, рас­ширение ассортимента и повышение качества продукции, с целью выхода на новые рынки сбыта.

Список используемой литературы

1. Анчишкин, А. И. Методы прогнозирования темпов, факторов и структуры развития народного хозяйства / А. И. Анчишкин, Н. С. Соловьев, Ю. В. Яременко. – М.: Наука, 1979. – 402 с.

2. Байдаков, А. Н. Об использовании сезонных закономерностей в управлении аграрным производством / А. Н. Байдаков // Экономика сельскохозяйственных и перерабатыва­ющих предприятий. – 2004. – № 8. – С. 20-22.,

3. Басовский, Л. Е. Теория экономического развития / Л. Е. Басовский. – Тула: Государ­ство, 1998. – 286 с.

4. Бережная, Е. В. Математические методы моделирования экономических систем: учеб. пособие / Е. В. Бережная, В. И. Бережной. – М.: Финансы и статистика, 2001. – 368 с.

5. Бестужев-Лада, И. В. Рабочая книга по прогнозированию / отв. ред. И. В. Бесту­жев-Лада. – М.: Мысль, 1982. – 430 с.

6. Боев, В. Р. Методы экономических исследований в агропромышленном производстве / В. Р. Боев. – М.: Россельхозакадемия, 1999. – 260 с.

7. Борисевич, В.И. Прогнозирование и планирование экономики: учебник / В. И. Борисе­вич, Г. А. Кандаурова, Н. Н. Кандауров и др.; Под общ. ред. В. И. Борисевича, Г. А. Кандауровой. – Мн.: Современная школа, 2005. – 476 с.

Поиск по сайту: