Главная База знаний "Allbest" Экономика и экономическая теория Специализация, интеграция и диверсификация капитала в АПК

Специализация, интеграция и диверсификация капитала в АПК

Основы специализации и диверсификации производства в крупных интегрированных предприятиях. Диверсификация и кооперация в аграрной сфере России: формирование показателей эффективности экономики. Оценка сравнительной инвестиционной привлекательности.

Рубрика Экономика и экономическая теория
Вид диссертация
Язык русский
Дата добавления 01.10.2010
Размер файла 1,9 M

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Страница:

25697

76

207,9

Болгария

6263

19

51,4

Великобритания

23312

69

1385,5

Венгрия

11504

34

115,8

Германия

24601

73

2019,4

Испания

19145

57

754,7

Италия

23937

71

1379,9

Канада

26443

78

806,3

Корея

13647

40

639,5

Мексика

8351

25

813,6

Норвегия

29025

86

129,5

Польша

9008

27

348,2

Португалия

17064

51

170,5

США

33725

100

9206,9

Турция

5966

18

392,7

Украина

3693

11

185,0

Финляндия

23413

69

120,9

Франция

23068

68

1387,7

Япония

24968

74

3163,1

Источник: Российский статистический ежегодник, 2003 год.

Отметим, что таблица 8 отражает данные по 42 странам со сравнительно высоким подушевым доходом. Было получено уравнение связывающее показатель ВВП страны с распределением производства по отраслям в процентах (напомним, что X1-означает долю аграрного сектора, Х2 - промышленность и строительство, Х3 - долю обслуживающего сектора экономики:

ВВП=165,888*Х1-447,287*Х3+3,411*Х22+6,018*Х32 (2)

Хотя все коэффициенты уравнения значимы, значимо и само уравнение (см. табл.9), но прогностические способности данной модели вызывает сомнение, так как оно описывает только около 49% вариации зависимой переменной.

Таблица 9. Результаты регрессионного анализа уравнения (2).

Оказалось, что наилучшим образом распределение долей секторов производства связано с физическим индексом подушевого ВВП (см. таблицу 8). Для стран со сравнительно высоким уровнем физического индекса (ФИ) подушевого производства (индекс США принят за 100) получено уравнение связи с хорошими прогнозными характеристиками и безупречного качества с точки зрения требований эконометрики. Итак, получено уравнение вида

ФИ=-22,2925*Х1-28,3861*Х2+24,6505*Х3+0,914*Х12+0,3707*Х22-0,2263*Х32 (3)

Все коэффициенты уравнения (3) значимы, само уравнение тоже значимо (таблица 10).

Таблица 10. Результаты регрессионного анализа уравнения (3).

Отличное качество уравнения подтверждается тестом Дарбина Ватсона (значение теста близко к числу 2) и незначительной сериальной корреляцией остатков модели (см. таблицу 11).

Таблица 11. Тест Дарбина - Ватсона и сериальная корреляция для модели (3).

Наконец, остатки, рассчитанные по уравнению (1.3) распределены по нормальному закону, что подтверждается графиком 8.

Рис.8. График остатков модели на спрямленной нормальной кривой.

Модель (3) описывает 93,5% вариации физического индекса подушевого производства. В таблице 12 приведены наблюдаемые, расчетные значения индекса и остатки по 42 странам.

Таблица 12. Наблюдаемые и расчетные значения физического индекса подушевого производства 1999г.

ВВП на душу населения

Отклонения фактиченского индекса от расчетного

Расчетный индекс физического объема по уравнению (2.3)

индекс физического объема (США = 100)

Россия

28,4

18

-10,4

Австралия

63,36

73

9,64

Австрия

72,2

76

3,8

Бельгия

82,9

73

-9,9

Болгария

31,34

19

-12,34

Великобритания

47

69

22

Венгрия

47

34

-13

Германия

84,75

73

-11,75

Греция

46,9

47

0,1

Дания

63,4

83

19,6

Израиль

59,15

59

-0,15

Ирландия

54,55

77

22,45

Исландия

80,6

82

1,4

Испания

47,9

57

9,1

Италия

59,15

71

11,85

Канада

72,3

78

5,7

Корея

56

40

-16

Латвия

54,8

20

-34,8

Литва

18,07

23

4,93

Люксембург

84,18

128

43,82

Македония

10,1

18

7,9

Мальта

65,1

38

-27,1

Мексика

47,45

25

-22,45

Нидерланды

63,35

79

15,65

Новая Зеландия

46,9

56

9,1

Норвегия

71,1

86

14,9

Польша

47,6

27

-20,6

Португалия

57

51

-6

Румыния

0

16

16

Словакия

41

33

-8

Словения

61,5

47

-14,5

США

92

100

8

Турция

14,3

18

3,7

Украина

18

11

-7

Финляндия

47

69

22

Франция

63,4

68

4,6

Хорватия

36

25

-11

Чехия

58,4

40

-18,4

Швейцария

73,21

85

11,79

Швеция

71,1

70

-1,1

Эстония

8,8

25

16,2

Япония

79

74

-5

Анализируя таблицу 12 можно выделить группу стран с явно неудачным распределением долей производства по секторам: Румыния, Македония, Украина, Турция, Эстония. Некоторые страны, по разным причинам (природные богатства, отсутствие значительных непроизводительных расходов на армию, чиновничий аппарат) добились лучших результатов, чем было предсказано по уравнению распределения долей производства по секторам: Россия, Финляндия, Норвегия, Люксембург. В ряде стран, индекс физического подушного производства оказался ниже расчетного, что вероятно вызвано недостаточно развитым уровнем высоких технологий в индустриальном секторе, несмотря на то, что он занимает значительное место в общественном производстве: Чехия, Хорватия, Словения, Словакия, Македония.

Наконец, из уравнения (3) можно рассчитать оптимальную долю сервисного сектора в общем объеме производства. Максимизируя уравнение по третьей переменной Х3 получаем:

Х3=24,6505/ (0,2263*2) = 54,46%.

3.2 Сравнение показателей эффективности функционирования экономик регионов РФ, в зависимости от отраслевой структуры производства. Влияние аграрной специализации региона на показатели эффективности экономики региона

Перейдем от макроэкономического анализа специализации и диверсификации производства к анализу на уровне регионов России. Исходные данные для исследования представлены в таблице 13.

Таблица 13. Распределение регионального валового продукта (РВП) по секторам экономики, индекс физического объема (ИФО), РВП per capita и РВП по регионам России в 1999 году.

№ региона

Регионы

ВРП подуш

руб

ВРП

млн. руб

Пром% в ВРП

С. х.% в ВРП

Услуги, Связь, транспорт, торговля% в ВРП

1

Адыгея

11373,7

5110,2

32,6

25

42,4

2

Башкирия

27722,6

114145,1

57,8

10,7

31,5

3

Алтай

12570,4

2568,1

27,6

26,8

45,6

4

Бурятия

17424,6

18085

34,4

14,1

51,5

5

Дагестан

6110,3

13043,6

28,9

24,9

46,2

6

Кабардино-Балкария

13295,2

10529,8

31,9

32,7

35,4

7

Калмыкия

6733,3

2127,1

35,4

13,3

51,3

8

Карачаево-Черкесия

9916,2

4317,5

31,2

29,5

39,3

9

Карелия

26491,2

20382,3

53,3

3,6

43,1

10

Коми

44587,4

50914,3

54,9

2

43,1

11

Марий-Эл

13771,5

10467,7

39

25,1

35,9

12

Мордовия

15075

14075,5

42,2

22,9

34,9

13

Сев, Осетия

11318,8

7572,3

36,3

11,7

52

14

Татарстан

32723,5

123671,8

60,6

7,5

31,9

15

Тува

8404,4

2616,3

19,3

18,8

61,9

16

Удмуртия

22948

37501,6

57,8

12,8

29,4

17

Хакасия

24591,3

14317,1

56,6

7,9

35,5

18

Ингушетия

5040,1

2030,7

50,4

12,9

36,7

19

Чечня

0

0

0

0

0

20

Чувашия

13526,8

18372,1

47,3

18,5

34,2

21

Якутия-Саха

65846,9

64688

57,7

2,9

39,4

22

Еврейская а, обл,

12156,7

2443,5

27,2

15,8

57

23

Агинский-Бурятский

17535,2

22160,9

30,3

11,6

58,1

24

Коми-Пермяцкий а, о.

31928,2

94893,9

57,4

7,8

34,8

25

Корякский а, о.

39984,9

15462,2

54,8

4,8

40,4

26

Ненецкий а. о.

26541

38994,1

46,2

6,5

47,3

27

Таймырский а. о.

42429,6

129456,9

66,5

6,5

27

28

Усть-Ордынский а, о.

31163,3

85889,1

51

7,6

41,4

29

Ханты-Мансийский а. о

110475,2

356139

65,3

1,4

33,3

30

Чукотский а, о,

43173,5

3212,1

42,8

2,6

54,6

31

Эвенкийский а. о.

42429,6

129456,9

66,5

6,5

27

32

Ямало-Ненецкий а. о.

110475,2

356139

65,3

1,4

33,3

33

Алтайский край

13103,8

34837,7

37,2

19,1

43,7

34

Краснодарский край

21524,8

109100,8

33,9

16

50,1

35

Красноярский край

42429,6

129456,9

66,5

6,5

27

36

Приморский край

25070,7

54791,9

37,8

4,4

57,8

37

Ставропольский край

16148,1

43440,1

32

18,9

49,1

38

Хабаровский край

32467

49534,8

39,6

3,8

56,6

39

Амурская обл,

22534,1

22773

21,9

14,7

63,4

40

Архангельская обл,

26541

38994,1

46,2

6,5

47,3

41

Астраханская обл.

18479,1

18942,9

57

6,4

36,6

42

Белгородская обл.

23097,6

34526,3

52

16,2

31,8

43

Брянская обл.

12802,2

18554,3

31,1

19,4

49,5

44

Владимирская обл.

15828,3

25577

50,6

17,5

31,9

45

Волгоградская обл,

18602,7

49974,2

50,3

14,6

35,1

46

Вологодская обл.

35591

47279

64,2

10,1

25,7

47

Воронежская обл.

16503,2

40710,1

37,5

18,7

43,8

48

Ивановская обл.

10382,3

12760,9

40,5

13,8

45,7

49

Иркутская обл.

31163,3

85889,1

51

7,6

41,4

50

Калининградская обл.

17006,1

16157,5

43,8

8,7

47,5

51

Калужская обл.

15935,1

17300,8

40,9

20,9

38,2

52

Камчатская обл.

39984,9

15462,2

54,8

4,8

40,4

53

Кемеровская обл.

23011

68975,4

53,4

6,7

39,9

54

Кировская обл.

17886,4

28543,1

47,9

16,7

35,4

55

Костромская обл.

18098,5

14286,9

42,3

20,4

37,3

56

Курганская обл.

14016,9

15424,2

39,1

17,3

43,6

57

Курская обл.

19182,5

25351,6

50,7

16,6

32,7

58

Ленинградская обл.

25395,9

42604,2

53,2

15,3

31,5

59

г. Санкт-Петербург

34333,5

161748,5

45,6

0

54,4

60

Липецкая обл.

25695,1

31923,6

60,2

12

27,8

61

Магаданская обл.

47941,5

11328,6

56,7

,9

42,4

62

Московская обл.

24509,9

160034,6

54

6,9

39,1

63

г. Москва

78487,7

677372,2

32,7

0

67,3

64

Мурманская обл.

43332

42976,7

53,6

,1

46,3

65

Нижегородская обл.

22741,4

83456,2

46,9

6,9

46,2

66

Новгородская обл.

22417,7

16409,7

52,9

9,7

37,4

67

Новосибирская обл.

21217,6

58301,8

32,2

16,1

51,7

68

Омская обл.

18702,1

40591,1

31,7

15,7

52,6

69

Оренбургская обл.

25411,3

56583,4

54,7

13,8

31,5

70

Орловская обл.

19884,8

17928,2

39,5

19,2

41,3

71

Пензенская обл.

12816,7

19686,5

42,1

20,2

37,7

72

Пермская обл.

31928,2

94893,9

57,4

7,8

34,8

73

Псковская обл.

14312,6

11548,8

31,6

22,2

46,2

74

Ростовская обл.

15780

68975,9

34,4

19,9

45,7

75

Рязанская обл.

17666,5

22789,8

45,7

21,6

32,7

76

Самарская обл.

36736,1

121328,4

53,4

8

38,6

77

Саратовская обл.

17888,3

48595,4

44,8

14,7

40,5

78

Сахалинская обл.

46980,5

28329,3

65

2,9

32,1

79

Свердловская обл.

26674,9

123408,9

55,7

6,6

37,7

80

Смоленская обл.

19057,2

21729

45,4

15,2

39,4

81

Тамбовская обл.

14016

17878,8

32

18,1

49,9

82

Тверская обл.

17307,6

27887,7

50,7

13,7

35,6

83

Томская обл.

29135,5

31166,3

47,3

8,4

44,3

84

Тульская обл.

17232,4

30286

48,9

13,5

37,6

85

Тюменская обл.

110475,2

356139

65,3

1,4

33,3

86

Ульяновская обл.

17693,5

26050,1

45,9

11,3

42,8

87

Челябинская обл.

22996,1

84579,6

61,7

6,4

31,9

88

Читинская обл.

17535,2

22160,9

30,3

11,6

58,1

89

Ярославская обл.

26580,3

37749,3

54,7

11,9

33,4

Построенное уравнение связи подушевого дохода в регионах со структурой производства в этих регионах оказалось схожим с аналогичными уравнениями (1) - (3). Напомним, что X1-означает долю аграрного сектора, Х2 - промышленность и строительство, Х3 - долю обслуживающего сектора экономики. Так же как и выше обнаружены отрицательный линейный и положительный квадратичный коэффициенты связи подушевого производства с долей аграрного сектора в общем производстве, доли остальных секторов оказались связаны с подушевым валовым региональным продуктом квадратичной зависимостью:

ВРПподуш. =-2816,84*Х1+86,59*Х12+11,75*Х22+8,78*Х32 (4)

Все коэффициенты уравнения (4) значимы, как это следует из таблицы 14.

Таблица 14. Результаты регрессионного анализа уравнения (4)

Высокое качества уравнения (4) подтверждается тестом Дарбина-Ватсона и практически нулевой сериальной корреляцией остатков (таблица 15).

Таблица 15. Результаты теста Дарбина-Ватсона и сериальная корреляция остатков уравнения (4)

Как и в случае оценки зависимости подушного ВВП от структуры производства для различных стран, на макроэкономическом уровне на уровне регионов также удалось описать более 90% вариации подушного валового регионального продукта (таблица 16).

Таблица 16. Дисперсионный анализ уравнения (4).

Этот факт подтверждает гипотезу о сильной связи подушного валового продукта со структурой производства на макро и мезо уровнях. Наконец, на рис.9 представлена гистограмма распределения остатков уравнения (4). Как видно, величина остатков оказалась даже меньше, чем можно было бы ожидать при нормальном распределении остатков модели.

Рис.9. Гистограмма распределения остатков для уравнения (4).

Анализ уравнения (4) показал, что положительный эффект от развития сектора сельскохозяйственного производства начинает проявляться только, если данный сектор занимает более 32,5% в общей структуре ВРП региона.

Итак, учет понятия " пропорции производства" позволяет определить их как категорию, представляющую собой количественное описание основных параметров производства на определенный период времени. Изменение производственных пропорций экономического развития, как в мире, так и в России, рассмотрены в тесной взаимосвязи с тенденциями территориальной дифференциации уровня экономического развития и жизни населения стран и России, в частности.

Если рассматривать ВВП per capita и ВРП per capita в качестве главного индикатора экономического развития на макроэкономическом и региональном уровне, то можно констатировать, что в последние годы происходил процесс дивергенции экономического пространства в мире и в России.

В России впервые за многие десятилетия основой ее промышленного комплекса стали регионы, специализирующиеся на производстве топлива, сырья и полуфабрикатов. Соответственно произошло перераспределение производства промышленной продукции в северные и восточные районы страны, а также в районы юго-востока Европейской части России.

Территориальные пропорции производства сельскохозяйственной продукции претерпели значительно меньшие изменения, но на первое место здесь вышел Урал, который ранее не входил даже в первую тройку сельскохозяйственных районов страны.

Последнее десятилетие характеризовалось усилением тенденции поляризации регионов по степени сокращения инвестиционной активности. Происходило постепенное перераспределение инвестиций с запада страны (за исключением Центрального района) на восток (в Уральский и Западную Сибирь).

Следует отметить, что распределение по группам регионов России объемов ВРП и ВРП per capita приобретает все более неравномерный характер. Аномальная дифференциация социально-экономического пространства, исключая унифицированный подход к выработке тактики и стратегии развития различных типов регионов, предъявляет новые требования к особенностям проведения региональной политики с точки зрения согласованности и дифференцированности путей выхода из кризиса.

Перейдем от макроэкономического анализа специализации и диверсификации производства к анализу микроэкономическому, то есть рассмотрим вопросы диверсификации и концентрации производства на уровне компаний и фирм.

3.3 Сравнение показателей эффективности функционирования широко диверсифицированных компаний и концентрированных компаний по мировым литературным источникам

Найти универсальное средство, позволяющее компании быстро и успешно развиваться, стать лидером рынка и, вообще, остаться в истории бизнеса, как "Форд" или "Дженерал электрик" - недостижимая мечта, вроде философского камня. Следует проанализировать опыт развития многих компаний и попытаться найти общие для наиболее эффективных закономерности.

Выделить в общей массе компаний наиболее эффективные нетрудно. Методики для этого разработаны и существуют уже давно. Сложнее понять, что объединяет компании-лидеры между собой, и чем они отличаются от менее эффективных. Возможно, лучшая кандидатура на роль такого критерия - степень диверсификации бизнеса. Но, сначала необходимо определиться, какие компании мы собираемся исследовать, где искать "эликсир эффективности"? Очевидно, что интерес представляют крупные компании из стран с давно сложившимися рыночными отношениями. Бизнес таких компаний не должен быть принципиально разным - нелепо сравнивать эффективность банка и промышленного предприятия, но и замыкаться в одной отрасли тоже неправильно - результат может оказаться неприменим для компаний, работающих в других отраслях. Наконец, выборка должна быть достаточно большой, чтобы сгладить влияние случайных выбросов и увидеть статистические закономерности.

В соответствии с этими критериями была подготовлена выборка из 60 американских, европейских и восточноазиатских компаний с годовым оборотом не менее 1 млрд USD работающих в следующих отраслях:

1. Сырье - 10 компаний:

Hecla Mining Company; Minerals Technologies; PPG Industries; Quaker Chemical ; Royal Gold; RTI International Metals; Stillwater Mining ; Titanium Metals; Universal Forest Products; Universal Stainless & Alloy Products

2. Средства производства - 10 компаний;

American Standard; Boeing Company; Honeywell International; International Aluminum; Key Technology; Lockheed Martin; Standard Pacific; Texas Industries; Vulcan Materials; Zebra Technologies

3. Потребительские товары - 10 компаний;

Bassett Furniture Industries Inc.; Dean Foods; Masco; Nike; Reebok International; Campbell Soup Company; Corn Products; Hewlett-Packard Company; Kellogg Company; Universal Electronics

4. Энергетика - 4 компании

Exxon Mobil; Occidental Petroleum; Smith International; Williams Companies 5. Финансы - 5 компаний

American Capital Strategies; American Express; American Financial Group; American International Group; American National Insurance

6. Услуги - 10 компаний

Commonwealth Energy Corporation; Amazon.com; Bob Evans Farms; Cable & Wireless; Commonwealth Telephone Enterprises; Disney Education Management; G&K Services; Goody's Family Clothing; J. B. Hunt Transport Services; Kelly Services Inc.

7. Конгломераты - 10 компаний.

Federal Signal; General Electric; Itt Industries; Pentair; Raytheon; Textron Inc.; Teleflex Incorporated; Tyco International Ltd.; United Technologies Corporation

Попытаемся найти закономерности, влияющие на эффективность, а в результате и на успешность компаний. Поэтому для начала не будем сразу заниматься классификацией, а рассмотрим просто несколько моделей логик построения компаний:

Конгломерат

Вертикальная интеграция

Концентрированная компания

Приведенные варианты различных логик развития не претендует на полноту, но, тем не менее, большинство присутствующих на рынке компаний можно отнести к одному из присутствующих в ней классов. Как использовать эту информацию?

На, самом деле, для всех этих логик можно найти единую ось. Начинается она от компаний типа "конгломерат" - включающих в себя бизнесы, собранные безо всякой логики.

Дальше можно поставить вертикально-интегрированную компании, объединяющей логикой которых стала логика бизнеса. Они еще не являются концентрированными, но и широко диверсифицированными считать их было бы тоже неправильно.

И, наконец - концентрированная компания, одиночный бизнес вместо группы. Одна из наиболее жестких логик развития.

Компания знает, что она умеет делать лучше всего, и развивает именно эту свою ключевую компетенцию, не инвестируя в другие, имеющие порой большую краткосрочную доходность, виды бизнеса.

В результате, как правило, удается существенно сэкономить на инвестиционных расходах, провести массированные инновационные вложения, обеспечить быстроту реакции компании на входящие сигналы рынка.

Так мы получаем ось диверсификация - концентрация.

199

Рис.10. Схема связи "диверсификация - концентрация" для компаний.

Итак, если отнести каждую из компаний, включенных в исследуемую выборку, к одному из 3-х основных типов, то появляется возможность сравнить их между собой и найти некие общие закономерности. Значит, нужны пока качественные признаки, позволяющие оценить степень диверсификации бизнеса компании. Для этого было рассмотрено три критерия:

1. Наличие в составе компании нескольких независимых бизнесов, выпускающих продукцию, предназначенную для разных рынков (например, Honeywell International, в состав которой входят подразделения приборы для автоматизации и управления производственными процессами - 32%; производство специальных материалов - 14%; авиационная техника - 38%; транспортные системы - 16%);

2. Наличие у фирмы, работающей на один рынок, производства нескольких несвязанных ключевых продуктов (например, химическая компания United Technologies Corporation, использующая в производстве большое количество несвязанных технологий, базирующихся на разных парках оборудования);

3. Наличие у компании вертикально интегрированной структуры, то есть производство, основанное на всей цепочке переделов, включая исходные материалы. Первому критерию, очевидно, соответствуют высокодиверсифицированные компании. Второй и третий используется для определения компаний со средним уровнем диверсификации. Концентрированные компании, как правило, не имеют в своем составе независимых бизнесов, не связанных общим производством конечных продуктов и всей вертикальной цепочки переделов.

Прежде всего, необходимо определить, какие параметры бизнеса наиболее полно позволяют охарактеризовать его эффективность. Прежде всего, любая коммерческая компания ставит основной своей цель извлечение прибыли. Этот факт может послужить отправной точкой для формирования системы коэффициентов, определяющих эффективность компании.

Но само понятие "прибыль" достаточно широкое, для того, чтобы полученные данные о прибыли различных компаний были сопоставимы друг с другом. Поэтому при формировании системы коэффициентов под "прибылью" предлагается понимать прибыль до налогообложения и амортизации - EBITDA. Во-первых, это общепринятый международный термин, и прибыль до налогообложения и амортизации можно рассчитать на основании данных практически любой системы бухгалтерского учета - российской, американского, британского, немецкого или японского GAAP. Во-вторых, на величину EDITDA не оказывают влияния принятые национальные ставки налогообложения и особенности начисления амортизации, что также делает сопоставление данных, полученных от самых различных компаний более корректным.

Отсюда мы можем получить следующие показатели эффективности:

1. Соотношение EBITDA/total assets - показывает прибыльность активов компании, какую прибыль удается извлекать на единицу стоимости активов. Этот показатель измеряется в процентах.

2. Соотношение EBITDA/employees - показывает, какую прибыль компании приносит один ее работник. Для обеспечения сопоставимости данных этот показатель измеряется в долларах США на одного работника. Как правило, крупные международные корпорации помимо отчетности в национальной валюте ведут и вторую - в долларовом эквиваленте, что делает удобным для сравнения именно доллар США.

2. Третий, универсальный показатель - рентабельность продаж - соотношение EBITDA/Net sales, он позволяет оценить насколько эффективны продажи компании. Этот показатель измеряется в процентах и является наиболее универсальным среди показателей, оценивающих эффективность компании через ее прибыль.

Рыночная стоимость компании (рыночная капитализация) - не менее важный показатель эффективности. Владельцы бизнеса заинтересованы в его постоянном удорожании. Многие, ставшие новой классикой, системы управления компанией используют в качестве основного критерия результативности фирмы именно рост ее рыночной капитализации.

Но, этот показатель также нельзя напрямую использовать для оценки сравнительной эффективности разных компаний. Сопоставив размеры рыночной капитализации и прибыли компании, мы сможем в сравнимой форме оценить, насколько стоимость бизнеса (фактически - отношение к нему со стороны инвесторов) соответствует достигнутым масштабам деятельности. Таким образом, получаем четвертый оценочный коэффициент - Mcap/Sales, выражаемый в%.

Последний открытый вопрос - это глубина исследования по времени. Здесь необходимо учитывать, что в начале 90-х, а тем более в 80-е годы ситуация на мировом рынке сильно отличалась от сегодняшней. Отсутствовали многие факторы. Не было целых отраслей промышленности (например, сфера услуг мобильных телекоммуникаций только зарождалась), поэтому не имеет смысла слишком углубляться в прошлое. Данные отбирались с 1990 по 1999 год включительно. Исключение из этого правила было сделано для соотношения EBITDA/employees, по которому удалось собрать достаточные данные за период 2002-2003 годов.

Возможность собрать достоверную информацию о большом количестве компаний здесь является серьезным ограничивающим фактором.

В качестве источника информации использовались годовые отчеты (annual reports) самих компаний. Эти отчеты готовят все публично торгуемые компании. Таким образом была получена информация об объемах продаж (net sales или revenues), активах компании (валюта баланса, total assets), прибыли до налогообложения и амортизации, динамике численности персонала по годам. В тех редких случаях, когда эти данные отсутствовали в отчете их всегда можно найти в других разделах сервера компании.

Cбор достоверной информации о рыночной капитализации (market capitalization) компании проводился с использованием сайта http://biz. yahoo.com/ic/. В качестве источника информации о рыночной капитализации были также использованы годовые обзоры крупнейших компаний по уровню рыночной капитализации.

Итак, какие результаты можно получить, сравнив компании с разным уровнем диверсификации бизнеса по выбранной системе критериев? Полученный ответ оказался неожиданно четким: в подавляющем большинстве случаев более эффективны концентрированные компании.

Первая группа критериев - прибыльность компаний. Внутри этой группы можно увидеть достаточно интересные тенденции. Максимальный отрыв наблюдается для показателя прибыли на одного сотрудника. Здесь концентрированные компании превосходят своих диверсифицированных коллег почти в три раза - в среднем 86 тыс. долларов прибыли на человека в концентрированной компании, против 29 тыс. долларов для широко диверсифицированных. Компании со средним уровнем диверсификации занимают промежуточное положение, обеспечивая прибыль на уровне 49 тыс. долларов США на 1 работника.

Возможно, этот вывод получен из-за того, что концентрированные компании работают либо в добывающих либо в высокотехнологичных областях производства. В первых - эффективность растет за счет удорожания природных ресурсов, а во вторых - за счет интенсивного использования первичных инновационных технологий, которые не могут себе позволить развивать конгломераты.

Глава 4. Методические и практические подходы к расчету степени и экономической эффективности диверсификации и специализации в хозяйствах аграрной сферы

Исследования, проведенные в предыдущих главах диссертации, позволяют сделать вывод, что множества диверсифицированных и специализированных предприятий представляют собой нечеткие множества, то есть множества предприятий, степень принадлежности к которому различна для различных предприятий. Этот факт обосновывает наш подход классификации предприятий по степени диверсификации с позиции нечетких множеств. В следующем пункте кратко излагаются основные положения теории нечетких множеств, которые будут использоваться в дальнейшем.

4.1 Основные понятия теории нечетких множеств. Нечеткое множество специализированных (концентрированных) предприятий

Предпосылкой разработки теории нечетких множеств является принцип несовместимости, согласно которому сложность системы и точность, с которой ее можно описать традиционными математическими методами, по своей сути противоречивы друг другу. Методы нечеткой логики позволяют строить логико-лингвистические модели, отражающие общую смысловую постановку задачи, используя качественные представления соответствующие "человеческим" способам рассуждений и принятия решений.

Впервые понятие нечеткого множества появилось в 1965 году в работе Lotfi A. Zadeh, [49] профессора информатики Калифорнийского Университета в Беркли (Berkeley) (см. также, [48], [15], [148]).

Прикладные результаты теории нечетких множеств не заставили себя ждать. Для примера: сегодня зарубежный рынок так называемых нечетких контроллеров (разновидность которых установлена даже в стиральных машинах широко рекламируемой марки LG) обладает емкостью в сотни миллионов долларов. Нечеткая логика, как модель человеческих мыслительных процессов, встроена в системы искусственного интеллекта и в автоматизированные средства поддержки принятия решений (в частности, в системы управления технологическими процессами).

Начиная с конца 70-х годов, методы теории нечетких множеств начинают применяться в экономике. Отметим здесь монографию [148], в которой представлен широкий спектр возможных применений этой теории - от оценки эффективности инвестиций до кадровых решений и замен оборудования, приводятся соответствующие математические модели.

Классическая теория множеств базируется на двузначной логике. Выражения в форме а А, (а принадлежит А), где а представляет индивидуальный объект, а А - множество подобных объектов, могут принимать только значение "истина" либо "ложь". После появления понятия "нечеткое множество" прежние классические множества иногда стали называть жесткими. Жесткость классической теории множеств стала источником ряда проблем при попытке применить ее к нечетко определенным категориям.

Рассмотрим категорию, определенную словом "диверсифицированный" Если применить это определение к предприятию, то какое предприятие можно считать диверсифицированным? В классической математике мы можем определить множество А "диверсифицированных предприятий" либо перечислением (составив список всех таких предприятий), либо введя в рассмотрение некоторую характеристическую функцию f такую, что для любого объекта X

f (X) = 1 тогда и только тогда, когда Х принадлежит А, а для всех других предприятий f (X) = 0. Например, эта функция может отбирать только те предприятия, которые имеют более 3-х бизнесов, каждый из которых составляет не более 25% от общего объема продаж:

А что можно сказать о множестве (категории)"диверсифицированных предприятий на самом деле? Интуитивно кажется, что границы множества размыты и принадлежность элементов множеству может быть каким-то образом ранжирована. В таком случае можно говорить о том, что отдельный объект (предприятие) более или менее типично для этого множества (категории). Можно с помощью некоторой функции охарактеризовать степень принадлежности объектов X такому множеству. Функция f (X) определена на интервале [0,1]. Если для объекта X функция f (X) = 1, то объект определенно является членом множества диверсифицированных предприятий, если f (X) = 0, то предприятие определенно не является членом множества. Все промежуточные значения означают степень членства объекта X в этом множестве.

Приведем примеры функции f (X) принадлежности элемента нечеткому множеству "негативное, отрицательное отношение", "толерантное, безразличное отношение", "положительное отношение". Четко просматриваются полутона, множества высказываний типа "скорее толерантное, чем положительное", "скорее отрицательное, чем безразличное" и так далее.

Рис.11. Примеры функции f (X) принадлежности элемента нечеткому множеству "негативное, отрицательное отношение", "толерантное, безразличное отношение", "положительное отношение".

Степень принадлежности к нечеткому множеству специализированных одноотраслевых сельскохозяйственных предприятий будем определять, используя функции принадлежности изображенные на рис.12.

Рис.12. Функция принадлежности нечеткому множеству специализированных одноотраслевых сельскохозяйственных предприятий по доле отрасли в общей выручке.

Сельскохозяйственное предприятие считается специализированным двух отраслевым, если сумма двух нечетких множеств отраслевой принадлежности предприятия с функциями принадлежности и имеет вид, такой как на рис.12, а

+= (5)

В следующем пункте изучается вопрос о вычислении значений функции принадлежности, то есть степени принадлежности предприятия нечеткому множеству специализированных или диверсифицированных предприятий понятий энтропии и относительного эвклидового расстояния до ближайшего идеального 100% специализированного или диверсифицированного предприятия.

4.2 Определение степени принадлежности к множеству специализированных (концентрированных) предприятий (энтропийный подход и подход, основанный на определении относительного расстояния до максимально специализированного предприятия). Примеры расчеты степени специализации экономик различных стран

Современная теория сельскохозяйственной статистики не располагает объективным показателем, позволяющим количественно оценить степень диверсификации и специализации производства сельскохозяйственного предприятия и провести его классификацию на многоотраслевое или специализированное предприятие. В этом пункте, в отличие от подхода, описанного в предыдущем пункте, вводится показатель степени диверсификации и специализации объекта, используя понятие энтропии (рассеяния) из теории информации. Данное понятие применяется к источникам формирования национального дохода в масштабе страны (в макроэкономическом анализе) и валового дохода предприятия (в микроэкономическом анализе). Перейдем к точным формулировкам. Предполагается, что предприятие получает доход от n направлений деятельности. Пусть Хi (t), i=1,2,…,n относительная доля средств валового дохода, полученная по итогам работы i-ого направления деятельности в период t. Энтропийный количественный показатель специализации распределения долей в результирующем показателе следующий:

, (6)

По формуле (6) могут вычисляться энтропийные характеристики распределения по GDP, валовому доходу предприятия, маржинальным затратам, полным затратам и другим показателям, например, прибыли.

Задача классификации предприятия по степени диверсификации доходов от различных областей деятельности теперь может быть корректно поставлена.

Может быть теперь корректно поставлена также задача оптимизации степени диверсификации ресурсов и степени концентрации доходов по областям деятельности.

Отметим, что энтропийная характеристика специализации производства равна нулю, если доход от разных областей деятельности одинаковый, то есть Хi (t) =1/n и равна единице, если все доходы получены от одной области деятельности Хi (t) =0 при i?j, Хi (t) =1 при i=j.

Проверим, например, что при Хi (t) =1/n. Имеем

При Хi (t) 0 при i?j, Хi (t) 1 при i=j имеем

так как,

при Хi (t) = 0.

Можно предложить следующую схему классификации сельскохозяйственных предприятий по степени специализации.

Если показатель лежит в интервале от 0,25 до 1, то хозяйство считается узко специализированным. Если принадлежит интервалу от 0,15 до 0,25, то хозяйство можно считать средне специализированным. Наконец хозяйство можно считать диверсифицированным, если принадлежит интервалу от 0 до 0, 15.

Другой перспективный подход определения степени специализации объекта исследования состоит в вычислении относительного расстояния объекта до ближайшего объекта, степень принадлежности которого нечеткому множеству специализированных объектов наивысшая, то есть равна 1.

Пусть, как и выше, число отраслей специализации равно n. Пусть Хi (t), i=1,2,…,n относительная доля отраслей специализации объекта исследований, полученная по итогам работы i-ого направления деятельности в период t. Очевидно, для наиболее специализированных объектов Хi (t) =0 при i?j, Хi (t) =1 при i=j. Для таких объектов вводимая степень специализации должна быть равна единице. С другой стороны, для максимально диверсифицированного объекта: Хi (t) =1/n, i=1,2,…n. Для такого объекта степень специализации должна быть равна нулю. Эвклидово расстояние D в пространстве векторов с n координатами вычисляется по формуле:

D=,

где Хi, Yi - координаты объектов. Вычислим расстояние между наиболее специализированными объектами и максимально диверсифицированным объектом Dmax:

Dmax=. (7)

Учтем далее, что сумма относительных долей отраслей специализации объекта должна быть равна единице. Тогда нетрудно доказать, что эвклидово расстояние между исследуемым объектом и ближайшим максимально специализированным объектом, равно

D= (8)

(в (8) предполагается, что относительные доли объекта предварительно упорядочены по убыванию) всегда меньше расстояния Dmax. Теперь можно ввести степень принадлежности объекта нечеткому множеству специализированных объектов по формуле:

1-. (9)

Как и в случае энтропийной степени принадлежности нечеткому множеству специализированных объектов, легко проверяется, что мера принадлежности равна нулю для полностью диверсифицированного объекта и равна 1 для абсолютно специализированного объекта. Для данного показателя к высокоспециализированным экономикам следует отнести государства с F (X) из интервала 0,5-1,0. К среднеспециализированным следует отнести экономики с показателем F (X) из интервала 0,25-0,5. Экономики считаются диверсифицированными, если F (X) из интервала 0-0,25.

В качестве примера применения введенных мер специализации объекта вычислим степень специализации экономик различных стран рассчитанные по формулам (6) и (9). Полная информация по 200 странам содержится в Приложении 4 диссертации. В таблице 17 приведена часть результатов по наиболее крупным странам мира.

Таблица 17. Степени специализации экономик стран мира

Страны мира

Э (X)

F (X)

Страны мира

Э (X)

F (X)

Afghanistan

0,135026479

0,504016129

Kuwait

0,435744065

0,504014617

Algeria

0,258110392

0,495619191

Kyrgyzstan

0,0346139989

0,147063895

Angola

0,327607894

0,579643009

Latvia

0,245199295

0,624101077

Argentina

0,214784505

0,586115958

Lithuania

0,155123468

0,507658655

Armenia

0,0336261944

0,21942329

Luxembourg

0,30053997

0,61425397

Australia

0,26664298

0,637508621

Malaysia

0,101171341

0,341820693

Austria

0,262744646

0,564913802

Mexico

0,226055525

0,610384805

Azerbaijan

0,0409674773

0,302647865

Moldova

0,0601949877

0,285017483

Bangladesh

0,0911119305

0,210063294

Mongolia

0,0527414197

0,218463053

Belarus

0,0737400321

0,297504448

Netherlands

0,26664298

0,637508621

Belgium

0,322032926

0,679084123

New Zealand

0, 200710527

0,603515448

Bolivia

0,121015888

0,449545642

Nicaragua

0,0336261944

0,21942329

Brazil

0,146516747

0,447369925

Nigeria

0,0869357292

0,320294181

Bulgaria

0,10057753

0,453923082

Norway

0,267827315

0,589390697

Canada

0,285206928

0,638337174

Pakistan

0,0573060973

0,328956037

Chile

0,111250784

0,428160862

Peru

0,146834136

0,526291229

China

0,115812328

0,368335532

Poland

0,213889623

0,514407578

Croatia

0,136699592

0,46924582

Portugal

0,233928275

0,587750076

Cuba

0,148335704

0,47151159

Romania

0,0720625507

0,356571682

Czech Republic

0,217316701

0,44116192

Russia

0,181171427

0,494965348

Denmark

0,26664298

0,637508621

Saudi Arabia

0,238495631

0,391312888

Dominica

0,0955138787

0,437150109

Slovakia

0, 205233954

0,519921881

Egypt

0,0580633008

0,337731172

Slovenia

0,234683934

0,515335167

Estonia

0, 197940143

0,567750072

South Africa

0,221813899

0,583379669

Finland

0,215059205

0,526607985

Spain

0,22184697

0,563193407

France

0,26664298

0,637508621

Sudan

0,121280122

0,295798324

Georgia

0,0760755423

0,393782217

Sweden

0,275260622

0,613865308

Germany

0,297126786

0,602005025

Switzerland

0,261039551

0,552674615

Ghana

0,0342893115

0,130344896

Syria

0,0628441414

0,301573196

Greece

0, 200710527

0,603515448

Taiwan

0,267827315

0,589390697

Hungary

0,215059205

0,526607985

Tajikistan

0,0751812657

0,39850187

India

0,0536053696

0,312613646

Tanzania

0,161268075

0,357154762

Indonesia

0,060320796

0,255621064

Thailand

0,111758683

0,356338598

Iran

0,0751812657

0,39850187

Turkey

0,100549841

0,442545966

Iraq

0,363504245

0,752008065

Turkmenistan

0,0472824783

0,301573196

Ireland

0,213377541

0,366912328

Ukraine

0,0290241963

0,232406358

Israel

0,246703839

0,588660724

United Kingdom

0,315379624

0,671697548

Italy

0,246703839

0,588660724

United States

0,366866818

0,748405087

Japan

0,284961917

0,59822581

Uruguay

0, 202771856

0,584307806

Kazakhstan

0,135502397

0,384939027

Uzbekistan

0,0685826893

0,172413147

Kenya

0, 205392703

0,458059044

Venezuela

0,232728595

0,379113537

Korea North

0,00574144603

0,137271769

Vietnam

0,0185303598

0, 19371221

Korea South

0,21951036

0,428948339

World

0,219021139

0,551001114

Оценивая коэффициент корреляции между введенными характеристиками степени принадлежности стран нечеткому множеству стран со специализированными экономиками убеждаемся в том, что он достаточно высок и равен 0,86.

Построим уравнение связи между показателями специализации стран мира (см. табл.18)

Таблица 18. Расчет уравнения связи между энтропийной характеристикой степени специализации и характеристикой основанной на относительном расстоянии до ближайшего по структуре абсолютно специализированного объекта

Окончательно получаем:

F (x) =0,223+1,348*Э (х). (10)

Хорошее качество уравнения связи и значимость всех коэффициентов подтверждает вывод о тесной связи между изучаемыми характеристиками специализации.

К группе государств с высокоспециализированными экономиками, кроме малых государств, вошедших в Приложение 4, можно также отнести такие государства как США, Нидерланды, Норвегия, Англия и некоторые другие. Государства, имеющие диверсифицированную экономику - это Киргизия, Северная Корея, Гана и ряд других. Легко прослеживается положительная связь между степенью специализации экономики страны и показателями, связанными с ВВП. Соответствующие расчеты приведены в таблице 19.

Таблица 19. Корреляционная матрица связей показателей степени специализации Э (Х) и F (X) с показателями ВВП.

Наиболее тесная связь новых показателей специализации прослеживается с показателями подушевого производства 0,78 и 0,57 соответственно для Э (Х) и F (X). Этот факт неявно указывает на предпочтительность использования показателя Э (Х) в дальнейших исследованиях, как более значимого для показателей развития экономики.

Оценим, с помощью новых характеристик Э (Х) и F (X) степень специализации субъектов Российской Федерации. В качестве отраслей, как и для стран, были выбраны промышленность, сельское хозяйство и сфера услуг. Данные расчетов представлены в таблице 20.

Таблица 20. Степени специализации субъектов РФ

№ региона

Регионы

Э (Х)

F (X)

Пром.% в ВРП

С. х.% в ВРП

Услуги, Связь, транспорт, торговля% в ВРП

1

Адыгея

0,0208

0,133

32,6

25

42,4

2

Башкирия

0,1627

0,342

57,8

10,7

31,5

3

Алтай

0,0294

0,184

27,6

26,8

45,6

4

Бурятия

0,1034

0,252

34,4

14,1

51,5

5

Дагестан

0,0336

0, 192

28,9

24,9

46,2

6

Кабардино-Балкария

0,0009

0,031

31,9

32,7

35,4

7

Калмыкия

0,1095

0,245

35,4

13,3

51,3

8

Карачаево-Черкесия

0,0073

0,089

31,2

29,5

39,3

9

Карелия

0,2556

0,220

53,3

3,6

43,1

10

Коми

0,2989

0,236

54,9

2

43,1

11

Марий-Эл

0,0152

0,080

39

25,1

35,9

12

Мордовия

0,0269

0,127

42,2

22,9

34,9

13

Сев, Осетия

0,1271

0,249

36,3

11,7

52

14

Татарстан

0,2151

0,372

60,6

7,5

31,9

15

Тува

0,1547

0,428

19,3

18,8

61,9

16

Удмуртия

0,1445

0,351

57,8

12,8

29,4

17

Хакасия

0,1896

0,307

56,6

7,9

35,5

18

Ингушетия

0,1103

0,228

50,4

12,9

36,7

19

Чечня

нет

данных

20

Чувашия

0,0595

0, 198

47,3

18,5

34,2

21

Якутия-Саха

0,2837

0,291

57,7

2,9

39,4

22

Еврейская а, обл,

0,1206

0,347

27,2

15,8

57

23

Агинский-Бурятский а

0,1561

0,351

30,3

11,6

58,1

24

Коми-Пермяцкий а, о.

0, 1945

0,320

57,4

7,8

34,8

25

Корякский а, о.

0,2340

0,255

54,8

4,8

40,4

26

Ненецкий а. о.

0, 1912

0,138

46,2

6,5

47,3

27

Таймырский а. о.

0,2695

0,467

66,5

6,5

27

28

Усть-Ордынский а, о.

0,1768

0, 209

51

7,6

41,4

29

Ханты-Мансийский а. о

0,3590

0,411

65,3

1,4

33,3

30

Чукотский а, о,

0,2823

0,235

42,8

2,6

54,6

31

Эвенкийский а. о.

0,2695

0,467

66,5

6,5

27

32

Ямало-Ненецкий а. о.

0,3590

0,411

65,3

1,4

33,3

33

Алтайский край

0,0481

0,141

37,2

19,1

43,7

34

Краснодарский край

0,0841

0,236

33,9

16

50,1

35

Красноярский край

0,2695

0,467

66,5

6,5

27

36

Приморский край

0,2518

0,304

37,8

4,4

57,8

37

Ставропольский край

0,0636

0,228

32

18,9

49,1

38

Хабаровский край

0,2598

0,279

39,6

3,8

56,6

39

Амурская обл,

0,1777

0,447

21,9

14,7

63,4

40

Архангельская обл,

0, 1912

0,138

46,2

6,5

47,3

41

Астраханская обл.

0,2134

0,304

57

6,4

36,6

42

Белгородская обл.

0,0905

0,267

52

16,2

31,8

43

Брянская обл.

0,0629

0,236

31,1

19,4

49,5

44

Владимирская обл.

0,0768

0,249

50,6

17,5

31,9

45

Волгоградская обл,

0,0952

0,234

50,3

14,6

35,1

46

Вологодская обл.

0,2124

0,446

64,2

10,1

25,7

47

Воронежская обл.

0,0507

0,141

37,5

18,7

43,8

48

Ивановская обл.

0,0923

0,153

40,5

13,8

45,7

49

Иркутская обл.

0,1768

0, 209

51

7,6

41,4

50

Калининградская обл.

0,1556

0,156

43,8

8,7

47,5

51

Калужская обл.

0,0347

0,101

40,9

20,9

38,2

52

Камчатская обл.

0,2340

0,255

54,8

4,8

40,4

53

Кемеровская обл.

0, 1965

0,244

53,4

6,7

39,9

54

Кировская обл.

0,0724

0, 202

47,9

16,7

35,4

55

Костромская обл.

0,0387

0,122

42,3

20,4

37,3

56

Курганская обл.

0,0602

0,133

39,1

17,3

43,6

57

Курская обл.

0,0825

0,247

50,7

16,6

32,7

58

Ленинградская обл.

0,1017

0,284

53,2

15,3

31,5

59

г. Санкт-Петербург

0,3718

0,210

45,6

0

54,4

60

Липецкая обл.

0,1664

0,388

60,2

12

27,8

61

Магаданская обл.

0,3374

0,258

56,7

,9

42,4

62

Московская обл.

0, 1950

0,256

54

6,9

39,1

63

г. Москва

0,4239

0,434

32,7

0

67,3

64

Мурманская обл.

0,3649

0, 197

53,6

,1

46,3

65

Нижегородская обл.

0,1841

0,134

46,9

6,9

46,2

66

Новгородская обл.

0,1526

0,254

52,9

9,7

37,4

67

Новосибирская обл.

0,0898

0,262

32,2

16,1

51,7

68

Омская обл.

0,0963

0,276

31,7

15,7

52,6

69

Оренбургская обл.

0,1196

0,303

54,7

13,8

31,5

70

Орловская обл.

0,0452

0,102

39,5

19,2

41,3

71

Пензенская обл.

0,0396

0,118

42,1

20,2

37,7

72

Пермская обл.

0, 1945

0,320

57,4

7,8

34,8

73

Псковская обл.

0,0398

0,189

31,6

22,2

46,2

74

Ростовская обл.

0,0477

0,176

34,4

19,9

45,7

75

Рязанская обл.

0,0402

0,180

45,7

21,6

32,7

76

Самарская обл.

0,1767

0,252

53,4

8

38,6

77

Саратовская обл.

0,0828

0,142

44,8

14,7

40,5

78

Сахалинская обл.

0,3197

0,417

65

2,9

32,1

79

Свердловская обл.

0, 2053

0,283

55,7

6,6

37,7

80

Смоленская обл.

0,0790

0,155

45,4

15,2

39,4

81

Тамбовская обл.

0,0708

0,239

32

18,1

49,9

82

Тверская обл.

0,1040

0,237

50,7

13,7

35,6

83

Томская обл.

0,1600

0,151

47,3

8,4

44,3

84

Тульская обл.

0,1007

0, 206

48,9

13,5

37,6

85

Тюменская обл.

0,3590

0,411

65,3

1,4

33,3

86

Ульяновская обл.

0,1198

0,144

45,9

11,3

42,8

87

Челябинская обл.

0,2369

0,385

61,7

6,4

31,9

88

Читинская обл.

0,1561

0,351

30,3

11,6

58,1

89

Ярославская обл.

0,1357

0,295

54,7

11,9

33,4

В отличие от результатов для страновой идентификации для регионов России корреляционная связь между характеристиками специализации Э (Х) и F (X) оказалась ниже, хотя и весьма значимой (см. таблицу 21).

Таблица 21. Расчет коэффициента корреляции и уравнения связи между характеристиками специализации Э (Х) и F (X)

F (x) =0,015+0,635*Э (х). (11)

Кроме Москвы и Санкт-Петербурга к высоко специализированным субъектам РФ можно отнести Тюменскую обл., Сахалинскую обл., Вологодскую и Амурскую обл., Красноярский край и ряд национальных округов Севера.

К районам с диверсифицированной экономикой относятся Республика Мари-Эл, Карачаево-Черкесия, Кабардино-Балкария, Орловская, Калужская и Воронежская обл. и некоторые другие.

4.3 Оценка степени специализации (концентрации) предприятий по материалам сельскохозяйственного производства в Воронежской области на основе анализа составляющих компонент отраслей в выручке и в затратах

Косвенно о переменах в специализации сельскохозяйственного производства страны можно судить об изменениях в посевных площадях сельскохозяйственных культур страны. Динамика изменений посевных площадей представлена в таблице 22.

Таблица 22. Посевные площади сельскохозяйственных культур РФ (в хозяйствах всех категорий; тысяч гектаров)

1975

1980

1985

1990

1995

1996

1997

1998

1999

2000

2001

2002

Вся посевная площадь

126542

124815

119121

117705

102540

99626

96554

91660

88329

85419

84753

84578

Зерновые культуры

77023

75465

68138

63068

54705

53388

53634

50724

46555

45636

47241

47474

в том числе:

озимые зерновые культуры

15450

17795

15996

18411

11895

13916

13423

12353

11414

11991

12793

14595

из них:

пшеница

8936

11107

8374

9731

8194

9329

8944

8246

7609

7926

8525

10113

рожь

5926

6125

7214

7989

3233

4133

3989

3761

3386

3531

3621

3804

ячмень

588

563

408

691

468

454

490

345

419

533

648

677

яровые зерновые культуры

61573

57670

52142

44657

42810

39472

40211

38371

35141

33645

34447

32879

из них:

пшеница

25091

22893

16910

14513

15715

16378

17112

17855

15413

15278

15240

15549

кукуруза на зерно

532

590

1080

869

643

622

918

787

704

813

684

625

ячмень

18752

17991

15736

13032

14242

11338

12027

10938

9436

8644

9479

9602

овес

10243

9901

10981

9100

7928

6904

6438

5229

5336

4518

4869

4269

просо

1615

1733

1680

1936

698

1228

1086

975

1610

1588

1214

581

гречиха

1012

1131

1100

1278

1604

1369

1112

1226

1339

1577

1594

836

рис

270

377

322

287

171

172

151

146

173

175

154

149

зернобобовые

4025

3007

4177

3556

1784

1430

1340

1185

1072

922

1076

1214

Технические культуры

5947

6180

5727

6111

6476

6026

5398

5949

7505

6454

5400

5802

в том числе:

лен-долгунец

664

595

550

418

177

153

114

107

104

108

127

111

сахарная свекла (фабричная)

1557

1615

1492

1460

1085

1060

933

810

900

806

773

809

масличные культуры

3337

3578

3364

4007

5149

4747

4278

4958

6434

5485

4448

4838

из них:

подсолнечник

2060

2380

2320

2739

4127

3874

3588

4168

5585

4629

3821

4117

соя

792

741

623

675

487

485

404

453

439

421

417

476

Картофель и овощебахчевые культуры

5393

4749

4426

3966

4303

4281

4271

4127

4247

4243

4213

4217

в том числе:

картофель

4449

3790

3538

3124

3409

3404

3352

3265

3256

3252

3240

3232

овощи (без высадков)

735

742

676

618

758

737

749

743

820

833

831

835

Кормовые культуры

38179

38421

40830

44560

37056

35931

33251

30860

30022

29086

27899

27086

в том числе:

многолетние травы (укосная площадь посева прошлых лет и беспокровные посевы текущего года)

13551

13783

16451

18287

19518

19364

19122

18509

18172

18184

17945

17100

однолетние травы

10190

10445

9994

12612

9350

8203

7563

7047

6436

5981

5701

6365

кукуруза на силос, зеленый корм и сенаж

10067

9650

10119

10089

6147

6359

5054

4060

4233

3670

3164

2710

кормовые корнеплоды (включая сахарную свеклу на корм скоту)

721

828

974

732

243

223

196

167

180

165

160

150

Площадь чистых паров

7306

9506

14542

13808

17383

17766

17779

18565

17584

18042

17483

16311

Оценим изменения в специализации сельскохозяйственного производства по изменению в относительных долях посевных площадей по следующим направлениям:

1. Зерновые культуры

2. Зернобобовые культуры

2. Технические культуры

3. Картофель и овощи

5. Кормовые культуры

Данные по относительным площадям по приведенным выше направлениям представлены в таблице 23.

Таблица 23. Относительные доли посевных площадей по направлениям сельскохозяйственного производства за период 1975-2002 гг.

1975

1980

1985

1990

1995

1996

1997

1998

1999

2000

2001

2002

Площадь с. х. угодий (без чистого пара)

1

1

1

1

1

1

1

1

1

1

1

1

Зерновые культуры

0,59

0,59

0,55

0,52

0,52

0,53

0,55

0,55

0,52

0,53

0,55

0,55

зернобобовые

0,03

0,02

0,03

0,03

0,02

0,01

0,01

0,01

0,01

0,01

0,01

0,01

Технические культуры

0,05

0,05

0,05

0,05

0,06

0,06

0,06

0,06

0,08

0,07

0,06

0,07

Картофель и овощебахчевые культуры

0,04

0,04

0,04

0,03

0,04

0,04

0,04

0,04

0,05

0,05

0,05

0,05

Кормовые угодья

0,29

0,3

0,33

0,37

0,36

0,36

0,34

0,33

0,34

0,34

0,33

0,32

Из таблицы 23 следует, что, несмотря на абсолютное уменьшение площади сельскохозяйственных угодий за период 1975-2002 годы на 34%, долевая структура посевных площадей почти не изменилась. Доля зернобобовых культур уменьшилась с 3-х до 1-го процента, доля технических культур увеличилась на 2%, с 5% до 7%; несколько увеличилась (на 1%) доля картофеля с 4% до 5%. Несмотря на значительное уменьшение поголовья КРС в хозяйствах, кормовые угодья продолжают использоваться в частном секторе и доля их площадей осталась на уровне 70-80-х годов. Рассчитаем коэффициенты Э (t) и F (x) степень специализации использования сельскохозяйственных земель в России за рассматриваемые годы. Результаты расчетов представим в таблице 24.

Таблица 24. Коэффициенты Э (t) и F (x) - степени специализации использования сельскохозяйственных земель в России за 1975-2002гг.

Годы

Э (t)

F (x)

Годы

Э (t)

F (x)

1975

0,343

0,5348

1997

0,349

0,4903

1980

0,345

0,5355

1998

0,354

0,4903

1985

0,36

0,4907

1999

0,355

0,4530

1990

0,33

0,45845

2000

0,314

0,4657

1995

0,336

0,4569

2001

0,326

0,4892

1996

0,327

0,4683

2002

0,342

0,4877

Итак, степень специализации использования земель сельскохозяйственного назначения на протяжении всего периода наблюдений, несмотря на перемены уклада и многочисленные реформы, остается практически неизменной. Это говорит о том, что введенная характеристика является числовым инвариантом, закономерностью сельскохозяйственного производства.

Перейдем к исследованию степени специализации предприятий аграрного сектора Воронежской области.

Для расчетов были выбраны 27 хозяйств высокого по уровню развития Аннинского района, 17 хозяйств среднего по уровню развития Калачеевского района и 14 хозяйств отстающего в развитии Панинского района Воронежской области.

Исследовалась специализация хозяйств по следующим направлениям

Зерновые культуры.

Технические культуры (сахарная свекла + подсолнечник).

Животноводство в целом.

Рассчитывались показатели специализации: Э (х) - показатель основанный на энтропии удельных весов затрат и выручки в общей сумме затрат и выручки и F (x) - показатель отклонения от модельного абсолютно не специализированного хозяйства имеющего равные удельные веса затрат и выручки в общей сумме затрат и выручки. Расчеты проводились совместно в пакете EXCEL и Statistica. Приведем пример таблицы расчета в пакете Statistica по доле выручки для хозяйств Калачеевского района в 1996 году (табл.4.9).

Страница:


Подобные документы

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.

© 2000 — 2023, ООО «Олбест» Все права защищены