Как известно, в связи с обостренной международной обстановкой в настоящее время в ответ на санкции США и ЕС было принято Постановление Правительства от 7 августа 2014 г. № 778 «О мерах по реализации Указа Президента Российской Федерации от 6 августа 2014 г. № 560 «О применении отдельных специальных экономических мер в целях обеспечения безопасности Российской Федерации», которое запретило ввоз в РФ сельскохозяйственной продукции, сырья и продовольствия из  США, стран Европейского союза, Канады, Австралии и Королевства Норвегии.

Что же поможет обеспечить продовольственную независимость от других стран? Что сможет гарантировать нам продовольственную безопасность?

Да, несомненно, этими факторами могут послужить:

• повышение уровня конкурентоспособности российской сельскохозяйственной продукции как  на внутреннем, так и на внешнем рынках;
• повышение финансовой устойчивости предприятий агропромышленного комплекса;
• устойчивое развитие сельских территорий, в том числе их расширение; воспроизводство и повышение эффективности использования в сельском хозяйстве земельных и других ресурсов;
•  экологизация производства.

Но, не смотря на это, объём сельскохозяйственной продукции, можно сказать даже в большей степени, зависит от ряда других факторов, влияние которых необходимо учитывать. Урожайность тех или иных культур зависит от объёма инвестиций в основной капитал сельского хозяйства, количества внесённых удобрений, размера посевных площадей, количества тракторов и т.д. В данном случае урожайность будет выступать результативным признаком (у), а то от чего она зависит – факторными (х).

Лишь с помощью эконометрического анализа можно выявить влияние данных факторов на результат. Проведя исследование модели, с помощью ППП MS Excel, можем увидеть на сколько процентов факторные показатели модели объясняют вариацию результативного признака.[2, с. 213]

Так же, правильно составленная эконометрическая модель может показать нам мультиколлинеарность , т.е.  тесную взаимосвязь нескольких объясняющих факторов (х_i ) в уравнении регрессии. Изменение одной переменной не может практически происходить при абсолютной неизменности других переменных.

Одни факторы модели положительно влияют на рост результативного признака, т.е. ускоряют рост объема продукции, а другие, наоборот,  – замедляют его рост. [3, с. 184] Например, вполне реально с помощью эконометрического анализа проследить как увеличение или уменьшение минеральных удобрений, посевных площадей, инвестиций в сельское хозяйство в целом приведёт к увеличению или снижению объёма продукции растениеводства, что будет свидетельствовать об эффективности или неэффективности  производства. Если вкладываемые ресурсы будут приводить к увеличению объёмов производства, то мы смело можем говорить об эффективности использования данных ресурсов и наоборот, если реализованные ресурсы не изменяют объём продукции в положительную сторону, то ресурсы используются не эффективно.

Таким образом, с помощью основных методологических подходов и принципов применения аппарата эконометрического моделирования и анализа экономических явлений и процессов мы можем оценить состояние и составить прогноз развития экономических явлений и процессов, в том числе оценить эффективность деятельности сельского хозяйства нашей страны, что является актуальной проблемой на данный момент времени.

ФГБОУ ВО «Орловский государственный аграрный университет им. Н.В.Парахина»

Эконометрика — наука, в которой на базе реальных статистических данных строятся, анализируются и совершенствуются математические модели реальных экономических явлений [3].

Основные задачи эконометрики:

1. Построение эконометрических моделей, то есть представление экономических моделей в математической форме, удобной с целью проведения эмпирического анализа.

2. Анализ параметров построенной модели, делающих выбранную модель наиболее соответствующей настоящим сведениям.

3. Проверка качества найденных параметров модели и самой модели в целом.

4. Применение построенных моделей для объяснения поведения исследуемых экономических показателей, прогнозирования и предсказания, а также с целью осознанного проведения экономической политики[2].

Наиболее важной задачей является оценка и проверка экономической модели.

Моделирование – один из методов научного познания и представляет собой исследование свойств и поведения настоящего объекта с помощью изучения свойств и поведения его образа — модели. Необходимость в моделировании появляется тогда, когда прямое изучение самого объекта либо невозможно, либо затруднительно, недешево или потребует крупных расходов времени. Модель должна иметь сходные с оригиналом особенности, которые важны для данного исследования: сходство физических характеристик, сходство функций, тождество математического описания «поведения» оригинала и модели и т.п. Функции модели способна выполнять как специально созданная экспериментальная установка, так и другое наблюдаемое явление, или символическое описание оригинала: текстовое, математическое, графическое и др.

Эконометрическое моделирование широко используется в различных сферах современной жизни, как в технических, так и социально-экономических. Сочетая в себе приемы экономической теории, экономической и математической статистик, а также различные инструменты математики и информационных технологий, специалисты овладели уникальным инструментом при оценке технико–экономических процессов,  построении прогнозной и точностной характеристик всех этапов производства с целью установления и повышения качества и надежности изделий;  использовании методов экспертных оценок в случаях принятия [4].

Следует отметить, что эконометрическое моделирование основано на 6 этапах:

1)  Постановка целей и задач исследования, определение основных результативных и факторных переменных с учетом отсутствия эффекта мультиколлинеарности (переменные не должны быть высоко коррелированными между собой);

2)  Построение экономической задачи или априорный этап, в ходе которого следует проанализировать теоретически сущность исследуемого явления и выдвинуть соответствующие гипотезы и некоторые допущения [6];

3)  Моделирование (этап параметризации) предназначен для окончательного определения вида модели, формы связи. При этом следует отметить, что моделирование может быть статистическим и динамическим. Статистическое подразумевает моделирование взаимосвязи между статистически однородными данными. Например, это может быть выборка предприятий одной отрасли по размеру прибыли, объему выпускаемой продукции, уровню производительности труда или фондоотдачи т .д. Динамическое в свою очередь связывает значения результирующего признака в определенные моменты времени с соответствующими для этих периодов факторными (независимыми) переменными. Например, объем ВВП страны  или объем импорта/экспорта товаров за десятилетие может зависеть от нескольких факторов: уровня инфляции, курса доллара и т. д [5].

В ходе выполнения расчетной части  моделирования подбирают соответствующую функцию, которая может быть линейной или нелинейной. В настоящее время существует множество программных продуктов, которые облегчают выполнение трудоемких расчетов на этапе моделирования. Так, например, широко используется Microsoft Excel. Благодаря наличию соответствующего инструментария в интерфейсе программы, можно при однофакторном моделировании добавлять линию тренда с соответствующим представлением модели и коэффициента детерминации, либо проводить анализ множественной регрессии с помощью функции «Регрессия» и т.д [4].

4)  Идентификация модели, в ходе которого происходит оценка неизвестных параметром процесса.

5)  Оценка качества модели, в ходе которой проверяется успешность решения задач идентификации с помощью оценки на достоверность и адекватность. Чаще всего это происходит с помощью коэффициента детерминации, средней ошибки аппроксимации, по критерию F–Фишера и т.д.

6) Интерпретация результатов моделирования[1].

Данные этапы носят условный характер, так как они могут пересекаться, взаимно дополнять друг друга.

Таким образом, эконометрическое моделирование охватывает весь цикл решения экономической задачи – от ее постановки до содержательной интерпретации итогов статистического анализа и прогнозирования.

Практическая значимость эконометрического моделирования велика. Правильно проведенный эконометрический анализ с соблюдением всех правил и последовательностей является неотъемлемой частью прогнозирования и управления экономическими, техническими и социальными процессами как на уровне предприятий, так и на уровне субъектов РФ и страны в целом.

Уровень здоровья населения относится к числу наиболее значимых направлений исследования в социальной статистике. Это важный показатель, который требует особо четкого внимания. 
Для того чтобы понять настоящую ситуацию в этой сфере, необходим ежегодный мониторинг данной области. Но так как простого сбора данных недостаточно, то нужен их анализ, а также установление различных взаимосвязей и выявление факторов, влияющих на те или иные показатели. 
Таким образом, уровень заболеваемости является одной из основных социальных проблем, которая главным образом влияет в целом на число населения.
Для анализа и обработки огромного количества регистрируемых признаков, необходимо воспользоваться удобным и четким методом главных компонент, он предполагает уменьшение размерности информации. 
Ниже приведены факторы, которые влияют на заболеваемость девочек 14-16 лет. Проанализируем данные Минздрава России за 2016 год. 
x₁ - группа заболеваний, вызываемых паразитами, а также инфекционные заболевания, чел.;
x₂ -  болезни системы крови, кроветворных органов и иммунного механизма, чел.; 
x₃ -  нарушения пищевого поведения и нарушения углеводного обмена, чел.; 
x₄ -  расстройства поведения и душевные расстройства, чел.;
x₅ -  нервные заболевания, чел.;
x₆ -  глазные заболевания, чел.;
x₇ -  ушные заболевания, чел.;
x₈ -  болезни системы кровообращения, чел.;
x₉ -  заболевания органов дыхания, чел.;
x₁₀ -  болезни органов пищеварения, чел.;
x₁₁ -  кожные заболевания, чел.; 
x₁₂ -  болезни мочеполовой системы, чел.;
x₁₃ -  последствия внешних причин (травмы), чел.;
Проанализируем данные Минздрава России за 2016 год. Для этого необходимо сформировать главные компоненты путем выделения наиболее значимых факторов и построить уравнения регрессии на главных компонентах. Метод главных компонент необходимо применить к исходным данным, реализуемым в прикладной программе STATISTICA с помощью пакета «Факторный анализ» (Многомерный разведочный анализ). Полученные собственные значения отражены в таблице 1.

Таблица 1 – Собственные значения

С помощью МГК было выделено всего 2 фактора. В данном случае 68,28%  общей дисперсии объясняется первым фактором, 7,97% – вторым фактором, Вместе все факторы объясняют 76% дисперсии.

Далее необходимо оценить значения факторных нагрузок и вычислить коэффициенты информативности для случая с двумя факторами. Главная компонента считается информативной, если коэффициент достаточно высокий Ки ≥ 0,65 ÷ 0,95. Исходя из условия информативности, только первые два фактора являются информативными, поэтому необходимо использовать вращения для факторных нагрузок. В результате после применения вращения «Варимакс исходных», получаем более высокие коэффициенты информативности у первого и второго факторов, это представлено в таблице 2.

Таблица 2 – Факторные нагрузки при варимакс исходных

При варимакс исходных коэффициенты информативности получаются достаточно хорошими для двух факторов, поэтому нет необходимости уменьшать количество факторов.
Переменные, которые вошли в каждую главную компоненту. 
К первой компоненте относятся: x₁ - группа заболеваний, вызываемых паразитами, а также инфекционные заболевания.; x₃ - нарушения пищевого поведения и нарушения углеводного обмена; x₅ -  нервные заболевания, чел; x₆ - глазные заболевания; x₇ - ушные заболевания; x₉ - заболевания органов дыхания; x₁₀ - болезни органов пищеварения; x₁₁ - кожные заболевания; x₁₂ - болезни мочеполовой системы; x₁₃ - последствия внешних причин (травмы). 
Ко второй компоненте относится x₄ - расстройства поведения и душевные расстройства, чел.;
Далее необходимо определить степень влияния каждого фактора на результативный признак y - число заболеваний, зарегистрированных у девочек 14-16 лет. Выведенная пошаговая регрессия с исключением представлена в таблице 3.

Таблица 3 – Итоги множественной регрессии

Отсюда следует, что значимым является только первый фактор. Полученное уравнение регресии имеет вид:

      (1)

Коэффициент детерминации R² =0,97 показывает, что 97% вариации результативного признака объясняется включенной в модель переменной (фактор 1), остальные 3% вариации объясняется неучтёнными в модели факторами.

Модель можно считать значимой, так как фактическое значение F- критерия Фишера превышает критическое при заданных степенях свободы и уровне значимости 97%.

Каждый коэффициент также можно считать значимым, так как критическое значение t-критерия Стьюдента меньше каждого фактического значения.
По вероятностному графику, который изображен на рисунке 1, видно, что значения остатков распределены достаточно равномерно и хорошо ложатся на график нормальных остатков.

Рисунок 1  Нормальный вероятностный график

Коэффициенты уравнения показывают, насколько изменится значение результативного признака при изменении величины факторного на 1 единицу. С уменьшением показателя f₁ на 1 единицу значение результативного признака уменьшится на 45283,8 ед. Влияние показателя f₂ оказалось незначительным и не вошло в окончательное уравнение.
Из уравнения видно, что первый фактор наиболее часто встречается как заболевание, зарегистрированное у девочек 14-16 лет. 
Можно сделать вывод, что в ходе данной работы были выделены две главные компоненты, что облегчило дальнейшую работу с моделью. Затем с помощью пошаговой регрессии с исключением были выделены наиболее существенные факторы и объяснено их влияние на результативный признак.