Анализ сырьевой базы молочного подкомплекса Ульяновской области показал, что в регионе сформировались  три группы производителей молока: сельскохозяйственные предприятия, хозяйства населения и крестьянские (фермерские) хозяйства. В 2012 году ими было произведено 267,5 тыс.т. молока, что на 24,6% меньше, чем в 2000 году [1, с. 363]. Тенденция снижения объема производства молока в области сохранялась вплоть до 2005 года, но в 2006 – 2009 годы наметились небольшие изменения в сторону его роста, но в 2010 году производство несколько снизилось, затем опять наращивание производства (рис. 1).

Рисунок 1 – Производство молока в Ульяновской области, тонн

Основное влияние на падение объема производства молока в области оказали сельскохозяйственные предприятия, в которых он снизился в 2 раза, при росте его производства в ЛПХ на 4%, в  КФХ – 2,7 раза. В 2012 году в хозяйствах населения производилось 61,5% молока, в то время, как в Приволжском федеральном округе только 48,9%. Уменьшение производства молока в сельскохозяйственных предприятиях обусловлено одной причиной – сокращением поголовья коров [2, с. 222]. Но в динамике просматривается тенденция роста продуктивности коров  с 1924 кг до 3593 кг или в 1,9 раза.

Молочная продуктивность коров – важнейший признак при отборе крупного рогатого скота для дальнейшего разведения и использования. Молочная продуктивность характеризуется качеством и количеством молока, получаемого за определенный период времени. Значение продуктивности  влияет на эффективность молочной отрасли [3]. Необходимо знать индикаторы развития отрасли и в первую очередь уровень продуктивности.

Аналитической базой исследования послужила продуктивность коров в трех районах Ульяновской области, а именно Цильнинского, Мелекесского и  Радищевского за 2004-2012 годы. Прогнозное значение продуктивности определено с помощью таких методов, как экстраполяция, экспоненциальное сглаживание и корреляционно – регрессионное моделирование[4].

Сущность экстраполяции заключается в изучении сложившихся в прошлом и настоящем устойчивых тенденций развития объекта прогноза и в переносе их на будущее. Основу экстраполяционных методов прогнозирования составляет изучение эмпирических рядов, то есть множество наблюдений, полученных последовательно во времени [5].

Сущность метода экспоненциального сглаживания заключается в том, что временной ряд сглаживается с помощью взвешенной скользящей средней, в которой веса подчиняются экспоненциальному закону распределения.

Таблица 1- Молочная продуктивность и ее прогнозные значения в районах Ульяновской области, ц

Во всех анализируемых районах продуктивность молока имеет положительную тенденцию роста. Но самая высокая молочная продуктивность  была получена в хозяйствах Мелекесского района, так в 2010 году она достигла уровня  51,6 ц, что выше, чем в Радищевском за тот же период в 2,5 раза. Наименьшая продуктивность молока наблюдается в Радищевском районе. В 2006 году она была на уровне 16,2 ц, но к 2012 она повысилась на 21%. Низкая молочная продуктивность связана с тем, что плохо организовано кормление, используются породы коров с  маленькой молочной продуктивностью, либо затраты труда на их содержание сводятся к минимуму.

По данным прогноза видно, что наибольшее прогнозное значение во всех трех районах достигается с использованием линейной функции.

Достоверность прогноза показывает коэффициент аппроксимации. Чем  он больше, тем достовернее прогноз. Следуя этому, мы видим, что в Радищевском районе коэффициент аппроксимации больше у полиномиальной функции, тем самым прогнозная продуктивность составит 16,47 ц, это ниже уровня 2012 года на 37%, что связано с колеблемостью продуктивности молока. Для ее повышения нужно принять определенные меры: совершенствование рациона кормления, введение новых пород коров и т.д.

В Мелекесском районе прогноз был проведен по экспоненциальному сглаживанию, продуктивность достигнет 44,06 ц, что выше чем в 2012 году на 3,2%. В Цильнинском районе больше коэффициент аппроксимации по линейной функции, и прогнозное значение 2014 года тем самым составит 34,21 ц, что выше уровня 2012 году на 10%.

Влияние факторов на молочную продуктивность изучалось по данным Мелекесского района на основе корреляционно-регрессионного анализа. Задачи корреляционного анализа сводятся к измерению тесноты связи между варьирующими признаками, определению неизвестных причинных связей и оценке факторов оказывающих наибольшее влияние на результативный признак. Задачи регрессионного анализа заключаются в, определении функции регрессии и использовании уравнения для оценки неизвестных значений зависимой переменной [6].

В качестве результативного признака (Y) взята молочная продуктивность, ц.

Х₁- затраты денежных средств на корма на 1 голову, тыс. руб.;

Х₂- затраты труда на 1 голову, чел. – час.

Данные корреляционного анализа показали, что мультиколлиниарность между факторами отсутствует. Связь между продуктивностью молока и затратами денежных средств на корма на 1 голову тесная и прямая (0,7191).  Связь между продуктивностью молока и затратами труда на 1 голову умеренная и обратная (-0,6851) . А связь между данными факторами  тесная и обратная (-0,8297).

По данным регрессионного анализа получено следующее уравнение множественной регрессии: У=46,5140 + 0,4195Х₁ – 0,05626Х₂

При увеличении затрат на корма на 1 тыс. руб. молочная продуктивность увеличивается на 0,42 ц. А при росте затрат труда на 1 голову на 1 чел.- час продуктивность снижается на 0,06 ц.

Коэффициент множественный корреляции (R=0,7363) означает, что связь между всеми факторами значительная. Коэффициент детерминации – 0,5421, т.е. 54,21% вариации молочной продуктивности зависит от выбранных факторов.

Анализ остатков в модели позволяет судить о том, что в Мелекесском районе  в период с 2007-2010 годы рационально используются исследуемые факторы. Так в 2010 году фактическое значение молочной продуктивности превысило прогнозное на 7,04 ц, а в 2009 году – на 5,46 ц. В остальные же годы затраты труда и денежные средства на корма расходовались не рационально, вследствие этого прогнозное значение продуктивности больше фактического.

Для прогноза молочной продуктивности на 2014 год по данному методу увеличиваются затраты на корма на 1 тыс. руб., а затраты труда на 1 голову не изменятся. Прогнозное значение продуктивности молока составит 46,8 ц, что выше  2012 года на 9,6% (по методу экстраполяции только 44,06 ц). Для роста продуктивности необходимо совершенствовать кормовую базу, структуру рациона.

Оценку внедрения ресурсосберегающей технологии производства зерна как фактора повышения эффективности отрасли проведем на примере СПК «Волга» Старомайнского района Ульяновской области. Производство зерна в СПК «Волга» является основной отраслью, на долю которой в 2015 г. приходится 69,3 и 53,0 % стоимости валовой и товарной продукции соответственно. В 2015 г. прибыль, полученная от реализации зерна, составила 2,01 млн. руб. или 53,0 % общей прибыли предприятия. В период с 2013 по 2015 гг. посевная площадь зерновых культур сократилась на 9,7 %, в том числе озимых культур на 27,5 %, площадь яровых увеличилась на 21,2 % (табл. 1).

Таблица 1 – Состав и структура посевных площадей зерновых культур в СПК «Волга»

Средняя урожайность зерновых культур в СПК «Волга» сократилась на 10,5 % и составила 17,0 ц/га. В результате валовой сбор зерна за анализируемый период сократился на 19,1%, составив 13822 ц (табл. 2).

Таблица 2 – Динамика урожайности и валовых сборов зерновых культур в СПК «Волга»

Наглядно динамика урожайности и валового сбора зерна представлена на рисунке 1.

Рисунок 1 – Урожайность и валовой сбор зерна в СПК «Волга» в динамике 2013 – 2015 гг.

 Показатели, характеризующие экономическую эффективность зернового производства в СПК «Волга», приведены в таблице 3.

Таблица 3 – Экономическая эффективность производства зерна СПК «Волга»

Производственная себестоимость 1 ц зерна в СПК «Волга» увеличилась в 1,99 раза. Вследствие этого полная себестоимость возросла на 69,1 %. Превышение производственной себестоимости над полной себестоимостью за 2013 – 2015 гг. свидетельствует о реализации продукции прошлого урожая. Это существенным образом увеличивает затраты на хранение зерна и, как следствие, отражается в росте его полной себестоимости. В динамике 2013 – 2015 гг. эффективность производства зерна снизилась, что обусловлено повышением полной себестоимости 1 ц. Цена реализации увеличилась на 48,6 %. Вследствие этого в 2015 г. уровень рентабельности производства зерна сократился на 17,7 п.п. и составил 28,5 %.

Оценить уровень инновационного потенциала при производстве зерна можно, используя показатели обеспеченности основными фондами, обеспеченность техническими, энергетическими средствами и материальными ресурсами. Для оценки уровня инновационного потенциала уместно использовать коэффициенты (Ki), полученные отношением конкретного ресурса по организации к среднему уровню по совокупности.

Представленные данные в таблице 4 свидетельствуют о том, что наибольшим инновационном потенциалом при производстве зерна в Старомайнском районе обладают ООО «Агронива» и ООО «Агро-люкс» (1,065 и 1,02 соответственно), наименьшим – СПК имени Чапаева (0,469). СПК «Волга» характеризуется средним уровнем инновационного потенциала зернового производства (0,792).

Таблица 4 – Сравнительный уровень инновационного потенциала при производстве зерна в сельскохозяйственных предприятиях Старомайнского района Ульяновской области

 Таблица 5 – Сравнительная эффективность инновационного потенциала при производстве зерна в сельскохозяйственных предприятиях

Старомайнского района Ульяновской области

Сравнительный анализ эффективности инновационного потенциала при производстве зерна показал, что эффективность использования ресурсов в Старомайнском районе варьирует от 0,581 в ООО «Агро-люкс» до 1,226 в ООО Агрофирма «Старомайнская». На основе сравнения интегральных показателей доказано, что не всегда наибольший размер инновационного потенциала соответствует большему уровню эффективности его использования. Из приведенных вариантов наилучшее соотношение было получено в ООО «Агрофирма «Старомайнская». СПК «Волга» занимает третью позицию по эффективности использования инновационного потенциала – 1,542.

Проведенный анализ эффективности использования инновационного потенциала в отраслях указывает на наличие внутреннего резерва роста эффективности сельскохозяйственного производства, основанного на внедрении инновационных разработках (рис. 2).

Рисунок 2 – Стратегия развития зернового производства в СПК «Волга» Старомайнского района

 Экономическое обоснование производственной программы отрасли на 2017 г., составленное с учетом аналитического выравнивания урожайности культур методом экстраполяции и составления технологических карт, показало, что рост урожайности зерновых культур в СПК «Волга» составит 53,5 %. Средняя урожайность зерновых культур в 2017 г. будет равна 26,1 ц/га. Полная себестоимость 1 ц зерна увеличится на 35,9 %. Вследствие этого эффективность зернового производства сократится на 24,5 п.п., составив 4,0 %.

Для оценки эффективности развития экономического механизма ресурсосбережения в зерновом производстве предприятия использованы частные показатели ресурсоотдачи, предложенные Г.А. Бесносовым. Ранги с учетом предельной полезности установлены исходя из степени их влияния на валовую прибыль (рис. 3), выявленной по результатам корреляционно-регрессионного анализа, проведенного на основании статистических наблюдений за состоянием сельскохозяйственных предприятий зерновой специализации Восточной зоны Ульяновской области. В качестве результативного показателя взята валовая прибыль в расчете на 100 га площади посевов зерновых культур (y).

Рисунок 3 – Степень влияния частных показателей ресурсоотдачи на прибыль от реализации зерна в СПК «Волга»

 Уравнение регрессии, полученное в результате проведенного анализа, показывающее степень влияния на валовую прибыль частных показателей ресурсоотдачи, выглядит следующим образом:

y = -78,34 + 3,07×1 + 7,61×2 +14,53×3 +0,07×4 – 7,79×5 – 0,85×6

где x1 – стоимость товарной продукции в расчете на 1 руб. затрат на оплату труда, руб.;

x2 – стоимость товарной продукции в расчете на 1 руб. затрат на семена, руб.;

x3 – стоимость товарной продукции в расчете на 1 руб. затрат на удобрения, руб.;

x4 – стоимость товарной продукции в расчете на 1 руб. затрат на средства защиты растений, руб.;

x5 – стоимость товарной продукции в расчете на 1 руб. затрат на нефтепродукты, руб.;

x6 – стоимость товарной продукции в расчете на 1 руб. затрат на со-держание основных средств, руб.

Смысл данной методики состоит в следующем, чем ближе значение показателя, полученного в результате оценки степени соответствия фактического распределения темпов роста частных показателей ресурсоотдачи их распределению с учетом полезности затрат производственных ресурсов, к единице, тем выше эффективность развития экономического механизма ресурсосбережения с учетом предельной полезности затрат производственных ресурсов.

Для оценки будем использовать коэффициенты Спирмена и Кендалла:

Таблица 6 – Оценки эффективности развития экономического механизма ресурсосбережения в зерновом производстве СПК «Волга»

В результате проведенных расчетов стало известно, что коэффициент Спирмена составил -0,371, коэффициент Кэндалла – -0,467. Комплексный коэффициент эффективности развития экономического механизма ресурсосбережения в зерновом производстве рассчитаем при помощи формулы:

Комплексный коэффициент эффективности составил 0,084. При оценке эффективности развития экономического механизма ресурсосбережения будем опираться на следующую градацию данного показателя:

- 0,000 ≤ Кэф ≤ 0,330 – эффективность развития экономического механизма ресурсосбережения в зерновом производстве низкая, т.е. развитие экономического механизма ресурсосбережения осуществляется без учета полезности производственных ресурсов сельскохозяйственных предприятий зерновой специализации;

- 0,331 ≤ Кэф ≤ 0,660 – эффективность развития экономического механизма ресурсосбережения в зерновом производстве средняя, т.е. при развитии экономического механизма ресурсосбережения недостаточно учитывается полезность производственных ресурсов сельскохозяйственных предприятий зерновой специализации;

- 0,661 ≤ Kэф ≤ 1,000 – эффективность развития экономического механизма ресурсосбережения в зерновом производстве высокая, т.е. развитие экономического механизма ресурсосбережения осуществляется на основе полезности производственных ресурсов сельскохозяйственных предприятий зерновой специализации.

Полученные значения комплексного коэффициента оценки свидетель-ствуют о том, что эффективность развития экономического механизма ресурсосбережения в зерновом производстве предприятия находится на низком уровне. При этом наиболее существенными резервами повышения эффективности экономического механизма ресурсосбережения в зерновом производстве СПК «Волга» являются оптимизация производственных затрат на семена, удобрения и нефтепродукты.

Эффективность ресурсосберегающей технологии производства зерна в СПК «Волга» отражена в таблице 7.

Таблица 7 – Эффективность ресурсосберегающей технологии производства зерна в СПК «Волга»

Проведенные расчеты показали, что применение ресурсосберегающей технологии будет способствовать снижению производственной себестоимости 1 ц зерна на 41,5 % по отношению к 2015 г. и на 31,3 % по отношению к традиционной технологии 2017 г. Вследствие этого рентабельность зернового производства составит 51,4 %, что существенно выше эффективности традиционной технологии возделывания зерновых культур.

       (1)

Проведем корреляционно-регрессионный анализ взаимосвязи уровня заработной платы и инфляции в Российской Федерации за 2012-2021 года.
В таблице 1 приведены статистические данные для выявления влияния инфляции на уровень заработной платы в Российской Федерации.

Таблица 1. Входные данные для корреляционно-регрессионного анализа

В качестве зависимой переменной y выступает значение уровня инфляции в Российской Федерации, а в качестве независимых переменных x и x₁ значение средней отраслевой заработной платы в Тверской области и значение минимального размера оплаты труда в Российской Федерации соответственно.
Используя таблицу исходных данных (табл.1) проведем корреляционный анализ с помощью пакета инструмента «анализ данных» в MS Excel, результаты расчетов приведены в таблице 2.

Таблица 2. Результаты корреляционного анализа зависимости уровня заработной платы от уровня инфляции

	1
	0,97928385	1
	-0.42934872	-0.38448238	1

Корреляционный анализ показал, что коэффициент корреляции между переменными y  (уровень инфляции) и x (значение средней отраслевой заработной платы в Тверской области) составляет -0.43, а между переменными y (уровень инфляции) и x₁ (значение минимального размера оплаты труда) составляет -0.38. На основании данных результатов можно сделать вывод о том, что теснота связи между переменными y, x, x₁ является слабой [6, с.31].
Так как корреляционный анализ выявляет лишь качественные признаки взаимосвязи, не позволяя выявить количественного изменения результативного показателя от исследуемых факторов, стоит провести регрессионный анализ и построить уравнение регрессии [7, с.122].
Проведем линейный и нелинейный регрессионный анализ взаимосвязи значения средней отраслевой заработной платы в Тверской области и значения уровня инфляции в Российской Федерации с помощью MS Excel.
На основе таблицы исходных данных (табл.1) рассчитаем линейную регрессионную модель с помощью пакета инструмента «анализ данных» в MS Excel, результаты расчетов приведены в таблице 3.

Таблица 3. Регрессионная статистика зависимости средней отраслевой заработной платы от уровня инфляции

Множественный R	0.42934872
	0.184340323
Нормированный	0.082382863
Стандартная ошибка	3.26756189
Количество наблюдений	10

Таблица 4. Результаты дисперсионного анализа зависимости средней отраслевой заработной платы от уровня инфляции

				Значимость
Регрессия	1	19.30407438	19.30407438	1.808012122
Остаток	8	85.41568562	10.6769607
Итого	9	104.71976

Исходя из данных табл.4 можно сделать вывод о том, что модель является значимой (F = 19.304 > F_{кр = 1.808}). На основе полученных результатов регрессионного анализа значение коэффициента детерминации составляет R² = 0.184, что говорит о том, что изменение значения средней отраслевой заработной платы в Тверской области всего на 18.4% объясняется величиной уровня инфляции в Российской Федерации. А на 81.6% изменение значения средней отраслевой заработной платы в Тверской области обусловлено влиянием факторов, не учтенных в исследовании.
Используя таблицу исходных данных (табл.1) рассчитаем нелинейную регрессию методом наименьших квадратов с помощью MS Excel, результаты расчётов приведены в таблице 5.

Таблица 5. Результаты расчета нелинейной регрессии

	253014865888771000000000000.00
	7785158365487580000.00		0.0000000307696
	-840051074439645000000000.00		-0.003
	23621685908464200000000000000.00		93.361
	0.49
Средняя относительная ошибка			27.05%

Исходя из результатов регрессионного анализа приведенных в табл.5 можно составить уравнение параболической регрессии:

      (2)

Коэффициент детерминации в данном случае составляет R² = 0.49 , что говорит о том, что уровень средней отраслевой заработной платы на 49% объясняется величиной уровня инфляции в Российской Федерации.
Итак, как видно из проведенного анализа между уровнем заработной платы и инфляцией существует зависимость, которая описывается формулой 2. Полученные результаты дают основание утверждать, что построенную модель можно применять для решения задач анализа и прогнозирования уровня заработной платы. Дальнейшие перспективы развития модели заключаются в поиске новых факторов, которые смогли бы эффективнее объяснить динамику средней отраслевой заработной платы.