Анализ влияния внешнеэкономических факторов на продовольственную безопасность Российской Федерации
Бостанджян К.Р.1,2
1 Российский экономический университет им. Г.В. Плеханова
2 ООО «Норд Рим»
Скачать PDF | Загрузок: 17
Статья в журнале
Экономика, предпринимательство и право (РИНЦ, ВАК)
опубликовать статью | оформить подписку
Том 13, Номер 5 (Май 2023)
Эта статья проиндексирована РИНЦ, см. https://elibrary.ru/item.asp?id=53965285
Аннотация:
В данной статье автором рассмотрено влияние различных глобальных экономических и демографических показателей, а также показателей внешней торговли Российской Федерации на продовольственную безопасность страны за период с 1994 по 2021 гг. Для проведения оценки степени влияния выбранных автором показателей применен факторный анализ с использованием программы IBM SPSS Statistics. С помощью метода главных компонент автор сократил размерность исследуемой совокупности данных, что позволило сгруппировать показатели в укрупненные группы факторов, а также проанализировать коэффициенты нагрузок переменных на каждый фактор и определить, какие показатели оказывают наибольшее влияние на продовольственную безопасность страны.
Ключевые слова: продовольственная безопасность; мировая экономика; факторный анализ
JEL-классификация: F02, F51, F52, Q18
ВВЕДЕНИЕ
В условиях напряженной международной обстановки и экономических санкций в отношении Российской Федерации вопрос влияния внешнеэкономических показателей на продовольственную безопасность становится особенно актуальным. В эпоху глобализации национальная система продовольственной безопасности неразрывно связана с вопросами глобальной безопасности и влияющих на нее мирохозяйственных процессов. Серьезным вызовом для национальной продовольственной безопасности в последние годы стало сразу несколько событий: пандемия Covid-19, острая фаза которой пришлась на 2019-2020 гг., и последовавшее за ней введение эмбарго некоторыми странами на определенные виды продовольственных и сельскохозяйственных товаров в связи с их ограниченностью, затем – кризис российско-украинских отношений в 2022 году, который вылился не только в очередные пакеты политических и экономических санкций против России, но и логистический коллапс, вызванный отказом некоторых крупных логистических операторов сотрудничать с компаниями из России под воздействием санкций правительств США и стран Европейского Союза. Влияние политических процессов на логистический бизнес вынудило российских импортеров выстраивать новые логистические маршруты, что также отражается на вопросе безопасности страны.
Вопросы продовольственной безопасности исследованы в работах многих отечественных ученых. Вартанова М.Л. и Дробот Е.В. [1], анализируя внутренние и внешние угрозы безопасности Российской Федерации, отметили такие проблемы, как необходимость увеличения инвестиций в сельское хозяйство и их рациональное распределение внутри отрасли, а также недостаточность объемов кредитования агропромышленного комплекса, отличающегося избыточной бюрократией, вследствие чего усложняется процесс получения кредитов мелкими и средними сельскохозяйственными производителями. В статье Брынцева А.Н., Лапина А.В., Левиной Е.В. [2] исследовано влияние на продовольственную безопасность России таких факторов, как курса рубля к иностранным валютам (доллару США и евро), покупательной способности населения и цен на продовольственные товары. Метод факторного анализа, лежащий в основе данной работы, исследовался такими учеными, как Иберла К. [3], который в одном из своих основных трудов описал ключевые процедуры, необходимые для качественной оценки факторов: оценка общностей, метод главных компонент, вращение факторов. Лоули Д., Максвелл А. [4] в совместной монографии представили различные методы оценки факторов: метод максимального правдоподобия, центроидный метод, метод главных компонент, а также на числовых примерах провели оценку факторных нагрузок и значений факторов. Из современных работ можно выделить исследование Зангиевой И.К. и Ромистрова А.Н. [5], которые провели сравнительный анализ различных методов проведения факторного анализа и условиях его применения. Факторный анализ остается достаточно популярным инструментом, но чаще всего используется в социально-гуманитарных исследованиях. Несмотря на существенное количество исследований в сфере обеспечения продовольственной безопасности, вопрос применения метода главных компонент для оценки влияния факторов мало исследован как российскими, так и зарубежными учеными, и потому представляет для автора научный интерес.
Целью данной статьи является факторный анализ социально-экономических показателей в мировом масштабе и внешнеэкономической деятельности Российской Федерации, влияющих на национальную продовольственную безопасность. Для достижения указанной цели автором сформулированы следующие задачи:
- сбор показателей мировой экономики и внешнеторговой деятельности России за период с 1994 по 2021 гг. для осуществления факторного анализа;
- выявление главных компонент и установление взаимосвязей между главными компонентами;
- интерпретация полученных результатов и проверка гипотезы.
Гипотезой исследования является предположение о том, что на продовольственную безопасность страны в наибольшей степени влияет международная торговля продовольственными товарами, а также машинами, оборудованием и сырьем для производства продовольственных товаров.
Научная новизна исследования заключается в применении метода главных компонент для анализа факторов, влияющих на продовольственную безопасность страны.
МАТЕРИАЛЫ И МЕТОДЫ
При проведении данного исследования автором был применен метод факторного анализа с использованием программы IBM® SPSS® Statistics.
Для формирования набора данных исследования использованы такие информационные ресурсы, как статистические базы данных и аналитические материалы Конференции ООН по торговле и развитию (ЮНКТАД) [6]; Организации экономического сотрудничества и развития (ОЭСР) [7]; Мировое интегрированное торговое решение («The World Integrated Trade Solution (WITS)») [8]; Центрального банка РФ [9]; Департамента по экономическим и социальным вопросам ООН [10]; Всемирного банка [11]; Продовольственной и сельскохозяйственной организации ООН (ФАО) [12; 13]; Программы развития ООН [14] и др. Кроме того, автором использованы данные одной из крупнейших бизнес-платформ статистических данных – компании Statista [15].
РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ
Ввиду огромного количества показателей, влияющих на продовольственную безопасность, актуальным становится объединение в несколько укрупненных показателей сильно коррелирующих между собой переменных. Это позволяет сжать выборку из влияющих переменных до небольшого числа некоррелированных факторов, изменение и влияние которых можно затем отдельно анализировать. Данный метод выделения факторов, который также считается единственным математически обоснованным методом в фактором анализе, называется методом главных компонент.
При проведении факторного анализа в данном исследовании автором соблюдены следующие условия:
- все переменные носят количественный характер;
- число наблюдений превышает число переменных;
- факторный анализ осуществляется по коррелирующим переменным.
С целью оценки влияния различных глобальных экономических и социальных показателей на продовольственную безопасность автором было выбрано 27 показателей, которые условно были разделены 9 групп (таблица 1).
Таблица 1
Социально-экономические показатели, выбранные для проведения факторного анализа
Группа показателей
|
Показатель
|
1. Макроэкономические показатели
|
1.1.
Мировой ВВП (млн. долл. США) [6]
|
2. Логистические показатели
|
2.1.
Мировой грузооборот автотранспорта [7] (млн. тонн-км)
|
2.2.
Мировой грузооборот авиатранспорта [15] (млн. тонн-км)
| |
2.3.
Мировой морской (контейнерный) грузооборот [7] (млн. тонн-км)
| |
2.4. Мировой ж/д грузооборот [7] (млн. тонн-км)
| |
3. Внешнеторговые показатели
|
3.1.
Объем мирового импорта продовольственных товаров (тыс. долл. США) [8]
|
3.2.
Объем мирового экспорта продовольственных товаров (тыс. долл. США) [8]
| |
3.3.
Курс доллара США к рублю на 01.01 каждого года (БД ЦБ РФ) [9]
| |
3.4. Объем импортного племенного и семенного материала
(по коду 1209, Россия - Мир), долл. США [10]
| |
3.5.
Объем импортного племенного и семенного материала (по коду 1209, Россия -
Мир), кг [10]
| |
3.6.
Объем импортных машин, оборудования и т/с (Россия – Мир), млн. долл. США [10]
| |
4. Демографические показатели [6]
|
4.1.
Показатель численности населения, тыс. чел.
|
4.2. Показатель численности сельского населения, тыс. чел.
| |
4.3. Общий коэффициент смертности
| |
5. Ценовые показатели
|
5.1. Уровень мировых цен на сырую нефть, средняя, долл. США/баррель
[11]
|
5.2.
Индекс цен на природный газ (2010 = 100) [11]
| |
5.3.
FAO Индекс цен на продовольствие (2014-2016=100) [12]
| |
5.4.
Индекс потребительских цен (средний ежегодный прирост, %) [12]
| |
6. Уровень жизни населения
|
6.1.
ИРЧП [14]
|
7. Производство продовольственных товаров в мире
|
7.1.
Объем производства зерновых, тонны [13]
|
7.2.
Объем производства мяса, тонны [13]
| |
7.3.
Объем производства пшеницы, тонны [13]
| |
8. Климатические показатели
|
8.1.
Пахотные земли, пригодные для орошения (1000 га) [13]
|
8.2.
Выбросы CO2, млрд. метр. тонн [15]
| |
9. Инновации [13]
|
9.1. Приток ПИИ (в сфере продовольствия и сельского хозяйства),
млн. USD
|
9.2. Отток ПИИ (в сфере продовольствия и сельского хозяйства),
млн. USD
| |
9.3. Размер кредитов на сельское хозяйство, млн. USD
|
Анализируемая совокупность данных охватывает период в 28 лет, с 1994 по 2021 год. Для заполнения пропусков в отношении показателя курса доллара с 1994 по 1996 гг. (ввиду отсутствия данных на сайте ЦБ РФ) автор воспользовался методом заполнения пропуска константной - нулем. Пропуски в значениях показателей «Мировой грузооборот автотранспорта», «Объем мирового импорта продовольственных товаров», «Объем мирового экспорта продовольственных товаров», «Пахотные земли, пригодные для орошения», «Размер кредитов на сельское хозяйство» в 2021 году заполнены методом LOCF (Last observation carried forward) [16] — повторением результата последнего наблюдения (2020 года). Значения объемов импортного племенного и семенного материала в 1994-1995 гг. и объема импортных машин и оборудования в 1994 году заполнены методом повторения последующего значения Next Observation Carried Backward (NOCB) [16]. Данные способы заполнения, по мнению автора, обеспечивают наименьшую степень искажения данных с учетом масштаба анализа. Полная совокупность данных представлена в таблицах 2 и 3.
Таблица 2
Данные для проведения факторного анализа в IBM SPSS Statistics (Часть I)
Пере-менная / Год
|
Мировой ВВП
|
Мировой грузооборот авто-транспорта
|
Мировой грузооборот авиа-
транспорта |
Мировой морской (контейнерный) грузооборот
|
Мировой ж/д грузооборот
|
Объем мирового импорта продо-вольственных товаров
|
Объем мирового экспорта продо-вольственных товаров
|
Курс доллара США к рублю на 01.01
|
Объем импортного племенного и семенного материала
|
Объем импортного племенного и семенного материала
|
Объем импортных машин, оборудо-вания и т/с
|
1994
|
27872255,13
|
5151455
|
77183,3
|
571629
|
5345671
|
127362162
|
137404722,5
|
0
|
33445738
|
3577276
|
15704
|
1995
|
31043647,88
|
5045478
|
83098,2
|
641778
|
5573217
|
152912263
|
168400429,4
|
0
|
33445738
|
3577276
|
15704
|
1996
|
31736660,05
|
5284600
|
89164,6
|
687865
|
5818870
|
172048036
|
184644238,9
|
0
|
33445738
|
3577276
|
14893,5
|
1997
|
31620443,66
|
5708521
|
102876,1
|
886248
|
5883502
|
173610989
|
182497241,8
|
5560
|
30918452
|
3442938
|
18709,2
|
1998
|
31539957,9
|
6003549
|
101788,3
|
911732
|
5789356
|
173030275
|
173838003,6
|
5,96
|
19739451
|
2957948
|
15500,2
|
1999
|
32737374,97
|
6192880
|
108629,6
|
992668
|
6105439
|
173263295
|
169572552,8
|
20,65
|
12886426
|
2086675
|
10072
|
2000
|
33830878,8
|
6392383
|
118257,2
|
1057944
|
6497182
|
169682488
|
192413018,5
|
27
|
25128831
|
5539962
|
10649
|
2001
|
33615435,97
|
6660528
|
110860,8
|
1115718
|
6744956
|
181748258
|
203650094,3
|
28,16
|
16761232
|
3650780
|
14232
|
2002
|
34911427,05
|
7051576
|
117506,7
|
1224469
|
6986681
|
198335355
|
220519072,4
|
30,1372
|
23788492
|
3973691
|
16755
|
2003
|
39146988,39
|
7211706
|
124203,2
|
1348211
|
7405957
|
229340677
|
255874089,1
|
31,7844
|
32957110
|
4494895
|
21432
|
2004
|
44117601,13
|
7800970
|
139032,9
|
1512031
|
7953597
|
261971254
|
289486972
|
29,4545
|
45726339
|
6299922
|
31103
|
2005
|
47779714,79
|
8035441
|
141483,6
|
1591793
|
8279233
|
283248757
|
315418132
|
27,7487
|
55402444
|
7003019
|
43436
|
2006
|
51779845,59
|
8256495
|
148937,6
|
1726588
|
8787889
|
313855489
|
356987455,9
|
28,7825
|
89872943
|
8983726
|
65706
|
2007
|
58355015,09
|
8779615
|
158205,9
|
1917431
|
9364996
|
368558436
|
414303608,6
|
26,3311
|
131247760
|
11483866
|
101739
|
2008
|
64123704,27
|
10487911
|
158487,9
|
1936894
|
9426192
|
430187885
|
481805279,1
|
24,5462
|
165887575
|
13811047
|
140759
|
2009
|
60809111,83
|
11073882
|
175509,3
|
1754354
|
8814900
|
403125901
|
454009221,8
|
29,3916
|
128449319
|
8799085
|
72669
|
2010
|
66596051,01
|
11557974
|
182025,6
|
1999472
|
9555995
|
438915387
|
497257351
|
30,1851
|
187185050
|
13520088
|
101739
|
2011
|
73853784,05
|
12311045
|
183037,2
|
2144349
|
10018037
|
524314068
|
587778842,7
|
30,3505
|
225049746
|
17835945
|
148068
|
2012
|
75488064,18
|
13535716
|
175051,3
|
2232043
|
10068242
|
519960931
|
608097751,7
|
32,1961
|
204820447
|
14736963
|
158318
|
2013
|
77607198,47
|
13658334
|
175829,6
|
2239339
|
10121704
|
547035730
|
646151839,5
|
30,3727
|
179267608
|
14187635
|
152773
|
2014
|
79708812,24
|
13910046
|
184831,1
|
2323471
|
10297350
|
558867267
|
658508797,8
|
32,6587
|
197113466
|
12462330
|
136580
|
2015
|
75179266,27
|
14338691
|
187769,4
|
2342017
|
9772851
|
518755169
|
602858801,4
|
56,2376
|
152047989
|
11284127
|
81909
|
2016
|
76465590,01
|
15084734
|
194898,3
|
2411981
|
9552178
|
529081169
|
614159741,4
|
72,9299
|
177478375
|
11385637
|
86158
|
2017
|
81403977,43
|
15937596
|
212866,6
|
2412504
|
10282892
|
570317809
|
665148634,4
|
60,6569
|
204578246
|
14143386
|
110780
|
2018
|
86413032,78
|
14083467
|
221165,7
|
2083569
|
10042936
|
607983094
|
709207576,8
|
57,6002
|
215050125
|
14501041
|
112740
|
2019
|
87652863,22
|
9687575
|
221495,8
|
1534219
|
10010577
|
600926574
|
703784009,7
|
69,4706
|
199532407
|
15036808
|
112759
|
2020
|
84906814,19
|
3636922
|
180530,8
|
1469555
|
6619686
|
603297398
|
714929510,9
|
61,9057
|
229615300
|
14507362
|
110638
|
2021
|
96100091
|
2620690
|
180530,8
|
1033677
|
1419999
|
603297398
|
714929510,9
|
73,8757
|
260524359
|
14068985
|
144485
|
Таблица 3
Данные для проведения факторного анализа в IBM SPSS Statistics (Часть II)
Пере-менная / Год
|
Численность населе-ния, тыс. чел.
|
Численность сельского населения
|
Общий k
смертности
|
Уровень мировых цен на сырую нефть, средняя
|
Индекс цен на природный газ
|
FAO Индекс цен на продо-вольствие
|
Индекс потреби-тельских цен
|
ИРЧП
|
Объем производства зерновых, тонны
|
Объем производства мяса, тонны
|
Объем производства пшеницы, тонны
|
Пахотные земли, пригодные для орошения
|
Выбросы CO2, млрд. метр. тонн
|
Приток ПИИ (в сфере с/х)
|
Отток ПИИ (в сфере с/х)
|
Размер кредитов на сельское хозяйство
|
1994
|
5660728
|
5145602
|
9,1
|
18,9737
|
44,29151
|
66,93926
|
77,75
|
0,614
|
1953889075
|
199438469
|
525435323
|
269158,8
|
22,96
|
187
|
122
|
5344541
|
1995
|
5743219
|
5232073
|
8,9
|
18,69378
|
39,40404
|
76,62541
|
14,49
|
0,619
|
1899401998
|
208956652
|
544357532
|
272748
|
23,45
|
185
|
124
|
6107871
|
1996
|
5825145
|
5312532
|
8,8
|
22,64646
|
54,57309
|
77,63501
|
9,02
|
0,624
|
2061255710
|
206875409
|
578616933
|
276988,6
|
24,15
|
186
|
130
|
6696996
|
1997
|
5906481
|
5392617
|
8,7
|
22,31211
|
53,30716
|
70,6055
|
5,91
|
0,629
|
2095415393
|
215882713
|
614651780
|
279839,6
|
24,3
|
190
|
129
|
8450322
|
1998
|
5987312
|
5472403
|
8,6
|
15,8991
|
47,30685
|
64,66039
|
4,54
|
0,634
|
2085475526
|
224144548
|
596175815
|
282756,8
|
24,21
|
191
|
129
|
8853379
|
1999
|
6067758
|
5545931
|
8,6
|
22,42347
|
49,36078
|
55,16958
|
4,77
|
0,639
|
2082266262
|
230586279
|
584763437
|
285636,2
|
24,52
|
191
|
131
|
7976541
|
2000
|
6148899
|
5626243
|
8,5
|
35,48247
|
92,82698
|
53,32635
|
4,23
|
0,645
|
2058541725
|
232840235
|
584999159
|
289344,1
|
25,23
|
196
|
127
|
8629552
|
2001
|
6230747
|
5707364
|
8,4
|
31,80049
|
92,01997
|
54,96431
|
3,84
|
0,65
|
2104846582
|
236106772
|
588243663
|
294204,2
|
24,45
|
197
|
133
|
9292724
|
2002
|
6312407
|
5788477
|
8,3
|
32,93713
|
76,83298
|
53,1223
|
3,07
|
0,655
|
2053763021
|
243035676
|
592045285
|
299572,3
|
26,04
|
197
|
139
|
9957249
|
2003
|
6393898
|
5863204
|
8,3
|
36,29696
|
111,1162
|
57,79271
|
3,27
|
0,66
|
2073835918
|
248329751
|
549974473
|
305086,2
|
27,37
|
197
|
140
|
11680401
|
2004
|
6475751
|
5944739
|
8,2
|
44,37861
|
112,1921
|
65,55358
|
3,09
|
0,666
|
2285578663
|
253976161
|
634666010
|
307997,5
|
28,63
|
198
|
143
|
13422582
|
2005
|
6558176
|
6026964
|
8,1
|
60,87616
|
162,3652
|
67,37713
|
3,33
|
0,672
|
2266634527
|
259746561
|
627020838
|
310290,7
|
29,6
|
200
|
144
|
14799459
|
2006
|
6641416
|
6110103
|
8
|
71,49006
|
140,8503
|
72,56315
|
3,31
|
0,679
|
2255532617
|
265758600
|
614381122
|
312442,8
|
30,58
|
200
|
143
|
16790293
|
2007
|
6725949
|
6194599
|
7,9
|
74,52245
|
136,9176
|
94,25355
|
3,42
|
0,684
|
2345854508
|
271971025
|
606595141
|
314851,7
|
31,49
|
200
|
149
|
20305661
|
2008
|
6811597
|
6273481
|
7,9
|
94,31758
|
174,8236
|
117,5106
|
5,08
|
0,688
|
2519336137
|
280714193
|
680294442
|
316626,1
|
32,07
|
199
|
150
|
23555831
|
2009
|
6898306
|
6360238
|
7,8
|
64,02195
|
98,93101
|
91,66132
|
1,62
|
0,692
|
2487453769
|
285972446
|
683639173
|
319423,5
|
31,61
|
198
|
150
|
21760519
|
2010
|
6985603
|
6440726
|
7,8
|
79,04077
|
100
|
106,7438
|
2,86
|
0,697
|
2461509552
|
293803373
|
640803464
|
322835,2
|
33,34
|
198
|
154
|
28839578
|
2011
|
7073125
|
6528494
|
7,7
|
93,70575
|
97,72761
|
131,8844
|
4,16
|
0,704
|
2582720778
|
298400129
|
696898368
|
325975,2
|
34,47
|
198
|
159
|
31770952
|
2012
|
7161698
|
6610247
|
7,7
|
95,31152
|
90,01826
|
122,8408
|
3,26
|
0,709
|
2556062752
|
306129110
|
673736910
|
329926
|
34,97
|
199
|
159
|
35085395
|
2013
|
7250593
|
6699548
|
7,6
|
94,8794
|
102,1576
|
120,1252
|
2,81
|
0,714
|
2758918973
|
312986363
|
710169467
|
333150,7
|
35,28
|
199
|
159
|
36893302
|
2014
|
7339013
|
6788587
|
7,5
|
88,92743
|
103,2272
|
115,0287
|
2,69
|
0,72
|
2809728230
|
318676742
|
728757761
|
335321,6
|
35,53
|
199
|
167
|
38592814
|
2015
|
7426598
|
6869603
|
7,5
|
51,86372
|
73,14186
|
93,04691
|
2,04
|
0,724
|
2833660085
|
324266685
|
741845269
|
337891,8
|
35,5
|
200
|
169
|
38536285
|
2016
|
7513474
|
6949963
|
7,5
|
45,52832
|
60,56671
|
91,92442
|
2,46
|
0,729
|
2912616402
|
327494410
|
748435124
|
339697,1
|
35,45
|
200
|
171
|
38870246
|
2017
|
7599822
|
7029835
|
7,5
|
54,25841
|
70,86495
|
98,02286
|
2,77
|
0,733
|
2961463847
|
334991504
|
772290608
|
341572,9
|
35,93
|
200
|
170
|
41402171
|
2018
|
7683790
|
7107506
|
7,5
|
67,15239
|
80,68111
|
95,91669
|
3,19
|
0,736
|
2906510640
|
342170341
|
732139584
|
342882,1
|
36,65
|
200
|
171
|
44385994
|
2019
|
7764951
|
7182580
|
7,5
|
61,72972
|
61,46682
|
95,10396
|
3,07
|
0,739
|
2963812987
|
335456062
|
764980821
|
347968,6
|
36,7
|
200
|
169
|
45660713
|
2020
|
7840953
|
7205836
|
8,1
|
41,67893
|
45,97056
|
98,12979
|
2,73
|
0,735
|
2996142289
|
337179926
|
760925831
|
348503,5
|
34,81
|
199
|
167
|
47899934
|
2021
|
7909295
|
7213277
|
8,8
|
68,67853
|
129,9328
|
125,7281
|
4,78
|
0,732
|
3052142289
|
340000000
|
779000000
|
348503,5
|
36,4
|
199
|
167
|
47899934
|
В первую очередь автором проверены мера адекватности выборки Кайзера-Майера-Олкена (КМО) и критерий Бартлетта [17]. Как видно в таблице 4, значение КМО превышает 0,5, что свидетельствует о том, что факторный анализ может быть применен. Уровень значимости гипотезы о сферичности ниже 0,05, т.е. гипотеза отклоняется, и матрица признается пригодной для анализа.
Таблица 4
KMO и критерий Бартлетта
Мера
адекватности выборки Кайзера-Майера-Олкина (КМО)
|
0,502
| |
Критерий сферичности Бартлетта
|
Примерная Хи-квадрат
|
2320,571
|
ст.св.
|
351
| |
Значимость
|
0,000
|
Далее для снижения размерности данных приме́ним метод главных компонент в IBM SPSS Statistics.
Таблица 5
Объясненная совокупная дисперсия
Компонент
|
Начальные собственные значения
|
Извлечение суммы квадратов нагрузок
|
Ротация суммы квадратов нагрузок
| ||||||
Всего
|
% дисперсии
|
Суммарный %
|
Всего
|
% дисперсии
|
Суммарный %
|
Всего
|
% дисперсии
|
Суммарный %
| |
1
|
20,435
|
75,686
|
75,686
|
20,435
|
75,686
|
75,686
|
15,979
|
59,183
|
59,183
|
2
|
2,160
|
7,999
|
83,685
|
2,160
|
7,999
|
83,685
|
4,837
|
17,913
|
77,096
|
3
|
1,331
|
4,931
|
88,616
|
1,331
|
4,931
|
88,616
|
2,472
|
9,156
|
86,252
|
4
|
1,120
|
4,150
|
92,765
|
1,120
|
4,150
|
92,765
|
1,635
|
6,055
|
92,307
|
5
|
1,009
|
3,737
|
96,503
|
1,009
|
3,737
|
96,503
|
1,133
|
4,196
|
96,503
|
6
|
0,486
|
1,799
|
98,302
|
|
|
|
|
|
|
7
|
0,167
|
0,619
|
98,921
|
|
|
|
|
|
|
8
|
0,080
|
0,298
|
99,218
|
|
|
|
|
|
|
9
|
0,056
|
0,208
|
99,427
|
|
|
|
|
|
|
10
|
0,051
|
0,190
|
99,616
|
|
|
|
|
|
|
11
|
0,042
|
0,156
|
99,773
|
|
|
|
|
|
|
12
|
0,018
|
0,065
|
99,838
|
|
|
|
|
|
|
13
|
0,011
|
0,040
|
99,878
|
|
|
|
|
|
|
14
|
0,010
|
0,036
|
99,914
|
|
|
|
|
|
|
15
|
0,007
|
0,025
|
99,939
|
|
|
|
|
|
|
16
|
0,006
|
0,021
|
99,960
|
|
|
|
|
|
|
17
|
0,004
|
0,013
|
99,974
|
|
|
|
|
|
|
18
|
0,002
|
0,009
|
99,982
|
|
|
|
|
|
|
19
|
0,002
|
0,006
|
99,988
|
|
|
|
|
|
|
20
|
0,001
|
0,005
|
99,993
|
|
|
|
|
|
|
21
|
0,001
|
0,004
|
99,997
|
|
|
|
|
|
|
22
|
0,001
|
0,002
|
99,999
|
|
|
|
|
|
|
23
|
9,656E-05
|
0,000
|
100,000
|
|
|
|
|
|
|
24
|
8,666E-05
|
0,000
|
100,000
|
|
|
|
|
|
|
25
|
7,578E-06
|
2,807E-05
|
100,000
|
|
|
|
|
|
|
26
|
7,447E-07
|
2,758E-06
|
100,000
|
|
|
|
|
|
|
27
|
1,036E-08
|
3,838E-08
|
100,000
|
|
|
|
|
|
|
При данном методе извлекается некоторое небольшое число факторов, объясняющих большую часть дисперсии данных. Собственные значения компонент, представленные в таблице 5, отражают долю дисперсии, соответствующую этим компонентам. Доля дисперсии – это информативность компоненты. Таким образом, при анализе данных из таблицы 2, мы видим, что наибольшая доля дисперсии (96,5%) приходится на первые пять компонентов.
Еще одним способов убедиться в количестве компонентов, до которых снижается размерность данных, является график собственных значений (рис. 1). Точка резкого спада на графике показывает количество факторов, которое рекомендуется принять к дальнейшему анализу.
Рисунок 1. График собственных значений.
Источник: получено автором при анализе в IBM SPSS Statistics.
Следующей задачей является интерпретация полученных результатов в матрице факторных нагрузок, т.е. оценка долей всех переменных в каждом факторе и выявление переменных, которые больше остальных нагружают каждый фактор. Нагрузка каждого фактора интерпретируется по абсолютной величине: чем больше значение нагрузки, чем больше переменная коррелирует с этим фактором, и тем больше она обусловлена этим фактором. Для более точной интерпретации выделенных пяти компонентов в программе IBM SPSS Statistics было дополнительно проведено вращение методом «варимакс с нормализацией Кайзера». Сущность вращения заключается в перераспределении нагрузок переменных по факторам таким образом, чтобы получить более контрастную матрицу нагрузок и точнее интерпретировать сами факторы. Повернутая матрица компонентов представлена в таблице 6. Важно отметить, что автором были выбраны только те переменные, нагрузка которых превышала 0,5.
Таблица 6
Повернутая матрица компонентов [1]
Переменная
|
Компонент
| ||||
1
|
2
|
3
|
4
|
5
| |
Размер
кредитов на сельское хозяйство, млн. долл. США
|
0,970
|
|
|
|
|
Объем
производства зерновых, тонны
|
0,959
|
|
|
|
|
Мировой
ВВП, млн. долл. США
|
0,949
|
|
|
|
|
Объем
мирового экспорта продовольственных товаров, тыс. долл. США
|
0,940
|
|
|
|
|
Показатель
численности населения, тыс. чел.
|
0,939
|
|
|
|
|
Объем
мирового импорта продовольственных товаров, тыс. долл. США
|
0,935
|
|
|
|
|
Объем
производства пшеницы, тонны
|
0,933
|
|
|
|
|
Показатель
численности сельского населения, тыс. чел.
|
0,930
|
|
|
|
|
Объем
импортного племенного и семенного материала, в долл. США
|
0,923
|
|
|
|
|
Объем
производства мяса, тонны
|
0,921
|
|
|
|
|
ИРЧП
|
0,903
|
|
|
|
|
Отток
ПИИ (в сфере продовольствия и сельского хозяйства), млн. долл. США
|
0,899
|
|
|
|
|
Пахотные
земли, пригодные для орошения (1000 га)
|
0,897
|
|
|
|
|
Выбросы
CO2, млрд. метр. тонн
|
0,882
|
|
|
|
|
Мировой
грузооборот авиатранспорта, млн. тонн-км
|
0,836
|
|
|
|
|
Объем
импортного племенного и семенного материала, кг
|
0,822
|
|
|
|
|
Объем
импортных машин, оборудования и т/с, млн. долл. США
|
0,800
|
|
|
|
|
FAO
Индекс цен на продовольствие (2014-2016=100)
|
0,755
|
|
|
|
|
Приток
ПИИ (в сфере продовольствия и сельского хозяйства), млн. долл. США
|
0,553
|
|
|
0,526
|
|
Мировой
ж/д грузооборот, млн. тонн-км
|
|
0,937
|
|
|
|
Мировой
грузооборот автотранспорта, млн. тонн-км
|
|
0,900
|
|
|
|
Общий
коэффициент смертности
|
-0,535
|
-0,777
|
|
|
|
Мировой
морской (контейнерный) грузооборот, млн. тонн-км
|
0,521
|
0,765
|
|
|
|
Индекс
цен на природный газ (2010 = 100)
|
|
|
0,887
|
|
|
Уровень
мировых цен на сырую нефть, средняя, долл. США/ баррель
|
0,503
|
|
0,723
|
|
|
Индекс
потребительских цен, %
|
|
|
|
-0,793
|
|
Курс
доллара США к рублю на 01.01 каждого года
|
|
|
|
|
-0,940
|
Как мы видим, наибольшую нагрузку на первый фактор оказывают различные экономические, демографические факторы, которые автор объединяет в фактор «Макроэкономические показатели». Среди двадцати двух переменных, нагружающих фактор, автор отмечает наиболее значимые по коэффициенту нагрузки: показатели мирового производства зерновых (0,959), мяса (0,921), мировой экспорт (0,940) и импорт (0,935) продовольственных товаров, а также объем импортного племенного и семенного материала (0,923). На второй фактор положительное влияние оказывают переменные мирового грузооборота по видам транспорта (железнодорожный, автомобильный и морской (контейнерный)). Общий коэффициент смертности нагружает как первый, так и второй фактор, поэтому при интерпретации результатов второго фактора автор не берет его во внимание и определяет второй фактор как «Мировой грузооборот». В отдельный фактор выделены индекс цен на природный газ и уровень цен на сырую нефть, поэтому данный фактор интерпретируется как «Ценовой фактор». Высокий коэффициент нагрузки у данного фактора связан с тем, что нефть используется в качестве сырья в промышленном производстве и в транспортной сфере, а удобрения, необходимые для обеспечения работы сельскохозяйственного сектора, производятся из природного газа, и повышение цен на природный газ напрямую влияет на промышленность минеральный удобрений и, как следствие, продовольственную безопасность. В связи с тем, что приток ПИИ имеет бо́льшее значение нагрузки на первый фактор по сравнению с четвертым, при оценке четвертого фактора автор его опускает и берет во внимание только переменную, имеющую наибольшую (в абсолютном значении) нагрузку на данный фактор – это «Индекс потребительских цен». Тот факт, что данный показатель выделился в отдельный фактор, объясняется недавним глобальным потрясением в виде пандемии Covid-19, которая вызвала удорожание пищевых продуктов по всему миру и в России, в частности. Пятый фактор нагружается только курсом доллара к рублю.
ЗАКЛЮЧЕНИЕ
В данном исследовании автором проанализировано влияние 27 различных экономических (включая макроэкономические, торговые, финансовые) и демографических показателей на продовольственную безопасность. Проведение факторного анализа с использованием программы IBM SPSS Statistics позволило сократить размерность совокупности данных до пяти укрупненных факторов, включающих в себя выбранные показатели:
· «Макроэкономические показатели», сочетающие в себе объемы производства стратегически важных для мирового населения товаров, внешнеторговые операции по продовольственным товарам и др.,
· «Мировой грузооборот», измеряемый по трем видам транспорта: железнодорожный; автомобильный и морской (контейнерный);
· «Ценовой фактор», отражающий динамику цен на сырье (природный газ и сырую нефть);
· Глобальный «Индекс потребительских цен»;
· «Курс доллара США к рублю», выделенный в отдельный фактор с очень высоким отрицательным коэффициентом.
Данные результаты частично подтверждают гипотезу автора о том, что на продовольственную безопасность страны влияет международная торговля продовольственными товарами и сырьем для их производства, что подтверждается высокими коэффициентами нагрузок у соответствующих показателей. Однако в то же время, мы видим, что высокими коэффициентами нагрузок обладают такие категории, как размер кредитов на сельское хозяйство, объемы производства зерновых и мяса, численность сельского населения, приток ПИИ в сельское хозяйство и др. Данный факт подтверждает необходимость более детального отдельного анализа показателей международной торговли в разрезе продовольственной безопасности. Также автором отмечается, что определенная степень субъективности в интерпретации полученных результатов может рассматриваться как недостаток факторного анализа, однако метод главных компонент факторного анализа позволяет в более упрощенном обобщенном виде выделить параметры, влияющие на продовольственную безопасность страны в масштабах мировой экономики.
[1] Вращений сошлось за 6 итераций.
Источники:
2. Брынцев А.Н, Лапин А.В., Левина Е.В. Макроэкономический анализ тенденций развития продовольственной безопасности России // Продовольственная политика и безопасность. – 2021. – № 1. – c. 23-32. – doi: 10.18334/ppib.8.1.111921.
3. Иберла К. Факторный анализ. / Пер. с нем. - М.: Статистика, 1980. – 398 c.
4. Лоули Д., Максвелл А. Факторный анализ как статистический метод. - М.: Книга по Требованию, 2013. – 145 c.
5. Зангиева И.К., Ротмистров А.Н. Сравнительный анализ способов проведения факторного анализа на порядковых переменных/ // Мониторинг общественного мнения: экономические и социальные перемены. – 2018. – № 3(145). – c. 29-46. – doi: 10.14515/monitoring.2018.3.02.
6. Сайт ЮНКТАД. [Электронный ресурс]. URL: https://unctadstat.unctad.org/EN/ (дата обращения: 11.01.2023).
7. Сайт Организации экономического сотрудничества и развития. [Электронный ресурс]. URL: https://data.oecd.org/ (дата обращения: 11.01.2023).
8. Сайт Мирового интегрированного торгового решения. [Электронный ресурс]. URL: https://wits.worldbank.org/CountryProfile/en/Country/WLD/Year/LTST/TradeFlow/EXPIMP/Partner/WLD/Product/All-Groups (дата обращения: 14.02.2023).
9. Сайт Центрального Банка РФ. [Электронный ресурс]. URL: https://cbr.ru/ (дата обращения: 14.02.2023).
10. Сайт Департамента по экономическим и социальным вопросам ООН. [Электронный ресурс]. URL: https://comtradeplus.un.org/TradeFlow?Frequency=A&Flows=X&CommodityCodes=1209&Partners=0&Reporters=all&period=1994&AggregateBy=none&BreakdownMode=plus (дата обращения: 14.02.2023).
11. Сайт Всемирного Банка. [Электронный ресурс]. URL: https://data.worldbank.org/indicator/NY.GDP.MKTP.CD (дата обращения: 15.02.2023).
12. Сайт Продовольственной и сельскохозяйственной организации ООН. [Электронный ресурс]. URL: https://www.fao.org/worldfoodsituation/foodpricesindex/en/ (дата обращения: 15.02.2023).
13. Сайт базы данных Продовольственной и сельскохозяйственной организации ООН. [Электронный ресурс]. URL: https://www.fao.org/faostat/en/ (дата обращения: 15.02.2023).
14. Сайт Программы развития ООН. [Электронный ресурс]. URL: https://hdr.undp.org/data-center/human-development-index#/indicies/HDI (дата обращения: 17.02.2023).
15. Сайт платформы Statista. [Электронный ресурс]. URL: https://www.statista.com/ (дата обращения: 17.02.2023).
16. Мастицкий С.Э. Анализ временных рядов с помощью R. Ranalytics.github.io. [Электронный ресурс]. URL: https://ranalytics.github.io/tsa-with-r..
17. Наследов А.Д. IBM SPSS Statistics 20 и AMOS: профессиональный статистический анализ данных. / Учебное пособие. - Санкт-Петербург: Питер, 2013. – 416 c.
Страница обновлена: 26.11.2024 в 12:54:47