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»

Статья в журнале

Экономика, предпринимательство и право (РИНЦ, ВАК)
опубликовать статью | оформить подписку

Том 13, Номер 5 (Май 2023)

Цитировать эту статью:

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
Источник: составлено автором на базе источников информации с [6] по [15].

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
Источник: составлено автором на базе источников с [6] по [15].

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
Источник: составлено автором на базе источников с [6] по [15].

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
Источник: получено автором при анализе в IBM SPSS Statistics.

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






Источник: получено автором при анализе в IBM SPSS Statistics.

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
Источник: получено автором при анализе в IBM SPSS Statistics.

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:

1. Вартанова М.Л., Дробот Е.В. Исследование воздействия внутренних и внешних угроз на продовольственную безопасность России // Продовольственная политика и безопасность. – 2019. – № 2. – c. 67-83. – doi: 10.18334/ppib.6.2.41385.
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