Система планирования деятельности агрохолдинга как инструмент развития селекции и семеноводства на микроуровне

Введение

Актуальность настоящего исследования определяется наличием разрыва между создаваемым селекционным потенциалом и его реализацией в производственной практике аграрных предприятий. Проблематика развития селекции и семеноводства в Российской Федерации в последние годы приобрела статус одного из приоритетных направлений государственной аграрной политики. Доктрина продовольственной безопасности, утвержденная Указом Президента Российской Федерации от 21 января 2020 г. № 20 [26], устанавливает целевой ориентир — обеспечение не менее 75% потребности в семенах основных сельскохозяйственных культур за счет отечественной селекции. Федеральная научно-техническая программа развития сельского хозяйства на 2017–2030 годы, утвержденная Постановлением Правительства РФ от 25 августа 2017 г. № 996 [19], предусматривает формирование национальной системы селекции и семеноводства, основанной на интеграции генетических, биотехнологических и цифровых решений. Вместе с тем, как показывает анализ, реализуемые меры государственной поддержки концентрируются преимущественно на макро- и мезоуровнях — разработке программных документов, субсидировании научных организаций, создании селекционно-семеноводческих центров. Вопросы экономического стимулирования спроса на семена отечественной селекции непосредственно на уровне сельскохозяйственных товаропроизводителей остаются проработанными в существенно меньшей степени.

В условиях международных санкций и курса на импортозамещение российский агропромышленный комплекс столкнулся с необходимостью существенного укрепления собственной селекционно-семеноводческой базы. Если раньше многие крупные производители опирались на импортный семенной материал, то сегодня именно на уровне отдельных предприятий и агрохолдингов формируются практические механизмы долгосрочного развития отечественной селекции (Тарасова О.Б., Гончарова Н.З. [25, с. 129–134]).

Развитие селекции и семеноводства на микроуровне — на уровне отдельного агрохолдинга или аграрной бизнес-экосистемы — требует переосмысления подходов к интеграции инновационных процессов в общую структуру менеджмента [14, с. 440-44].

Центральным звеном этой системы выступает переход от ретроспективного планирования к модели системного опережающего прогнозирования. Это особенно актуально для наукоемких отраслей, таких как семеноводство, где цикл создания продукта продолжителен, а риски (природно-климатические, биологические, рыночные) крайне высоки. Эффективная модель планирования должна включать следующие теоретические доминанты. Интеграция оценки рисков в систему планирования позволяет агрохолдингу формировать «интегральные риск-профили» и определять зоны уязвимости на каждом этапе — от лабораторных исследований до промышленного размножения семян. Это минимизирует финансовые и логистические потери, повышая общую устойчивость инновационной деятельности [15, с. 36-41]. Современное планирование в семеноводстве невозможно без использования цифровых платформ. Технологии анализа Big Data, машинного обучения и геоинформационных систем (ГИС) позволяют на этапе подготовки оценивать пригодность земель и предсказывать погодные условия, что критически важно для селекционных участков. Точное земледелие обеспечивает оптимальную плотность посадки и эффективное использование ресурсов, что напрямую влияет на качество семенного материала [28, с. 55-60]. На микроуровне развитие селекции зависит от бесперебойного обеспечения высококачественными материально-техническими ресурсами. Внедрение внутренних стандартов управления закупками позволяет агрохолдингу не только снизить издержки, но и гарантировать соответствие закупаемых ресурсов жестким требованиям биологической безопасности и качества [5, с. 23-33]. Теоретически обоснованная агропродовольственная политика внутри холдинга должна опираться на рациональное пространственное размещение производственных мощностей. Это позволяет снизить эпидемиологические риски и транспортные издержки, способствуя самообеспечению отдельных подразделений и регионов качественным посевным материалом [14, с. 440-44].

Как справедливо отмечает С.А. Голикова [6, с. 95-97], из-за недоиспользования возможностей селекции и семеноводства потенциальная урожайность зерновых культур в условиях производства реализуется лишь на 30–50%. Применение семян низких репродукций, доминирующих в структуре высеваемого материала по зерновым культурам (их доля достигает 94%), приводит к недобору урожая, росту себестоимости продукции и, как следствие, снижению конкурентоспособности отечественного аграрного сектора [23, с. 286]. Наблюдается структурная асимметрия российского рынка семян. При высоких агрегированных показателях самообеспеченности по зерновым культурам (90–96%) зависимость от импортной генетики по высокотехнологичным культурам — сахарной свекле, подсолнечнику, кукурузе, овощным культурам защищенного грунта — составляет 70–90% и более [20].

Эффективное планирование в агрохолдингах позволяет увязать производственные, закупочные и инвестиционные решения с долгосрочными целями развития отечественных сортов. Особую актуальность это приобретает в зерновом и зернобобовом сегментах, где импортозамещение требует не только увеличения объемов производства семян, но и системной работы по их адаптации к местным условиям (Грядунова Н.В., Хмызова Н.Г. [7, с. 5–11]).

Аналогичные процессы наблюдаются и на рынке семян овощных культур. Здесь планирование закупок и инвестиций в собственные селекционные программы становится критическим фактором преодоления сохраняющихся барьеров импортозамещения (Дугуниев А.Г. [10, с. 249–250]).

Теоретические и прикладные аспекты организации селекции и семеноводства получили достаточно широкое освещение в отечественной научной литературе. Фундаментальные основы понимания селекционного процесса и организации воспроизводства сортовых ресурсов заложены в работах А.Р. Кожевникова, С.И. Леонтьева, Г.И. Поповой [13], Г.В. Гуляева, Ю.Л. Гужова [9]. Современные подходы к семеноведению, сертификации и промышленному семеноводству раскрываются в исследованиях М.С. Кадырова [11], Н.Н. Ярковой, В.М. Федоровой [22], Е.В. Морозова, А.Г. Субботина [16].

Проблематика развития отечественной селекции и семеноводства в условиях импортозамещения и санкционного давления анализируется в работах А.А. Полухина, В.И. Панариной, Н.А. Шабалкиной [18, с. 118–129], О.Б. Тарасовой, Н.З. Гончаровой. Авторы этих исследований констатируют наличие структурных диспропорций рынка семян, высокую зависимость от импортных поставок по отдельным культурам и ограниченность механизмов коммерциализации результатов отечественной селекции.

Особое место в научной дискуссии занимает проблематика организационно-экономического механизма развития селекции и семеноводства. В исследованиях В.И. Нечаева, А.И. Алтухова, Т. Н. Слепневой [2, с. 15–27], О.Г. Чарыковой [29] обосновывается необходимость системного подхода к регулированию отрасли, сочетающего институциональные, финансовые и организационные инструменты. При этом, как справедливо отмечает Чарыкова О.Г., «организационно-экономический механизм развития семеноводства зерновых культур представляет собой совокупность взаимосвязанных форм, методов и инструментов воздействия на процессы производства, воспроизводства и реализации семенного материала, обеспечивающих согласование интересов участников и достижение целевых параметров» [29]. Моделирование системного опережающего прогнозирования и планирования развития АПК в своих работах описывает Ю.В. Тараскина [24, с. 40-50]

Значительный массив работ посвящен макроэкономическим аспектам функционирования отрасли — анализу мирового продовольственного рынка (Г.В. Семеко [21, с. 19–43]), тенденциям развития аграрного сектора России (Н.И. Шагайда, В.Я. Узун [31]), технологическим вызовам и возможностям геномной селекции (Е.К. Хлесткина [27], В.И. Глазко [4, с. 16–22], Л.Х. Камалова, М.С. Аюбов, М.Х. Мирзахмедов и др. [12, с. 10–14]), цифровизации селекционных процессов (Я.Т. Эйдлин, Д.Д. Лисовая [28, с. 110–116]). Не менее важны региональные исследования, такие как экологическое сортоизучение яровой мягкой пшеницы в северной лесостепи Челябинской области. Они дают агрохолдингам конкретные данные для планирования структуры посевных площадей и выбора сортов, максимально адаптированных к местным почвенно-климатическим условиям (Пырсиков Д.А., Глаз Н.В., Пуалаккайнан Л.А., Уфимцева Л.В. [33, с. 18–22]).

Вместе с тем, анализ научной литературы позволяет констатировать наличие существенного пробела. Исследования, посвященные микроуровню — деятельности конкретных сельскохозяйственных предприятий и агрохолдингов как потребителей семенного материала, — представлены фрагментарно. Практически отсутствуют работы, в которых разрабатывались бы инструменты внутрифирменного планирования, ориентированные не только на повышение экономической эффективности растениеводства, но и на формирование прогнозируемого спроса на семена отечественной селекции. Вопросы экономической интеграции селекционных достижений в производственную практику аграрных предприятий остаются недостаточно изученными, а существующие методики планирования структуры посевных площадей, как правило, не учитывают фактора происхождения семенного материала и не формируют стимулов для использования элитных семян высших репродукций.

Таким образом, целью настоящей статьи является обоснование и представление системы планирования деятельности агрохолдинга как инструмента развития селекции и семеноводства на микроуровне, обеспечивающего формирование прогнозируемого и управляемого спроса на семена отечественной селекции.

Материалы и методы

Теоретическую основу исследования составили положения экономической теории, теории воспроизводства, теории отраслевых рынков, а также концепции устойчивого развития агропромышленного комплекса.

Информационной базой для апробации разработанного инструментария послужили данные ГК «Агротерра» за 2022–2024 гг. В исследовании использовались следующие категории исходных данных:

1) пространственно-агрохимические характеристики 10 полей (площадь, агрохимический паспорт (содержание NPK, гумуса, pH, гранулометрический состав));

2) технологические карты возделывания культур (соя, сахарная свекла, озимая пшеница, пар), включающие нормативы затрат на семена (отечественной и импортной селекции), ГСМ, оплату труда, средства защиты растений;

3) ценовые и контрактные параметры (цены реализации продукции (руб./т) на 2023-2025 гг., лимиты бюджетов на удобрения, минимальные и максимальные объемы поставок по контрактам);

4) агроклиматические сценарии (данные о погодных условиях 2023 г. (оптимистичный), 2024 г. (пессимистичный) и среднемноголетние значения (базовый сценарий)).

Все расчеты для таблиц 2-4 выполнялись в два этапа, соответствующих двум модулям системы (рис. 1 и 2): (I) оптимизация норм удобрений и формирование матрицы маржинальности; (II) оптимизация структуры посевных площадей методом целочисленного линейного программирования.

Центральным инструментом исследования стало экономико-математическое моделирование. Для первого модуля сформулирована задача минимизации переменных затрат на внесение минеральных удобрений при заданных агрохимических ограничениях (см. форм. 1); для второго — задача максимизации суммарной маржинальной прибыли холдинга на горизонте планирования в пять лет (см. форм. 2).

(1)

где – затраты на МУ звена цепочки, руб./га;

– затраты на ГСМ звена цепочки, руб./га;

– затраты на ФОТ звена цепочки, руб./га.

(2)

где – маржинальная прибыль на i - ом поле;

n – количество полей;

k – количество сезонов планирования.

Обе задачи относятся к классу целочисленного линейного программирования и решаются с применением симплекс-метода и метода ветвей и границ.

Для проверки работоспособности предложенных моделей в условиях реальной производственной деятельности использован метод апробации на эмпирических данных. Расчеты выполнены на материалах ГК «Агротерра» по десяти полям с различными почвенными и агрохимическими характеристиками и четырьмя культурами. Сравнительный анализ применялся при сопоставлении результатов оптимизированного планирования с традиционным подходом, основанным на нормативных таблицах, а сценарный анализ использован при проверке устойчивости модели к изменению внешних условий: рассматривались структуры посевных полей при прогнозных ценах и средней погоде, при ценах и погоде как в 2024-ем году, при ценах и погоде как в 2023-ем году (см. табл. 4).

Результаты

В ходе исследования разработан и апробирован инструментарий планирования на микроуровне, предназначенный для обоснования решений в области растениеводства на базе крупного агрохолдинга. Даже при наличии эффективной системы государственной поддержки селекции и семеноводства на макро- и мезоуровнях конечный спрос на семена отечественной селекции формируется непосредственно сельскохозяйственными товаропроизводителями, чьи экономические интересы не всегда автоматически согласуются с задачами импортозамещения. Предложенная система призвана устранить этот разрыв, обеспечивая одновременно повышение рентабельности производства и создание прогнозируемого, устойчивого спроса на семенной материал высших репродукций.

Схематично система планирования деятельности агрохолдинга представлена на рисунке 1.

Рисунок 1 – Система планирования деятельности агрохолдинга

Источник: составлено автором

В составе разработанного инструментария выделяются две взаимосвязанные составляющие (см. рис. 1). Первая отвечает за оптимизацию структуры посевных площадей на среднесрочную перспективу, вторая — за расчет экономически обоснованных норм внесения минеральных удобрений и формирование допустимых севооборотных цепочек для каждого поля.

Ключевая особенность системы — отказ от жестко фиксированных севооборотов. Вместо этого используется понятие агрономически допустимых звеньев севооборота, что позволяет хозяйству адаптировать структуру посевов к изменению ценовой конъюнктуры, погодных условий и контрактных обязательств. Расчет ведется с детализацией до отдельного поля, что повышает точность планирования и обоснованность принимаемых решений.

Модель оптимизации норм внесения удобрений

Алгоритм оптимизационного расчета норм внесения удобрений показан на рисунке 2.

Рисунок 2 – Алгоритм оптимизационного расчета норм внесения удобрений

Источник: составлено автором

Представленный автором алгоритм последовательно учитывает природное плодородие почв, эффект от ранее внесенных удобрений, агрохимические характеристики каждого участка, а также влияние предшествующих культур. На основе этих данных для каждого поля генерируется набор вариантов (цепочек), каждый из которых включает определенную культуру, агротехнологию и нормы внесения удобрений, обеспечивающие достижение плановой урожайности.

Целевая функция на данном этапе формулируется как минимизация совокупных переменных затрат на внесение минеральных удобрений — расходов непосредственно на удобрения, горюче-смазочные материалы и оплату труда. В отличие от традиционных нормативных подходов, здесь дозы удобрений подбираются не по таблицам, а расчетным путем, исходя из баланса «затраты — прибавка урожайности». Результатом работы модуля становится матрица маржинальности, в которой каждому полю и каждой допустимой цепочке поставлен в соответствие показатель ожидаемой экономической эффективности.

Модель оптимизации структуры посевных площадей

На вход второго модуля поступает сформированная матрица маржинальности, а также система ограничений, задаваемых хозяйством. К числу таких ограничений относятся лимиты на общие затраты по минеральным удобрениям (в целом по холдингу и по отдельным периодам), обязательства по поставкам продукции в рамках заключенных контрактов (задаются минимальные и максимальные объемы реализации по культурам, географическим зонам и группам хозяйств), агрономические требования по возврату культур в севообороте, сезонные ограничения по срокам сева и уборки.

Основные элементы модели представлены в таблице 1.

Таблица 1

Параметры модели оптимизации структуры посевных площадей

Математически целевая функция выражается как сумма по всем полям и сезонам маржинальной прибыли, вычисляемой на основе выбранной цепочки. Переменные затраты включают, помимо удобрений, также расходы на семена — причем в модели предусмотрена возможность задавать разные цены для семян отечественной и импортной селекции, что создает экономический стимул для использования отечественного материала при прочих равных условиях. Ограничение по бюджету удобрений записывается в виде неравенства, связывающего нормативы внесения из матрицы маржинальности с лимитом; контрактные ограничения формулируются как двусторонние неравенства на сумму произведений площади на плановую урожайность по заданным группам полей.

Решение задачи представляет собой выбор для каждого поля такой цепочки севооборотных звеньев на весь расчетный период (как правило, 3–5 лет), чтобы совокупная маржинальная прибыль холдинга достигала максимума. Целевая функция — суммарная валовая маржа, исчисляемая как разность между выручкой от реализации продукции и переменными затратами (удобрения, семена, средства защиты, горючее, оплата труда). При этом допускается генерация нескольких сценариев, различающихся внешними условиями (ценовым прогнозом, агроклиматическими параметрами).

Практическая проверка разработанного инструментария осуществлялась на базе ГК «Агротерра» — одного из крупных агрохолдингов Российской Федерации. Информационной основой послужили данные о 10 полях с различными почвенными и агрохимическими характеристиками, а также плановые показатели урожайности по основным культурам (соя, сахарная свекла, озимая пшеница, пар).

В таблице 2 приведен пример оптимизированной структуры посевных площадей с детализацией до отдельных полей.

Таблица 2

Пример расчета структуры посевных площадей

Видно, что модель не только распределяет культуры по участкам, но и рассчитывает плановую урожайность, ожидаемый валовой сбор и маржинальную прибыль по каждому полю. Так, поле 5 (площадью 130 га) отводится под сахарную свеклу с прогнозной урожайностью 45 т/га, что дает расчетный сбор 5 850 т и маржинальную прибыль 18,7 млн руб.; поле 1 (100 га) — под сою с урожайностью 2,4 т/га и прибылью 4,8 млн руб. Наличие полей, выведенных в пар (поля 3, 4, 10), отражает соблюдение агрономических требований к восстановлению плодородия.

В таблице 3 представлены рассчитанные оптимальные нормы внесения минеральных удобрений по тем же полям.

Таблица 3

Пример расчета норм внесения удобрений

Для сахарной свеклы (поля 5 и 8) модель рекомендует комплексное применение трех видов удобрений (аммофос, калий хлористый, аммиачная селитра) с различной интенсивностью; для сои и озимой пшеницы набор удобрений и дозировки иные. Обращает на себя внимание, что стоимость удобрений на одно поле варьируется от 50–60 тыс. руб. (соя) до 1,45 млн руб. (сахарная свекла), что отражает различную капиталоемкость культур и подчеркивает необходимость тщательной оптимизации затрат.

Ключевой результат апробации — возможность генерации альтернативных сценариев структуры посевов в зависимости от изменения внешних условий. В таблице 4 показано, как перераспределяются площади между культурами при трех вариантах прогноза: базовом (средние многолетние цены и погода), пессимистичном (условия 2024 г.) и оптимистичном (условия 2023 г.).

Таблица 4

Генерация различных вариантов структуры посевных полей

Так, площадь под соей варьируется от 10 тыс. га (сценарий 2024 г.) до 38 тыс. га (сценарий 2023 г.), а под озимой пшеницей — от 7 тыс. га до 25 тыс. га. При этом объемы семенных участков (строка «Семена озимой/яровой пшеницы, сои, ячменя, гороха») во всех сценариях сохраняются неизменными (1–4 тыс. га). Эта особенность принципиально важна для селекционно-семеноводческих организаций: даже при колебаниях рыночной конъюнктуры агрохолдинг гарантированно формирует спрос на семена высших репродукций в заданном объеме, что снижает неопределенность и позволяет поставщикам семян планировать собственное производство.

Полученные результаты подтверждают, что предложенная система планирования повышает обоснованность управленческих решений за счет перехода от экспертных оценок к прямым математическим расчетам; обеспечивает рост экономической эффективности растениеводства (в рассмотренных вариантах — на 12–15% по сравнению с базовым планированием без оптимизации); создает предпосылки для устойчивого внедрения сортов отечественной селекции, поскольку позволяет хозяйству формировать предсказуемый спрос на семенной материал. Данные о реальной урожайности, устойчивости сортов к стрессам и экономической отдаче могут накапливаться в информационной системе и передаваться селекционерам для корректировки селекционных программ.

Заключение

В результате выполненного исследования разработан и апробирован инструментарий оптимизационного планирования деятельности крупного агрохолдинга в области растениеводства, интегрирующий два взаимосвязанных модуля: расчет экономически обоснованных норм внесения минеральных удобрений и оптимизацию структуры посевных площадей на среднесрочный горизонт (3–5 лет). На примере ГК «Агротерра» (10 полей с различными агрохимическими характеристиками) подтверждена работоспособность предложенного подхода.

Автором получены следующие конкретные научные результаты. Во-первых, разработана математическая модель оптимизации норм внесения удобрений, основанная на балансе «затраты – прибавка урожайности», которая в отличие от нормативно-табличных методов позволяет для каждого поля индивидуально подбирать набор удобрений и их дозировки. В ходе апробации для поля 5 (сахарная свекла) получена комбинация: аммофос 180 кг/га, калий хлористый 280 кг/га, аммиачная селитра 350 кг/га, обеспечивающая плановую урожайность 45 т/га. Во-вторых, построена и решена задача целочисленного линейного программирования для распределения посевных площадей с целевой функцией максимизации суммарной маржинальной прибыли; система ограничений включает лимиты на бюджет удобрений, контрактные обязательства и агрономические требования. Доказано, что введение жестких контрактных ограничений на семенные участки гарантирует неизменность этих площадей при любых ценовых и погодных сценариях, что создает предсказуемый спрос для селекционно-семеноводческих организаций. В-третьих, экспериментально на реальных данных предприятия обосновано, что применение разработанной системы позволяет повысить экономическую эффективность растениеводства на 12–15% по сравнению с базовым планированием без оптимизации. В-четвертых, разработан механизм генерации альтернативных сценариев (базовый, пессимистичный, оптимистичный), который демонстрирует чувствительность структуры посевов к внешним факторам: наиболее волатильными культурами являются соя (от 10 до 38 тыс. га) и озимая пшеница (от 7 до 25 тыс. га).

В процессе исследования выявлен ряд проблем. Первая проблема – разрыв между задачами импортозамещения в селекции и семеноводстве и экономическими интересами конкретного сельхозтоваропроизводителя, у которого нет стимулов использовать отечественные семена, если они уступают импортным. Автор рекомендует внедрить в модель механизм ценового стимулирования отечественной селекции, задавая разные цены на семена или снижая переменные затраты для отечественных сортов за счет субсидий. Вторая проблема – использование жестко фиксированных севооборотов, снижающее адаптивность хозяйства к колебаниям цен и погоды. Рекомендуется переход к системе агрономически допустимых звеньев севооборота, при которой для каждого поля формируется набор допустимых цепочек культур, а не единственный предопределенный севооборот. Третья проблема – укрупненное планирование затрат на удобрения (в среднем на 1 га по хозяйству), ведущее к перерасходу на бедных почвах и недобору на богатых. Рекомендуется индивидуальный расчет норм для каждого поля с учетом его агрохимического паспорта, что реализовано в разработанном алгоритме.

Возможные направления дальнейших исследований включают включение в модель экологического блока (расчет углеродного следа), интеграцию со спутниковым мониторингом посевов для корректировки норм удобрений в вегетационный сезон, адаптацию модели для холдингов с полями в разных климатических зонах (с учетом логистических ограничений).

С практической стороны, предложенная система может быть внедрена в любом крупном сельхозпредприятии, где ведется качественный учет полей, их состояния, вносимых удобрений и затрат. С научной — она восполняет пробел в инструментах, связывающих селекцию с конечным потребителем.