Для описания динамических процессов в сельском хозяйстве используется множество алгоритмов моделирования. В нашей работе для построения модели устойчивого земледелия мы использовали параметрическое моделирование И.Ф.Полунина. Это моделирование происходит в два этапа, на первом составляется предварительный вариант решения модели для усредненных значений, например, изменение урожайности, определение площади пашни, поголовье скота. Второй этап – окончательный, где полно рассматривается первичный вариант, а затем он утверждается (например, оценивается показатель товарного производства). Достоинством данного моделирования является то, что при ее использовании не требуются долгосрочные метеопрогнозы.

Математическое моделирование представляет собой сложный процесс, состоящий из ряда этапов.

В ходе подготовительного этапа уточняется цель моделирования. Основой для этого служат результаты, полученные на предыдущих этапах системного анализа. Цель, преследуемая при системном анализе и при построении математической модели, не обязательно совпадает – в последнем случае она, как правило, уже. Сформулированная цель конкретизируется в перечне задач, которые необходимо решить для ее достижения. Каждой из задач будет соответствовать свой вариант модели, т. к. очевидно, что в рамках одной модели решение всех задач невозможно.

Второй этап моделирования заключается в выявлении взаимосвязей между сформулированными на предварительном этапе задачами, определении последовательности их решения. Часто в ходе второго этапа обнаруживается, что некоторые из задач не представляют самостоятельной ценности. В этом случае они могут быть исключены, либо объединены с другими.

Третий этап моделирования состоит в построении математических моделей для решения каждой из поставленных задач. Он представляет собой ряд подэтапов: а) выбор типа модели; б) модификация типа модели; в) математическая формулировка модели; г) систематизация информации, а при необходимости сбор и систематизация дополнительной информации; д) собственно построение модели; е) решение задачи; ж) анализ результатов, их агроэкономическая интерпретация.

Третий этап реализуется в режиме итераций. Если результаты какого либо подэтапа не удовлетворяют разработчика по тем или иным критериям, то необходим возврат к более ранним.

Выбор типа модели обусловливается, с одной стороны, результатами предыдущих этапов системного анализа, с другой – исходной информацией. Необходимость дополнительных итераций может обнаружиться и на заключительном подэтапе, когда проводится оценка и проверка полученных результатов. Анализ результатов позволяет выявить устойчивость получаемых решений, агроэкономическая интерпретация – их рациональность, соответствие здравому смыслу и профессиональному опыту. Не всякое несоответствие здравому смыслу и профессиональному опыту является свидетельством неудовлетворительного качества моделирования – возможно, что здесь обнаружено нетривиальное решение.

Изложенная логическая схема полностью не раскрывает всех проблем, возникающих в ходе построения модели. Зачастую элементарные ошибки, допущенные при расчете технических коэффициентов, ставят разработчика в крайне затруднительное положение, а поиск таких ошибок занимает длительное время (Фрумин, 1998).

Погодные условия очень динамичны, что не возможно описать их в полной мере статическими моделями. Следовательно, очень важно разработать конкретную модель для сельскохозяйственного предприятия лесостепи Южного Урала, при которой оно будет стабильно получать максимальную прибыль, независимо от сложившихся погодных условий.

3 ЭКСПЕРИМЕНТАЛЬНАЯ ЧАСТЬ

3.1 Статистическая обработка данных

Динамический ряд урожайности сельскохозяйственных культур, таких как пшеница, кукуруза, овес, вика с подсевом овса, горох, по зоне лесостепи отличается значительными колебаниями по годам. Урожайность ведущей культуры – яровой пшеницы – за период с 1967 по 1998 годы на неудобренном фоне колебалась с 0,7 до 2,8 т/га, в то время как на удобренном фоне изменения урожайности были в пределах от 0,7 до 3,4 т/га. Такие колебания урожайности вызваны многими факторами (качество семян, сортосмена, применяемые технологии), но резкое снижение или повышение урожайности чаще всего обусловлено сложившимися погодными условиями. Резко континентальный климат Южного Урала характеризуется широким варьированием погодных условий по годам. По средним многолетним данным, осадки в течение вегетационного периода выпадают неравномерно, однако эта неравномерность сглаживается, создавая лучшие, по сравнению со средними многолетними, условия увлажнения вегетационного периода. В такие годы погодные условия могут обеспечить высокий урожай (Марамыгин, Сотникова, 1995).

Для установления закономерностей колебаний урожайности культур от количества осадков, нами были обработаны данные стационарного опыта КНИИСХ старшего научного сотрудника М.Н. Сметаниной, руководитель М.А.Глухих. Для характеристики устойчивости аграрного производства зоны лесостепи Южного Урала, обрабатывались данные урожайности основных возделываемых культур.

Первым шагом в обработке данных было ранжирование урожайности культур на неудобренном и удобренном фоне в порядке возрастания. После этого длинные ряды были разделены на три группы в соответствии с урожайностями культур в неблагоприятные, благоприятные и средние по увлажнению годы. Неблагоприятным считался год, когда за вегетационный период выпадало 55 мм осадков, благоприятный год – 241 мм, средний по увлажнению год предполагал выпадение 120 мм осадков. Полученная урожайность культур была занесена в таблицу 1.

Таблица 1 – Группировка урожайности культур (без удобрений), т/га

Из данных таблицы видно, что количество осадков за вегетационный период оказывает влияние на урожайность культур, так на пшенице средняя урожайность в неблагоприятные годы снизилась на 55 % по сравнению с урожайностью в благоприятные годы. Кукуруза резко снижает урожайность зеленной массы в неблагоприятный год на 77,5 % по сравнению с благоприятным годом. Резкое снижение урожайности в неблагоприятный год наблюдается у овса, вико-овсянной смеси на зеленый корм, гороха, и оно составило 80, 67 и 79,3 %.