Влияние государственной поддержки на производительность в сельском хозяйстве: региональный аспект

EDN:

Аграрный сектор практически повсеместно в мире функционирует при активной государственной поддержке. Субсидирование отрасли в России обусловлено задачей обеспечения продовольственной безопасности страны, высокой зависимостью от погодно-климатических факторов, а также необходимостью масштабной модернизации технического оснащения сельскохозяйственных предприятий.

Государственная поддержка отечественных производителей осуществляется по различным направлениям: субсидии и гранты для начинающих фермеров, включая помощь самозанятым; компенсация затрат на содержание животных и рыбы, покупку племенных особей; финансирование инвестиционной деятельности, в том числе покупка техники и строительство; содействие семеноводству; возмещение агрострахования и др.

Сумма поддержки имеет тенденцию к снижению в течение последних десяти лет и, в частности, по состоянию на январь 2025 года составляет около 174 млрд руб.1 Субсидии получают все регионы Федерации, за исключением г. Москвы. Целями поддержки являются, как правило, повышение продуктивности предприятий и развитие сельских территорий. Социальный контекст поддержки подразумевает решение различных проблемных ситуаций, например низкого качества жизни на селе, оттока кадров, экономической неустойчивости отрасли, вопросов экологии и ресурсосбережения и т. д. При этом актуальной выступает задача изучения эффективности реализуемых государством мер поддержки, их реального влияния на уровень производительности в секторе.

Цель исследования – оценить влияние государственных субсидий на совокупную факторную производительность (СФП) сельского хозяйства с учетом региональной неоднородности.

Основная гипотеза настоящей работы заключается в следующем: субсидии на сельское хозяйство оказывают разнонаправленное воздействие на совокупную факторную производительность в зависимости от количества лет, прошедших после осуществления финансирования.

Научная новизна заключается в применении нескольких видов производственных функций и зависимых переменных, по которым вычислялась совокупная факторная производительность в сельском хозяйстве, что позволило показать робастность полученных результатов моделирования. Отметим также отличающийся от предыдущих исследований состав объясняющих переменных в уравнениях для СФП.

ОБЗОР ЛИТЕРАТУРЫ

Вопросы теории и методологии предоставления субсидий сельскохозяйственным предприятиям достаточно изучены в отечественных и зарубежных работах [1–6], однако тема влияния государственной поддержки непосредственно на производительность в отрасли не получила широкого освещения. Существующие публикации дают, как правило, локальную оценку воздействия подобных мер на эффективность сельскохозяйственного производства, ограничиваясь рассмотрением ситуации либо в отдельных регионах [7; 8], либо с точки зрения компаний различных форм собственности [9; 10]. Исследования, раскрывающие данный вопрос в масштабах страны в целом [11–13], не затрагивают региональную составляющую. Вместе с тем именно региональный аспект в оценке влияния субсидирования на производительность в сельском хозяйстве требует дополнительного изучения.

Показатель производительности труда (в классической интерпретации) не всегда корректно применим в оценке эффективности российских сельскохозяйственных предприятий, поскольку не охватывает аспект усовершенствования технологий и/или рекомбинацию факторов производства. Предпочтителен показатель совокупной производительности факторов производства.

Существует некоторое разнообразие в имеющихся исследованиях в отношении определения СФП и содержания понятия – состав переменных варьируется у разных авторов2 [7; 9; 14]. Наиболее часто встречается понимание СФП как части выпуска, которая прямо зависит не от количества факторов производства, а от эффективности их использования [7]. Однако для оценки СФП исследователи выбирают различные производственные функции и используемые переменные. В некоторых публикациях для обеспечения корректности оценки СФП предполагается учет в производственных функциях добавленной стоимости [11; 15], в других – оценка на основе выпуска продукции в текущих и/или постоянных ценах или выручки от реализации [5; 7; 9; 14].

Набор способов оценки СФП ряда исследователей включает непараметрические методы расчета3 [16], основывается на изучении производственных функций [7; 9; 14] и стохастическом граничном анализе4 [17; 18].

Каждый из указанных методов имеет преимущества и ограничения. В частности, непараметрическая модель – метод оболочки данных (Data Envelopment Analysis, DEA), наиболее эффективный в оценке подотраслей сельского хозяйства, которые отличаются слабой зависимостью от действия факторов природного и климатического характера (птицеводства, свиноводства, выращивания овощей в закрытом грунте и т. п.).

Преодолеть ограничение непараметрических моделей становится возможным посредством использования стохастического граничного анализа ( Stochastic Frontier Analysis , SFA ). Методы оценки СФП, основывающиеся на построении производственной функции, позволяют как учесть вклад факторов производства, так и оценить прогрессивность применяемых технологий. В связи с этим исследователи реализуют, как правило, не один подход, а их сочетание.

В рамках оценки влияния субсидий на СФП также рассматривается сельскохозяйственная специализация организации-получателя (растениеводство или животноводство). Как показали исследования [15], эффекты государственной поддержки гетерогенны в зависимости от специализации предприятий (отмечались негативная связь между получаемыми субсидиями и СФП в животноводческих хозяйствах, отсутствие статистически значимой зависимости в растениеводстве). Поэтому данный аспект исключен из анализа в текущем исследовании.

Значимая характеристика субсидирования – дифференциация трансфертов по уровню предоставления финансирования (федеральный или региональный) – также была предметом ряда исследований [7; 8; 11]. Полученные выводы свидетельствуют о преимущественной роли федеральных субсидий, в том числе с учетом временны́ х лагов, и не позволяют однозначно оценить влияние субсидий из регионального бюджета, поскольку имеющиеся исследования основываются на микроданных (информация по ограниченному числу предприятий в отдельно взятых регионах). Использование микроданных по предприятиям, возможно, размывает эффект субсидирования в масштабе региона с учетом весомой доли федеральных трансфертов и не позволяет получить устойчивые межрегиональные оценки.

Таким образом, результаты имеющихся публикаций, посвященных теме исследования, неоднородны. Либо расчеты выполнены на микроданных, либо коэффициенты производственной функции получены нерасчетным способом, либо оценка сделана для одного региона. Это оставляет поле для дальнейшего изучения и характеризует нишу настоящего исследования.

МАТЕРИАЛЫ И МЕТОДЫ

Источники и формирование данных. Материал настоящего исследования формировался на основе сведений Министерства сельского хозяйства РФ в разрезе 82 субъектов РФ⁵ (величина фактических субсидий и иных межбюджетных трансфертов сельхозпроизводителям⁶ ( X ); финансирование за счет средств региональных бюджетов ( D )), а также Росстата (остальные переменные: продукция сельского хозяйства, валовая добавленная стоимость, основные фонды, инвестиции, занятость, посевные площади, индекс цен производителей) за 2015–2022 гг.⁷ Итоговая информационная база представляет собой сбалансированную панель данных с общим количеством наблюдений 656.

Все востребованные при моделировании переменные были логарифмированы; показатели основных фондов, посевных площадей, величины государственных субсидий, инвестиций нормированы на численность занятых в сельском хозяйстве.

Расчеты выполнялись с использованием программного обеспечения пакета Stata 18.

Описательный анализ данных включал в себя следующие шаги: расчет описательных статистик; анализ динамики средней величины субсидий в реальном выражении по федеральным округам; изучение динамики доли регионального финансирования.

Методология моделирования реализовывалась в два этапа.

На первом выполнялась эконометрическая оценка СФП. Для этого оценивалась производственная функция, отражающая зависимость выпуска в сельском хозяйстве от факторов производства. В рамках анализа устойчивости получаемых результатов, во-первых, применялись производственные функции нескольких видов, во-вторых, в качестве выпуска Y_it использовались показатель произведенной продукции сельского хозяйства в текущих и постоянных ценах⁸, а также валовая добавленная стоимость (ВДС) сельскохозяйственного сектора в постоянных ценах.

Выбор вида производственной функции обусловлен следующими обстоятельствами. Функция Кобба–Дугласа наиболее востребована в экономических исследованиях при моделировании объема выпуска и активно применялась в предыдущих публикациях по тематике господдержки в сельском хозяйстве. В отличие от нее транслог (транслогарифмическая функция) не линеен и его использование позволяет расширить границы проводимого анализа.

Обращение к подходу стохастической производственной границы стало достаточно популярным в последнее время, что связано, прежде всего, с работами по эффективности видов экономической деятельности и предприятий9 и предполагает применение метода максимального правдоподобия для нахождения оценок параметров.

Производственная функция Кобба–Дугласа имеет вид:

Y it = AK^ ² L t ³ ^t , (1)

где Y_it – выпуск; A – СФП; K_it – капитал; i – индекс по регионам, i = 1, …, 82; t – индекс по времени, t = 2015, …, 2022; α_j – параметр, j = 1, 2, 3; S_it – земля; L_it – труд; ε _it – случайная величина ошибки.

В качестве показателя K использовалась величина основных фондов по изучаемому виду деятельности, параметр L формировался как среднегодовая численность занятых по виду экономической деятельности, S включает в себя посевные площади сельскохозяйственных культур.

Нормировав уравнение (1) на L и логарифмировав, получим¹⁰:

У и = a + « 1 k t + a 2 s t + e it , (2) где a = ln ( A ).

Оценивание (2) на панельных данных возможно с помощью модели составной ошибки e_it = u_i + λ_t . При этом предполагаются фиксированными индивидуальные эффекты по регионам u_i и по времени λ_t и применяется метод наименьших квадратов. Это позволяет учесть в модели гетерогенность регионов.

Однако при оценивании (2) методом наименьших квадратов на уровне фирм отмечена проблема эндогенности, возникающая по причине ненаблюдаемых шоков, которые коррелированы с СФП [18; 19]. Одним из способов ее решения является процедура Вулдриджа – оценивание функции контроля ( control function ) обобщенным методом моментов. Ограничением метода выступает требование следования СФП авторегрессионному процессу первого порядка, которое, вероятно, не выполняется для данных по регионам и с учетом специфики сельскохозяйственного сектора, что может привести к неверным оценкам [9].

В итоге уравнение (2) оценивается методом наименьших квадратов как модель с фиксированными эффектами, что позволяет минимизировать последствия эндогенности (с учетом контроля неизменяемых по времени характеристик регионов). Для дополнительной проверки робастности оценок применяется процедура Вулдриджа.

Транслогарифмическая (транслог) производственная функция применительно к решаемой задаче будет иметь вид:

y_it = a + « 1 k it + a 2 s i_t + а з k* + a 4 s 2 + a 5 k _it s _it + e i_t . (3)

Параметры (2) и (3) уравнений оцениваются методом наименьших квадратов, как и для модели с фиксированными эффектами.

Подробно подход с использованием модели стохастической производственной границы описан, в частности, Д. Малаховым и Н. Пильником¹¹. Модель имеет вид (2), но ошибка в предположении отсутствия тренда в СФП формируется как сумма стохастической ошибки ξ_it и ошибки неэффективности χ_i , имеющей усеченное нормальное распределение, согласно выражению e_it = ξ_it – χ_i . Оценки коэффициентов находятся методом максимального правдоподобия.

После идентификации параметров производственных функций получаем оценки величин СФП для каждой из них как разность между расчетным и фактическим значениями выпуска.

На втором этапе строилась регрессия СФП в сельском хозяйстве на величину субсидий ( X_it ), а также на первые два лага субсидий ( X_{it –1} , X_{it –2}). В уравнение включались контрольные переменные:

• а)    инвестиции в основной капитал ( I_it ) и два лага инвестиций ( I_{it –1} , I_{it –2}) – отражают продуктивность сектора в зависимости от обновления основных фондов;

• б)    фактический уровень финансирования за счет средств бюджета региона ( D ) – предполагаем, что увеличение регионального финансирования положительно влияет на продуктивность, поскольку позволяет точечно определять и ликвидировать узкие места сектора;

• в)    индекс цен производителей сельскохозяйственной продукции, реализуемой сельскохозяйственными предприятиями ( Pp ) – позволяет потенциально проконтролировать издержки производства.

Лаги вводились с целью учета инерционности процессов субсидирования и инвестирования. Параметры субсидий и инвестиций были отнесены к среднегодовой численности занятых и логарифмированы. Использовались логарифмированные значения факторов доли субсидий за счет бюджета субъекта и индекс цен производителей. В результате уравнение специфицировано в виде:

tfp t = P o + ^ 1 x t + &  x t - 1 + ^ 3 x t - 2 + &  i it + $ 5 i t - 1 + &  i t - 2 + &  d t + &  PP t + v t , (4)

где β_j – параметры, j = 1, …, 8; ν_it – случайная величина ошибки.

Ошибка в уравнении (4) предполагается составной – из фиксированных эффектов по регионам и времени. Таким образом, в (4) учтена региональная неоднородность. Оценки коэффициентов получали методом наименьших квадратов.

РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ

Описательный анализ данных. На основании данных Росстата и Министерства сельского хозяйства были сформированы и проанализированы необходимые переменные (табл. 1).

Ключевые наблюдаемые тренды (2015–2022 гг.). На основании данных таблицы 2, где показана динамика средней величины субсидий в реальном выражении по федеральным округам, можно выделить следующие тенденции. Прежде всего, очевиден отрицательный тренд величины субсидий в целом по стране. Аллокация субсидирования смещена: лидирующие в начале периода Уральский и Центральный округа в итоге сменили Южный и Приволжский. Аутсайдером неизменно оставался Дальневосточный округ.

Кроме того, в течение 2015–2022 гг. снижалась доля субсидирования за счет средств региональных бюджетов. Здесь лидирующие позиции занимает Урал (средняя доля около 30 % в 2022 г.) и с 2018 г. – Северо-Запад.

Самая низкая доля в течение всего периода характерна для Северного Кавказа. В Южном федеральном округе субсидии осуществляются в основном за счет средств федерального бюджета.

Изучение производственных функций и влияния субсидий на СФП в сельском хозяйстве. При построении производственных функций для каждого вида проводился регрессионный анализ с зависимой переменной выпуска в текущих и постоянных ценах, а также ВДС в постоянных ценах (табл. 3).

Т а б л и ц а 1. Описательная статистика экономических показателей за 2015–2022 гг. ¹²

12 Здесь и далее рассчитано авторами на основе данных следующих источников: Министерство сельского хозяйства РФ: сайт [Электронный ресурс]. URL: (дата обращения: 19.12.2024) ; Федеральная служба государственной статистики: сайт [Электронный ресурс]. URL: (дата обращения: 19.12.2024).

1153      [68,34;         791      [97,72; R 16      [55,07;

200,57]                     118,11]           ’ °      189,00]

S

Среднегодовая численность занятых по виду экономической деятельности, тыс. чел. / Average annual number of people 61,35 employed by type of economic activity, thou-

E

Й о

Й о

Индекс цен производителей сельскохозяйственной продукции, реализуемой сельскохозяйственными организациями, г/г, % /      104,85

Producer price index for agricultural products sold by agricultural organizations, y/y, %

О

REGIONAL AND SECTORAL ECONOMICS

Т а б л и ц а 2. Динамика средней величины субсидий на сельское хозяйство по федеральным округам

T a b l e 2. Dynamics of the Average Amount of Agricultural Subsidies by Federal District

Регион / Region	Год / Year
	2015	2016	2017	2018	2019	2020	2021	2022
1	2	3	4	5	6	7	8	9

Средняя величина реальных государственных субсидий на сельское хозяйство¹³ по федеральным округам, млн руб. / Average value of real government subsidies for agriculture by federal districts, million rubles

Россия / Russia	2 086,4	2 292,3	1 935,6	1 851,3	1 602,9	1 576,9	1 559,6	1 350,1
Центральный федеральный округ / Central Federal District	2 896,1	3 368,6	3 037,6	2 981,6	2 427,5	2 073,6	2 020,2	1 697,6
Южный федеральный округ / Southern Federal District	1 669,3	2 391,4	1 918,7	2 044,1	1 785,1	2 073,9	2 183,2	2 068,9
Приволжский федеральный округ / Volga Federal District	3 199,6	3 114,0	2 374,0	2 294,4	1 904,5	2 089,3	2 052,4	1 888,8
Сибирский федеральный округ / Siberian Federal District	1 760,2	1 828,8	1 438,6	1 350,1	1 160,4	1 179,8	1 256,4	1 008,3
Северо-Западный федеральный округ / Northwestern Federal District	1 289,0	1 277,1	923,4	826,8	662,3	790,7	682,7	565,5
Северо-Кавказский федеральный округ / North Caucasian Federal District	1 116,1	1 953,1	2 225,0	1 945,2	1 812,6	1 937,3	1 716,1	1 542,4
Уральский федеральный округ / Ural Federal District	2 946,2	2 888,6	2 338,9	2 253,3	1 524,3	1 538,4	1 381,2	1 043,3
Дальневосточный федеральный округ / Far Eastern Federal District	974,1	756,3	628,1	478,6	889,5	610,7	763,7	586,5

Средняя доля финансирования за счет средств бюджета субъекта РФ, % / Average share of funding from the budget of a constituent entity of the Russian Federation, %

Россия / Russia	23,4	26,7	19,9	17,0	16,5	15,4	11,0	11,9
Южный федеральный округ / Southern Federal District	13,0	13,9	12,1	11,8	11,4	9,9	7,2	7,0
Центральный федеральный округ / Central Federal District	15,0	18,2	11,9	13,8	14,1	14,0	11,0	10,6
Приволжский федеральный округ / Volga Federal District	21,3	24,6	18,0	18,7	18,4	17,2	10,7	10,6
Сибирский федеральный округ / Siberian Federal District	25,4	29,1	21,7	14,5	18,0	12,1	7,5	9,1

13 Дефлированы с помощью индекса потребительских цен к 2015 г.

Окончание табл. 2 / End of table 2

1	2	3	4	5 1	6	7 1	8	9
Средняя доля финансирования за счет средств бюджета субъекта РФ, % / Average share of funding from the budget of a constituent entity of the Russian Federation, %
Северо-Западный федеральный округ / Northwestern Federal District	30,9	38,0	23,0	27,0	25,8	24,8	17,1	18,7
Северо-Кавказский федеральный округ / North Caucasian Federal District	10,3	10,1	10,6	6,7	6,6	6,7	4,8	3,7
Уральский федеральный округ / Ural Federal District	40,8	41,7	40,0	34,3	36,7	33,0	27,9	29,8

Примечание / Note . Цветовым градиентом «красный – белый – синий» обозначено увеличение показателя от минимального до максимального значения в столбце / The color gradient “red – white – blue” indicates the increase of the indicator from the minimum to the maximum value in the column.

Выбраны спецификации уравнений с фиксированными эффектами по объектам и по времени (при тестировании по Хаусману во всех случаях нулевая гипотеза отвергается). Все регрессии и индивидуальные эффекты оказались значимыми на уровне 1 %; коэффициенты при факторах k (основные фонды на одного занятого в сельском хозяйстве (млрд руб./тыс. чел.)) и s (посевные площади на одного занятого в сельском хозяйстве (га/чел.)) – положительными и значимыми почти во всех спецификациях также на уровне 1 %.

Дополнительно для функции Кобба–Дугласа применялась процедура Вулдриджа, которая показала сопоставимость полученных оценок и результатов метода наименьших квадратов для моделей с фиксированными эффектами. В качестве базовых были приняты результаты моделирования в столбцах 2, 5 и 8 (см. табл. 3) для продукции в текущих ценах, поскольку значимость этих регрессий в целом выше.

Затем оценивалось влияние субсидий на величину СФП. Для четырех из девяти вариантов СФП значимым на уровне 5 % с отрицательным знаком выступил коэффициент при первом лаге переменной субсидий. Для шести из девяти вариантов СФП значимым (как минимум, на уровне 5 %), но с положительным знаком оказался коэффициент при втором лаге переменной субсидий. Для СФП, вычисленной по транслогарифмической функции для ВДС (см. столбец 7 табл. 3), знаки/значимость коэффициентов при переменной субсидий и ее лагов соответствовали описанным выше со сдвигом на год раньше, т. е. значимыми являлись коэффициенты переменной субсидий и ее первого лага.

Контрольная переменная инвестиций в основной капитал сельскохозяйственного сектора положительно влияет на СФП с лагом в один год (для всех вариантов расчета СФП) и два года (для некоторых спецификаций моделей). Такая динамика согласуется с инерционностью инвестиционных процессов и соответствует ожиданиям. В 2/3 спецификаций значим и положителен коэффициент при переменной доли фактического уровня финансирования за счет средств бюджета региона.

Окончание табл. 3 / End of table 3

1                   2             3             4             5             6             7             8             9             10

CN

O\

O1 O\

Увеличение СФП при росте доли субсидий за счет регионального бюджета связано с тем, что господдержка на региональном уровне позволяет направить средства в «расшивку» узких мест, как правило, известных местным органам власти и управления. Также, вероятно, региональные программы поддержки более гибкие, чем федеральные, что дает получателям возможность использовать их более эффективно. Коэффициент при переменной индекса цен производителей сельскохозяйственной продукции, которая реализуется сельскохозяйственными организациями, имеет отрицательный знак. Увеличение цен на подобную продукцию обычно отражает ситуацию роста издержек производства, что приводит к снижению СФП.

Все девять уравнений для различных вариантов СФП значимы на уровне 5 %. Также значимы (на уровне 1 %) индивидуальные эффекты, которые выбраны фиксированными по объектам и по времени. При тестировании по Хаусману во всех случаях нулевая гипотеза об отсутствии систематических различий между оценками моделей с фиксированными и случайными индивидуальными эффектами отвергается.

Расчет фиксированных эффектов по регионам в уравнении (4) позволяет выделить те из субъектов Федерации, в которых СФП выше/ниже относительно среднего уровня. Для моделей в столбцах 2 и 5 (см. табл. 3) получены фиксированные эффекты для каждого из регионов. Характерны преимущественно положительные значения для Дальневосточного, Южного и Северо-Кавказского округов, где СФП превышает среднероссийский уровень. Низкий уровень СФП соответствует большинству территорий Северо-Запада.

ОБСУЖДЕНИЕ И ЗАКЛЮЧЕНИЕ

В работе эмпирически исследовалось влияние государственных субсидий на совокупную факторную производительность в сельском хозяйстве. Использовались панельные данные по российским регионам.

По результатам проведенных эмпирических расчетов гипотеза подтвердилась. В году субсидирования трансферты из бюджета не влияют на СФП в сельском хозяйстве. Через год – СФП снижается с ростом величины субсидий. Это в целом соответствует теории, согласно которой трансферты на сельское хозяйство негативно сказываются на продуктивности, поскольку субсидируемые производители меньше мотивированы к оптимизации затрат и инвестированию в развитие своей деятельности. Также господдержка приводит к смягчению бюджетного ограничения сельскохозяйственных организаций и, как следствие, к неэффективному использованию ими ресурсов [1; 20].

Спустя два года после выделения господдержки СФП нарастает с усилением субсидирования. Это связано с повышением продуктивности хозяйства. В частности, производители сельскохозяйственной продукции могут за счет субсидий увеличить собственные финансовые ресурсы, получить доступ к кредитам, снизить риск инвестиций в некоторые дополнительные сферы производства [1].

Выявлено, что субсидии на сельское хозяйство оказывают разнонаправленное воздействие на СФП в зависимости от количества лет после осуществления финансирования: в году субсидирования влияние трансфертов незначимо; через год – СФП снижается с повышением объема субсидий; спустя два года – увеличивается с ростом субсидирования. Полученные результаты в части негативного эффекта соотносятся с выводами в14 [1], в части позитивного влияния – в15 [1; 21]. Направление влияния субсидий по лагам соответствует расчетам в [7].

Авторы [20] сделали вывод о том, что эффект субсидирования зависит от применяемых инструментов моделирования. Отличают представленную работу показанная устойчивость полученных эмпирических результатов, а также состав объясняющих переменных в уравнении для СФП.

Расчет фиксированных эффектов по регионам позволил выделить субъекты Федерации, СФП в которых выше/ниже относительно среднего уровня. В частности, СФП выше в таких регионах, как Белгородская область, Чукотский автономный округ, Магаданская область, Республики Северная Осетия–Алания и Тыва; ниже – в Псковской области, городах Москве и Санкт-Петербурге, Республике Карелия, Архангельской области.

Отметим, что программы государственной поддержки сельского хозяйства способствуют, с одной стороны, развитию сельскохозяйственного бизнеса, с другой – повышению дисбаланса между неэффективными и эффективными аграрными организациями, что снижает мотивацию к инновациям. В связи с этим смещение акцента в подобных программах на поддержку системы производства и услуг в целом (развитие инфраструктуры, институтов и т. п.)16, а не отдельных товаропроизводителей позволит повысить эффективность деятельности сектора. Также целесообразно предоставление субъектам России бόльших полномочий в проведении стимулирующей политики.

Результаты исследования могут быть полезны государственным органам для корректировки мероприятий экономической политики в аграрном секторе; Банку России при выработке монетарной политики; организациям сельского хозяйства для повышения результативности субсидий, а также научному сообществу для дальнейших разработок.

Ограничением проведенных в настоящем исследовании модельных расчетов выступает неучет ряда факторов, таких как климатические условия, инфраструктура ведения агробизнеса, институциональные характеристики регионов, что представляется возможным реализовать в рамках дальнейшей работы.