СТАТИСТИЧЕСКИЙ АНАЛИЗ ЭФФЕКТИВНОСТИ СЕЛЬСКОГО ХОЗЯЙСТВА С ПРИМЕНЕНИЕМ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ

ДЕМИЧЕВ ВАДИМ

DOI 10.32651/229-100

УДК 519.257, 519.254

Выпуск № 9, Сентябрь 2022 г., статья № 15, стр. 100-105

Рубрика: Проблемы агроэкономических исследований

Ключевые слова: СЕЛЬСКОЕ ХОЗЯЙСТВО, ЭФФЕКТИВНОСТЬ, УРОЖАЙНОСТЬ, АВТОРЕГРЕССИЯ, РЕГРЕССИЯ, КЛАСТЕРНЫЙ АНАЛИЗ

Аннотация: В условиях постоянно нарастающего санкционного давления на Россию необходимо иметь инструменты прогнозирования ключевых показателей развития сельского хозяйства, определения степени дифференциации регионов по уровню эффективности и статистически обоснованные модели регрессионной взаимосвязи факторных и результативных характеристик отрасли. Указанные инструменты и методы статистического анализа позволят не только поддерживать решение вопросов продовольственной безопасности, экспортного потенциала, но и развития сельских территорий Российской Федерации в целом и ее отдельных субъектов. В настоящем исследовании подтверждено наличие циклического колебания урожайности зерновых в России каждые 9-10 лет. Построен точечный прогноз урожайности зерновых на ближайшие два года, как одного из важнейших показателей экспортной продукции нашей страны. Предложенная в статье модель авторегрессии может быть применена для прогнозирования показателей эффективности не только на уровне страны, но и на уровне региона, предприятия или отдельного подразделения. На основе множественной модели регрессии выделены ключевые факторы, определяющие изменение урожайности зерновых. Высокие показатели тесноты связи (коэффициенты корреляции и детерминации) позволили установить, что среди отобранных факторов наиболее существенное влияние на урожайность за период исследования с 2006 по 2020 гг. оказывают внесение минеральных удобрений, объем государственной поддержки, соотношение инвестиций регионального и федерального бюджетов, климатические условия. В результате реализации кластерного анализа было выделено 5 кластеров по уровню эффективности сельского хозяйства. Из совокупности исследуемых 77 регионов в кластеры с низким уровнем эффективности сельского хозяйства были отнесены 42 региона. Эти субъекты представляют особый интерес, так как имеют высокий потенциал повышения эффективности, а значит и объемов производства сельскохозяйственной продукции.

Авторы:
Демичев Вадим Владимирович, ФГБОУ ВО «Российский государственный аграрный университет - МСХА имени К.А. Тимирязева»

STATISTICAL ANALYSIS OF AGRICULTURAL EFFICIENCY USING MACHINE LEARNING METHODS

DOI 10.32651/229-100

Issue № 9, 2022, article № 15, pages 100-105

Section: Problems of agroeconomic researches

Keywords: AGRICULTURE, EFFICIENCY, PRODUCTIVITY, AUTO REGRESSION, REGRESSION, CLUSTER ANALYSIS

Abstract: In the context of the ever-increasing sanctions pressure on Russia, it is necessary to have tools for forecasting key indicators of agricultural development, determining the degree of differentiation of regions by the level of efficiency and statistically significant models of the regression relationship of factor and performance characteristics of the industry. These tools and methods of statistical analysis will allow not only to support the solution of issues of food security and export potential, but also the development of rural areas of the Russian Federation as a whole and its individual subjects. This study confirms the presence of cyclical fluctuations in grain yields in Russia every 10 years. An accurate forecast of grain yields for the next two years, as one of the most important export products of our country, has been built. The auto regression model proposed in the article can be used to predict performance indicators not only at the country level, but also at the level of a region, enterprise or individual unit. Based on the multiple regression model, the key factors determining the change in grain yield are identified. High indicators of association between dependent and independent variables (correlation and determination coefficients) allowed us to establish that among the selected factors, the most significant impact on the yield during the study period from 2006 to 2020 is provided by the introduction of mineral fertilizers, the amount of state support, the ratio of investments of regional and federal budgets, climatic conditions. As a result of the implementation of cluster analysis, 5 clusters were identified according to the level of agricultural efficiency. Out of the total of 77 regions studied, 42 regions were assigned to clusters with a low level of agricultural efficiency. These subjects are of particular interest because they have a high potential to increase efficiency, and hence the volume of agricultural production.

Authors: Demichev Vadim Vladimirovich