Using a hierarchical multi-variable regression model for the purpose of analysis and forecasting agricultural indicators

Cover Page

Cite item

Full Text

Abstract

The article presents a methodology for determining the latent parameters of a multi-level multifactor regression model and ways of using the model using the example of forecasting the dynamics of indicators reflecting the functioning of agricultural production: grain crop yield and feed wheat consumption. The relevance of the model is due to the possibility of using it for forecasting the main output indicator (the first level of the model) and its intermediate components (subsequent levels of the model). The article processes statistical data, applies the method of regression analysis of information, and plots the results of modeling using MS Excel and the Python programming language development environment. The model is built on the basis of a hierarchical dependence of the first and subsequent levels, in which the input data of the output indicator are grouped as individual or common parameters of linear dependencies of intermediate variables. As a result of testing the model, data on grain crop yields were obtained depending on the type of fertilizer application and the corresponding shares of areas according to the Russian Federation as a whole and the Rostov Region, in particular, a yield forecast for three years was made, and a comparison with the results of applying factor analysis was given. In determining the consumption of feed wheat, data on the volume of net wheat consumption and the volume of wheat processed into compound feed were obtained.

About the authors

Petr Vyacheslavovich Ovchinnikov

Platov South-Russian State Polytechnic University (NPI)

Email: pvo78@yandex.ru
Novocherkassk

Alexander Nikolaevich Tkachev

Platov South-Russian State Polytechnic University (NPI)

Email: tkachev.an@mail.ru
Novocherkassk

Maria Dmitrievna Miroslavskaya

Platov South-Russian State Polytechnic University (NPI)

Email: miroslavsky.marymir@gmail.com
Novocherkassk

References

  1. БЕРГ Н.А., ДЕГТЯРЕВА Н.А. Принятие управленческих решений в сельском хозяйстве на основе модели множе-ственной регрессии // Вестник ЧелГУ. – 2023. – №11(481). – С. 167–175.
  2. БИСЧОКОВ Р.М. Анализ, моделирование и прогноз уро-жайности сельскохозяйственных культур средствами искусственных нейронных сетей // Вестник Российского университета дружбы народов. Серия: Агрономия и жи-вотноводство. – 2022. – Т. 17, №2. – C. 146–157.
  3. ЗИНЧЕНКО В.Е. Прогнозирование урожайности озимых культур и реакции ярового ячменя и озимой пшеницы на различные приемы обработки солонцов в условиях ро-стовской области: Автореф. дис. канд. сель.-хоз. наук., Персиановский, 2005. – 22 с.
  4. КЛОЧКОВ А.В., СОЛОМКО О.Б., КЛОЧКОВА О.С. Вли-яние погодных условий на урожайность сельскохозяй-ственных культур // Вестник белорусской государствен-ной сельскохозяйственной академии. – 2019. – №2. – С. 101–105.
  5. ЛАМАЖАП Р.Р., ЛИПШИН А.Г. Влияние климатических условий на урожайность ярового ячменя в республике Тыва // Вестник КрасГАУ. – 2016. – №12(123). – С. 13–19.
  6. МАКСИМОВ Р.А. Метод определения параметров адаптивной способности с использованием множе-ственного регрессионного анализа взаимосвязи урожай-ности и ее элементов структуры // Достижения науки и техники АПК. – 2021. – №6. – С. 4–10.
  7. ОВЧИННИКОВ П.В., КОМИССАРОВА М.А., МИРО-СЛАВ¬СКАЯ М.Д. Прогнозирование потребления зерно-вых культур при помощи многофакторных регрессион-ных моделей // XIV Всероссийское совещание по про-блемам управления (ВСПУ-2024): сборник научных тру-дов, 17-20 июня 2024 г., Москва. – С. 2161–2164.
  8. ОВЧИННИКОВ П.В., ТКАЧЕВ А.Н., МИРОСЛАВ-СКАЯ М.Д. и др. Идентификация смешанных аддитив-ных регрессионных моделей многоуровневых систем // Изв. ВУЗов. Сев.-Кавк. регион. Техн. науки. – 2024. – №2. – С. 28–39.
  9. ПРОКИНА Л.Н., ПУГАЕВ С.В. Урожайность озимой пшеницы в зависимости от предшественников, удобре-ний и известкования // Аграрная наука Евро-Северо-Востока. – 2022. – №3. – С. 318–326.
  10. РОГАЧЕВ А. Ф., МЕЛИХОВА Е. В. Прогнозирование продуктивности агрокультур на основе ретроспектив-ных данных методом наименьших модулей // Известия наук. – 2022. – №1(65). – С. 361–369.
  11. САВОСТИН Д.С., САВОСТИН С.Д., МАГОМЕДОВ М.Д. и др. Научное обоснование направлений увеличения объ-емов производства комбикормов и животноводческой продукции в Российской Федерации // Экономические системы. – 2022. – №1. – С. 99–109.
  12. СЕДЫХ И.А., ИСТОМИН В.А. Применение иерархиче-ских динамических нейро-окрестностных моделей // XIV Всероссийское совещание по проблемам управления (ВСПУ-2024): Сборник научных трудов, 17-20 июня 2024 г., Москва. – С. 3000–3004
  13. СЕМИНЧЕНКО Е.В., СОЛОНКИН А.В. Влияние клима-тических факторов на урожай озимой пшеницы и яро-вого ячменя в условиях сухой степи Нижнего Поволжья // Siberian Journal of Life Sciences and Agriculture. – 2022. – №3. – С. 58–74.
  14. СЕРАЯ Т.М., БОГАТЫРЕВА Е.Н., БИРЮКОВА О.М. и др. Агроэкономическая эффективность органических удобрений при возделывании озимой пшеницы на дерно-во-подзолистой легкосуглинистой почве // Почвоведение и агрохимия. – 2012. – №2(49) – С. 82–96.
  15. СОЗИНОВ А.А., ЖЕМЕЛА Г.П. Улучшение качества зерна озимой пшеницы и кукурузы. – М.: Колос, 1983. – 270 с.
  16. ШУБНОВ М.Г. Алгоритмы и инструментальные сред-ства нейросетевых технологий моделирования урожай-ности на основе автокорреляционных функций времен-ных рядов: Автореф. дис. канд. экон. наук. – Кисловодск, 2013. – 23 с.
  17. AFTHANORHAN A., AWANG Z., AIMRAN N. Five com-mon mistakes for using partial least squares path modeling (pls-pm) in management research // Contemporary Manage-ment Research. – 2020. – Vol. 4, No. 16. – P. 255–278.
  18. BHARADIYA J.P., TZENIOS N., REDDY M. Forecasting of crop yield using remote sensing data, agrarian factors and machine learning approaches // Journal of Engineering Re-search and Reports. – 2023. – Vol. 24, No. 12. – P. 29–44.
  19. CHENG E.W. SEM being more effective than multiple re-gression in parsimonious model testing for management de-velopment research // Journal of Management Development. – 2001. – Vol. 7, No. 20. – P. 650–667.
  20. DISSANAYAKE D.M.P.W., RATHNAYAKE R.M.K.T., CHA¬THU¬RANGA G. Crop yield forecasting using machine learning techniques - a systematic literature review // KDU Journal of Multidisciplinary Studies (KJMS). – 2023. – Vol. 5, No. 1. – P. 54–65.
  21. ELANGOVAN N., RAJENDRAN R. Structural equation modeling-a second-generation multivariate analysis // Na-tional Conference on Indian Business Management «Emerg-ing Management Paradigm in Indian Business» at: Sri Rama-krishna Institute of Technology, Coimbatore Volume. – 2015. – P. 33–54.
  22. HAYFIELD T., RACINE J.S. Nonparametric econometrics: the NP package // Journal of statistical software. – 2008. – Vol. 5, No. 27. – P. 1–32.
  23. ITIDAL A.A., MOHAMMAD A.A., WALEED B.A. Applica-tion of stepwise multiple regression to supersaturated de-signs data of water pollution in Saudi Arabia // JP Journal of Biostatistics. – 2024. – Vol. 3, No. 24. – P. 487–515.
  24. MERONI M., WALDNER F., SEGUINI L. et al. Yield fore-casting with machine learning and small data: what gains for grains? // Agricultural and Forest Meteorolog. – 2021. – Vol. 308–309. – P. 1–13.
  25. NUNKOO R., RAMKISSOON H. Structural equation mod-elling and regression analysis in tourism research // Current Issues in Tourism. – 2011. – No. 15(8) – P. 1–26.
  26. PUTRA W.B.T.S. Modul Pembelajaran SEM-PLS: Permasa-lahan, Kepercayaan Umum, Tahapan Spesifikasi dan Eval-uasi Model PLS-SEM, HCMs, serta PLS-MGA // Indonesian School of Research. – 2024. – 85 p.
  27. SADIKAJ G., WRIGHT A.G.C., DUNKLEY D.M. et al. Multilevel structural equation modeling for intensive longi-tudinal data: a practical guide for personality researchers // The Handbook of Personality Dynamics and Processes. – 2021. – P. 855–885.
  28. WANG W., et al. Forecasting elections with non-representative polls // Int. Journal of Forecasting. – 2015. – P. 980–981.
  29. ZOU H., HASTIE T. Regularization and variable selection via the elastic NET // Journal of the Royal Statistical Society: Series B (Statistical Methodology). – 2005. – Vol. 67, No. 2. – P. 301–320.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download


Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).