Использование иерархической многофакторной регрессионной модели с целью анализа и прогнозирования сельскохозяйственных показателей

Обложка

Цитировать

Полный текст

Аннотация

Представлена методика определения латентных параметров многоуровневой многофакторной регрессионной модели и способы использования модели на примере прогнозирования динамики показателей, отражающих функционирование сельскохозяйственного производства: урожайности зерновых культур и потребления кормовой пшеницы. Актуальность модели обусловлена возможностью применения в целях прогнозирования главного выходного показателя (первый уровень модели) и его промежуточных составляющих (последующие уровни модели). Выполнена обработка статистических данных, применен метод регрессионного анализа информации, выполнено построение графиков результатов моделирования с использованием MS Excel и среды разработки языка программирования Python. Модель строится на основании иерархической зависимости первого и последующих уровней, при которой входные данные выходного показателя группируются как индивидуальные или общие параметры линейных зависимостей промежуточных переменных. В результате апробации модели были получены данные урожайности зерновых культур в зависимости от типа подкормки удобрениями и соответствующие им доли площадей по данным Российской Федерации в целом и Ростовской области в частности; произведен прогноз урожайности на три года, приведено сравнение с результатами применения факторного анализа. В вопросе определения потребления кормовой пшеницы были получены данные объема чистого потребления пшеницы и объема пшеницы, перерабатываемой на комбикорм.

Об авторах

Петр Вячеславович Овчинников

ФГБОУ ВО «ЮРГПУ (НПИ) имени М.И. Платова»

Email: pvo78@yandex.ru
Новочеркасск

Александр Николаевич Ткачев

ФГБОУ ВО «ЮРГПУ (НПИ) имени М.И. Платова»

Email: tkachev.an@mail.ru
Новочеркасск

Мария Дмитриевна Мирославская

ФГБОУ ВО «ЮРГПУ (НПИ) имени М.И. Платова»

Email: miroslavsky.marymir@gmail.com
Новочеркасск

Список литературы

  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.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать


Creative Commons License
Эта статья доступна по лицензии 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).