По всем вопросам звоните:

+7 495 274-22-22

УДК: 311, 332.1, 004.432, ВАК 5.2.3 DOI:10.33920/sel-11-2408-04

Корреляционно-регрессионный анализ влияния экономических факторов на урожайность пшеницы

Хоружий В. И. д-р экон. наук, профессор Департамента налогового администрирования, Федеральное государственное бюджетное образовательное учреждение высшего образования «Финансовый университет при Правительстве Российской Федерации», 125167, г. Москва, пр-т Ленинградский, д. 49, E-mail: vhoruzhiy@yandex.ru, ORCHID: http://orcid.org/0000-0001-6268-6640
Быков Д. В. ассистент кафедры статистики и кибернетики, ФГБОУ ВО «Российский государственный аграрный университет — МСХА имени К.А. Тимирязева», 127550, г. Москва, ул. Тимирязевская, д. 49, E-mail: bykovdv@rgau-msha.ru, ORCHID: https://orcid.org/0000-0001-6287-3462
Уколова А. В. канд. экон. наук, доцент, и.о. заведующего кафедры статистики и кибернетики, ФГБОУ ВО «Российский государственный аграрный университет — МСХА имени К.А. Тимирязева», 127550, г. Москва, ул. Тимирязевская, д. 49, E-mail: statmsha@rgau-msha.ru, ORCHID: https://orcid.org/0000-0002-2806-6365
Ибрагимов А. Г. д-р экон. наук, профессор кафедры управления, ФГБОУ ВО «Российский государственный аграрный университет — МСХА имени К.А. Тимирязева», 127550, г. Москва, ул. Тимирязевская, д. 49, E-mail: ibragimov@rgau-msha.ru, ORCHID: 0000-0001-9683-4285

В статье приводятся результаты эконометрического моделирования урожайности пшеницы по микроданным отчетов о финансово-экономическом состоянии товаропроизводителей агропромышленного комплекса. Изучена связь между урожайностью пшеницы и экономическими факторами: показателями уровня интенсивности (затраты на минеральные удобрения, стоимость основных средств производства, прямые затраты труда на производство зерна, численность занятых в сельском хозяйстве работников в расчете на единицу площади) и специализации сельскохозяйственного производства (удельный вес выручки от реализации продукции растениеводства в выручке от реализации продукции сельского хозяйства). С использованием подхода пошагового отбора факторов были построены статистически значимые модели линейной регрессии, которые могут применяться в целях анализа и прогнозирования. В парную модель в качестве фактора урожайности пшеницы были включены затраты на минеральные удобрения в расчете на 1 га посевной площади (коэффициент детерминации R2 = 0,503), множественная регрессия была получена путем добавления второго фактора — стоимости основных средств производства в расчете на 100 га сельскохозяйственных угодий (множественный коэффициент детерминации R2 = 0,562). Разложение множественного коэффициента детерминации на коэффициенты раздельной детерминации позволило оценить влияние на урожайность каждого включенного в модель фактора: так, влияние затрат на минеральные удобрения составило 42%, стоимости основных средств производства — 15%. В соответствии с подходом к разложению R2, основанным на β-коэффициентах, чистое влияние затрат на минеральные удобрения, которые оказывают на урожайность пшеницы, составило 35%, чистое влияние стоимости основных средств производства — 5 %, при этом влияние системного эффекта от взаимодействия двух факторов, который отражает уровень интенсификации производства, составило 17%. На основе множественной модели регрессии построены и оценены прогнозные значения и определены резервы роста урожайности.

Литература:

1. Барышников Н.Г. Прогнозирование развития сельского хозяйства региона с использованием моделей продовольственной безопасности / Н.Г. Барышников, Д.Ю. Самыгин // Аудит и финансовый анализ. 2012. №6. С. 336–340.

2. Быков Д.В. Кластерный анализ на основе многомерных средних по результатам ВСХП-2016 с использованием Python / Д.В. Быков, А.В. Уколова // Бухучет в сельском хозяйстве. 2022. №12. С. 834-851. — DOI 10.33920/sel-11-2212-05. — URL: https://elibrary.ru/item.asp?id = 49986877.

3. Быков Д.В. Моделирование уровня производства сельскохозяйственной продукции в крестьянских (фермерских) хозяйствах методами эконометрики и машинного обучения / А.В. Уколова, Б.Ш. Дашиева, Д.В. Быков [и др.] // Вестник Воронежского государственного аграрного университета. 2023. Т. 16, №3(78). С. 251-262. — DOI 10.53914/issn2071-2243_2023_3_251. — EDN ITNCVJ.

4. Елисеева И.И. Общая теория статистики: Учебник / Под ред. И.И. Елисеевой. — 5-е изд., перераб. и доп. М.: Финансы и статистика, 2004. 656 с.:

5. Елисеева И.И. Статистика: учеб. / И.И. Елисеева [и др.]; под ред. И.И. Елисеевой. М.: Проспект, 2010. 448 с.

6. Зинченко А.П. Сельскохозяйственная статистика с основами социально-экономической статистики : Учеб. для студентов высш. с.-х. учеб. заведений по агроэкон. спец. / А.П. Зинченко; Моск. с.-х. акад. им. К.А. Тимирязева. Москва: Изд-во МСХА, 1998. 427 с.

7. Крастинь О.П. Корреляционные методы в экономическом анализе сельскохозяйственного производства / О.П. Крастинь; АН Латв. ССР Ин-т экономики. Рига: Издательство «Зинатне» 1967. 212 с.

8. Кремер Н.Ш. Эконометрика: Учебник для вузов / Н.Ш. Кремер, Б.А. Путко. М.: ЮНИТИ-ДАНА, 2002. 311 с.

9. Политова И.Д. Дисперсионный и корреляционный анализ в экономике сельского хозяйства / И.Д. Политова. М.: Колос, 1978. 192 с.

10. Тер-Григорьянц А.А., Шелухина Е.А. Современное состояние и тенденции производства зерна в Ставропольском крае / А.А. Тер-Григорьянц, Е.А. Шелухина // Вестник Воронежского государственного аграрного университета. 2023. Т. 16, №3(78). С. 225–237. URL: https//:doi.org/10.53914/ issn2071-2243_2023_3_225–237.

11. Фомин О.С. Экономическая и географическая специфика осуществления экспорта российской пшеницы / О.С. Фомин, Д.А. Зюкин, С.А. Беляев, Е.В. Репринцева // Международный сельскохозяйственный журнал. 2023. № 2(392). С. 138-142. — DOI 10.55186/25876740_2023_66_2_138. — EDN WCNJAO.

12. Шибалкин А.Е. Статистический анализ урожайности: факторы, методы, практическое использование результатов / А.Е. Шибалкин, Р.С. Гайсин, Б.Ш. Дашиева. Москва: Издательство «Перо», 2020. 167 с. — ISBN 978-5-00150912-7. — EDN VFDFFY.

13. Шибалкин А.Е. Экономико-статистический анализ производства зерна и урожайности основных зерновых культур в Центрально-Черноземном районе: на примере Воронежской области: диссертация кандидата экономических наук : 08.00.11. Москва, 1974. 174 с.

14. Feng P. Dynamic wheat yield forecasts are improved by a hybrid approach using a biophysical model and machine learning technique / Puyu Feng, Bin Wang, De Li Liu, Cathy Waters, Dengpan Xiao, Lijie Shi, Qiang Yu // Agricultural and Forest Meteorology, Volumes 285–286, 2020, 107922, ISSN 0168 1923, https://doi. org/10.1016/j.agrformet.2020.107922.

15. Garde Y. Different approaches on pre harvest forecasting of wheat yield / Garde, Yogesh & Dhekale, Bhagyashree & Singh, S.. (2015) // Journal of Applied and Natural Science. 7. 839-843. 10.31018/jans.v7i2.693.

16. Kirthiga, S.M.; Patel, N.R. In-Season Wheat Yield Forecasting at High Resolution Using Regional Climate Model and Crop Model. AgriEngineering 2022, 4, 1054–1075. https://doi.org/10.3390/ agriengineering4040066.

17. Schierhorn F. Quantifying yield gaps in wheat production in Russia (2014) / Schierhorn, Florian; Faramarzi, Monireh; Prishchepov, Alexander V.; Koch, Friedrich J.; Müller, Daniel // Environmental Research Letters, ISSN 1748-9326, IOP Publishing, Bristol, Vol. 9, Iss. 8, pp. 1-12, https://doi.org/10.1088/1748-9326/9/8/084017.

18. statsmodels.regression.linear_model.OLS // statsmodels.org — документация к библиотеке statsmodels. — URL: https://www.statsmodels.org/dev/generated/ statsmodels.regression.linear_model.OLS.html.

19. statsmodels.regression.linear_model.RegressionResults // statsmodels.org — документация к библиотеке statsmodels. — URL: https://www.statsmodels.org/dev/generated/statsmodels.regression.linear_model. RegressionResults. html#statsmodels.regression.linear_model.RegressionResults.

20. Vigani M. The determinants of wheat yields: The role of sustainable innovation, policies and risks in France and Hungary / Mauro Vigani, Emilio Rodríguez Cerezo, Manuel Gómez Barbero; EUR 27246 EN; doi:10.2791/470542, 2015. — 51 p.

1. Baryshnikov N.G. Forecasting the development of regional agriculture using food security models / N.G. Baryshnikov, D.Yu. Samygin // Audit and financial analysis. — 2012. No. 6. P. 336-340.

2. Bykov D.V. Cluster analysis based on multivariate averages based on the results of VSHP-2016 using Python / D.V. Bykov, A.V. Ukolova // Accounting in agriculture. 2022. No. 12. P. 834-851. — DOI 10.33920/sel-11-2212-05. — URL: https://elibrary.ru/item. asp?id = 49986877.

3. Bykov D.V. Modeling the level of agricultural production in peasant (farmer) households using econometric and machine learning methods / A.V. Ukolova, B.Sh. Dashiev, D.V. Bykov [et al.] // Bulletin of the Voronezh State Agrarian University. 2023. Vol. 16, No. 3 (78). P. 251-262. — DOI 10.53914/issn2071-2243_2023_3_251. — EDN ITNCVJ.

4. Eliseeva I.I. General Theory of Statistics: Textbook / Ed. by I.I. Eliseeva. 5th ed., revised. and additional. Moscow: Finance and Statistics, 2004. 656 p.:

5. Eliseeva I.I. Statistics: textbook. / I.I. Eliseeva [et al.]; edited by I.I. Eliseeva. Moscow: Prospect, 2010. 448 p.

6. Zinchenko A.P. Agricultural statistics with the basics of socio-economic statistics: Textbook for students of higher agricultural educational institutions in agroeconomic specialty / A.P. Zinchenko; Moscow Agricultural Academy named after K.A. Timiryazev. Moscow: Publishing house of Moscow Agricultural Academy, 1998. 427 p.

7. Krastins O.P. Correlation methods in economic analysis of agricultural production / O.P. Krastins; Academy of Sciences of the Latvian SSR Institute of Economics. Riga: Publishing house «Zinatne» 1967. 212 p.

8. Kremer N.Sh. Econometrics: Textbook for Universities / N.Sh. Kremer, B.A. Putko. M.: UNITY-DANA, 2002. 311 p.

9. Politova I.D. Dispersion and correlation analysis in agricultural economics / I.D. Politova. M.: Kolos, 1978. 192 p.

10. Ter-Grigoryants A.A., Sheloukhina E.A. Current State and Trends of Grain Production in Stavropol Krai / A.A. Ter-Grigoryants, E.A. Sheloukhina // Bulletin of the Voronezh State Agrarian University. 2023. Vol. 16, No. 3 (78). P. 225–237. URL: https//:doi. org/10.53914/issn2071-2243_2023_3_225–237.

11. Fomin O.S. Economic and geographical specifics of Russian wheat export / O.S. Fomin, D.A. Zyukin, S.A. Belyaev, E.V. Reprintseva // International Agricultural Journal. — 2023. — No. 2 (392). — P. 138-142. — DOI 10.55186/25876740_2023_66_2_138. — EDN WCNJAO.

12. Shibalkin A.E. Statistical analysis of crop yield: factors, methods, practical use of results / A.E. Shibalkin, R.S. Gaisin, B.Sh. Moscow: Pero Publishing House, 2020. — 167 p. ISBN 978-5-00150-912-7. — EDN VFDFFY.

13. Shibalkin A.E. Economic and statistical analysis of grain production and yield of the main grain crops in the Central Black Earth Region: using the Voronezh Region as an example: dissertation of candidate of economic sciences: 08.00.11. Moscow, 1974. 174 p.

14. Feng P. Dynamic wheat yield forecasts are improved by a hybrid approach using a biophysical model and machine learning technique / Puyu Feng, Bin Wang, De Li Liu, Cathy Waters, Dengpan Xiao, Lijie Shi, Qiang Yu // Agricultural and Forest Meteorology, Volumes 285–286, 2020, 107922, ISSN 0168 1923, https://doi. org/10.1016/j.agrformet.2020.107922.

15. Garde Y. Different approaches on pre harvest forecasting of wheat yield / Garde, Yogesh & Dhekale, Bhagyashree & Singh, S.. (2015). // Journal of Applied and Natural Science. 7. 839-843. 10.31018/jans.v7i2.693.

16. Kirthiga, S.M.; Patel, N.R. In-Season Wheat Yield Forecasting at High Resolution Using Regional Climate Model and Crop Model. AgriEngineering 2022, 4, 1054–1075. https://doi.org/10.3390/ agriengineering4040066.

17. Schierhorn F. Quantifying yield gaps in wheat production in Russia (2014) / Schierhorn, Florian; Faramarzi, Monireh; Prishchepov, Alexander V.; Koch, Friedrich J.; Müller, Daniel // Environmental Research Letters, ISSN 1748-9326, IOP Publishing, Bristol, Vol. 9, Iss. 8, pp. 1-12, https://doi.org/10.1088/1748-9326/9/8/084017.

18. statsmodels.regression.linear_model.OLS // statsmodels.org — документация к библиотеке statsmodels. — URL: https://www.statsmodels.org/dev/generated/ statsmodels.regression.linear_model.OLS.html.

19. statsmodels.regression.linear_model.RegressionResults // statsmodels.org — документация к библиотеке statsmodels. — URL: https://www.statsmodels.org/dev/generated/statsmodels.regression.linear_model. RegressionResults. html#statsmodels.regression.linear_model.RegressionResults.

20. Vigani M. The determinants of wheat yields: The role of sustainable innovation, policies and risks in France and Hungary / Mauro Vigani, Emilio Rodríguez Cerezo, Manuel Gómez Barbero; EUR 27246 EN; doi:10.2791/470542, 2015. — 51 p.

Одним из важнейших показателей уровня производства является урожайность сельскохозяйственных культур, в частности — урожайность пшеницы как основной зерновой культуры, экспортируемой из России [11] и обеспечивающей продовольственную безопасность страны. Прогнозировать урожайность пшеницы с учетом комплекса факторов позволяют методы корреляционного и регрессионного анализа.

Изучению различных подходов к выявлению наиболее значимых факторов урожайности сельскохозяйственных культур посвящены научные работы множества исследователей. Так, анализ состояния и тенденции производства зерна, построение прогнозов урожайности на основе применения вероятностного подхода отражено в исследовании Тер-Григорьянц А.А., Шелухиной Е.А. [10].

Основные виды возможных математических моделей связи, описывающие влияние факторов на урожайность сельскохозяйственных культур, предложены Зинченко А.П., который выделяет модель связи урожайности с показателями общих условий деятельности, модель связи урожайности с показателями агротехнических и метеорологических условий, модель связи динамики урожайности с динамикой метеорологических и других условий [6, с. 115].

В качестве групп факторных показателей, влияющих на урожайность сельскохозяйственных культур, Шибалкин А.Е., Гайсин Г.С., Дашиева Б.Ш. выделяют: показатели, характеризующие возделываемую культуру; показатели, характеризующие почвенные условия возделывания [17]; показатели, характеризующие климатические условия возделывания [16]; показатели метеорологических условий [14, 13]; показатели технологии возделывания; показатели экономических условий производства [12, с. 11]. Одними из основных экономических факторов могут выступать: уровень технической оснащенности, уровень внесения удобрений, размер финансовых вложений в расчете на 1 га посева [13, с. 148], затраты труда [20].

Большое многообразие факторных показателей осложняет проведение комплексного статистического анализа для формирования математических моделей, обеспечивающих точный прогноз урожайности. В связи с этим, актуальной задачей является поиск наиболее существенных факторов, наиболее тесно связанных с урожайностью конкретной сельскохозяйственной культуры при одновременном отсутствии межфакторной связи, среди основных групп факторов, включая группы экономических показателей, которым уделено основное внимание в данном исследовании.

Для Цитирования:
Хоружий В. И., Быков Д. В., Уколова А. В., Ибрагимов А. Г., Корреляционно-регрессионный анализ влияния экономических факторов на урожайность пшеницы. Бухучет в сельском хозяйстве. 2024;8.
Полная версия статьи доступна подписчикам журнала
Язык статьи:
Действия с выбранными: