voprstatВопросы статистикиVoprosy Statistiki2313-63832658-549910.34023/2313-6383-2020-27-5-65-75voprstat-1198Research ArticleСТАТИСТИЧЕСКИЕ МЕТОДЫ В СОЦИАЛЬНО-ЭКОНОМИЧЕСКИХ ИССЛЕДОВАНИЯХSTATISTICAL METHODS IN SOCIO-ECONOMIC STUDIESСовременные направления прогнозирования урожайности сельскохозяйственных культур на основе использования эконометрических моделейCurrent Trends in Crop Yield Forecasting Based on the Use of Econometric Modelshttps://orcid.org/0000-0002-9022-7385АрхиповаМ. Ю.ArkhipovaM. Yu.

Архипова Марина Юрьевна - доктор экономических наук, профессор департамента статистики и анализа данных, ведущий научный сотрудник научно-учебной лаборатории измерения благосостояния

101000, г. Москва, ул. Мясницкая, д. 20

Marina Yu. Arkhipova - Dr. Sci. (Econ.), Professor, Department of Statistics and Data Analysis, Faculty of Economic Sciences; Leading Research Fellow, Laboratory for Wealth Measurement

20, Myasnitskaya Ulitsa, Moscow, 101000

archipova@yandex.ruСмирновА. И.SmirnovA. I.

Смирнов Артем Игоревич - студент 4-го курса бакалавриата, факультет экономических наук, ОП «Экономика и статистика», стажер-исследователь в международной лаборатории институционального анализа экономических реформ Института институциональных исследований

101000, г. Москва, ул. Мясницкая, д. 20

Artem I. Smirnov - Fourth-Year Student, Bachelor’s Programme in Economics and Statistics, Faculty of Economic Sciences; Research Assistant, International Laboratory for Institutional Analysis of Economic Reforms, Center for Institutional Studies

20, Myasnitskaya Ulitsa, Moscow, 101000

art.smirnoff.hse@yandex.ruНациональный исследовательский университет «Высшая школа экономики»РоссияNational Research University Higher School of EconomicsRussian Federation2020261020202756575Copyright © Архипова М.Ю., Смирнов А.И., 20202020Архипова М.Ю., Смирнов А.И.Arkhipova M.Y., Smirnov A.I.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://voprstat.elpub.ru/jour/article/view/1198

Сельское хозяйство является одной из важнейших отраслей экономики и основным поставщиком продуктов питания и сырья для многих отраслей промышленности. Сельскохозяйственный сектор России в последнее время переживает обновление и подъем благодаря интенсификации и применению современных инновационных технологий, контролю за состоянием полей с помощью космических фотоснимков на основе систем компьютерного зрения. Вместе с тем, остается еще широкий пласт задач, требующий оперативного решения. Оной из таких задач является разработка новых моделей и методов, позволяющих прогнозировать основные результирующие показатели развития сельского хозяйства и обладающих преимуществом по сравнению с существующими моделями. Для повышения точности прогнозных моделей необходимо опираться на широкий спектр доступных статистических показателей и новый современный эконометрический инструментарий. В статье представлен комплекс методических разработок построения моделей урожайности сельскохозяйственных культур на основе использования новых эконометрических моделей, работающих по урезанной выборке (не включающей область возможных отрицательных значений), статистических оценок применяемых показателей, в составе которых акцентируется внимание на экологической компоненте, а также структурных и общеэкономических индикаторах. Предлагаемые модели позволяют получать более точные прогнозы по сравнению с традиционными популярными моделями, основанными на методе наименьших квадратов. Работа опирается на данные Росстата по 100 сельскохозяйственным полям, расположенным в муниципальных образованиях 43 регионов России, выбранных пропорционально объему продукции растениеводства данного региона. Результаты исследования представляют интерес для международных и российских организаций различного уровня, деятельность которых связана как с вопросами принятия управленческих решений, направленных на обеспечение продовольственной безопасности страны, повышение уровня и качества жизни населения, так и организаций, призванных на местах обеспечивать современные условия ведения сельского хозяйства.

Agriculture is one of the most important branches of the national economy and the main supplier of food and raw materials for many industries. Agricultural sector in Russia has recently been undergoing renewal and growth due to the intensifi cation and application of modern innovative technologies for monitoring the state of fields using satellite images based on computer vision systems. At the same time, there is still a number of problems and challenges that require prompt solutions. One of them is developing new forecasting models and methods for key resulting indicators of agricultural development and have an advantage over existing models. To improve the accuracy of forecasting models, it is necessary to rely on a broad range of available statistical indicators and new modern econometric tools. The paper presents a set of methodological developments for modeling and forecasting crop yields based on the use of new econometric models that allow working with a truncated regression by limiting the range of possible negative values, statistical estimations of the introduced indicators that focus on the ecological component, as well as structural and general economic indicators. The suggested models allow obtaining more accurate forecasts compared to traditional popular models based on the least squares method. The work relies on Rosstat data for 100 agricultural fields located in municipalities of 43 regions of Russia, selected in proportion to the volume of crop production in this region. The results of this study are of interest to international and Russian organizations of various levels, whose activities are related to the issues of making managerial decisions aimed at ensuring food security of the country, improving the level and quality of life of the population, as well as organizations designed to provide modern conditions for farming on the ground.

прогнозированиеэконометрическое моделированиеурожайность сельскохозяйственных культурэкологические факторысельскохозяйственный анализforecastingeconometric modelingcrop yieldenvironmental factorsagricultural analysisИсследование выполнено при поддержке гранта РФФИ №18-010-00564 «Современные тенденции и социально-экономические последствия развития цифровых технологий в России»This research was funded by the RFBR grant No. 18-010-00564 «Current trends and socio-economic consequences of the development of digital technologies in Russia»ReferencesBasso F. et al. Evaluating environmental sensitivity at the basin scale through the use of geographic information systems and remotely sensed data: an example covering the Agri basin (Southern Italy) // Catena. 2000. Vol. 40. No. 1. P. 19-35.Basso F. et al. Evaluating Environmental Sensitivity at the Basin Scale Through the Use of Geographic Information Systems and Remotely Sensed Data: An Example Covering the Agri Basin (Southern Italy). CATENA. 2000;40(1): 19-35.Salvati L. et al. Exploring the relationship between agricultural productivity and land degradation in a dry region of Southern Europe // New Medit. 2010. Vol. 9. No. 1. P. 35-40.Salvati L. Exploring the Relationship Between Agricultural Productivity and Land Degradation in a Dry Region of Southern Europe. New Medit. 2010;9(1):35-40.Pantazi X.E. et al. Wheat yield prediction using machine learning and advanced sensing techniques // Computers and Electronics in Agriculture. 2016. Vol. 121. P. 57-65.Pantazi X.E. et al. Wheat Yield Prediction Using Machine Learning and Advanced Sensing Techniques. Computers and Electronics in Agriculture. 2016;121:57-65.Anders U., Korn O. Model selection in neural networks // Neural networks. 1999. Vol. 12. No. 2. P. 309-323.Anders U., Korn O. Model Selection in Neural Networks. Neural Networks. 1999;12(2):309-323.De la Casa A. et al. Soybean crop coverage estimation from NDVI images with diff erent spatial resolution to evaluate yield variability in a plot // I SPRS journal of photogrammetry and remote sensing. 2018. Vol. 146. P. 531-547.De la Casa A. et al. Soybean Crop Coverage Estimation from NDVI Images with Diff erent Spatial Resolution to Evaluate Yield Variability in a Plot. ISPRS Journal of Photogrammetry and Remote Sensing. 2018;146:531-547.Bajracharya D. Econometric Modeling Vs Artifi cial Neural Networks: A Sales Forecasting Comparison. 2011.Bajracharya D. Econometric Modeling Vs Artifi cial Neural Networks: A Sales Forecasting Comparison. Master’s thesis. University of Borеs; 2011.Demuth H.B. et al. Neural network design. Martin Hagan. 2014.Demuth H.B. et al. Neural Network Design. Martin Hagan; 2014.Dharmadhikari N.L. Economic Modeling of Agricultural Production in North Dakota Using Transportation Analysis and Forecasting: дис. - North Dakota State University. 2018.Dharmadhikari N.L. Economic Modeling of Agricul - tural Production in North Dakota Using Transportation Analysis and Forecasting: PhD Thesis. Fargo, North Dakota: North Dakota State University; 2018.Haghverdi A., Washington-Allen R.A., Leib B.G. Prediction of cotton lint yield from phenology of crop indices using artifi cial neural networks // Computers and Electronics in Agriculture. 2018. Vol. 152. P. 186-197.Haghverdi A., Washington-Allen R.A., Leib B.G. Prediction of Cotton Lint Yield from Phenology of Crop Indices Using Artifi cial Neural Networks. Computers and Electronics in Agriculture. 2018;152:186-197.Jordanova N. Soil magnetism: Applications in pedology, environmental science and agriculture. Academic Press. 2016.Jordanova N. Soil Magnetism: Applications in Pedology, Environmental Science and Agriculture. Academic Press; 2016.Molnar C. Interpretable Machine Learning-A Guide for Making Black Box Models Explainable. Leanpub, np. 2018.Molnar C. Interpretable Machine Learning - A Guide for Making Black Box Models Explainable. Leanpub, np.; 2018.Moshiri S., Cameron N. Neural network versus econometric models in forecasting infl ation // Journal of forecasting. 2000. Vol. 19. No. 3. P. 201-217.Moshiri S., Cameron N. Neural Network Versus Econometric Models in Forecasting Infl ation. Journal of Forecasting. 2000;19(3):201-217.Pхldaru R., Roots J., Viira A.H. Estimating econometric model of average total milk cost: A support vector machine regression approach // Economics and rural development. 2005. Vol. 1. No. 1. P. 23-31.Pхldaru R., Roots J., Viira A.H. Estimating Econometric Model of Average Total Milk Cost: A Support Vector Machine Regression Approach. Economics and Rural Development. 2005;1(1):23-31.Ranjan R. et al. Irrigated pinto bean crop stress and yield assessment using ground based low altitude remote sensing technology // Information Processing in Agriculture. 2019. Vol. 6. No. 4. Р. 502-514.Ranjan R. et al. Irrigated Pinto Bean Crop Stress and Yield Assessment Using Ground Based Low Altitude Remote Sensing Technology. Information Processing in Agriculture. 2019;6(4):502-514.Zhang C. et al. Machine-learned prediction of annual crop planting in the US Corn Belt based on historical crop planting maps //Computers and Electronics in Agriculture. 2019. Vol. 166. Р. 104989.Zhang C. et al. Machine-Learned Prediction of Annual Crop Planting in the US Corn Belt Based on Historical Crop Planting Maps. Computers and Electronics in Agriculture. 2019;166:104989.Zhang L., Lei L., Yan D. Comparison of two regression models for predicting crop yield // 2010 IEEE International Geoscience and Remote Sensing Symposium. Ieee, 2010. Р. 1521-1524.Zhang L., Lei L., Yan D. Comparison of Two Regression Models for Predicting Crop Yield. In: Proc. of the 2010 IEEE International Geoscience and Remote Sensing Symposium, IGARSS 2010, July 25-30, 2010, Honolulu, Hawaii, USA. New York, USA: Ieee; 2010. P. 1521-1524.Архипова М.Ю., Александрова Е.А. Исследование характера связи инновационной и экспортной активности российских предприятий // Прикладная эконометрика. 2014. № 38 (4). С. 88-101Arkhipova M., Aleksandrova E. Study of the Relationship Between Innovation and Export Activity of Russian Firms. Applied Econometrics. 2014;36(4):88-101. (In Russ.)Мхитарян В.С. и др. Анализ данных: учебник для академического бакалавриата. Сер. 58 Бакалавр. Академический курс (1-е изд.). М.: Изд-во Юрайт, 2017. 490 с.Mkhitarian V.S. (ed.). et al. Data Analysis: Textbook for Academic Bachelor Degree. Ser. 58 Bachelor. Academic course (1st ed.). Moscow: Urait Publishing House; 2016. 490 p. (In Russ.)Ширяев В.И. Финансовые рынки. Нейронные сети, хаос и нелинейная динамика: Учебное пособие / В.И. Ширяев. М.: Либроком, 2013. 232 с.Shiryaev V.I. Financial Markets. Neural Network, Chaos and Nonlinear Dynamics: Textbook. Moscow: URSS Publ.; 2013. 232 p. (In Russ.)

The authors declare that there are no conflicts of interest present.