Современные направления прогнозирования урожайности сельскохозяйственных культур на основе использования эконометрических моделей

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.

1. 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. Vol. 40. No. 1. P. 19-35.

2. 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.

3. 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.

4. Anders U., Korn O. Model selection in neural networks // Neural networks. 1999. Vol. 12. No. 2. P. 309-323.

5. 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.

6. Bajracharya D. Econometric Modeling Vs Artifi cial Neural Networks: A Sales Forecasting Comparison. 2011.

7. Demuth H.B. et al. Neural network design. Martin Hagan. 2014.

8. Dharmadhikari N.L. Economic Modeling of Agricultural Production in North Dakota Using Transportation Analysis and Forecasting: дис. - North Dakota State University. 2018.

9. 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.

10. Jordanova N. Soil magnetism: Applications in pedology, environmental science and agriculture. Academic Press. 2016.

11. Molnar C. Interpretable Machine Learning-A Guide for Making Black Box Models Explainable. Leanpub, np. 2018.

12. Moshiri S., Cameron N. Neural network versus econometric models in forecasting infl ation // Journal of forecasting. 2000. Vol. 19. No. 3. P. 201-217.

13. 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.

14. 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.

15. 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.

16. 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.

17. Архипова М.Ю., Александрова Е.А. Исследование характера связи инновационной и экспортной активности российских предприятий // Прикладная эконометрика. 2014. № 38 (4). С. 88-101

18. 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.

19. Ширяев В.И. Финансовые рынки. Нейронные сети, хаос и нелинейная динамика: Учебное пособие / В.И. Ширяев. М.: Либроком, 2013. 232 с.