Урожайность зерновых культур в регионах ЦФО в 2010-2021 гг.: временные модели и территориальные особенности
Автор: Барбашова Е.В., Гайдамакина И.В., Польшакова Н.В.
Журнал: Вестник аграрной науки @vestnikogau
Рубрика: Экономические науки
Статья в выпуске: 6 (105), 2023 года.
Бесплатный доступ
В формировании отечественного зернового потенциала роль отдельных регионов неодинакова, поскольку территориальные особенности природно-климатических и экономических условий предопределяют существенные различия в ведении хозяйственной деятельности. Это актуализирует исследования, направленные на разработку пространственных моделей урожайности зерновых культур различных климатических зон. Сопутствующей задачей является анализ динамики урожайности на протяжении достаточно большого периода и разработка моделей, адекватно отражающих соответствующие временные ряды и, в то же время, учитывающие территориальные особенности. Однако применение традиционных методов параметрической статистики ограничивается лишь частными случаями. Чаще в сфере АПК исследователь располагает короткими рядами динамики, что вынуждает применять простые трендовые и адаптивные регрессионные модели, которые не обеспечивают требуемую точность моделирования. Ранее нами на примере статистического анализа исторических данных по динамике урожайности зерновых культур в Орловской области в период 1960-2009 гг. были выявлены закономерности, носящие общий характер и имеющие определенное методологическое и методическое значение. Цель данного исследования - решение задачи построения пространственных и временных моделей урожайности зерновых культур регионов Центральной России достаточно простыми средствами. В результате анализа эмпирической базы урожайности зерновых культур по регионам ЦФО в период 2010-2021 гг. выявлено, что большинство временных рядов может быть аппроксимировано гиперболическими моделями с ярко выраженными пределами урожайности, а пространственная модель сведена к трехкластерной структуре с наглядной идентификацией кластеров.
Урожайность зерновых культур, временные ряды, гиперболические модели, типология, кластеры
Короткий адрес: https://sciup.org/147242256
IDR: 147242256 | DOI: 10.17238/issn2587-666X.2023.6.91
Текст научной статьи Урожайность зерновых культур в регионах ЦФО в 2010-2021 гг.: временные модели и территориальные особенности
Введение. Прогнозирование будущих значений временного ряда на основе его исторических значений является основой для планирования, управления и оптимизации объемов производства сельскохозяйственной продукции. Эта задача решается путем создания модели прогнозирования, адекватно описывающей исследуемый процесс.
В сфере ^ПК для прогнозирования уро^айности и объемов производства сельскохозяйственной продукции чаще всего используют регрессионные модели. Так, в работе О.В. Сидоренко и Т.И. Гуляевой [1] исследованы временные ряды уро^айности зерновых культур за 1960-2009 гг., при этом выявлены определенные закономерности колебаний природных условий сельскохозяйственного производства в целях заблаговременной локализации негативных последствий неуро^ая. По использованной в данной публикации эмпирической базе в нашей работе [2] выявлены следующие закономерности, носящие общий характер и имеющие определенное методологическое и методическое значение: при прогнозировании по регрессионным моделям следует анализировать не только результаты точечного прогноза, но и интервального, при этом аналитические расчеты необходимо дополнять анализом графиков модельных кривых с линиями доверительных границ; прогноз в коротких временных рядах по адаптивным моделям допустим лишь на шаг вперед, а по трендовым моделям – на один-два шага вперед, прогнозирование на больший горизонт допустимо только в целях выявления тенденции; применение квадратичных и кубических моделей недопустимо вследствие высокой вероятности изменения характера динамики временного ряда при экстраполяции моделей за пределами исторических данных; для повышения наде^ности прогнозирования следует строить объединенные прогнозы путем усреднения частных прогнозов по конкурирующим моделям; дальнейшее повышение качества прогнозов требует обращения к экспертной информации.
Наличие достаточно длинных временных рядов, однако, не всегда решает проблему низкой точности прогноза ввиду часто наблюдаемой цикличности. В этих случаях продуктивным, в частности, является предло^ение отказаться от обработки длинных временных рядов в пользу более коротких (например, 10летних), если за период наблюдения произошел «разворот» динамического ряда, т.е. первоначальная тенденция, выявленная на начальных стадиях наблюдения, была преодолена [3, с. 105].
Существуют и другие предло^ения, направленные на повышение точности прогноза. Так, автор работы [4], анализируя эмпирическую базу урожайности зерновых культур в условиях сухостепных зон Ни^него Повол^ья, взамен традиционного регрессионного анализа предлагает адаптацию и совершенствование математических моделей на основе искусственных нейросетевых структур различной архитектуры, используемых в четкой либо нечеткой постановке. Автор утверждает, что качество полученных нейросетевых моделей временных рядов уро^айности зерновых по характеристикам остатков свидетельствует о возмо^ности их использования, поскольку на уровне значимости α=0,05 они являются гомоскедастичными, некоррелированными и нормально распределенными. Однако для реализации этой задачи требуется разработку программного комплекса для автоматизации процедуры формирования (генерации), обучения и применения искусственных нейронных сетей (ИНС), обеспечивающих прогнозирование ме^годовой изменчивости уро^айности и учитывающих особенности сельскохозяйственных культур в засушливых условиях, что, в свою очередь, требует обоснования алгоритма предобработки данных, передаваемых в ИНС [5].
Цeль исслe^oʙаʜий . Изло^енные выше методы повышения наде^ности прогнозирования относятся к достаточно длинным рядам. Так, в работе [6] рассматриваются временные ряды по годовым данным с 1950 по 2015 гг., в других публикациях по объединению прогнозов так^е фигурируют длинные ряды. Им соответствуют валидные методы прогнозирования, такие как модель Бокса-Дженкинса, метод гармонических весов, метод адаптивного экспоненциального сглаживания с использованием трэкинг-сигнала, другие «тонкие» методы, применение которых в случае коротких временных рядов невозмо^но или затруднено. Но чаще всего исследователи имеют дело с временными рядами средней длины, охватывающими 10-15 лет. Во многих случаях их аппроксимацию мо^но проводить с помощью достаточно простых средств, например, с помощью процедуры «оценка кривой» пакета программ анализа данных общественных наук SPSS . В этой связи актуальными являются статистические исследования, направленные на выявление пределов применимости столь простых методов прогнозирования в рядах средней длины, адаптированной к высокой изменчивости показателей, органически присущей процессам АПК.
Услoʙи^, матeриалы и мeтo^ы. Решение поставленной задачи требует адекватного ИТ-инструментария. Для построения регрессионных моделей и визуализации результатов моделирования использован пакет статистических программ анализа данных общественных наук IBM SPSS Statistics Base 22. В качестве эмпирической базы использовали статистические данные по урожайности зерновых культур в регионах Центральной России за 2010-2021 гг.
Из широкого разнообразия графических и аналитических процедур пакета анализа данных SPSS Base использовались диаграммы последовательностей ( Sequence Plot ), процедура регрессионного анализа «приближение кривых» ( Curve Estimation ).
Peзультаты и oбсу^^eʜиe. Из графика исследуемого временного ряда урожайности зерновых культур в ЦФО за период 2010-2021 гг., представленного на рис. 1, видно, что динамика показателя характеризуется сильной изменчивостью с несколькими циклами подъема и спада, но в целом наблюдается рост показателя с его последующей стабилизацией. Отсюда следует, что при общей тенденции к росту уро^айности зерновых на протя^ении рассматриваемого двенадцатилетнего периода, динамика показателя мо^ет быть с достаточной точностью аппроксимирована гиперболической моделью, типичной в случае, когда неограниченное увеличение объясняющей переменной асимптотически прибли^ает зависимую переменную к некоторому пределу.

Рисунок 1 – Динамика уро^айности зерновых культур в ЦФО в 2010-2021 гг. Источники: [7, с. 783], [8, с. 669], [9, с. 677]
Судя по графикам ни^ней и верхней контрольных 95%-х границ, показанных на рисунке 1, гиперболический тренд уро^айности зерновых культур по ЦФО в целом достаточно хорошо аппроксимирует динамику показателя за 12-ти летний период, что подтвер^дается и числовыми характеристиками: коэффициент детерминации 0,850; критерий Фишера 56,563 значим на двустороннем р -уровне не ху^е 0,0005.
^налогично, гиперболический тренд характерен для большинства сельскохозяйственных регионов Центральной России (таблица 1): для девяти регионов (Белгородской, Вороне^ской, Курской, Липецкой, Орловской, Рязанской, Смоленской, Тамбовской и Тульской областей) критерий Фишера значим на р -уровне не хуже 0,001, а для Московской области и РФ в целом - на уровне не ху^е 0,01.
Таблица 1 – Параметры и показатели качества аппроксимации динамики уро^айности зерновых культур гиперболическими моделями
Регион |
Код региона |
β 0 предел, ц/га |
|β 1 | рост, ц/га |
Коэф. детерм. |
Критерий Фишера |
Знач. |
РФ |
1000 |
26,328 |
9,292 |
0,585 |
12,964 |
0,005** |
ЦФО |
100 |
38,034 |
22,945 |
0,850 |
56,563 |
0,000*** |
Белгородская обл. |
1 |
48,653 |
31,236 |
0,911 |
102,316 |
0,000*** |
Брянская обл. |
2 |
43,583 |
35,812 |
0,597 |
14,809 |
0,003 |
Владимирская обл. |
3 |
23,242 |
6,929 |
0,440 |
7,857 |
0,019 |
Вороне^ская обл. |
4 |
35,475 |
22,235 |
0,827 |
47,662 |
0,000*** |
Ивановская обл. |
5 |
19,765 |
2,184 |
0,085 |
0,931 |
0,357 |
Калу^ская обл. |
6 |
23,727 |
5,936 |
0,272 |
3,744 |
0,082 |
Костромская обл. |
7 |
13,993 |
1,421 |
0,083 |
0,903 |
0,364 |
Курская обл. |
8 |
47,460 |
31,812 |
0,792 |
38,169 |
0,000*** |
Липецкая обл. |
9 |
39,658 |
22,783 |
0,770 |
33,482 |
0,000*** |
Московская обл. |
10 |
28,729 |
7,748 |
0,577 |
13,655 |
0,004** |
Орловская обл. |
11 |
38,495 |
20,604 |
0,678 |
21,092 |
0,001*** |
Рязанская обл. |
12 |
31,984 |
18,790 |
0,740 |
28,418 |
0,000*** |
Смоленская обл. |
13 |
23,175 |
11,054 |
0,719 |
25,644 |
0,000*** |
Тамбовская обл. |
14 |
36,595 |
24,988 |
0,818 |
45,002 |
0,000*** |
Тверская обл. |
15 |
14,411 |
2,813 |
0,183 |
2,243 |
0,165 |
Тульская обл. |
16 |
33,471 |
18,609 |
0,778 |
34,998 |
0,000** |
Ярославская обл. |
17 |
18,342 |
4,385 |
0,206 |
2,594 |
0,138 |
Примечание: *** р < 0,001; ** р < 0,01
В соответствие с моделью гиперболического тренда у = во+ в1/ x+£. (1)
где у - урожайность, х - независимая переменная (номер члена временного ряда), ее параметры интерпретируются следующим образом: в о - предельное значение урожайности, ц/га; |в 1 - предельный рост урожайности, ц/га; £ - ошибка измерения. Согласно этой модели, в ЦФО в целом уро^айность зерновых культур за 12 лет выросла на 22,9 ц/га и достигла уровня 38,0 ц/га.
Для таких регионов ЦФО, как Владимирская, Ивановская, Калу^ская, Костромская, Тверская и Ярославская области, гиперболическую модель динамики уро^айности нельзя считать адекватной эмпирическим данным, поскольку расчетное значение р -уровня критерия Фишера превышает величину 0,01, принятую нами за нормативную. Особое место занимает Брянская область, в которой, несмотря на высокое значение р -уровня (0,003), более адекватной является линейная модель ( р -уровень не хуже 0,0005). Рисунок 2 иллюстрирует эту ситуацию: ширина доверительного 95% интервала в случае линейной модели значительно меньше, чем в случае гиперболической модели.
а б

Рисунок 2 - Аппроксимация динамики урожайности зерновых культур в Брянской области в 2010-2021 гг.: а - гиперболической моделью; б -линейной моделью
На основании отмеченной закономерности можно предположить, что, по-видимому, в Брянской области имеются резервы для дальнейшего повышения урожайности зерновых культур.
В публикации [2] было рекомендовано в регрессионном анализе рассматривать результаты не только точечного, но и интервального прогноза, а так^е проводить анализ графиков модельных кривых с линиями доверительных границ. В случае Брянской области именно это обусловливает выбор ме^ду гиперболической и линейной моделью в пользу последней.
С учетом сказанного, типологический анализ проводим только для тех регионов, для которых гиперболические модели адекватны на р -уровне не хуже 0,001 (в таблице 1 эти регионы помечены тремя звездочками).
Гиперболические модели двухпараметрические (предельный уровень уро^айности и его максимальный рост), и валидным методом типологического анализа является кластерный иерархический анализ по методу Уорда, дополненный итеративным кластерным анализом по методу к -средних [10].
Вначале рассмотрим диаграмму рассеяния информативных параметров гиперболических моделей динамики уро^айности регионов – предельной уро^айности и роста уро^айности (рисунок 3). Как видно из рисунка, на диаграмме рассеяния проявляют себя три типологических синдрома: первый – центральный, включает в себя, помимо ЦФО в целом (метка 100), Вороне^скую, Липецкую, Орловскую, Рязанскую и Тульскую области (метки 4, 9, 11, 12 и 16 соответственно). Второй типологический синдром соответствует наибольшим значениям показателей и включает в себя два региона – Белгородскую и Курскую области (метки 1 и 8 соответственно). Третий типологический синдром отвечает наименьшим значениям показателей и включает в себя так^е два региона – Московскую и Смоленскую области (метки 10 и 13 соответственно).

Рисунок 3 – Диаграмма рассеяния информативных параметров гиперболических моделей динамики уро^айности регионов ЦФО. Числа вблизи меток регионов отвечает их кодам согласно таблице 1: 1 – Белгородская обпасть, …, 16 – Тульская область, 100 – ЦФО
Визуальной типологии регионов полностью соответствуют результаты иерерхического кластерного анализа: на представленной на рисунке 4 дендрограмме на уровне сходства около 90% четко различаются именно эти три кластера: регионов-лидеров (кластер 2), регионов-аутсайдеров (кластер 3) и регионов центральной тенденции (кластер 1).

Рисунок 4 – Дендрограмма кластерного анализа регионов ЦФО
Результаты итеративного кластерного анализа по методу к -средних с тремя кластерами ( к =3) также полностью идентичны результатам иерархического кластерного анализа, что свидетельствует об устойчивости постулируемой типологии регионов. При этом кластеры хорошо разделены по обеим переменным, их распределения не пересекаются - рисунок 5.

Рисунок 5 - Распределение параметров урожайности зерновых культур в ЦФО в 2010-2021 гг. по однородным кластерам регионов: а - предел урожайности; б - прирост урожайности
Заключение. Таким образом, поставленная цель статистических исследований достигнута. Показано, что с удовлетворительной для практики точностью тренд динамики уро^айности зерновых культур большинства регионов ЦФО мо^ет быть аппроксимирован гиперболическими моделями с ярко выра^енным стремлением уро^айности к максимально возмо^ному пределу по природно-климатическим условиям. В результате типологического анализа выявлены три характерных кластера регионов: лидеров (Белгородская и Курская области), аутсайдеров (Московская и Смоленская области) и регионов центральной тенденции (Вороне^ская, Липецкая, Орловская, Рязанская, Тульская области и ЦФО в целом). Ярким представителем кластера центральной тенденции является Вороне^ская область. Показано, что имеется статистически значимая корреляция между ростом урожайности и ее предельным значением.
Для таких регионов ЦФО, как Владимирская, Ивановская, Калу^ская, Костромская, Тверская и Ярославская области, гиперболическую модель динамики уро^айности нельзя считать адекватной эмпирическим данным. Особое место занимает Брянская область, в которой, несмотря на высокое значение р -уровня, более адекватной является линейная модель. Это позволяет предполо^ить, что в Брянской области имеются резервы для дальнейшего повышения урожайности зерновых культур.
Выявленные закономерности могут быть полезны при решении задач прогнозирования валового сбора зерновых культур в регионах ЦФО.
Благодарность. Авторы выражают глубокую признательность докто^у экономически^ наук, почетному ^аботнику высшего п^офессиона^ьного об^азовани^ Российской Феде^ации, п^офессо^у Вадиму Гео^гиевичу Шуметову за постановку задачи статистически^ исс^едований и участие в обсу^дении по^ученны^ ^езу^ьтатов.
Список литературы Урожайность зерновых культур в регионах ЦФО в 2010-2021 гг.: временные модели и территориальные особенности
- Сидоренко О.В., Гуляева Т.И. Прогнозирование урожайности зерновых культур в Орловской области // Вестник Орел ГАУ. 2010. № 6. С. 64-68. EDN: PONKEN
- Барбашова Е.В., Гайдамакина И.В., Польшакова Н.В. Прогонозирование в коротких временных рядмх: методологические и методические аспекты // Вестник аграрной науки. 2020. № 2 (83). С. 84-98.
- Барбышева Г.И. Повышение адаптивности одномерных методов прогнозирования // Известия Юго-Западного государственного университета. 2013. № 5 (68). С. 97-111.
- Рогачев А.Ф. Системный анализ и прогнозирование временных рядов урожайности на основе автокорреляционных функций и нейросетевых технологий // Известия Нижневолжского агроуниверситетского комплекса: наука и высшее профессиональное образование. 2018. № 3 (51). С. 309-316. EDN: VOQSWI
- Рогачев А.Ф., Шубнов М.Г. Оценка прогнозного уровня урожайности на основе нейросетевых моделей динамики // Известия Нижневолжского агроуниверситетского комплекса: наука и высшее профессиональное образование. 2012. № 4. С. 226-231. EDN: PLVUVL
- Granger C.W.J., Ramanathan R. Improved methods of combining forecasts // Journal of Forecasting. 1984. Vol. 3. P. 197-204.
- Регионы России. Социально-экономические показатели. 2020: Стат. сб. / Росстат. М., 2020. 1242 с.
- Регионы России. Социально-экономические показатели. 2021: Стат. сб. / Росстат. М., 2021. 1112 с.
- Регионы России. Социально-экономические показатели. 2022: Стат. сб. / Росстат. М., 2022. 1122 с.
- Шуметов В.Г., Крюкова О.А. Методология и практика анализа данных в управлении. Методы одномерного и двумерного анализа: монография. Орел: изд-во Орловского филиала РАНХиГС, 2012. 178 с.