Взаимосвязи факторов конкурентоспособности агропромышленного комплекса

Введение / Introduction

Формирование валового внутреннего продукта (ВВП) в постсоветских странах представляет собой сложный процесс, на который влияют многочисленные внешние и внутренние факторы. Экономики этих стран одинаково реагируют на кризисные ситуации, факторы, влияющие на ВВП, меняются с течением времени и страны, вступающие в Европейский союз, расходятся в своих макроэкономических показателях. Сельское хозяйство оказывает сдерживающее влияние на экономический рост, в то время как растущая важность таких факторов, как индекс человеческого потенциала, предполагает переход к цифровой экономике. Таким образом, подчеркивается сложность и осторожность, необходимые при эконометрическом моделировании таких стран с переходной экономикой [11].

В современном быстро меняющемся мире агропромышленный комплекс (АПК) стоит перед рядом сложных и многофакторных задач, где актуальный интерес представляет собой изучение взаимосвязей между различными факторами, которые напрямую или косвенно влияют на конкурентоспособность сельского хозяйства [2, 6, 3, 10]. Поэтому, основываясь на междисциплинарном подходе для понимания взаимодействия представляется целесообразным провести корреляционный анализ, включающий в себя переменные, охватывающие экономические, социальные, технологические и инновационные показатели. В контексте исследования рассматриваются такие ключевые переменные, как земли под зерновые культуры (LUCP_ha), сельскохозяйственное население (RurPop_%), урожай зерновых (CerYi_kg_ha) и другие переменные, отражающие широкий спектр факторов, начиная от доступности земельных и трудовых ресурсов и заканчивая уровнем продовольственной безопасности и интеграцией цифровых технологий.

Исследование будет иметь практическую ценность для формулирования стратегических решений на уровне государственного и регионального управления. Результаты корреляционного анализа будут полезны как для научного сообщества, так и для практиков, занимающихся проблематикой агропромышленного производства.

Материалы и методы / Materials and Methods

В качестве материалов исследования выступают страны из датасета глобальной конкурентоспособности [18], рассмотрим их структуру (для компактности данных таблиц введем сокращения для переменных):

• •    земли под зерновые культуры (LUCP_ha) - объем земельных ресурсов – указывает на потенциал для масштабного производства, что может влиять на экономию на масштабе и снижение себестоимости;

• •    сельскохозяйственное население (RurPop_%) - показатель может указывать на доступность рабочей силы, а также на важность сельского хозяйства для экономики страны;

• •    урожай зерновых (CerYi_kg_ha) отражает уровень производительности, который является ключевым фактором конкурентоспособности;

• •    сельское хозяйство, лесное хозяйство и рыбоводство – добавленная стоимость (% от ВВП) (AgrFF_ GDP_%) показывает вклад этих отраслей в экономику;

• •    индекс продовольственной безопасности (FSI_scr) имеет важное значение — высокий уровень продовольственной безопасности улучшает конкурентоспособность, поскольку он снижает риски и нестабильность.

• •    наличие продуктов (FdAff_scr) и доступность продуктов (FdAv_scr) – эти показатели могут указывать на успешность логистических и дистрибутивных систем.

• •    качество и безопасность продовольствия (FdQuSft_ scr) отражает конкурентоспособность на уровне качества, что может быть ключевым для доступа к премиальным рынкам.

• •    индекс цифровой конкурентоспособности (DCI) показывает готовность страны к интеграции цифровых технологий, что может быть фактором, улучшающим производительность и управление.

• •    глобальный индекс конкурентоспособности 4.0 (GCI 4.0) — множественный индекс, который учитывает множество факторов, включая инфраструктуру, уровень образования и инноваций. GCI 4.0 [14] относится к четвертому пересмотру Индекса конкурентоспособности, показателя, предназначенного для измерения конкурентоспособности стран. Ее обновленная версия была выпущена в октябре 2018 г. в рамках Отчета о глобальной конкурентоспособности. Изменения в GCI 4.0 являются существенными, с корректировками в его структуре и методологии, чтобы лучше отражать наступление четвертой промышленной революции, учитывать текущие экономические тенденции и сделать индекс более объективным и прозрачным. Например, было сокращено количество отдельных показателей, уравнен вес терминов и введены новые приоритетные области, такие как информационные технологии. Все обновления направлены на то, чтобы сделать индекс более адаптируемым и актуальным для анализа конкурентоспособности. Обновленный GCI призван учесть наступление четвертой промышленной революции, выровнять условия игры для стран, находящихся на разных этапах экономического развития, и адаптироваться к текущим глобальным экономическим тенденциям [8].

• •    Индекс инноваций (InnovIdx) – ежегодный рейтинг, который оценивает инновационные возможности и результаты экономик по всему миру. При расчете подчеркивается важность инноваций для экономического роста, инновационного мышления, роль государственного регулирования в стимулировании инноваций и региональные тенденции [5].

• •    Индекс человеческого развития (HDI) — образование и уровень жизни могут влиять на рабочую производительность и, следовательно, на конкурентоспособность. Индекс человеческого развития (ИЧР, HDI) – это сводный статистический индекс, разработанный Программой развития Организации Объединенных Наций для измерения и ранжирования стран на основе трех фундаментальных аспектов человеческого развития: долголетия, образования и материального

  
  
  

благо со стояния. Основная философия, лежащая в основе Индекса человеческого развития, включает в себя как процесс расширения человеческого выбора, так и благосостояние, достигаемое отдельными людьми. Благополучие оценивается на основе способности людей жить той жизнью, которую они считают достойной [7].

Изначально данные содержали значения по 222 стра- если максимальная корреляция у пары будет на уровне 0,3 и менее, то можно воспользоваться средним значением для заполнения пустых значений.

Ассиметрия и эксцесс должны быть в диапазоне [-2; +2] [15], то есть видим, как показатель земли под зерновые культуры (га) выделяются своей ассиметрично-стью среди остальных переменных, которые находятся в требуемом диапазоне, позволяющем говорить о том,

Таблица 1. / Table 1. Описательные статистики / Индекса Index Descriptive Statistics

Пропущ. знач. Среднее Медиана min max Стд. откл. Эксцесс Симме трия p-крит. Крамера-фон Мизеса LUCP_ha 47 4169648,177 717472 7 102493146 12297099,363 44,221 6,231 0,000 RurPop_% 21 40,972 40,848 0,865 86,968 22,894 -1,018 0,194 0,002 CerYi_kg_ha 45 3559,389 3001,3 167,6 26110,2 3150,007 22,653 3,796 0,000 AgrFF_GDP_% 54 10,4 6,59 0,025 58,934 10,850 2,806 1,621 0,000 FSI_scr 109 62,888 63,8 31,2 87,4 13,819 -0,830 -0,290 0,054 FdAv_scr 109 67,504 70,5 15,8 98,9 16,321 -0,371 -0,576 0,000 FdAff_scr 109 59,384 59 28,6 84,3 11,859 -0,211 -0,147 0,479 FdQuSft_scr 109 60,96 60,6 19,8 91,8 18,398 -0,875 -0,248 0,048 DCI 159 74,837 75,174 27,763 100,000 14,887 -0,075 -0,386 0,058 GCI 4.0 81 60,635 60,900 35,100 84,800 12,383 -0,740 0,058 0,237 InnovIdx 93 36,317 33,860 14,490 67,240 12,011 -0,494 0,645 0,000 HDI 33 0,713 0,728 0,377 0,954 0,150 -0,868 -0,350 0,000 нам (таблица 1), но после удаления всех стран, у которых отсутствуют более 30% данных по переменным, осталось 121 страна. Удаление элементов наблюдений с высокой долей пропущенных значений, (более 30%) является методическим подходом, который позволяет снизить искажения и не репрезентативность в данных [16, 17].

Кроме того, важно заполнить пропущенные значения у наблюдений, в которых отсутствуют до 30% значений по переменным. Таким образом, страны, у которых более чем 30% пропущенных значений будут удалены, а страны, у которых менее 30% пропущенных значений, пустые ячейки будут заполнены [12].

Далее дополним наши пустые значения наблюдений путем использования коррелированной переменной в качестве предиктора. При этом будем руководствоваться следующей схемой замены пропущенных значений (рисунок 1).

В данном контексте представленный подход иллюстрирует приемлемую точность на основе использования сильно коррелированной переменной для оценки недостающих значений, чем использование среднего значения (использование средних для замены уменьшает дисперсию переменной, которая повлияет на последующие результаты в ходе анализа). Вычисление среднего значения приводит к ошибке, поскольку оно не учитывает корреляции между переменными. То есть следует полагать, что независимая или предикторная переменная коррелирована с зависимой переменной, которую собираемся предсказывать и соответственно, предсказанные значения зависимой переменной будут близки к фактическим значениям, таким образом сохраняя исходное распределение данных. В случае,

Удаление наблюдений с более чем 30% пустых значений ( N=222 ->119)

Рис. 1 / Fig. 1. Последовательность проведения корреляционного анализа / Sequence of conducting correlation analysis что данные распределены нормально. Кроме того, измеряя эксцесс, наблюдаем его явление у следующих переменных: земли под зерновые культуры (га), урожай зерновых (кг на га), С\Х, лесное хозяйство и рыболовство, добавленная стоимость (% от ВВП).

Значение p-критерии Крамера-фон Мизеса является статистическим критерием для оценки соответствия наблюдаемого распределения выборки с теоретическим

REGIONAL AND BRANCH ECONOMICS

распределением. Это обобщение критерия Колмогорова-Смирнова и часто используется для тестирования гипотезы о том, что наблюдаемая выборка извлечена из определенного распределения [4].

В контексте критерия Крамера-фон Мизеса, p-значение интерпретируется так, что если p-значение близко к 1, то наблюдаемое распределение выборки соответствует теоретическому нормальному распределению. Соответственно, нет оснований для отклонения нулевой гипотезы о том, что данные распределены нормально. Если p-значение < 0,05, то наблюдаемое распределение значительно отличается от теоретического и соответственно, нулевая гипотеза может быть отклонена, что указывает на то, что данные, вероятно, не распределены нормально.

Вычисления производились в Python в Google collab.

Результаты / Results

Рисунок 2 иллюстрирует корреляционную матрицу из 46 наблюдений.

Высокая корреляция определяется, когда коэффициент корреляции близок к 1 (сильная положительная корреляция) или близок к -1 (сильная отрицательная корреляция) [13].

Основываясь на корреляционной матрице с пороговым значением абсолютной величины 0,7 или выше для высокой корреляции, следующие пары переменных демонстрируют сильную корреляцию:

• 1.    С\Х, лесное хозяйство и рыбоводство, добавленная стоимость (% от ВВП)

Отрицательные корреляции:

• •    С индексом продовольственной безопасности: -0,81;

• •    С оценкой доступности продуктов питания: -0,79;

• •    С оценкой качества и безопасности пищевых продуктов: -0,78;

• •    С индексом человеческого развития: -0,82.

• 2.    Индекс продовольственной безопасности

Положительные корреляции:

Положительные корреляции:

• •    С оценкой качества и безопасности пищевых продуктов: 0,73;

• •    С индексом человеческого развития: 0,79.

• 4.    Количество продуктов

Положительные корреляции:

• •    С оценкой качества и безопасности пищевых продуктов: 0,71;

• •    С индексом цифровой конкурентоспособности: 0,81;

• •    С индексом глобальной конкурентоспособности 4,0: 0,87;

• •    С индексом инноваций: 0,83;

• •    С индексом человеческого развития: 0,81.

• 5.    Качество и безвредность пищевых продуктов

Положительные корреляции:

• • С индексом человеческого развития: 0,80.

• 6.    Индекс цифровой конкурентоспособности

Положительные корреляции:

• •    С индексом глобальной конкурентоспособности 4.0: 0,95;

• •    С индексом инноваций: 0,87;

• •    С индексом человеческого развития: 0,77;

• 7.    Глобальный индекс конкурентоспособности 4.0.

Положительные корреляции:

• •    С индексом инноваций: 0,89;

• •    С индексом человеческого развития: 0,81.

• 8.    Индекс инноваций

Положительные корреляции:

• • С индексом человеческого развития: 0,77.

• 9.    Индекс человеческого развития имеет множество высоких корреляций, как положительных, так и отрицательных, почти со всеми другими переменными, перечисленными выше.

Высокие корреляции могут быть полезны для заполнения недостающих данных. Таким образом, используем парные переменные с наивысшим коэффициентом корреляции для получения пропущенных значений с помощью линейной регрессии.

В результате после восстановления данных и проведения корреляционного анализа на поиск взаимосвязей получаем следующую корреляционную матрицу (N=119) (рисунок 3).

Рассмотрим взаимосвязи между переменными на основе коэффициентов корреляции:

Корреляции между земельными участками под зерновыми культурами со всеми другими ключевыми переменными низкая, что говорит о том, что площадь земель, отведенных под выращивание зерновых, не

Земли под зерн. культ, (га) А	LOO 1	0.06	0.03	0.00	0.05	0.05	0.07	0.02	0.14	а.11	0.13	-0.00
С\х население (% от общ. населения)-	0.06	1.00	-0.48	0.74	-0.72	■ 0.70	■ 0.60	078	-0.69	-0.71	■ 0.63	-0.79
Урожай зерновых (кг на 「 а)-	0.03	-0.48	1.00	-0.49	0.59	0.59		0.55	0.63	0.62		0.60
С\Х, лес хоз-во и рыб-во, доб. ст-ть (% от ВВП)-	0.00	0.74	-0.49	1.00	-0.75	■ 0.75	-0.63	-0.74	-0.75	-0.75	■ 0.71	-0.85
Индекс прод. Безоп. (баллы от 1 до 100)-	0.05	•0.72	0.59	4).75	1.00	0.96	0.93	0.91	0.94	0.94	0.87	0.92
Доступность продуктов (баллы от 1 до 100)-	0.05	-0.70	0.59	•0.75	0.96	1.00	0.82	0.84	0.89	0.90	0.79	0.90
Наличие продуктов (баллы от 1 до 100)-	0.07	-0.60	0.52	-0.63	0.93	0.82	1.00	0.81	0.89	0.89	0.86	0.81
Кач-во и без-ть прод (баллы от 1 до 100)-	0.02	-0.78	0.55	-0.74	0.91	0.84	0.81	1.00	0.87	0.86	0.83	0.90
Индекс цифровой конкур-ти -	0.14	-0.69	0.63	-0.75	0.94	0.89	0.89	0.87	1.00	0.99	0-93	0.93
Глобальный индекс конкур-ти 4.0 -	0.11	-0.71	0.62	-0.75	0.94	0.90	0.89	0.86	0.99	1.00	0.93	0.93
Индекс инноваций -	0.13	-0.63		-0.71	0.87	0.79	0.86	0.83	0.93	0.93	1.00	0.87
Индекс человеческого развития -	-0.00	-0.79	0.60	-0.85	0.92	0.90	0.81	0.90	0.93	0.93	0.87	1.00

£」).IqlMX .HdwE trou Muwsm

^SSTV^OQnr .390 J.0 求) 0sx^c8«x X6

(е」ен Jx) xisoHddm'e 美 odi

eooml-o %) JH-HW ^ođ- ・08，g-qd 5 o^m，EOX xlr so

(OOI 04 I^1-。iuuee •匚 omag .Bodu UXSUHS

001 OR i jlo -qqveg) mob^>Qoac qLVOHUXluou

001 。口 T-LO-qqueg) g。一吝 odu osxirex

001 Q4 1卜0 Ічілтед) bodu q-bsg s O8，hex

Ml-，d>.XHOM ^ogodGwn UX3⁴ 工 s

。.寸 sbi^^xo^ и^фчхх-qHquegouj

HshegoHHW ux^s-rs

asHsmmna о^о^-ошт^ао^ш^ их зон2*

Рис. 3 / Fig. 3. Корреляционная матрица (N=119) / Корреляционная матрица (N=119)

сильно связана с другими показателями в наборе данных.

Сельскохозяйственное население (% от общей численности) имеет сильную отрицательную корреляцию с индексом продовольственной безопасности (-0,724), индексом цифровой конкурентоспособности (-0,695), индексом инноваций (-0,628) и индексом человеческого развития (-0,792). Высокие значения корреляций говорят о том, что страны с более высокой долей населения, занятого в сельском хозяйстве, как правило, имеют более низкие показатели по этим индексам развития и конкурентоспособности.

Урожайность зерновых (кг/га) имеет положительную корреляцию с индексом продовольственной безопасности (0,586), индексом цифровой конкурентоспособности (0,631), индексом инноваций (0,559) и индексом человеческого развития (0,596). Более высокая урожайность в целом ассоциируется с лучшими показателями развития и конкурентоспособности.

Индекс продовольственной безопасности имеет сильную положительную корреляцию с индексом цифровой конкурентоспособности (0,939), индексом инноваций (0,875) и индексом развития человеческого потенциала (0,923).

Индекс цифровой конкурентоспособности имеет сильную положительную корреляцию с индексом инноваций (0,933) и индексом человеческого развития (0,927), что свидетельствует о тесной связи цифровой конкурентоспособности с инновационным потенциалом и уровнем человеческого развития.

Инновационный индекс в сравнении с индексом развития человеческого потенциала (сильная положительная корреляция = 0,870), свидетельствующая о том, что страны с более высоким инновационным потенциалом имеют и более высокие индексы человеческого развития.

Заключение / Conclusion

Отрицательная корреляция между долей населения, занятого в сельском хозяйстве, и различными индексами развития может отражать переход от аграрной экономики к более диверсифицированной, индустриальной и ориентированной на услуги. В более развитых странах для производства того же объема сельскохозяйственной продукции требуется меньше трудовых ресурсов, что обусловлено технологическим прогрессом и позволяет высвободить рабочую силу для других отраслей. Данный вывод соответствует работам, основанным на теории производительности труда [1, 9].

Страны с более высокой урожайностью зерновых обычно имеют более совершенную сельскохозяйственную практику, технологии и инфраструктуру. Это часто коррелирует с более высоким уровнем развития и продовольственной безопасности.

Более развитые и конкурентоспособные в цифровом отношении страны, как правило, имеют более развитую инфраструктуру, что может способствовать распределению и хранению продовольствия, а значит, и повышению уровня продовольственной безопасности. Аналогичным образом, более высокий уровень инноваций может привести к появлению более совершенных сельскохозяйственных технологий, что может способствовать повышению уровня продовольственной безопасности.

Высокий уровень конкурентоспособности цифровых технологий способствует развитию культуры инноваций. Развитая цифровая инфраструктура может способствовать исследованиям и разработкам, улучшать коммуникации и обеспечивать эффективную работу инновационных компаний.

Страны с высоким уровнем инноваций обычно предлагают лучшие возможности для образования, здравоохранения и трудоустройства, что способствует повышению индекса развития человеческого потенциала.