ЭКОНОМЕТРИЧЕСКИЙ АНАЛИЗ ВЛИЯНИЯ МИКРОБИОЛОГИЧЕСКИХ ПРЕПАРАТОВ НА УРОЖАЙНОСТЬ СУХОЙ МАССЫ КОРМОСМЕСИ
Abstract
Резюме:
Применение методов статистики и эконометрического моделирования имеет свою специфику при анализе данных, полученных по результатам агробиологических исследований. Исследуя такой показатель как урожайность культур, осуществляя отбор факторов, влияющих на нее, аналитик сталкивается с проблемой необходимости включения в регрессионную модель объясняющих переменных, имеющих неколичественную форму выражения, связанных с применением для обработки семян различных микробиологических препаратов. Подобная проблема решаема путем использования в моделях фиктивных переменных.
Цель исследования - разработка методологических подходов к построению регрессионной многофакторной модели, включающей как количественные, так и качественные объясняющие переменные, описывающей количественно зависимость урожайности кормосмеси для коров от этих факторов.
Материалы и методы. В основе методологии решения данной исследовательской задачи были положены фундаментальные подходы, опубликованные в научных работах ученых, освещающих проблемы использования эконометрических моделей с фиктивными переменными. Основой исследования является комплексный подход к применению математико-статистических методов анализа зависимостей между переменными, моделирования и прогнозирования, а также экспериментальные результаты изучения уровня урожайности сухой массы кормосмеси в зависимости от содержания в почве азота и использования микробиологических препаратов «Бисолби-Т» и «Экстрасол», полученные за четыре осуществленных укоса летнего периода 2023 года.
Результаты. Исследование и количественное описание влияния микробиологических препаратов «Бисолби-Т» и «Экстрасол» при различных концентрациях в почве азота на урожайность сухой массы кормовой смеси, позволили получить эконометрические двухфакторные модели, в которых фактор – применение препарата для предварительной обработки семенного материала, был включен как фиктивная переменная. На основе полученных в ходе исследования статистически значимых регрессионных моделей, учитывающих периоды и циклы скашивания кормосмеси, были вычислены ожидаемые значения ее урожайности при нормативной концентрации азота в почве, выполнена сравнительная оценка эффективности исследуемых препаратов.
Заключение. Применение методов статистического анализа данных с построением регрессионных моделей при проведении агробиологических исследований имеет определенную специфику. Возможность включения в регрессионную модель фиктивных объясняющих переменных позволяет исследовать и количественно оценить влияние неколичественных факторов на урожайность сельскохозяйственных культур. Получение статистически значимых моделей является основой прогнозирования уровня урожайности и принятия решений при выборе оптимальных вариантов внесения концентраций удобрений, определение предпочтений в отношении используемых для повышения продуктивности культур микробиологических добавок, расчет перспективных значений урожайности кормосмеси в зависимости от периода ее скашивания. Все это имеет стратегическое значение при планировании объемов производства кормов для сельскохозяйственных животных и величины затрат предприятий на осуществление своей деятельности, в частности для составления бюджета затрат на корма.
About the Author
Оксана ШиховаRussian Federation
References
1. Aslanova G.N., Seferova Z.A. Construction of pair and multiple regression models for forecasting vegetable yields // Cyberleninka. UEPS: management, economics, politics, sociology. 2019. Pp. 48-53. https://cyberleninka.ru/article/n/postroenie-modeley-parnoy-i-mnozhestvennoy-regressii-dlya-prognozirovaniya-urozhaynosti-ovoschey/viewer.
2. Bayanova O.V. Analysis of forage crop production // Modern Economy Success. 2020. No. 1. Pp. 87-90. https://elibrary.ru/download/elibrary_42626111_82966744.pdf.
3. Goibov M.A., Zayniddinzoda S.D. The Impact of Fertilizer Application on Grain Crops Yields in the Agricultural Sector of the Republic of Tajikistan // Bulletin of the Plekhanov Russian University of Economics. 2023. Vol. 20. No. 5 (131). P. 33-37.
4. Goibov M.A., Pirizoda D.S. Econometric Assessment of Factors Affecting Agricultural Wheat Production in the Sughd Region of the Republic of Tajikistan // Economy of Central Asia. 2024. Vol. 8. No. 1. P. 53-60.
5. Kononchuk V.V., Iovik L.N. Econometric Analysis of the Use of Various Types of Organic Fertilizers in Forming Agricultural Crop Yields // Ecological Bulletin. 2016. No. 2. P. 104-109. https://elibrary.ru/download/elibrary_44546362_55717904.pdf.
6. Ovcharov A.O., Terekhov A.M. Econometric analysis of the use of biological assets in agricultural organizations. Statistics and Economics. 2020; 17 (1). P. 79-87. https://doi.org/10.21686/2500-3925-2020-1-79-87.
7. Feyzullaeva R.E. Econometric analysis of the dependence of grain crop yields on the amount of insecticides used // Chronoeconomics. 2019. 1 (14). P. 98-102. https://elibrary.ru/download/elibrary_36952034_36618173.pdf.
8. Shirnaeva S.Yu. Various approaches to forecasting the yield of grain crops // Science of the XXI century: current directions of development. 2022. No. 1-2. P. 129-132.
9. Yaromenko N.N., Kulak A.A., Ovsienko A.A. Econometric analysis of factors influencing grain yields (on the example of agricultural organizations in the central zone of the Krasnodar Territory) // Natural Sciences and Humanities Research. 2020. No. 30 (4). P. 269-274.
10. Bisolbi-T // Agrosevtorg. Catalog. Pesticides, microelements and microbiological preparations. https://agrosevtorg.ru/bisolbi_t?ysclid=m268d3fp9l152556798.
11. Extrasol // Baltic Terra Group of Companies. Products. Mineral fertilizers. https://baltic-terra.ru/catalog/udobreniya/microbiologicheskie/tproduct/592871081-531182725651-ekstrasol.
12. Eliseeva I.I., Kurysheva S.V. Dummy variables in data analysis // Sociology: methodology, methods, mathematical modeling. 2010. No. 30. Pp. 43-63.
13. Gridneva I.V., Gridnev A.S. Construction of a regression model with dummy variables // In the collection: Innovative technologies and technical means for the agro-industrial complex. materials of the international scientific and practical conference of young scientists and specialists dedicated to the 110th anniversary of the Federal State Budgetary Educational Institution of Higher Education "Voronezh State Agrarian University named after Emperor Peter I". Voronezh, 2022. Pp. 134-138.
14. Kolikova E.E., Pyńko L.E., Sergeeva K.I. Dummy variables in the regression equation // Scientific research of the XXI century. 2023. No. 4 (24). P. 39-43. https://elibrary.ru/download/elibrary_54384228_65451791.pdf.
15. Novikov A.I. Econometrics: a tutorial. Moscow: Publishing and trading corporation "Dashkov i K °", 2019. P. 75-76. https://znanium.com/catalog/product/1093036.
16. Tagaev O.N. Regression models with variable structure (dummy variables) // Achievements of science and education. 2020. No. 3 (57). P. 28-33. https://cyberleninka.ru/article/n/regressionnye-modeli-s-peremennoy-strukturoy-fiktivnye-peremennye/viewer.
17. Tupitsina O.V. Study of the efficiency of agricultural enterprises by the method of regression analysis using dummy slope variables // Financial Economics. 2019. No. 7. P. 334-336.
Review
For citations:
. Statistics and Economics. 2024;21(5).