Эконометрический анализ влияния микробиологических препаратов на урожайность сухой массы кормосмеси

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.

1. Асланова Г.Н., Сеферова З.А. Построение моделей парной и множественной регрессии для прогнозирования урожайности овощей [Электрон. ресурс] // Киберленинка. УЭПС: управление, экономика, политика, социология. 2019. С. 48–53. Режим доступа: https://cyberleninka.ru/article/n/postroenie-modeley-parnoy-imnozhestvennoy-regressii-dlya-prognozirovaniyaurozhaynosti-ovoschey/viewer.

2. Баянова О.В. Анализ производства кормовых культур [Электрон. ресурс] // Modern Economy Success. 2020. № 1. С. 87–90. Режим доступа: https://elibrary.ru/download/elibrary_42626111_82966744.pdf.

3. Гоибов М.А., Зайниддинзода С.Д. Влияние внесения удобрений на урожайность зерновых культур в сельскохозяйственном секторе республики Таджикистан // Вестник Российского экономического университета имени Г.В. Плеханова. 2023. Т. 20. № 5 (131). С. 33–37.

4. Гоибов М.А., Пиризода Д.С. Эконометрическая оценка факторов, влияющих на сельскохозяйственное производство пшеницы в согдийской области республики Таджикистан // Экономика Центральной Азии. 2024. Т. 8. № 1. С. 53–60.

5. Конончук В.В., Иовик Л.Н. Эконометрический анализ использования различных видов органических удобрений в формировании урожайности сельскохозяйственных культур [Электрон. ресурс] // Экологический вестник. 2016. № 2. С. 104–109. Режим доступа: https://elibrary.ru/download/elibrary_44546362_55717904.pdf.

6. Овчаров А.О., Терехов А.М. Эконометрический анализ использования биологических активов в сельскохозяйственных организациях // Статистика и Экономика. 2020. № 17(1). С. 79–87. DOI: 10.21686/2500-3925-2020-1-79-87.

7. Фейзуллаева Р.Э. Эконометрический анализ зависимости урожайности зерновых культур от количества применяемых инсектицидов // Хроноэкономика. 2019. № 1(14). С. 98–102. https://elibrary.ru/download/elibrary_36952034_36618173.pdf.

8. Ширнаева С.Ю. Различные подходы к прогнозированию урожайности зерновых культур // Наука XXI века: актуальные направления развития. 2022. № 1–2. С. 129–132.

9. Яроменко Н.Н., Кулак А.А., Овсиенко А.А. Эконометрический анализ факторов, влияющих на урожайность зерновых (на примере сельскохозяйственных организаций центральной зоны Краснодарского края) // Естественно-гуманитарные исследования. 2020. № 30(4). С. 269–274.

10. Бисолби-Т [Электрон. ресурс] // Агросевторг. Каталог. Пестициды, микроэлементы и микробиологические препараты. Режим доступа: https://agrosevtorg.ru/bisolbi_t?ysclid=m268d3fp9l152556798.

11. Экстрасол [Электрон. ресурс] // Группа компаний Балтик Терра. Продукция. Минеральные удобрения. Режим доступа: https://balticterra.ru/catalog/udobreniya/microbiologicheskie/tproduct/592871081-531182725651-ekstrasol.

12. Елисеева И.И., Курышева С.В. Фиктивные переменные в анализе данных // Социология: методология, методы, математическое моделирование. 2010. № 30. С. 43–63.

13. Гриднева И.В., Гриднев А.С. Построение регрессионной модели с фиктивными переменными // В сборнике: Инновационные технологии и технические средства для АПК. материалы международной научно-практической конференции молодых ученых и специалистов, посвященной 110-летию ФГБОУ ВО «Воронежский государственный аграрный университет имени императора Петра I». Воронеж: Воронежский государственный аграрный университет имени императора Петра I, 2022. С. 134–138.

14. Коликова Э.Е., Пынько Л.Е., Сергеева К.И. Фиктивные переменные в уравнении регрессии [Электрон. ресурс] // Научные исследования XXI века. 2023. № 4(24). С. 39–43. Режим доступа: https://elibrary.ru/download/elibrary_54384228_65451791.pdf.

15. Новиков А.И. Эконометрика [Электрон. ресурс]. М.: Издательско-торговая корпорация «Дашков и К», 2019. С. 75–76. Режим доступа: https://znanium.com/catalog/product/1093036.

16. Тагаев О.Н. Регрессионные модели с переменной структурой (фиктивные переменные) [Электрон. ресурс] // Достижения науки и образования. 2020. № 3(57). С. 28–33. Режим доступа: https://cyberleninka.ru/article/n/regressionnye-modeli-s-peremennoy-strukturoyfiktivnye-peremennye/viewer.

17. Тупицына О.В. Исследование эффективности деятельности предприятий АПК методом регрессионного анализа с использованием фиктивных переменных наклона // Финансовая экономика. 2019. № 7. С. 334–336.