УДК 330.4
DOI: 10.36871/ek.up.p.r.2025.11.04.024

Авторы

Андрей Анатольевич Тусков,
Пензенский государственный университет, Пенза, Россия; Московский государственный университет технологий и управления имени К. Г. Разумовского (Первый казачий университет), Москва, Россия
Ксения Сергеевна Советкина,
Пензенский государственный университет, Пенза, Россия
Саида Наильевна Байбекова,
Алексей Иванович Долотин,
Московский государственный университет технологий и управления имени К. Г. Разумовского (Первый казачий университет), Москва, Россия

Аннотация

Статья посвящена использованию современных методов машинного обучения и оценке их эффективности при прогнозировании производства продукции растениеводства. Основная задача заключается в выборе наиболее эффективных моделей, показывающих наилучшие результаты, формировании на их основе прогноза продукции растениеводства и выявлении факторов, влияющих на прогнозируемый показатель. В качестве методов прогнозирования применялись: линейная регрессия, лассо регрессия, гребневая регрессия, многослойный перцептрон, линейная регрессия ядра, градиентный бустинг деревьев решений и полиномиальная гребневая регрессия.
Исследование основано на статистических данных Российской Федерации, включающих показатели посевных площадей, урожайности культур, объемов внесения удобрений и валовых сборов основных сельскохозяйственных культур.
Для анализа и построения методов использовался высокоуровневый язык программирования Python и его библиотека Scikit-learn (sklearn), предназначенная для применения машинного обучения. Особое внимание уделено различным подходам к предобработке данных, включая работу с временными рядами и отбор наиболее значимых признаков. Экспериментальные результаты показывают, что наилучшие показатели точности продемонстрировали методы градиентного бустинга и лассо-регрессии.
Итоговые результаты, демонстрирующие эффективность выбранных моделей, могут быть использованы при планировании государственной политики в отношении поддержки и развития отрасли сельского хозяйства. Выявленные факторы влияния позволяют разрабатывать более обоснованные меры поддержки сельскохозяйственного производства. Полученные прогнозные модели демонстрируют практическую применимость для формирования адаптивных механизмов управления аграрным сектором с учетом изменяющихся экономических и природно-климатических условий.

Ключевые слова

продукция растениеводства, прогнозирование, машинное обучение, линейная регрессия, полиномиальная гребневая регрессия, лассо-регрессия, гребневая регрессия, многослойный перцептрон, линейная регрессия ядра, градиентный бустинг деревьев решений

Список литературы

  1. Development of an algorithm for obtaining and analyzing data from regions to assess their development in the context of the transition of industry 4.0 / A. Tuskov, I. Efimov, P. Efimov [et al.] // International Conference on Digital Transformation: Informatics, Economics, and Education (DTIEE2023): Proc. of SPIE, Fergana, Uzbekistan, 20–22 March 2023. Vol. 12637. Washington: SPIE, 2023. P. 126370R. DOI 10.1117/12.2681232.
  2. Masrur Ahmed A.A., Sharma E., Janifer Jabin Jui S., Deo R.C., Nguyen-Huy T., Ali M. Kernel Ridge Regression Hybrid Method for Wheat Yield Prediction with Satellite-Derived Predictors // Remote Sensing. 2022. Vol. 14. No. 5. P. 1136. URL: https://scholar.google.com/citations?view_ op=view_citation&hl=en&user=5kfHmmoAA AAJ&citation_for_view=5kfHmmoAAAAJ:ux6o8ySG0sC (дата обращения: 04.05.2025).
  3. Models for forecasting indicators based on neural network, regression analysis and big data / A. Tuskov, I. Efimov, B.S. Saparova [et al.] // 2nd International Conference on Computer Applications for Management and Sustainable Development of Production and Industry (CMSDII-2022), Dushanbe, 21–23 December 2022. Vol. 12564. Washington: SPIE, 2023. P. 1256404. DOI 10.1117/12.2669452.
  4. Rosenblatt F. Principles of Neurodynamics: Perceptrons and the Theory of Brain Mechanisms. Washington DC: Spartan Books, 1961. 616 p.
  5. Вандер Плас Дж. Python для сложных задач: наука о данных и машинное обучение. СПб.: Питер, 2018. 576 с.
  6. Варисова П. Б. Понятие и методика анализа производства продукции растениеводства // Экономика и социум. 2020. № 4 (71). С. 200–203. URL: https://cyberleninka.ru/article/n/ponyatiei-metodika-analiza-proizvodstva-produktsiirastenievodstva (дата обращения: 02.05.2025).
  7. Ганенко И., Чалина Л. Растениеводы в поисках маржи. На чем смогут заработать аграрии в 2025 году // Агроинвестор. 2025. № 4. URL: https:// www.agroinvestor.ru/markets/article/44011- rastenievody-v-poiskakh-marzhi-na-chemsmogut-zarabotat-agrarii-v-2025-godu/ (дата обращения: 03.05.2025).
  8. Ефимова Е. Г., Базарова М. В. Растениеводство России: современное состояние и перспективы развития // Международный журнал прикладных наук и технологий «Integral». 2022. № 5. С. 1651–1674. URL: https://cyberleninka. ru/article/n/rastenievodstvo-rossii-sovremennoesostoyanie-i-perspektivy-razvitiya (дата обращения: 03.05.2025).
  9. Кирюшин Ю. Н., Михеев М. Ю. Построение деревьев решений при помощи градиентного бустинга // Современные информационные технологии. 2023. № 37 (37). С. 40–43.
  10. Мирончук В. А., Иванцов К. А., Гордеев Е. С. Прогнозирование экономических циклов с использованием машинного обучения // Прогрессивная экономика. 2024. № 5. С. 67–84. URL: https://cyberleninka.ru/article/n/ prognozirovanie-ekonomicheskih-tsiklov-sispolzovaniem-mashinnogo-obucheniya (дата обращения: 02.05.2025).
  11. Парамонов Е. С., Иванцов К. А., Мирончук В. А. Исследование востребованности применения методов машинного обучения в цифровой экономике // Beneficium. 2024. № 1 (50). С. 22–30. URL: https://cyberleninka.ru/article/n/ issledovanie-vostrebovannosti-primeneniyametodov-mashinnogo-obucheniya-v-tsifrovoyekonomike (дата обращения: 02.05.2025).
  12. Тусков А. А. Прогнозирование региональных показателей с использованием нейросетей // Современные инструменты, методы и технологии управления знаниями. 2022. URL: https:// fortus-science.ru/index.php/KM/article/ view/399 (дата обращения: 27.05.2025).
  13. Черняков М. К., Чернякова М. М. Регулирование цифровой экономики сельского хозяйства: монография. Новосибирск: Изд-во НГТУ, 2019. 232 с. URL: https://znanium.com/catalog/ product/1870345 (дата обращения: 02.05.2025).