Методологические особенности долгосрочного прогнозирования урожайности зерновых культур

Авторы

  • Игорь Леонидович Воротников Саратовский государственный университет генетики, биотехнологии и инженерии имени Н.И. Вавилова
  • Александр Владимирович Розанов Саратовский государственный университет генетики, биотехнологии и инженерии имени Н.И. Вавилова
  • Сергей Аркадьевич Богатырев Саратовский государственный университет генетики, биотехнологии и инженерии имени Н.И. Вавилова
  • Аркадий Викторович Ключиков Саратовский государственный университет генетики, биотехнологии и инженерии имени Н.И. Вавилова

DOI:

https://doi.org/10.28983/asj.y2022i11pp34-37

Ключевые слова:

временны́е ряды урожайности, прогнозирование, обобщенная логистическая функция, динамика урожайности

Аннотация

В статье представлены результаты анализа, моделирования и формирования долгосрочных прогнозов урожайности зерновых культур на материале наблюдений динамики временны?х рядов урожайности в России и США за длительный период, более полутора века. Для повышения надежности и достоверности результатов прогнозирования предложено использовать обобщенную логистическую функцию, что позволяет уменьшить «коридор ошибок» при больших (десять и более лет) горизонтах прогнозирования. Это особенно важно в условиях малой предсказуемости климатических факторов среды, экологических кризисов, санкций и сопутствующей им высокой волатильности урожайности на значительных периодах наблюдений.

Скачивания

Данные скачивания пока недоступны.

Библиографические ссылки

АгроНовости. [Электронный ресурс]. Режим доступа: https://agro-bursa.ru (дата обращения: 2.02.2022).

Анализ и модели временных рядов [Электронный ресурс]. Режим доступа: https://www.statmethods.ru/statistics-metody/modeli-vremennykh-ryadov (дата обращения: 8.02.202).

Милевский А.С. Эконометрика. Продвинутый уровень.М.: МИИТ, 2017. 207 с.

Rajesh S. B. Brief on Regression analysis // Logistic Regression Assumptions. Режим доступа: https://medium.com/greyatom/logistic-regression-89e496433063 (дата обращения: 04.08.2022).

Дроздюк А. Логистическая кривая. Торонто: Choven, 2019. Vol.1. 270 с.

Много цифр: Анализ больших данных при помощи Excel. / Джон Форман ; пер. с англ. А. Соколовой. 2-е изд. М.: Альпина Паблишер, 2017. 461 с.

David W., Hosmer Jr., Stanley Lemeshow, Rodney X. Sturdivant. Applied Logistic Regression. John Wiley & Sons, 2nd ed., 2020.

Карлсберг К. Регрессионный анализ в Microsoft Excel. М.: Диалектика, 2019. 400 с.

Пселтис Эндрю Дж. Потоковая обработка данных. Конвейер реального времени; пер. с англ. М.: ДМК-Пресс, 2018. 218 с.

Five-year baseline projections of supply and demand. [Электронный ресурс]. Режим доступа: https://www.igc.int/en/markets/marketinfo-forecasts.aspx (дата обращения: 2.02.2022).

Непаханое поле: как вернуть в оборот залежные земли [Электронный ресурс]. Режим доступа: https://asm-agro.ru/articles/nepahanoe-pole-kak-vernut-v-oborot-zalezhnye-zemli (дата обращения: 04.08.2022).

Siberia will be full of investment opportunities in the next 3 decades [Электронный ресурс]. Режим доступа: https://finance.yahoo.com/news (дата обращения: 28.09.2022).

Загрузки

Опубликован

2022-11-25

Выпуск

Раздел

Агрономия

Наиболее читаемые статьи этого автора (авторов)

1 2 > >>