CC BY
13
УДК / UDC 338.43
ЭКСПЕРИМЕНТАЛЬНЫЙ ПРОЦЕСС В ВОСПРОИЗВОДСТВЕНОМ ЦИКЛЕ АГРОБИЗНЕСА
EXPERIMENTAL PROCESS IN THE REPRODUCTIVE CYCLE OF AGRIBUSINESS
Шестаков P.Б., кандидат экономических наук, доцент Shestakov R.B., Candidate of Economic Sciences, Associate Professor
E-mail: nir [email protected] Яковлев H.A., кандидат сельскохозяйственных наук, доцент Yakovlev N.A., Candidate of Agricultural Sciences, Associate Professor
E-mail: [email protected] ФГБОУ ВО «Орловский государственный аграрный университет
имени Н.В. Парахина», Орел, Россия Federal State Budgetary Educational Establishment of Higher Education "Orel State Agrarian University named after N.V. Parakhin", Orel, Russia
В работе затрагиваются теоретические и практические вопросы планирования и реализации эксперимента в агробизнесе, целью которого является выбор наиболее эффективной модели внутреннего воспроизводственного цикла. Эксперимент проводился в процессе сбора урожая меда, где использовались идентичные ульи, в равном количестве разнесенные на два разных достаточно удаленных участка. В производственном процессе предполагается до пяти сборов меда в течении сезона. Исследовалось значения объемов сбора меда с каждого улья, их временная и пространственная волатильность, для чего применялся метод дисперсионного анализа с повторными измерениями. Изучена статистическая значимость влияния различных факторов: номера конкретного улья, номера участка, порядкового номера сбора меда. Выявлено, что наибольшей существенной разницей обладает производительность самих ульев, в меньшей степени воздействует на дисперсию время сбора меда, а разнесение ульев на разные участки практически не влияет на итоговый результат. Различие производства продукции в натуральном выражении имеет значение для определение технологической эффективности, что, по сути, необходимо, но недостаточно для экономической эффективности. То есть, не менее важное значение имеет различие экономическое, которое в данном случае можно определить по значимой разнице в рентабельности. Вместе с тем, содержание хозяйства на двух участках значимо отличается, что, если учесть, практически одинаковую производительность ставит под сомнение решение об их разделении. Рекомендуется вернуть ульи на участок с меньшими издержками, и начать изучать возможные причины в различиях урожайности между ними.
Ключевые слова: агробизнес, пчеловодство, урожай меда, дисперсионный анализ, множественные сравнения, повторяемость эксперимента.
This paper deals with theoretical and practical issues of planning and implementing an experiment in agribusiness. The purpose is to choose the most effective model of the internal reproduction cycle. The experiment was performed in the process of harvesting honey, where identical hives were used, equally spaced into two different fairly remote areas. The production process requires up to five honey collections during the season. The volumes of honey collection from each hive, their time and spatial volatility were studied. An ANOVA method with repeated measurements was used. The statistical significance of the influence of various factors was studied: the number of a specific hive, the number of sites, the serial number of the honey collection. It was found that the greatest significant difference is the productivity of the hives themselves, the time of honey collection affects the dispersion to a lesser extent, and the separation of the hives to different areas practically does not affect the final result. The difference in production in physical terms is important for determining the technological efficiency, which is, in fact, necessary, but not sufficient for economic efficiency. That is, the
economic difference is equally important, which in this case can be determined by a significant difference in profitability. Simultaneously, the maintenance of the farms in the two areas is significantly different, which, given almost equal productivity, casts doubt on the decision to separate them. It is recommended to return the hives to the site at a lower cost, and begin studying possible causes of the differences in yield between them.
Key words: agribusiness, beekeeping, honey harvest, ANOVA, multiple comparisons, experiment repeatability.
Введение. Вопросы экономической оптимизации аграрного производства становятся еще более актуальными в непростой период активного импортозамещения. Необходимо искать пути поддержания воспроизводственного цикла за счет внутренних резервов, например, за счет внутренней реструктуризации или перераспределения ресурсов. Особенно это актуально для малых форм хозяйствования.
Производитель может пробовать моделировать производственную функцию [1, с. 9-12], экспериментировать, в то или иной мере, c самими производственными процессами, и серьезной задачей здесь становится понимание и фиксация влияния разных факторов.
Также, по мере достижения большей технологической эффективности, необходимо помнить и об эффективности экономической, так как у любого ресурса есть своя цена, зачастую динамичная, а выручка ограничена «тисками» рынка, на котором планируется реализовывать продукцию.
На рисунке 1 показана общая схема производственного эксперимента, выполнение которого может помочь изыскать внутренние возможности для оптимизации выпуска.
Рисунок 1 - Процесс планирования и реализации эксперимента
На стадии планирования эксперимента можно определиться с количеством исследуемых факторов для модели и величиной выборки, запрограммировать мощность теста, подобрать методы и инструменты машинного обучения. Статистическая значимость говорит, о том, насколько нашей модели удалось доказать влияние тех или иных переменных на процесс производства, а экономическая - нужно ли брать в расчет их влияние с точки зрения рентабельности производства.
Цель исследования - определить, как повлияет на производство меда разнесение в равном количестве ульев на два разных достаточно удаленных друг от друга участка.
Данные и методы. В качестве исходных, выступали данные по сбору меда в фермерском хозяйстве N. В производственном процессе предполагается до пяти сборов меда в течении сезона. Значения объемов сбора меда с каждого улья показаны в таблице 1.
По сути задачи, необходим метод множественных сравнений. Наиболее известным статистическим методом, используемый для сравнения более чем двух групп является дисперсионный анализ, известный также как ANOVA (англ. Analysis of Variance) [2]. Путем анализа дисперсий можно вывести значимые различия в групповых средних (в основе F-тест). Две группы можно сравнить обычным t-тестом.
Таблица 1 - Исходные данные для анализа по хозяйству N
Наблюдение Улей № Участок № Сбор № Урожай, кг
1 1 А 1 20,4
2 2 А 2 15,3
3 3 А 3 30,6
4 4 А 4 25,5
5 5 А 5 25,3
6 1 А 1 25,6
7 2 А 2 20,4
8 3 А 3 35,7
9 4 А 4 35,7
10 5 А 5 30,6
11 1 А 1 30,5
12 2 А 2 30,6
13 3 А 3 45,9
14 4 А 4 40,8
15 5 А 5 35,7
35 5 Б 5 25,5
36 1 Б 1 25,3
37 2 Б 2 30,6
38 3 Б 3 30,6
39 4 Б 4 30,7
40 5 Б 5 30,6
41 1 Б 1 35,7
42 2 Б 2 40,8
43 3 Б 3 35,7
44 4 Б 4 40,8
45 5 Б 5 35,7
46 1 Б 1 45,9
47 2 Б 2 51,0
48 3 Б 3 45,8
49 4 Б 4 51,0
50 5 Б 5 50,9
Основные типы дисперсионного анализа: односторонний (один фактор) и двусторонний (два фактора) анализ, где фактор является синонимом независимой переменной. Это одномерный дисперсионный анализ, поскольку в модели имеется только одна зависимая переменная.
Многомерный (MANOVA) дисперсионный анализ (англ. MANOVA -Multivariate Analysis of Variance) используется при наличии нескольких зависимых переменных в наборе данных. Если в модели имеется дополнительная непрерывная независимая переменная, то используется ковариационный анализ ANCOVA (англ. Analysis of Covariance).
Нулевая гипотеза в данном случае предполагает, что группы равны по средним, а альтернативная напротив, что не равны. Используется критерий Фишера для всех групп, который обычно сопровождается попарными сравнениям (post hoc тесты). Важно, что данный инструмент раскрывает свою статистическую мощность только при соблюдении ряда предпосылок: остатки должны приближаться к нормальному распределению, наличие гомоскедастичности групп, отдельные наблюдения должны независимыми, а зависимая переменная должна быть непрерывная. Если эти предпосылки в той или иной степени не выполняются, необходимо использовать другие методы анализа, непараметрического свойства.
К сожалению, часто исследователи пренебрегают проверкой допущений в работе, что снижает правдоподобность полученных результатов.
Для обработки научных результатов научных исследований в аграрной сфере часто приходится проводить повторные замеры на одних и тех же образцах (в определенные периоды времени или в разных условиях эксперимента). Здесь исследователю на помощь приходит так называемый дисперсионный анализ с повторными измерениями (англ. repeated measures ANOVA). Его можно назвать расширением t-теста для зависимых выборок, которое дает схожие результаты для двух временных периодов.
Он используется главным образом при продолжительных исследованиях во времени. Для данного инструмента, также должны выполнятся условия, описанные выше, плюс некоторые специфичные, например такие как «сферичность» и «сложная симметрия».
В работе используется двухфакторный дисперсионный анализ с повторными измерениями. Расчеты проводились в программной среде Python [3].
Для усиления мощности теста желательно порог значимости обозначить в 10%.
Результаты и обсуждение. Эта-квадрат (п2) — корреляционное отношение. С ее помощью выражают степень влияния или силу эффекта X (независимой переменной, фактора) на У (зависимую переменную). Значение Эта-квадрат лежит в интервале от 0 до 1.
Как видно из таблицы 2, наиболее значимым фактором по р-значению является порядковый номер сбора, наименее - участок, на котором расположены ульи. Что интересно, взаимодействие факторов практически незаметно.
Таблица 2 - Параметры модели дисперсионного анализа с повторными измерениями
Фактор Суммарная дисперсия Степени свободы 1 Степени свободы 2 Средний квадрат F-статистика p-значение Эта-квадрат Индекс сферичности
Сбор 5902,2 4 16 1475,55 156,78 0,00 0,84 0,43
Участок 470,0 1 4 470,02 3,61 0,13 0,29 1,00
Взаимодействие факторов 20,8 4 16 5,20 1,45 0,26 0,02 0,44
Статистически значимые результаты необходимы, но не достаточны для принятия окончательного решения. Необходимо посмотреть экономический эффект от разделения участков. Так как затраты с каждого отдельного участка рассчитать достаточно сложно, и можно оперировать только общими, отдельный расчет рентабельности будет избыточным. Достаточно данных по объемам полученного меда: 37,3 кг для участка А, и 31,2 кг (групповые средние на пороге значимости). Для более точной фиксации эффектов, желательно иметь данные нескольких сезонов.
Мед - это специфический продукт на рынке, который обладает достаточной непостоянной эластичностью спроса по цене [4, с. 168]. Это затрудняет прогнозирование дохода на долгосрочный период для бизнеса любого размера.
Риски, сопровождающие развитие сельского хозяйства в РФ, также характерны и для такой отрасли как пчеловодство [5, с. 528]. В современных условиях на помощь пчеловоду приходит цифровизация, начинают широко применятся удаленные датчики для индивидуального контроля каждой производящей единицы и состояния внешней среды [6]. Более того производство меда дает и сопутствующие продукты [7, с. 31-38], которые достаточно ценятся на рынке и требуют отдельного внимания в плане развития производства.
В заключении отметим, что, несмотря на риски в агробизнесе, при продуманном научно-методическом подходе пчеловоду возможно добиться устойчивых экономических показателей. Углубить исследование воспроизводственных циклов можно за счет использования большего числа факторов, их взаимодействия и комбинации различных экономико-статистических инструментов, методов машинного обучения.
Выводы. 1. Полноценное исследование воспроизводственных циклов должно включать планирование эксперимента и выявление значимых факторов с точки зрения, как технологии, так и экономики.
2. Анализ различий для конкретного фермерского хозяйства показал, что наиболее значимым фактором является порядковый номер сбора, и далее в порядке убывания участок, на котором расположены ульи и взаимодействие факторов сбора и участка.
3. Прибыльность участков по имеющимся данным не имеет значимых различий, и, если из-за удаленности друг от другу затрудняет работу пчеловоду, рекомендуется разместить их рядом.
БИБЛИОГРАФИЯ
1. Шестаков Р.Б., Яковлев H.A. Анализ производственного потенциала в сельском хозяйстве на основе моделирования функции производства // Вестник сельского развития и социальной политики. 2020. № 3 (27). С. 9-12.
2. Dugard P., Todman J., Staines H. Analysis of variance (ANOVA) // URL: https://doi.org/10.4324/9781003343097-2 (дата обращения: 08.06.2022).
3. Vallat R. Pingouin: statistics in Python // Journal of Open-Source Software. 2018. Vol. 3(31). P. 1026.
4. Шестаков P.Б., Яковлев H.A. Динамическое ценообразование в агробизнесе // Вестник аграрной науки. 2021. № 5 (92). С. 166-170.
5. Смоленцев С.Ю., Наместников В.А. Обзор современного состояния российского рынка мёда // Актуальные вопросы совершенствования технологии производства и переработки продукции сельского хозяйства. 2021. № 23. С. 528-530.
6. Prediction and detection of honey harvests from remote sensing and weather data / T. Campbell [et al.] // URL: https://doi.org/10.5281/zenodo.3596319 (дата обращения: 08.06.2022).
7. Полякова Е.Д., Сафронова О.В., Павликова A.B. Состояние и перспективы развития потребительского рынка натурального меда // Сборник научных трудов по пчеловодству. Орёл, 2022. С. 31-38.
REFERENCES
1. Shestakov R.B., Yakovlev N.A. Analiz proizvodstvennogo potentsiala v sel'skom khozyaystve na osnove modelirovaniya funktsii proizvodstva // Vestnik sel'skogo razvitiya i sotsial'noy politiki. 2020. № 3 (27). S. 9-12.
2. Dugard P., Todman J., Staines N. Analysis of variance (ANOVA) // URL: https://doi.org/10.4324/9781003343097-2 (data obrashcheniya: 08.06.2022).
3. Vallat R. Pingouin: statistics in Python // Journal of Open-Source Software. 2018. Vol. 3(31). P. 1026.
4. Shestakov R.B., Yakovlev N.A. Dinamicheskoe tsenoobrazovanie v agrobiznese // Vestnik agrarnoy nauki. 2021. № 5 (92). S. 166-170.
5. Smolentsev S.Yu., Namestnikov V.A. Obzor sovremennogo sostoyaniya rossiyskogo rynka meda // Aktual'nye voprosy sovershenstvovaniya tekhnologii proizvodstva i pererabotki produktsii sel'skogo khozyaystva. 2021. № 23. S. 528-530.
6. Prediction and detection of honey harvests from remote sensing and weather data / T. Campbell [et al.] // URL: https://doi.org/10.5281/zenodo.3596319 (data obrashcheniya: 08.06.2022).
7. Polyakova E.D., Safronova O.V., Pavlikova A.V. Sostoyanie i perspektivy razvitiya potrebitel'skogo rynka natural'nogo meda // Sbornik nauchnykh trudov po pchelovodstvu. Orel, 2022. S. 31-38.
