Публикации автора

Статья посвящена комплексному анализу кормопроизводства в Российской Федерации с акцентом на особенности и перспективы развития отрасли в Иркутской области. Отмечается, что российский рынок комбикормов является одним из крупнейших в мире и демонстрирует устойчивый рост, достигнув в 2024 году объема в 36,4 млн тонн. Однако, несмотря на достигнутые успехи, сохраняется зависимость от импорта высокобелковых ингредиентов, в первую очередь соевого и рапсового шрота. Конкуренция с экспортными поставками приводит к удорожанию зерна на внутреннем рынке, создавая ценовое давление на местных производителей комбикормов. Дополнительными сдерживающими факторами являются ограниченный доступ малых и средних предприятий к современной технике, а также нехватка профильных специалистов - технологов, зоотехников и инженеров. В некоторых случаях экономическая логика подталкивает сельхозпроизводителей к реализации зерна на внешние рынки, что снижает сырьевую базу для отечественной кормовой промышленности. Основное внимание уделено специфике Иркутской области, где кормопроизводство формируется под влиянием сложных климатических условий и региональных факторов. Выявлены ключевые проблемы: короткий вегетационный период, деградация естественных угодий, высокие логистические издержки и зависимость от импорта комбикормов. Статистические данные констатируют значительное снижение (более чем на 20%) производства основных видов кормов (сена, сенажа, силоса) в Иркутской области за последние пять лет. В качестве решения предложена стратегия диверсификации кормовой базы за счет внедрения перспективных культур (кукурузы, гороха, многолетних бобовых трав, рапса), а также технологической модернизации отрасли. Подчеркивается важность использования современных методов заготовки кормов, систем точного земледелия, мелиорации и ввода в оборот залежных земель. Научное сопровождение и государственная поддержка обозначены как ключевые факторы для достижения устойчивого развития кормопроизводства в регионе, что в конечном итоге позволит обеспечить продовольственную безопасность и повысить рентабельность животноводства в Приангарье.

Цель статьи - описание многоуровневого прогнозирования урожайности сельскохозяйственных культур на основе разработанных многоуровневых моделей для динамико-стохастических, случайных временных рядов и вероятностной оценки благоприятных и неблагоприятных событий. Территорией исследования выбран Юго-Восточный агроландшафтный район Иркутской области, в который входят Иркутский, Усольский и Черемховский районы с развитым аграрным производством. Приводится описание метеорологических факторов, в значительной степени влияющих на биопродуктивность сельскохозяйственных культур. Рассматривается алгоритм построения многоуровневых трендов и уровней случайного ряда для получения многолетних прогнозов. При прогнозировании учитывались тенденции всего временного ряда, локальных минимумов и локальных максимумов. Для моделирования уровней использовались следующие функции: линейная, степенная, логарифмическая, экспоненциальная, логистическая и асимптотическая. Предложен комплексный прогноз. Во-первых, по трендам локальных минимумов и локальных максимумов определялись будущие значения для неблагоприятных и благоприятных условий, с помощью которых оценивался интервал прогноза. При этом установлена вероятность попадания прогнозируемого значения в интервал. Во-вторых, рассчитаны вероятности благоприятных и неблагоприятных событий с использованием закона распределения вероятностей. В-третьих, приводится алгоритм прогноза на основе учета циклов между локальными минимумами и локальными максимумами как исходными точками отсчета. Для оценки точности многолетнего прогноза согласно многоуровневому моделированию применялся ретроспективный прогноз. По данным за 1996-2021 годы по урожайности зерновых культур трех муниципальных районов Юго-Восточного агроландшафтного района построены многоуровневые трендовые и вероятностные модели. Затем спрогнозированы их значения с учетом расчетных интервалов и циклов. Результатом прогнозирования являются расчетные уровни урожайности пшеницы, ячменя и овса на 2022-2024 годы. Полученные прогнозы и их сравнение с фактическими данными показывают возможности использования предложенной методики.

В статье представлен анализ динамики аварийных ситуаций в электрических сетях Единой энергетической системы (ЕЭС) России за 2014-2021 годы. Программные алгоритмы, разработанные авторами, использованы для аппроксимации рядов аварийных отключений. На основе этих алгоритмов произведен расчет и представлена визуализация изучаемых показателей. На основании методов корреляционного и регрессионного анализа рассчитаны параметры уравнений авторегрессии и тренда, используемых для прогнозирования аварийных отключений. В качестве объекта исследования рассмотрены режимы аварийной динамики в крупнейших российских сетевых компаниях напряжением 110 кВ и выше. Проанализированы данные о возникновении аварийных ситуаций в 23 объединениях электрических сетей, входящих в структуру ЕЭС России, за 2014-2021 годы. Определены проценты аварий на крупнейших предприятиях электрических сетей с учетом их протяженности, а также сезонных особенностей территорий, через которые проходят линии электропередачи. Кроме того, проанализированы данные об износе основных элементов сети, а также федеральные инвестиции в развитие исследуемой компании. Согласно исследованию, наиболее надежной оценкой реального состояния аварийных электрических сетей следует считать конкретный показатель, зависящий от протяженности сетей и уровня организации их эксплуатации. Оценка уровня износа исследуемых сетей показала, что наибольший износ соответствует ПАО «Россети Урала» (Екатеринбург, Россия) (более 60%), наименьший – АО «Россети Янтарь» (25%) (Калининград, Россия). При оценке сезонной составляющей как одного из критериев аварийности установлено, что наибольший ущерб приходится на летний период: июнь, июль и август. Выявлено, что уравнения авторегрессии и тренда могут быть использованы для прогнозирования исследуемых показателей в краткосрочной перспективе.

Работа посвящена сравнительному анализу моделей прогнозирования урожайности сельскохозяйственных культур. Сравнивались многоуровневые тренды и авторегрессионные модели. В качестве исходных данных в работе использованы ряды урожайности различных сельскохозяйственных культур (пшеница, ячмень, овес) по трем муниципальным (Иркутский, Усольский, Черемховский) и одному агроландшафтному (Юго-Восточный лесостепной) районам за 1996-2023 гг. Исходная обработка данных состояла в построении многоуровневых трендов выбранных характеристик. При этом из значений исходного ряда выделены последовательности локальных максимумов и минимумов. В качестве функции тренда использовано логистическое выражение. Выбор функции основан на оценке точности по коэффициенту детерминации R2, значимости уравнений и его коэффициентов по F-критерию Фишера и t-статистике Стьюдента. Кроме этих критериев, дополнительно определено число благоприятных и неблагоприятных событий. После завершения статистической обработки урожайности сельскохозяйственных культур эти характеристики подвергались моделированию с помощью авторегрессионного анализа. Для рядов, обладающих значимым высоким первым коэффициентом автокорреляции (R1>0.70), построены уравнения авторегрессии с оценкой их точности и значимости. Для сравнения результатов, прилученных на основании многоуровневых трендов и авторегрессионных моделей временных рядов, рассчитаны значения ретроспективного прогноза на 2023 год. Расчетные значения сопоставлены с фактическими данными, определены их относительные погрешности. Установлено, что потенциал многоуровневых трендов значительно шире, чем у авторегрессионных зависимостей. Во-первых, можно прогнозировать разные уровни для усредненных, благоприятных и неблагоприятных условий в отличие от авторегрессионных уравнений, позволяющих получать прогностические результаты с упреждением один год. Сравнительные результаты согласно относительной погрешности и ретроспективному прогнозу показали преимущество многоуровневых трендовых моделей. Между тем некоторые ряды не могут быть описаны многоуровневыми трендами, но характеризуются значимыми авторегрессионными уравнениями. Поэтому выбор той или иной модели нужно обосновывать особенностями изменчивости рядов.

Излагается математическая модель выделения из помесячных или поквартальных данных динамики цен на сельскохозяйственную продукцию трех составляющих. Одна из них тренд - общая тенденция изменения цены. Вторая - сезонные колебания, повторяющиеся с периодом, равным году, отклонения фактической цены от тренда. В модели предусмотрена возможность изменения с течением времени формы и амплитуды сезонных отклонений. Третья составляющая - остаточный член, который иногда интерпретируют как случайные отклонения. Оценка параметров, задающих конкретное выражение тренда и сезонных колебаний, осуществляется в модели путем минимизации взвешенной суммы квадратов отклонений. Приводится пример расчета на данной модели тренда и сезонных колебаний цены одного из видов сельскохозяйственной продукции за 2019-2023 гг.