DOI:
10.18413/2409-1634-2024-10-4-0-2
ОЦЕНКА ВЛИЯНИЯ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ НА ИНТЕНСИФИКАЦИЮ АГРАРНОГО СЕКТОРА США
Aннотация
Значимость информационного обеспечения как фактора интенсификации сельского хозяйства США в XXI веке не оценивалась ранее. По статистическим данным, основанным на длинных рядах, построены корреляционные матрицы для определения взаимосвязи факторов интенсификации аграрного сектора экономики, при производстве кукурузы, в частности. Применённые эконометрические модели на основе множественных линейных регрессий с последующим регрессионным анализом и переходом к линейным моделям показали существенную взаимозависимость между общей факторной производительностью и количеством ферм, имеющих доступ в Интернет (характеризующего степень распространения информационных технологий), за период с 2001 по 2015 г., а также взаимосвязь таких ферм и внедрением биотехнологии (площадями посевов с использованием ГМО семян) в сельское хозяйство США с 2004 по 2019 год. Таким образом, количественными методами подтверждена высокая степень влияния информационных технологий на интенсификацию аграрного сектора страны.
Ключевые слова: информационное обеспечение, интенсификация сельского хозяйства, фактор интенсификации, линейная регрессия
Введение
Определение степени значимости факторов интенсификации для сельского хозяйства – весьма трудоёмкий и наукоёмкий процесс, тогда как для выбора таких факторов необходимо учитывать экспертные мнения. Одним из способов решения подобных задач является составление эконометрической модели, основывающейся на корреляционной зависимости статистических показателей, состоящих из длинных рядов. Как правило, подходящие сведения ограничены временным интервалом и описывают только одну из сторон информационного обеспечения, которое является многогранным понятием.
Цель исследования. Цель исследования – дать оценку значимости информационного обеспечения аграрного сектора и доказать корреляционную зависимость интенсификации сельского хозяйства и информационных технологий на примере США.
Материалы и методы исследования. Методом исследования служит регрессионный анализ, применены эконометрические модели на основе (множественных) линейных регрессий. Материалами исследования являются статистические данные МСХ США и ФАО ООН.
Результаты исследования и их обсуждение
Если в 1950-х годах наиболее значимым фактором продуктивности животноводства было общее количество машин и оборудования [Растянников В.Г., Дерюгина И.В., 2004], то с 1965 по 1980 гг. на общую факторную производительность в наибольшей степени влиял уровень внесения химикатов [Овчинников О.Г., 1990]. В 1980-е годы рост производства сопровождался условиями сокращения не только общего количества машин и оборудования, но и фондовооружённости труда (в стоимостном выражении) [Овчинников О.Г., 1990]. Представленные далее расчёты покажут существенное влияние составляющей информационного обеспечения и внедрения биотехнологий на общую факторную производительность в XXI веке.
Министерство сельского хозяйства США выделяет следующие периоды развития технологий в аграрном секторе за последние три десятилетия:
- с начала 1990-х гг. применяются данные дистанционного зондирования Земли для точного земледелия;
- с середины 1990-х гг. началось активное внедрение биотехнологий для создания сортов, устойчивым по отношению к сорнякам, болезням и насекомым-вредителям;
- с 2010-х гг. активно внедряются приложений больших данных в сельском хозяйстве [Ермаков С.А., 2017].
В связи с этим был проведён ряд исследований с целью определить степень влияния указанных технологий на эффективность сельскохозяйственного производства. В частности, была выявлена прямая зависимость между интенсификацией производства на молочных фермах с использованием новейших информационных технологий, с
одной стороны, и ростом, эффективностью и снижением затрат, с другой [Alvarez A. et al., 2008]. Исследуя длинные ряды данных, в структуре затрат фермы наблюдают со временем переход от издержек на рабочую силу и землю в сторону больших расходов на ресурсы (например, удобрения, пестициды и приобретаемые услуги) и долгосрочные капитальные активы (например, тракторы, комбайны и другую технику) [Wang, S. L. Et al., 2024; Ермаков С.А., Жиганова Л.П., Овчинников О.Г., 2018].
Существуют различные показатели, критерии и факторы, характеризующие интенсификацию [Ермаков С.А., Жиганова Л.П., Овчинников О.Г., 2018; Подзоров Н.Г., Куданкина А.А., 2012; Соколова Ж.Е., 2013]; они были рассмотрены автором ранее [2, с. 203–204]. В качестве данных, отражающих факторы интенсификации, примем следующие доступные статистические данные:
– цифровизация ферм: количество ферм, использующих компьютеры и имеющих доступ в Интернет;
– использование биотехнологии в растениеводстве: площади посевов с использованием ГМО семян;
– ирригация земель: площади под орошением;
– применение удобрений и пестицидов: объёмы внесения азотных удобрений в активном веществе.
Расчеты проведены на примере одной сельскохозяйственной культуры – кукурузы, которая составляет наибольшую долю в объёме производимого в США зерна (346,0 млн тонн кукурузы, что составляет 82% зерна в 2019 году [Agricultural Statistics …, 2022]). Доля азотных удобрений (в активном веществе), внесённых под эту культуру, составляет по состоянию на 2023 г. 40–44% всех удобрений, применяемых в растениеводстве [Овчинников О.Г., 2023]. Практически вся выращиваемая кукуруза в США является ГМО [Овчинников О.Г., 2023].
В качестве результирующего показателя примем общую факторную производительность, которая учитывает 15 факторов производства, взятых вместе в производственном процессе фермы, и обычно определяется как отношение общего объема производства к общему объему затрат – выпуск продукции на
единицу общего объема затрат (без учёта затрат труда и капитала) [Wang S.L. et al., 2024].
В матрице корреляционных зависимостей представлена взаимосвязь факторов. Пара показателей считается приемлемой в случае значения коэффициента корреляции, превышающего 0,7.
Таблица 1
Корреляционная матрица для определения факторов интенсификации Correlation matrix for determining intensification factors
Table 1
Correlation matrix for determining intensification factors
Источник: составлено по [Agricultural Statistics …, 2005; Food and Agriculture Organization
…, Global Status of Commercialized Biotech …, Technology Use …]
Расчёты показывают, что наибольшая зависимость наблюдается в парах, содержащих количество ферм, использующих компьютеры, и количество ферм, имеющих доступ в Интернет (характеризующих степень
распространения информационных технологий), площади посевов с использованием ГМО семян. В остальных парах зависимость является слабой (например, «общая факторная производительность» – «площади посевов с
использованием ГМО семян») либо вообще отсутствует.
На первом этапе построения регрессионной модели была найдена множественная линейная зависимость между общей факторной производительностью и показателями, характеризующими цифровизацию ферм. Коэффициент регрессии R2=0,69, критерий Фишера значим (0,0009<0,05) при уровне значимости α=5%. Другие результаты представлены в таблице 2.
Коэффициент при свободном члене по критерию Стьюдента значим (0,0000003<0,05), при переменной «количество ферм, использующих компьютеры» можно отбросить (0,08>0,05), тогда как при показателе «количество ферм, имеющих доступ в Интернет» значим (0,03<0,05).
Таблица 2
Проверка значимости коэффициентов уравнения и их доверительные интервалы
Table 2
Checking the significance of the coefficients of the equation and its confidence intervals
Источник: составлено автором.
На следующем этапе исследуем линейную регрессию между общей факторной производительностью (Y) и количеством ферм, имеющих доступ в Интернет (X). Коэффициент регрессии R2=0,59, критерий Фишера значим (0,0008<0,05) при уровне надёжности 95%. Найдены следующие характеристики (см. таблицу 3): по критерию Стьюдента коэффициент при свободном члене значим (t=16,14>tкр=2,16), при переменной «количество ферм, имеющих доступ в Интернет» также значим (t=4,36>tкр). Несмотря на полученный небольшой коэффициент регрессии, остальные характеристики приемлемые, тогда итоговую регрессию можно выразить в следующем виде:
Y = 0,17 *10-3* X + 0,80 (1)
Таблица 3
Проверка значимости коэффициентов уравнения и их доверительные интервалы
Table 3
Checking the significance of the coefficients of the equation and its confidence intervals
Источник: составлено автором.
На Рисунке 1 представлена динамика количества ферм, имеющих доступ в Интернет, общей факторной
производительности и её значений, находящихся на линейной регрессии за период с 2001 по 2015 год.
Рис. 1. Зависимость общей факторной производительности от количества ферм, имеющих доступ в Интернет, 2001–2015 гг.
Fig. 1. Dependence of total factor productivity on significant intensification factors, 2001–2015
Аналогично можно посчитать множественную линейную регрессию между площадями посевов с использованием ГМО семян (Y), количеством ферм, использующих компьютеры (X1), и количеством ферм, имеющих доступ в Интернет (X2). Принимая во внимание взаимозависимость
(так называемую мультиколлинеарность), получаем следующую линейную регрессию, обладающую всеми приемлемыми характеристиками. Результаты отражены в таблице 4. В этой регрессии R2=0,95, значимость F – 0,0000000002<0,05.
Y = 0,06*X2 – 15,02 (2)
Таблица 4
Проверка значимости коэффициентов уравнения и их доверительные интервалы
Table 4
Checking the significance of the coefficients of the equation and its confidence intervals
Источник: составлено автором.На рисунке 2 представлена динамика площадей посевов с использованием ГМО семян, количества ферм, имеющих доступ в
Интернет, а также регрессионных значений площадей таких посевов за период с 2004 по 2019 год.
Рис. 2. Зависимость между площадями посевов с использованием ГМО семян, и количеством ферм, имеющих доступ в Интернет, 2004–2019 гг.
Fig. 2. The relationship between Global Area of Biotech Crops and the number of farms with Internet access, 2004–2019
Заключение
Внедрение информационных технологий в аграрном секторе США начиная с конца 1990-х годов является одним из важнейших факторов роста эффективности сельскохозяйственного производства.
Количественная оценка этого влияния предполагает построение эконометрических моделей, в основе которых лежат статистические данные и определённые ограничения или допущения. Исследование корреляционных зависимостей и построение множественных линейных регрессий является одним из способов описания факторов, которые влияют на рост производительности в аграрном секторе экономики.
В настоящем исследовании выявлена существенная взаимозависимость общей
факторной производительности и количества ферм, имеющих доступ в Интернет (характеризующего степень распространения информационных технологий), а также взаимосвязь таких ферм и внедрением биотехнологии в сельское хозяйство США. Таким образом, количественными методами подтверждена высокая степень влияния информационных технологий на интенсификацию аграрного сектора страны.
Список литературы