http://rmid-oecd.asean.org/situs slot gacorlink slot gacorslot gacorslot88slot gacorslot gacor hari inilink slot gacorslot88judi slot onlineslot gacorsitus slot gacor 2022https://www.dispuig.com/-/slot-gacor/https://www.thungsriudomhospital.com/web/assets/slot-gacor/slot88https://omnipacgroup.com/slot-gacor/https://viconsortium.com/slot-online/http://soac.abejor.org.br/http://oard3.doa.go.th/slot-deposit-pulsa/https://www.moodle.wskiz.edu/http://km87979.hekko24.pl/https://apis-dev.appraisal.carmax.com/https://sms.tsmu.edu/slot-gacor/http://njmr.in/public/slot-gacor/https://devnzeta.immigration.govt.nz/http://ttkt.tdu.edu.vn/-/slot-deposit-dana/https://ingenieria.unach.mx/media/slot-deposit-pulsa/https://www.hcu-eng.hcu.ac.th/wp-content/uploads/2019/05/-/slot-gacor/https://euromed.com.eg/-/slot-gacor/http://www.relise.eco.br/public/journals/1/slot-online/https://research.uru.ac.th/file/slot-deposit-pulsa-tanpa-potongan/http://journal-kogam.kisi.kz/public/journals/1/slot-online/https://aeeid.asean.org/wp-content/https://karsu.uz/wp-content/uploads/2018/04/-/slot-deposit-pulsa/https://zfk.katecheza.radom.pl/public/journals/1/slot-deposit-pulsa/https://science.karsu.uz/public/journals/1/slot-deposit-pulsa/ Московский экономический журнал 12/2019 - Московский Экономический Журнал1

Московский экономический журнал 12/2019

УДК
004.9

DOI 10.24411/2413-046Х-2019-10219

ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ ПРИ ОБРАБОТКЕ ЭКСПЕРИМЕНТАЛЬНЫХ
ДАННЫХ В РАСТЕНИЕВОДСТВЕ ДЛЯ ПРОГНОЗОВ

INFORMATION
TECHNOLOGIES IN THE PROCESSING OF EXPERIMENTAL DATA IN CROP PRODUCTION FOR
FORECASTS

Сычев Виктор Гаврилович, академик РАН, доктор с.-х. наук, профессор,
директор ВНИИА, Scopus Author ID 57197858497, info@vniia-pr.ru.

Любовь Борисовна Винничек, доктор экономических наук, профессор, заведующий кафедрой организации и информатизации производства, ФГБОУ ВО Пензенский ГАУ, ORCID: http://orcid.org/0000-0002-6127-7201,  l_vinnichek@mail.ru

Суханова Ольга Николаевна, доцент, доцент кафедры организации
и информатизации производства, ФГБОУ
ВО Пензенский ГАУ, ORCID: http://orcid.org/ 0000-0001-8777-3126, olga.suhanova.56@mail.ru

Sychev
Victor Gavrilovich,
academician of RAS, doctor of
agricultural Sciences, Professor, Director of VNIIA, Scopus Author ID 57197858497, info@vniia-pr.ru.

Lyubov B. Vinnichek, doctor of economic sciences, professor, head of department of organization and informatization of production, Penza state agrarian University ORCID: http:// orcid.org/0000-0002-6127-7201, l_vinnichek@mail.ru

Sukhanova Olga Nikolaevna, associate Professor, associate
Professor of the Department of department of organization and informatization
of production, Penza state agrarian University, ORCID: http://orcid.org/
0000-0001-8777-3126, olga.suhanova.56@mail.ru

Аннотация: В статье рассмотрены особенности
использования информационных технологий в растениеводстве. Определена роль
информационных технологий при обработке экспериментальных данных в
растениеводстве. Обработка результатов
экспериментальных данных по возделыванию озимой пшеницы с применением различных
доз NPK проведена с помощью табличного процессора MS Excel. Представлен технологический
процесс обработки экспериментальных данных, в основу которого заложены
статистические методы. Регрессионная
модель позволяет получить количественную оценку качественных параметров в
результатах проведенного эксперимента по внесению различных доз NPK. Многофакторная
регрессионная модель является основой для определения прогнозных данных  на планируемый период всех факторов, входящих
в модель, а также определения наличия ошибок. Выявлено влияние 
повышения доз внесения удобрений на прирост урожайности озимой пшеницы.
Определена статистическая значимость проведенных обработки экспериментальных
данных. Рассчитана
погрешность коэффициента корреляции и его статистическая значимость. Результаты
расчетов показали, что условие существенности по t-критерию выполняется для каждого парного коэффициента корреляции.
Анализ
уравнения множественной регрессии показал, что рост каждого из факторов ведет к
повышению урожайности основной продукции (все коэффициенты регрессии
положительны). При увеличении только одного из факторов происходит рост урожайности
озимой пшеницы. Так, каждый килограмм действующего вещества вносимых азотных
удобрений дает прибавку урожайности  основной продукции в среднем на 0,0079 т/га,
фосфорных – в среднем на 0,0071 т/га и калийных – в среднем на 0,0037 т/га.

Summary: The
article discusses the features of the use of information technologies in crop
production. The role of information technologies in the processing of
experimental data in crop production is determined. The results of experimental
data on winter wheat cultivation with the use of different doses of NPK were
processed using the MS Excel tabular processor. The technological process of
experimental data processing, which is based on statistical methods, is
presented. The regression model allows us to obtain a quantitative assessment
of the qualitative parameters in the results of the experiment on the
introduction of different doses of NPK. Multivariate regression model is the
basis for determining the forecast data for the planned period of all factors
included in the model, as well as determining the presence of errors. The
influence of increasing doses of fertilizers on the increase in winter wheat
yield was revealed. The statistical significance of experimental data
processing was determined. The error of the correlation coefficient and its
statistical significance are calculated. The results of the calculations showed
that the existence condition by the t-criterion is satisfied for each pair
correlation coefficient. The analysis of the multiple regression equation
showed that the growth of each of the factors leads to an increase in the yield
of the main product (all regression coefficients are positive). With an
increase in only one of the factors, the yield of winter wheat increases. Thus,
each kilogram of the active substance of the introduced nitrogen fertilizers
gives an increase in the yield of the main products by an average of 0.0079 t/ha,
phosphorus – by an average of 0.0071 t/ha and potassium-by an average of 0.0037
t/ ha.

Ключевые
слова:
информационные
технологии, данные, информация, табличный процессор, корреляция, множественная
линейная регрессия, анализ, прогноз.

Keywords: information
technologies, data, information, tabular processor, correlation, multiple
linear regression, analysis, forecast.

Введение. Эффективное развитие аграрного производства требует высокой и
эффективной системы земледелия. Информационные технологии могут оказать
существенную помощь при решении большого количества задач, связанных с
планированием, прогнозом, анализом и моделированием сельскохозяйственных
процессов. Высокоэффективные технологии сбора и обработки информации
(сельскохозяйственных показателей), которые внедряются, выступают инструментом
достижения поставленной цели путем координации производственных процессов.

Усложнение социальной,
экономической и политической жизни, индустриального производства, изменение
динамики процессов во всех сферах деятельности человека обусловили рост знаний
и стимулирования развития новых средств удовлетворения информационных потребностей,
значимых для общества. Аграрный сектор характеризуется сложностью и
комплексностью решаемых задач. Для обеспечения минимизации расходов и
оптимизации процессов производства сельскохозяйственной продукции возникает
необходимость использования достижений научно-технического прогресса — перехода
к новым методам информационного обеспечения и управления сельским хозяйством,
широкое применение автоматизированных систем и информационных технологий. Стремительное
развитие информационных технологий приобретает характер глобальной
информационной революции, что служит толчком к дальнейшему развитию общества, в
котором смещение ценностей происходит именно в сторону информации. Это приводит
к образованию единого информационного пространства, доступ к которому упрощается
с развитием информационных технологий (IT), систем телекоммуникаций,
материально-технической базы.

Ход
исследования
.
Целью информационных технологий является производство
информации для анализа ее человеком и принятия на его основе решения по
выполнению какого-либо действия. их основу составляют: передача информации на
любое расстояние в ограниченное время; интерактивный режим работы;
интегрированность с другими программными продуктами; гибкость процесса
изменения данных и постановок задач; возможность хранения объемов информации,
которые постоянно увеличиваются, на машинных носителях. Практически
информационные технологии реализуются применением программно-технических
комплексов, состоящих из персональных компьютеров с необходимым набором
периферийных устройств, включенных в локальные и глобальные вычислительные сети
и обеспеченных необходимыми программными средствами, тем самым увеличивая
степень автоматизации и повышая эффективность работы.

Информация является
одним из важнейших стратегических, управленческих ресурсов, ее производство и
потребление составляют необходимую основу эффективного функционирования и
развития различных сфер общественной жизни, и, прежде всего, экономики. Для
получения максимально высокого урожая информация как совокупность многих
факторов, таких как особенности возделываемой культуры, погодные условия,
состояние почвы, является центральным звеном. Данные относительно роста и
развития растений играют роль во время планирования, подкормки, полива и других
мероприятий.

Для получения
качественной информации прежде всего необходимо провести сбор данных, что
является потенциальным источником информации. Данные – это результат фиксации,
отображения информации на материальном носителе [2, 4, 5].

Данные служат лишь
исходным материалом, анализируя который, можно получить доброкачественную
продукцию. Однако следует различать данные как совокупность каких-либо
сведений, и информацию как часть тех или иных сведений, полезных при
определенных условиях.

Современный
уровень – естественнонаучного эксперимента в растениеводстве характеризуется
большими потоками информации. При этом визуальный просмотр данных, не говоря
уже об анализе, не возможен без применения ЭВМ. Обработка результатов
экспериментов предполагает знание основных понятий и методов теории
вероятностей и математической статистики. Выявление характерных классов задач в
обработке экспериментальных данных и стандартных методов их решения позволяет
выделить обработку результатов экспериментов из многообразия задач прикладной
статистики.
[1, 2]

Появление
электронных таблиц (табличных процессоров) привело к тому, что статистические
методы, ранее доступные лишь узкому кругу математиков, стали использоваться
широким кругом специалистов разных областей. Удобной универсальной
вычислительной средой для решения задач обработки экспериментальных данных
является табличный процессор MS
Excel.

В подавляющем большинстве случаев в
качестве методов обработки экспериментальных данных в растениеводстве
применяются линейные многофакторные регрессионные модели, которые включают
несколько факторов и позволяют оценить место и роль каждого фактора в
формировании величины изучаемого экономического показателя. Линейные модели
обладают достаточно простым математическим аппаратом, а также дают меньший риск
значительных ошибок прогнозов по сравнению с нелинейными моделями. С помощью
регрессионной модели можно получить также количественную оценку качественных
параметров в результатах производства (технологий, квалификации работников,
организации труда, типов хозяйствования и др.), роль которых в настоящее время
значительно возрастает.

Следует
отметить, что многофакторная регрессионная модель требует использования
прогноза на планируемый период всех факторов, входящих в модель, что
предполагает наличие ошибок и снижает эффективность прогнозных расчетов в
целом. При прогнозировании на основе такой модели должно выполняться условие
стабильности или, по крайней мере, малой изменчивости факторов и условий
изучаемого процесса.

Урожайность
сельскохозяйственных культур является основным фактором, который определяет
объем производства продукции растениеводства. Большое влияние на урожайность
оказывают культура земледелия, агротехника и технология выращивания культур,
удобрение почвы, качественное выполнение всех полевых работ в сжатые сроки и
другие экономические факторы.

При
планировании урожайности исключительное значение имеет обоснование планового
уровня урожайности и системы мероприятий по повышению ее уровня в конкретных
условиях производства. [6]

В
сложившихся в настоящее время экономических условиях уровень применения
удобрений в большинстве хозяйств области снизился, что привело к сокращению
урожайности сельскохозяйственных культур [3]. В связи с этим актуальность
приобретают исследования, направленные на совершенствование системы удобрений и
их влияния на урожайность сельскохозяйственных культур.

При исследовании влияния
минеральных удобрений на урожайность зерновых культур были рассмотрены три фактора:

Х1 — количество вносимых азотных удобрений, кг д.в.,

Х2 — количество вносимых фосфорных удобрений, кг д.в.,

X3 — количество вносимых калийных удобрений, кг д.в.

Результирующим
показателем (Y) является урожай основной продукции, ц/га.

Исходной
информацией послужили данные опытов по внесению различных доз внесения
удобрений под  озимую пшеницу.

Результаты и обсуждения. Степень влияния каждого из рассматриваемых факторов на результат деятельности была оценена с помощью корреляционного анализа. Для вычисления линейных коэффициентов парной корреляции использовалась программа MS Excel (рис. 1).

Коэффициенты парной корреляции указывают, что высокая корреляционная связь наблюдается между урожаем основной продукции и двумя факторами: количеством вносимых азотных удобрений (ryx1=0,75) и количеством вносимых фосфорных удобрений (ryx2=0,71). Связь между количеством вносимых калийных удобрений наблюдается заметная (ryx3=0,54).

Надежность результатов изучения корреляционной связи зависит от количества сопоставляемых данных, которое часто бывает ограничено. Поэтому было необходимо рассчитать погрешность коэффициента корреляции или его существенность. Результаты расчетов показали, что условие существенности по t-критерию выполняется для каждого парного коэффициента корреляции. Это свидетельствует о том, что результаты изучения корреляционной связи надежны для всех исследуемых факторов, т.е. количество сопоставляемых данных достаточно. Результаты оценивания линейной модели множественной регрессии, отражающей зависимость результирующего показателя от факторов, представлены на рис. 2.

Используя
значения в столбце «Коэффициенты» получаем уравнение линейной множественной
регрессии в естественной форме:

Y=0,079 Х1+ 0,071 Х2+ 0,037 Х3 + 16,96.

Анализ уравнения
множественной регрессии показывает, что рост каждого из факторов ведет к
повышению урожайности основной продукции (все коэффициенты регрессии положительны).
При увеличении только количества вносимых азотных удобрений при неизменности
других факторов на 1 кг д.в., урожайность основной продукции повысится в
среднем на 0,0079 т/га. Рост количества вносимых фосфорных удобрений на 1 кг
д.в. приведет к повышению урожайности в среднем на 0,0071 т/га., а увеличение количества
калийных удобрений на 1 кг д.в. повысит урожай основной продукции в среднем на 0,0037
т/га.

Выводы. О практической ценности построенной
производственной функции можно судить только после оценки ее статистической
достоверности. Статистические характеристики уравнения составили: значение F
критерия – 28,4, значение коэффициента множественной корреляции — 0,94.
Коэффициент общей детерминации равен 0,89, то есть изменение включенных в
уравнение факторов на 89 % объясняет вариацию результативного показателя, и
только 11 % приходится на неучтенные факторы. Все эти показатели свидетельствуют
о статистической значимости построенного уравнения регрессии и хорошем качестве
подгонки модели к выборочным данным.

Использование
информационных технологий в растениеводстве позволит не только оптимизировать
все производственные процессы и снизить затраты на производство продукции, за
счет своевременного принятия управленческих  решений в режиме реального времени, но и
делать обоснованные прогнозы урожайности сельскохозяйственных культур в
зависимости от доз внесения удобрений.

Литература

1. Волков, С. Н. Землеустройство. Экономико-математические методы и модели. Т. 4 / С.Н. Волков. – М.: Колос, 2001. – 696 с.

2. Доспехов Б.А. Методика полевого опыта (с основами статистической обработки результатов исследований) /
Б.А. Доспехов – М.: Книга по Требованию, 2012 – 352 с.

3. Жиленко, С.В. Эффективность агрохимических приемов при возделывании озимых зерновых культур / С.В. Жиленко, Л.Б. Винничек, Н.И. Аканова // Нива Поволжья. – 2015. – № 2 (35). – С. 19-25.

4. Суханова, О.Н. Эконометрические модели как
инструмент анализа в управлении экономическими системами / О.Н. Суханова, О.В.
Ментюкова // Модели, системы, сети в экономике, технике, природе и обществе. –
2016. — №1 (17). – С. 125 – 134.

5. Суханова, О.Н. Применение информационных
технологий в сельском хозяйстве / О.Н. Суханова, О.В. Ментюкова // Сб. научных
трудов международной научно-практической конференции «Информационные технологии
в экономических и технических задачах» (г. Пенза, 24-25 марта 2016 г.). –
Пенза: Изд-во Пензенский государственный технологический университет, 2016. –
с. 94-96.

6. Тушканов, М.П. Организация производства и предпринимательство в АПК: практикум / М.П. Тушканов, Л.Д. Черевко, Л.Б. Винничек. –  М.:ИНФРА-М, 2019. – 307 с.