Штучний інтелект

Анотація: Зерновиробництво є основою аграрної галузі України, відіграючи ключову роль у забезпеченні продовольчої безпеки, формуванні експортного потенціалу та розвитку сільськогосподарських угідь. Завдяки сприятливим природно-кліматичним умовам і наявності родючих ґрунтів, Україна традиційно залишається одним із провідних виробників і експортерів зерна у світі. Однак, ця галузь економіки залишається високоризикованою через значні коливання врожайності культур та закупівельних цін. У даному дослідженні поставлено завдання дослідити різні підходи до оцінювання ризику зерновиробництва, пов’язаного з міжрічними коливаннями врожайності. В якості досліджуваної культури обрано пшеницю. Враховуючи помітне зростання врожайності пшениці за останні роки, для статистичного аналізу були використані не значення врожайності, а відхилення врожайності від лінійного тренду. Розвинуті два підходи до оцінювання ризику: порівняльний, який дозволяє порівнювати ступінь ризику зерновиробництва у двох регіонах, та квантильний, який дозволяє оцінити імовірність фіксованих втрат зерна у даному регіоні. Дані підходи можуть бути використані як аналітичний інструмент при плануванні агропромислового виробництва, особливо в умовах зростаючих кліматичних ризиків. Результати дослідження мають практичне значення для аграрних менеджерів, економістів та державних органів, зацікавлених у підвищенні стабільності та прогнозованості виробництва зернових культур. Запропоновані підходи до кількісного оцінювання ризику дозволяють не лише визначати ступінь можливих втрат, але й формувати ефективні стратегії зниження негативного впливу несприятливих факторів.

Ключові слова: зерновиробництво, врожайність пшениці, аграрний ризик, квантильний підхід, оцінювання ризиків

Посилання:

1. Державна служба статистики України. [Online]. Available: https://www.ukrstat.gov.ua/.
2. D. Muller, A. Jungandreas, F. Koch, F. Shirhorn. (2016) The impact of climate change on wheat production in Ukraine. Report on agricultural policy (APD).
3. Галяс А, Гаврилюк В. та ін. (2008) Методи мінімізації аграрних ризиків та підвищення ефективності зерновиробництва. Канадсько-український зерновий проект.
4. Грицюк П.М. (2009) Динаміка врожайності зернових: прогнози і ризики. Економіка України, с. 42-52.
5. Євтушенко Г.В., Тимків Н.Я., Шешеня А.А. (2016) Особливості управління ризиками в аграрному секторі економіки. Науковий вісник Міжнародного гуманітарного університету: Економіка і менеджмент, 17, с. 49-52.
6. Грицюк П.М., Гаврилюк М.С. (2024) Ідентифікація закону розподілу залишків врожайності сільськогосподарських культур. Комп’ютерне моделювання та програмне забезпечення інформаційних систем і технологій (КМПЗ_2024). IV міжнародна науково-практична конференція, Львів-Чернівці, с. 76-80.
7. P. Feng, B. Wang, D. L. Liu, C. Waters, D. Xiao, L. Shi, and Q. Yu. (2020) Dynamic wheat yield forecasts are improved by a hybrid approach using a biophysical model and machine learning technique. Agricultural and Forest Meteorology, pp. 285-286. https://doi.org/10.1016/j.agrformet.2020.107922.
8. D. Elavarasan, D.R. Vincent, V. Sharma, A.Y. Zomaya, and K. Srinivasan. (2018) Forecasting yield by integrating agrarian factors and machine learning models: a survey, Computers and Electronics in Agriculture, Vol. 155, pp. 257-282. https://doi.org/10.1016/j.compag.2018.10.024.
9. S. Veenadhari, B. Misra, and C. Singh. (2014) Machine learning approach for forecasting crop yield based on climatic parameters, 2014 International Conference on Computer Communication and Informatics. IEEE, pp. 1-5. https://doi.org/10.1109/ICCCI.2014.6921718.
10. M. Kuradusenge, E. Hitimana, D. Hanyurwimfura, P. Rukundo, K. Mtonga, A. Mukasine, C. Uwitonze, J. Ngabonziza, and A. Uwamahoro. (2023) Crop Yield Prediction Using Machine Learning Models: Case of Irish Potato and Maize. Agriculture, 13(1). https://doi.org/10.3390/agriculture13010225.
11. P.B. Gibson, W.E. Chapman, A. Altinok, L.D. Monache, M.J. DeFlorio, and D.E. Waliser. (2021) Training machine learning models on climate model output yields skillful interpretable seasonal precipitation forecasts. Commun Earth Environ 2, 159. https://doi.org/10.1038/s43247-021-00225-4.
12. V.S. Konduri, T.J. Vandal, S. Ganguly, and A.R. Ganguly. (2020) Data science for weather impacts on crop yield. Frontiers in Sustainable Food Systems, Vol. 4, pp. 1-11. [Online]. Available: https://doi.org/10.3389/fsufs.2020.00052.
13. Petro Hrytsiuk, Maksym Havryliuk. (2025) Modeling of the nonlinear impact of climatic factors on wheat yield using machine learning techniques. In book: Information and Communication Technologies in Education, Research, and Industrial Applications. pp 20-35. [Online]. Available: https://doi.org/10.15407/jai2025.01.121.
14. Petro Hrytsiuk, Tetiana Babych, Olena Hladka, Maryna Nehrey. (2024) Modeling of wheat yield in the steppe region of Ukraine using machine learning techniques. CEUR Workshop Proceedings. Proceedings of the 12-th International Conference "Information Control Systems & Technologies" (ICST 2024), Odesa, Ukraine, September 23-25, Vol. 3790, pp. 409-421. [Online]. Available: https://ceur-ws.org/Vol-3790/paper36.pdf.
15. Вітлінський В.В., Великоіваненко Г.І. (2004) Ризикологія в економіці та підприємництві: монографія. К.: КНЕУ, 480 с.
16. Greenwood, P.E.; Nikulin, M.S. (1996). A guide to chi-squared testing. New York: Wiley.
17. Hall, Robert E.; Lilien, David M.; et al. (1995). EViews User Guide, p. 141.
18. Kozubowski, Tomasz J.; Podgorski, Krzysztof (2000). A Multivariate and Asymmetric Generalization of Laplace Distribution. Computational Statistics, Vol. 15(4), pp. 531-540. https://doi.org/10.1007/PL00022717.
19. Petro Hrytsiuk, Tetiana Babych. (2020) The cryptocurrencies risk measure based on the Laplace distribution. Machine Learning for Prediction of Emergent Economy Dynamics 2020. International Conference on Monitoring, Modeling & Management of Emergent Economy, Odesa, Ukraine, January 2022, pp. 261-276.
20. McKinney, W. (2018) Python for Data Analysis. O’Reilly Media.
21. Dowd, Kevin (2005). Measuring Market Risk. John Wiley & Sons.
22. Uryasev, S., (2000). Conditional Value-at-Risk: Optimization Algorithms and Applications. Financial Engineering News, Vol. 14, pp. 1-5.