Галанина Ольга Владимировна – кандидат экономических наук, доцент кафедры прикладной информатики, статистики и математики.
Санкт-Петербург
Olga V. Galanina – Cand. Sci. (Econ.), Associate Professor of the Department of Applied Informatics, Statistics, and Mathematics, Saint Petersburg State Agrarian University.
Saint Petersburg
Золотарёва Юлия Павловна – кандидат экономических наук, доцент кафедры земельных отношений и кадастра.
Санкт-Петербург
Yulia P. Zolotareva – Cand. Sci. (Econ.), Associate Professor of the Department of Land Relations and Cadastre, Saint Petersburg State Agrarian University.
Saint Petersburg
Введение. Актуальность исследования обусловлена: необходимостью автоматизированного анализа деградации АПК (ручная обработка данных по всем регионам и культурам неэффективна, а агломеративная машинная кластеризация позволяет группировать регионы со схожими тенденциями, выявляя наиболее проблемные зоны); рисками для продовольственной безопасности (снижение самообеспеченности ключевыми продуктами требует своевременного принятия мер господдержки, кластеризация помогает ранжировать регионы по степени угрозы и оптимизировать распределение ресурсов); отсутствием единой методики оценки деградации; цифровизацией сельского хозяйства.
Цель. Исследование направлено на анализ деградации сельскохозяйственного производства в регионах РФ, в частности, на выявление регионов с наиболее выраженными процессами упадка в производстве картофеля и других сельхозпродуктов, а также на разработку мер для улучшения ситуации.
Методы. Для анализа использовались методы кластеризации, в частности, алгоритм агломеративной кластеризации, который позволил сгруппировать регионы по схожести показателей деградации сельскохозяйственного производства на основе статистических данных за 2005 и2022 годы.
Результаты. Регионы были разделены на три кластера, где Кластер 2 (42 региона) оказался наиболее деградирующим с точки зрения сельскохозяйственного производства. В этих регионах наблюдаются значительные снижения показателей производства на душу населения и урожайности.
Выводы. Кластерный анализ позволил выделить регионы с наиболее выраженной деградацией сельхозпроизводства, что дает возможность разработать адресные меры поддержки, такие как целевые субсидии, налоговые льготы и программы восстановления инфраструктуры, для улучшения ситуации в этих регионах.
Introduction. The relevance of the study is due to: the need for automated analysis of agricultural degradation (manual data processing for all regions and crops is ineffective, and agglomerative machine clustering allows regions with similar trends to be grouped, identifying the most problematic areas); risks to food security (reduced self-sufficiency with key products requires timely government support measures, clustering helps to rank regions by threat level and optimize resource allocation); lack of a unified methodology for assessing degradation; digitalization of agriculture.
Purpose. The study aims to analyze the degradation of agricultural production in the regions of the Russian Federation, particularly to identify regions with the most pronounced decline in potato and other agricultural production, as well as to develop measures to improve the situation.
Methods. Clustering methods were used for the analysis, specifically the agglomerative clustering algorithm, which allowed grouping regions based on the similarity of agricultural production degradation indicators using statistical data for 2005 - 2022.
Results. The regions were divided into three clusters, with Cluster 2 (42 regions) being the most degraded in terms of agricultural production. These regions show significant declines in per capita production and yield indicators.
Conclusions. Cluster analysis made it possible to identify regions with the most pronounced degradation of agricultural production, enabling the development of targeted support measures, such as targeted subsidies, tax incentives, and infrastructure restoration programs, to improve the situation in these regions.
The authors declare that there are no conflicts of interest present.