MOSCOW ECONOMIC JOURNAL MOSCOW ECONOMIC JOURNAL Московский экономический журнал 2413-046X 125547 10.55186/2413046X_2026_11_5_69 gkmmyw Региональная и отраслевая экономика Regional and branch economy Региональная и отраслевая экономика YIELD OF MAIN AGRICULTURAL CROPS IN THE PENZA REGION: ANALYSIS OF PREDICTORS AND MEDIUM-TERM FORECAST Урожайность основных сельскохозяйственных культур Пензенской области: анализ предикторов и среднесрочный прогноз Дубинин Алексей Викторович Dubinin Aleksey Viktorovich Тишин Максим Евгеньевич Tishin Maksim Evgen'evich Федотова Марина Юрьевна Fedotova Marina Yur'evna

кандидат экономических наук;

candidate of economic sciences;

 ФГБОУ ВО Пензенский государственный аграрный университет Пенза Россия Penza State Agrarian University Penza Russian Federation ФГБОУ ВО Пензенский государственный университет Пенза Россия Penza State University Penza Russian Federation ФГБОУ ВО Пензенский государственный аграрный университет Пенза Россия Penza State Agrarian University Penza Russian Federation 09 06 2026 09 06 2026 11 5 157 179 20 04 2026 08 06 2026 https://stolypinvestnik.ru/en/nauka/article/125547/view

В условиях возрастающей климатической нестабильности и политики импортозамещения среднесрочное прогнозирование урожайности приобретает стратегическое значение для регионального агропланирования. Пензенская область, занимающая лидирующие позиции в производстве сахарной свёклы и ряда других культур Приволжского федерального округа, испытывает дефицит верифицированных системных прогностических исследований. Цель работы — разработка и верификация комплекса прогнозных моделей урожайности пяти основных культур Пензенской области (зерновые и зернобобовые, сахарная свёкла, подсолнечник, картофель, овощи) на горизонте до трёх лет. Модели построены на основе Ridge-регрессии с L2-регуляризацией, экспоненциальным взвешиванием наблюдений и схемой валидации «расширяющее окно». Для каждой культуры проводился масштабный сеточный поиск (12000–25000 конфигураций) по пространству из 135 предикторов, включающих региональную статистику, спутниковые индексы MODIS NDVI, агроклиматические показатели и реанализ ERA5-Land за 1990–2025 гг. (n = 36). Автоматизированный отбор сформировал культурно-специфичные наборы из 17–31 признака с низким межкультурным перекрытием (коэффициент Жаккара 0,09–0,26) и агрономически интерпретируемым составом. Ретроспективный прогноз показал MAPE от 6,52% (сахарная свёкла) до 15,18% (подсолнечник). Ridge-регрессия превзошла Random Forest и XGBoost по всем культурам на 4,5–9,7 п.п., что подтверждает преимущество регуляризованных линейных моделей при малом объёме выборки. Точечный и интервальный прогноз на 2026–2028 гг. (bootstrap, N = 2000) свидетельствует об умеренном росте урожайности зерновых и зернобобовых и сахарной свёклы при стабилизации остальных культур. Разработанный инструментарий обеспечивает точность прогнозирования от высокой до хорошей (по шкале Lewis) для четырёх из пяти культур и рекомендуется для интеграции в системы среднесрочного планирования регионального АПК — прежде всего для региональных органов управления и крупных агрохолдингов.

Against the backdrop of increasing climatic instability and import substitution policies, medium-term crop yield forecasting is acquiring strategic importance for regional agricultural planning. Penza Oblast, which holds a leading position in sugar beet production and several other crops within the Volga Federal District, lacks verified systematic forecasting research. The aim of this study is to develop and validate a suite of predictive yield models for five major crops in Penza Oblast — grains and legumes, sugar beet, sunflower, potato, and vegetables — over a forecasting horizon of up to three years. The models are built on Ridge regression with L2 regularisation, exponential observation weighting, and an expanding window validation scheme. For each crop, an extensive grid search was conducted (12000–25000 configurations) across a space of 135 predictors comprising regional statistical data, MODIS NDVI satellite indices, agroclimatic indicators, and ERA5-Land reanalysis data for the period 1990–2025 (n = 36). Automated feature selection produced crop-specific predictor sets of 17–31 variables with low cross-crop overlap (Jaccard coefficient 0.09–0.26) and agronomically interpretable composition. Backtesting yielded MAPE values ranging from 6,52% (sugar beet) to 15,18% (sunflower). Ridge regression outperformed Random Forest and XGBoost across all crops by 4,5–9,7 percentage points, confirming the advantage of regularised linear models under small sample conditions. Point and interval forecasts for 2026–2028 (bootstrap, N = 2000) indicate moderate yield growth for grains and sugar beet, with stabilisation projected for the remaining crops. The developed forecasting framework achieves high to good accuracy (per the Lewis scale) for four out of five crops and is recommended for integration into regional medium-term agricultural planning systems — primarily for regional agricultural authorities and large agro-industrial holdings.

 прогнозирование урожайности среднесрочный прогноз Пензенская область машинное обучение гребневая регрессия агрометеорологические предикторы NDVI MAPE bootstrap-валидация crop yield prediction medium-term forecast Penza region machine learning Ridge regression agrometeorological predictors NDVI MAPE bootstrap validation

Shawon S.M. et al. Crop yield prediction using machine learning: An extensive and systematic literature review // Smart Agricultural Technology. – 2025. – Vol. 10. – Art. 100718. – DOI: https://doi.org/10.1016/j.atech.2024.100718. Shawon S.M. et al. Crop yield prediction using machine learning: An extensive and systematic literature review // Smart Agricultural Technology. – 2025. – Vol. 10. – Art. 100718. – DOI: https://doi.org/10.1016/j.atech.2024.100718. Schauberger B., Jägermeyr J., Gornott C. A systematic review of local to regional yield forecasting approaches and frequently used data resources // European Journal of Agronomy. – 2020. – Vol. 120. – Art. 126153. – DOI: https://doi.org/10.1016/j.eja.2020.126153. Schauberger B., Jägermeyr J., Gornott C. A systematic review of local to regional yield forecasting approaches and frequently used data resources // European Journal of Agronomy. – 2020. – Vol. 120. – Art. 126153. – DOI: https://doi.org/10.1016/j.eja.2020.126153. Jorvekar P.P., Wagh S.K., Prasad J.R. Predictive modeling of crop yields: a comparative analysis of regression techniques for agricultural yield prediction // Agricultural Engineering International: CIGR Journal. – 2024. – Vol. 26, No. 2. – P. 125–140. Jorvekar P.P., Wagh S.K., Prasad J.R. Predictive modeling of crop yields: a comparative analysis of regression techniques for agricultural yield prediction // Agricultural Engineering International: CIGR Journal. – 2024. – Vol. 26, No. 2. – P. 125–140. Щербаков А.С., Богомазов С.В. Прогнозирование урожайности озимой пшеницы на основе агроклиматических показателей и вегетационного индекса NDVI в условиях Пензенской области // Нива Поволжья. – 2025. – № 3(75). – С. 10–11. – DOI: 10.36461/NP.2025.75.3.021. Scherbakov A.S., Bogomazov S.V. Prognozirovanie urozhaynosti ozimoy pshenicy na osnove agroklimaticheskih pokazateley i vegetacionnogo indeksa NDVI v usloviyah Penzenskoy oblasti // Niva Povolzh'ya. – 2025. – № 3(75). – S. 10–11. – DOI: 10.36461/NP.2025.75.3.021. Тиндова М.Г. Анализ динамики выращивания сахарной свеклы в РФ // Экономико-математические методы анализа деятельности предприятий АПК: материалы VII Международной научно-практической конференции. – Саратов, 2023. – С. 306–312. Tindova M.G. Analiz dinamiki vyraschivaniya saharnoy svekly v RF // Ekonomiko-matematicheskie metody analiza deyatel'nosti predpriyatiy APK: materialy VII Mezhdunarodnoy nauchno-prakticheskoy konferencii. – Saratov, 2023. – S. 306–312. Гурьянова Н.М., Майоркина Е.В. Прогнозирование валового сбора масличных культур Пензенской области // Сурский вестник. – 2020. – № 1(9). – С. 56–61. Gur'yanova N.M., Mayorkina E.V. Prognozirovanie valovogo sbora maslichnyh kul'tur Penzenskoy oblasti // Surskiy vestnik. – 2020. – № 1(9). – S. 56–61. Самандарзода И.Х. и др. Современное состояние и перспективы развития производства картофеля в Пензенской области // Нива Поволжья. – 2023. – № 3(67). – с. 4002. – DOI: 10.36461/NP.2023.67.3.021. Samandarzoda I.H. i dr. Sovremennoe sostoyanie i perspektivy razvitiya proizvodstva kartofelya v Penzenskoy oblasti // Niva Povolzh'ya. – 2023. – № 3(67). – s. 4002. – DOI: 10.36461/NP.2023.67.3.021. Тишин М.Е., Дубинин А.В. Методологический подход к прогнозированию урожайности сельскохозяйственных культур на основе Ridge-регрессии (на примере Пензенской области) // Сурский вестник. – 2026. – № 6. – (в печати). Tishin M.E., Dubinin A.V. Metodologicheskiy podhod k prognozirovaniyu urozhaynosti sel'skohozyaystvennyh kul'tur na osnove Ridge-regressii (na primere Penzenskoy oblasti) // Surskiy vestnik. – 2026. – № 6. – (v pechati). Hersbach H. The ERA5 global reanalysis / H. Hersbach et al. // Quarterly Journal of the Royal Meteorological Society. – 2020. – Vol. 146. – P. 1999–2049. – DOI 10.1002/qj.3803. Hersbach H. The ERA5 global reanalysis / H. Hersbach et al. // Quarterly Journal of the Royal Meteorological Society. – 2020. – Vol. 146. – P. 1999–2049. – DOI 10.1002/qj.3803. Lewis C.D. Industrial and business forecasting methods. – London : Butterworth Scientific, 1982. – 143 p. Lewis C.D. Industrial and business forecasting methods. – London : Butterworth Scientific, 1982. – 143 p. Velde M., Nisini L. Performance of the MARS-crop yield forecasting system for the European Union: Assessing accuracy, in-season, and year-to-year improvements from 1993 to 2015 // Agricultural Systems. – 2019. – Vol. 168. – P. 203–212. – DOI: https://doi.org/10.1016/j.agsy.2018.06.009. Velde M., Nisini L. Performance of the MARS-crop yield forecasting system for the European Union: Assessing accuracy, in-season, and year-to-year improvements from 1993 to 2015 // Agricultural Systems. – 2019. – Vol. 168. – P. 203–212. – DOI: https://doi.org/10.1016/j.agsy.2018.06.009. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. – 2nd ed. – New York : Springer, 2009. – 745 p. – DOI: https://doi.org/10.1007/978-0-387-84858-7. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. – 2nd ed. – New York : Springer, 2009. – 745 p. – DOI: https://doi.org/10.1007/978-0-387-84858-7. Valenko D. et al. Agroclimatic Forecasting Under Degraded Sensor Data: A Robustness Benchmark of Machine-Learning Models // Applied Sciences. – 2025. – Vol. 16, No. 10. – Art. 5075. – DOI: https://doi.org/10.3390/app16105075. Valenko D. et al. Agroclimatic Forecasting Under Degraded Sensor Data: A Robustness Benchmark of Machine-Learning Models // Applied Sciences. – 2025. – Vol. 16, No. 10. – Art. 5075. – DOI: https://doi.org/10.3390/app16105075. Meroni M. et al. Yield forecasting with machine learning and small data: What gains for grains? // Agricultural and Forest Meteorology. – 2021. – Vol. 308–309. – Art. 108555. – P. 1–13. – DOI: https://doi.org/10.1016/j.agrformet.2021.108555. Meroni M. et al. Yield forecasting with machine learning and small data: What gains for grains? // Agricultural and Forest Meteorology. – 2021. – Vol. 308–309. – Art. 108555. – P. 1–13. – DOI: https://doi.org/10.1016/j.agrformet.2021.108555. Paudel D. et al. Machine learning for large-scale crop yield forecasting // Agricultural Systems. – 2021. – Vol. 187. – Art. 103016. – DOI: 10.1016/j.agsy.2020.103016. Paudel D. et al. Machine learning for large-scale crop yield forecasting // Agricultural Systems. – 2021. – Vol. 187. – Art. 103016. – DOI: 10.1016/j.agsy.2020.103016.