Abstract
<jats:p>Статья посвящена актуальной проблеме прогнозирования индекса реального дохода факторов в сельском хозяйстве на годовую рабочую единицу (индикатор А) — ключевого показателя производительности труда в аграрном секторе Европейского союза. В отличие от традиционных эконометрических подходов, авторы впервые применяют в аграрной статистике интегрированный инструментарий JASP, включающий модели временных рядов с учётом ковариат — значений индикатора А по странам-членам ЕС. В Европейском Союзе важно отслеживать и прогнозировать показатели сельского хозяйства, поскольку ресурсы производятся в странах неравномерно, а вовремя не установленная проблема создаст критический риск. С появлением информационных технологий стало возможым упростить затраты, связанные с аналитикой. Программы и нейросети могут автоматически рассчитать необходимые показатели, создать необходимые графики и помочь с прогнозом будущего. Цель исследования состоит в том, чтобы использовать новейшую программу JASP для анализа и прогнозирования индекса реального дохода факторов в сельском хозяйстве на годовую рабочую единицу (Индикатор А). В ходе анализа протестированы несколько моделей, среди которых наибольшую точность продемонстрировала модель bsts – linear trend model – regression, предсказавшая значение индикатора А на 2024 год на уровне близком к официальной оценке Евростата. Новизна работы заключается в адаптации open-source программы JASP к задачам прогнозирования аграрных показателей, что обеспечивает более доступный, автоматизированный и прозрачный анализ в условиях цифровой трансформации агропромышленного комплекса. Результаты подтверждают высокую эффективность применения методов машинного обучения в сельскохозяйственной статистике и открывают перспективы для дальнейшего развития цифровых инструментов.</jats:p> <jats:p>The article is devoted to the urgent problem of forecasting the index of real income of factors in agriculture per annual labor unit (indicator A), a key indicator of labor productivity in the agricultural sector of the European Union. Unlike traditional econometric approaches, the authors are for the first time using integrated JASP tools in agricultural statistics, which include time series models taking into account the covariate values of indicator A for EU member states. In the European Union, it is important to monitor and forecast agricultural performance, as resources are produced unevenly in countries, and failure to identify a problem in time will create a critical risk. With the advent of information technology, it has become possible to simplify the costs associated with analytics. Programs and neural networks can automatically calculate the necessary indicators, create the necessary graphs, and help predict the future. The purpose of the study is to use the latest JASP software to analyze and forecast the index of real income of factors in agriculture per annual labor unit (Indicator A). During the analysis, several models were tested, among which the bsts linear trend regression model demonstrated the greatest accuracy, predicting the value of indicator A for 2024 at a level close to the official estimate of Eurostat. The novelty of the work lies in the adaptation of the open-source JASP program to the tasks of forecasting agricultural indicators, which provides a more accessible, automated and transparent analysis in the context of the digital transformation of the agro-industrial complex. The results confirm the high efficiency of using machine learning methods in agricultural statistics and open up prospects for further development of digital tools.</jats:p>