Чинники ціноутворення сільськогосподарської продукції

Автор(и)

  • Тетяна КМИТЮК Київський національний економічний університет імені Вадима Гетьмана https://orcid.org/0000-0001-5262-856X

DOI:

https://doi.org/10.31617/1.2023(147)07

Ключові слова:

факторний аналіз, метод головних компонент, множинна лінійна регресійна модель, мультиколінеарність, латентна змінна

Анотація

Вступ. Ціна є головним чинником, який безпосередньо впливає на основні результати діяльності підприємств, зокрема й аграрних. Цінова політика здатна зберегти конкурен­тоспроможність підприємства, забезпечити його платоспроможність і стабільність.

Проблема. Ціноутворення здійснюється в складній взаємодії внутрішніх і зовнішніх чин­ників. Відповідна складність явища потребує включення у модель багатьох факторів, які мо­жуть негативно вплинути на результат. Ве­лика кількість факторів вимагає використання методів, які дадуть змогу ідентифікувати найбільш статистично значущі чинники та оці­нити їх взаємозв’язок із результуючою ознакою.

Мета статті – виявлення за допомогою факторного аналізу основних чинників, визначен­ня їх впливу на формування та зміну ціни сільсько­господарської продукції.

Методи: математико-статистичні (факторний аналіз, головних компонент); економіко-статистичний (множинний регре­сійний на основі факторних оцінок); уза­гальнення.

Результати дослідження. За факторним аналізом та методом головних компонент визначають найбільш вагомі фактори впливу на формування цін сільськогосподарської про­дукції. Використовуючи різні методи змен­шення розмірності, отримано три основні компоненти: пропозиція, попит, платоспро­можність населення, що дало змогу виявити зв’язок між змінними та ціною без проблеми мультиколінеарності.

Висновки. Використання факторного ана­лізу та методу головної компоненти надало можливість врахувати особливості зв’язків між показниками, що характеризують ціно­утворення на картоплю, усунути мультиколі­неарність між незалежними показниками, отри­мати менше спільних факторів, ніж вихідна кількість змінних, заробити кількісну оцінку ла­тентної змінної. Використання ортогональ­ного обертання сприяло більш рівномірному розподілу навантаження на всі три фактори, що спростило їх подальшу інтерпретацію та зберегло 95 % загальної первинної інформації після обертання та зменшення розмірності простих функцій, що є високим показником для практичних завдань.

Біографія автора

Тетяна КМИТЮК , Київський національний економічний університет імені Вадима Гетьмана

к. е. н., доцент, доцент кафедри математичного моделювання та статистики

Посилання

Praburaj, L. (2018). Role of Agriculture in the Economic Development of a Country. Shanlax International Journal of Commerce, 6 (3), 1-5. https://doi.org/10.5281/zenodo.1323056 [in English].

Majumdar, J., Naraseeyappa, S., & Ankalaki, S. (2017). Analysis of agriculture data using data mining techniques: application of big data. Big Data, 4, Article 20. https://doi.org/10.1186/s40537-017-0077-4 [in English].

Issad, H. A., Aoudjit, R. & Rodrigues, J. P. C. (2019). A comprehensive review of Data Mining techniques in smart agriculture. Engineering in Agriculture, Environment and Food, 12 (4), 511-525. https://doi.org/10.1016/j.eaef.2019.11.003 [in English].

Cintina, V. & Pukite, V. (2018). Analysis of influencing Factors of use of agricultural land. Research for rural development, 1, 181-187. https://doi.org/10.22616/rrd.24.2018.028 [in English].

Manishimwe, R., Niyitanga, F., Nsabimana, S., Kabayiza, A., & Mutimawurugo, M.-C. (2019). Socio-economic and Institutional Factors Influencing the Potato (Solanum tuberosum L.) Production at Smallholder Farmers Level in the Gicumbi District in Rwanda. Tropicultura, 37. https://doi.org/10.25518/2295-8010.604 [in English].

Johnston, R., Jones, K., & Manley, D. (2018). Confounding and collinearity in regression analysis: a cautionary tale and an alternative procedure, illustrated by studies of British voting behaviour. Qual Quant, 52, 1957-1976. https://doi.org/10.1007/s11135-017-0584-6 [in English].

Daoud, J. (2017). Multicollinearity and Regression Analysis. Journal of Physics: Conference Series, 949. https://doi.org/10.1088/1742-6596/949/1/012009 [in English].

Greene, W. H. (2017). Econometric analysis (8-th ed.). New York University [in English].

Hansen, B. (2022). Econometrics. Princeton University Press [in English].

Noora, S. (2021). Factor Analysis as a Tool for Survey Analysis. American Journal of Applied Mathematics and Statistics, 9, 4-11, https://doi.org/10.1007/10.12691/ajams-9-1-2 [in English].

Salmensuu, O. (2017). Macroeconomic Trends and Factors of Production Affecting Potato Producer Price in Developing Countries. The Journal of Developing Areas, 55, 91-105 [in English].

Chen, Y., & Li, X. (2022). Determining the number of Factors in high-dimensional generalized latent Factor models, Biometrika, 109 (3), 769-782. https://doi.org/10.1093/biomet/asab044 [in English].

Reijer, den A. H. J., Jacobs, P. A. M., & Otter, P. W. (2021). A criterion for the number of Factors. Communications in Statistics – Theory and Methods, 50:18, 4293-4299. https://doi.org/10.1080/03610926.2020.1713376 [in English].

Choi, I., & Jeong, H. (2019). Model selection for Factor analysis: Some new criteria and performance comparisons. Econometric Reviews, 38 (6), 577. https://doi.org/10.1080/07474938.2017.1382763 [in English].

Ricolfi, L., & Testa, S. (2021). Factorial Invariance and Orthogonal Rotation, Multivariate Behavioral Research, 56:5, 787-804, https://doi.org/10.1080/00273171.2020.1770571 [in English].

Yamashita, N., & K. Adachi (2020). Permutimin: Factor Rotation to Simple Structure with Permutation of Variables, Multivariate Behavioral Research, 55:1, 17-29, https://doi.org/10.1080/00273171.2019.1598331 [in English].

Hazhar, B., & Dler, K. (2019). An Application of Factor Analysis to Identify the Most Effective Reasons that University Students Hate to Read Books. International Journal of Innovation, Creativity and Change, 6 (2), 251-265 [in English].

Jennrich, R. I. (2018). Rotation. In P. Irwing, T. Booth, & D. J. Hughes (Eds.), The Wiley handbook of psychometric testing: A multidisciplinary reference on survey, scale and test development, 279-304, Wiley Blackwell. https://doi.org/10.1002/9781118489772.ch10 [in English].

Tahtali, Y. (2019). Use of Factor scores in multiple regression analysis for estimation of body weight by certain body measurements in Romanov Lambs. Peer J. 7, Article e7434. https://doi.org/doi:10.7717/peerj.7434 [in English].

Meyers, L. S., Gamst, G., & Guarino, A. J. (2013). Applied multivariate research: Design and interpretation (2-nd ed.). Sage Publications, Inc. [in English].

Bartholomew, D. J. (2011). Factor Analysis and Latent Variable Modelling. International Encyclopedia of Statistical Science. Springer [in English].

Bryant, F. B., & Yarnold, P. R. (1995). Principal-components analysis and exploratory and confirmatory Factor analysis. In L. G. Grimm & P. R. Yarnold (Eds.). Reading and understanding multivariate statistics. American Psychological [in English].

Jollife, I. T. (2002). Principal Component Analysis. 2-nd ed. New York: Springer-Verlag. https://goo.gl/SB86SR [in English].

Cattell, R. B. (1966). The scree test for the number of Factors. Multivariate Behavioral Research, 1, 245-276 [in English].

Official statistics of Latvia (2005-2021). Average retail prices of selected commodity (euro per 1 kg, if other – specified) 2005M01 – 2021M07 [Data set]. August 11, 2021. https://data.stat.gov.lv/pxweb/en/OSP_PUB/START__VEK__PC__PCC/PCC010m [in English].

##submission.downloads##

Опубліковано

2023-02-23

Як цитувати

КМИТЮК T. (2023). Чинники ціноутворення сільськогосподарської продукції. "Scientia·fructuosa", 147(1), 88–105. https://doi.org/10.31617/1.2023(147)07

Номер

Розділ

ЕКОНОМІКО-МАТЕМАТИЧНЕ МОДЕЛЮВАННЯ