AN ANALYSIS OF FOREIGN TRADE IN GRAINS AND MACHINE LEARNING METHODS IN DECISION SUPPORT FOR AGRIFOOD EXPORTS

Внешняя торговля является одной из быстроразвивающихся сфер экономической жизни России. Особенно это касается агропродовольственного сектора в целом и его ключевой составляющей – зерновых. Согласно статистике за 2021 год, объем мирового рынка зерна составил более 180 миллионов тонн, причем 35% этого объема пришлось на пшеницу

В качестве методов исследования выступают как классические методы статистического анализа, так и методы машинного обучения

Зерновые являются стратегическим товаром с точки зрения продовольственной безопасности любой страны. В этой связи их производство и налаженный экспорт становятся доминантой развития экономики. Исторически Россия входила в число  ведущих мировых держав по экспорту зерновых. Однако в девяностые годы мы потеряли ключевые позиции в этой сфере, превратившись практически в импортера продовольствия. В начале нового тысячелетия государство обратило пристальное внимание на эту сферу и приступило к реализации аграрной реформы. Благодаря предпринятым мерам внутреннее потребление было практически обеспечено, что позволило в качестве приоритета определить выход на внешние рынки.

Pассмотрим динамику объемов (в млрд. долларов) мирового и российского экспорта зерновых (товарная группа «Злаки») в период 2015-2021 гг (рис. 1).

Рисунок 1 - Динамика мирового и российского экспорта зерновых (2015-2021 гг)

DOI:10.23670/IRJ.2024.142.9.1

Уравнение регрессии мирового экспорта зерновых    показывает явную тенденцию к росту, что обусловлено возрастающими потребностями мирового сообщества в обеспечении продовольствием. Такая же тенденция наблюдается и в российском экспорте. При этом мировые цены на зерновые постоянно растут. На рисунке 2 представлены средние мировые цены на некоторые зерновые.

Рисунок 2 - Динамика средних мировых цен

DOI:10.23670/IRJ.2024.142.9.2

Проведем сравнительный анализ структуры мирового и российского экспорта. Как видно из приведенной диаграммы (рис. 3), ключевыми здесь являются пшеница, рис и кукуруза, на долю которых, в совокупности приходится около 86% в 2015 году. Эта тенденция сохраняется в динамике и в 2021 году составляет уже почти 90%.

Что касается России, то как следует из приведенной диаграммы (рис. 4), ключевыми здесь являются  пшеница и кукуруза, с преобладанием пшеницы, которая в динамике составляла около 70 % в 2015 году и почти 80% в 2021 году.

Рисунок 3 - Структура мирового экспорта зерновых (2015 -2021 гг)

DOI:10.23670/IRJ.2024.142.9.3

На примере 2021 года видим (рис. 5), что крупнейшими экспортерами являются США (24%), Индия (10%), Аргентина (10%), Украина (9%), Австралия (8%) и Россия (7%).

Рисунок 4 - Структура российского зерновых экспорта (2015 -2021 гг)

DOI:10.23670/IRJ.2024.142.9.4

Рисунок 5 - Топ 15 стран по экспорту зерновых (2021 г.)

DOI:10.23670/IRJ.2024.142.9.5

В то время как крупнейшими потребителями (рис. 6) являются Китай (25%), Япония (10%), Мексика (7%), Республика Корея (6%), Египет (6%) и Турция (5%).

Рисунок 6 - Топ 15 стран по импорту зерновых (2021 г.)

DOI:10.23670/IRJ.2024.142.9.6

Детальный анализ ежегодных объемов экспорта (табл. 1) показывает явную тенденцию к росту (рис. 7). Уравнения регрессии   как общего объема , так и его ключевой составляющей (пшеницы и меслина)   подтверждают эту динамику.

Зерновые, входящие в структуру российского экспорта, как показано в таблице 1, можно разделить на три группы: первая это пшеница и меслин, вторая – кукуруза, ячмень и овес, и, третья – рожь, сорго, гречиха и прочие злаки.

Рисунок 7 - Ежегодные объемы экспорта зерновых в целом и пшеницы (2015-2021 гг)

DOI:10.23670/IRJ.2024.142.9.8

Наиболее интересным представляется анализ структуры экспорта в разрезе стран и его динамики, а так же анализ значимости российского экспорта для страны в которую он осуществляется. Такой анализ необходим для выявления тенденций выбора партнеров для определения устойчивости страновой диверсификации экспорта.

Проанализировав данные за период 2013-2020 годы, нами была получена следующая таблица (таблица 2), характеризующая динамику доли двадцати ключевых стран (ежегодно), в которые производился экспорт зерновых. Как видно, таких стран получилось – 34. Причем, какие-то страны весь исследуемый период попадали в двадцатку ключевых импортеров российских зерновых (например, Турция и Египет), часть стран имела смешанную тенденцию (например, Азербайджан и Южная Африка), а часть стран появилась только в конце исследуемого периода (например, Беларусь, Казахстан, Оман).

Визуальный анализ показывает, что возможно выделение трех категорий импортеров российских зерновых: Ключевые (Турция, Египет, Саудовская Аравия, Иран, Азербайджан), Стабильные (Грузия, Израиль, Иордания, Йемен, Кения, Ливан, Ливия, Нигерия, ОАЭ, Судан, Танзания, Южная Африка, Южная Корея) и с неопределенной стабильностью (Бангладеш, Беларусь, Вьетнам, Греция, Индонезия, Испания, Казахстан, Латвия, Марокко, Мексика, Мозамбик, Нидерланды, Оман, Пакистан, Перу, Филиппины).

Однако, традиционные методы анализа, не всегда позволяют выявить существующие тенденции, так как, число стран в которые производится экспорт российских зерновых гораздо больше рассмотренный нами выше тридцати четырех, а во вторых – среди стран не входящих в число экспортеров могут быть потенциальные экспортеры. Поэтому задача сводится к классификации стран импортеров зерновых в разрезе импорта зерновых из России и предсказанию, в какую экспортную российскую категорию попадет страна. При этом нас в первую очередь интересуют страны возможные импортеры, то есть те, которые потенциально могут войти в число крупнейших импортеров российских зерновых.

2.1. Машинное обучение

Описание исходных данных для задачи машинного обучения: источником для получения этих данных послужили сайты «https://russian-trade.com/» и данные агрегаторов мировой торговой статистики Trade Map. Датасет имеет название «Trade-statistics», содержит в себе информацию о торговых операциях с различными товарами  в разных странах в период с 1995 год по 2022 год. Он состоит из 8226871 строк и 10 столбцов, которые включают в себя следующие характеристики (рисунок 8 слева):

· country_or_area: название страны или региона, с которым происходила торговля; Тип данных: object

· year: год, в котором была совершена торговая операция; Тип данных: int64

· comm_code: код товара по классификации торговых товаров; Тип данных: object

· commodity: название товара; Тип данных: object

· flow: тип торговой операции (импорт или экспорт); Тип данных: object

· trade_usd: объем торговых операций в долларах США; Тип данных: int64

· weight_kg: вес товара в килограммах; Тип данных: float64

· quantity_name: единица измерения количества товара; Тип данных: object

· quantity: количество товара; Тип данных: float64

·  category: категория товара; Тип данных: object

Рисунок 8 - Вид датасета (слева) и Фрагмент кода (справа)

DOI:10.23670/IRJ.2024.142.9.10

Для дальнейшей работы  методами машинного обучения, датасет был предобработан, были добавлены столбцы, определены столбцы, которые будут кодироваться и масштабироваться. Закодировано было название страны (country_or_area). Так как мы рассматривали только зерновые, то столбец название товара (commodity) был исключен. Были рассмотрены – объем импорта из России, объем импорта всего по зерновым (weight) и объем торговых операций в долларах США (trade_usd) так же из России и всего по зерновым.

2.2. Построение моделей и алгоритмов машинного обучения

Для начала, мы разобьем датасет на обучающую и тестовую выборку. Параметр X послужит для нас матрицей признаков, а Y будет вектором целевой переменной. С помощью библиотеки мы разобьем данные так, чтобы они были перемешаны на тестовой и обучающей выборке, чтобы на тестовых данных модель сталкивалась с ранее неизвестными данными, и давала более точные результаты работы, а так же демонстрировала свою устойчивость.  Было принято решение к построению нескольких моделей машинного обучения единовременно (RandomForestClassifier, AdaBoostClassifier, GradientBoostingClassifier, BaggingClassifier, StackingClassifier, VotingClassifier) с использованием метода кросс-валидации из библиотеки, а также определением среднего значения оценки производительности в нескольких метриках

Выбор метрик для оценки результатов модели является критически важным, поскольку это позволяет определить, насколько хорошо модель работает для конкретной задачи машинного обучения. В данном случае были выбраны следующие четыре метрики: Accuracy (точность), Precision (точность), Recall (полнота), F1 (мера F1) — это гармоническое среднее между точностью Precision и полнотой.  Выбор данных метрик позволяет оценить как точность модели, так и ее способность правильно идентифицировать классы, что может быть критически важным в задаче оценки российского агроэскпорта зерновых. Исходя из основной цели исследования и простоты интерпретации результатов мы остановимся на бинарной классификации, при которой  имеем вероятности принадлежности объектов к классам. Исходя из проведенного ранее анализа экспорта зерновых, мы в качестве порога разделения классов возьмем долю (%) импортеров российских зерновых в общем экспорте России по этой категории и определим ее равной 1%. Сводные характеристики приведены в таблице 3.

Из анализа было выявлено, что GradientBoostingClassifier и ансамблевая модель  StackingClassifier демонстрируют наибольшую производительность по всем метрикам, что говорит о том, что они правильно классифицируют большинство примеров. Однако StackingClassifier также показывает более высокие значения Precision и Recall, чем остальные модели, однако требовала значительно больше времени для обучения. Это означает, что она имеет более высокую точность и полноту по сравнению с другими моделями.

Оценим визуально кривые обучения, чтобы сравнить эти две модели не только по численному признаку, выраженному в метриках, но и по визуальному. Красным будет помечаться обучающая переменная, а зеленым – тестовая (рисунок 9).

Рисунок 9 - GradientBoostingClassifier Curve и StackingClassifier Curve

DOI:10.23670/IRJ.2024.142.9.12

Таким образом, в ходе исследования были определены две модели: базовый классификатор GradientBoostingClassifier и ансамблевая модель StackingClassifier, которые показали наилучшую производительность с точки зрения метрик и кривых обучения. В то же самое время, ансамблевая модель достаточно сильно уступает базовому классификатору в плане времени обучения, практически в пять с половиной раз.

Исходная задача сводилась к классификации стран импортеров зерновых в разрезе импорта зерновых из России и предсказанию, в какую экспортную российскую категорию попадет страна: страны-импортеры, которые потенциально входят в число крупнейших импортеров российских зерновых и  прочие страны.

Имеющиеся в наличии данные позволяют оценить работу модели для периода 2013–2021, так как данные 2022 и 2023 года еще не доступны. На рисунке 10 представлена диаграмма числа стран, вошедших в число крупнейших импортеров российских зерновых фактические за указанные периоды и предсказанные моделью.

Рисунок 10 - Диаграмма числа стран

DOI:10.23670/IRJ.2024.142.9.13

Фактически в 2021 году четыре страны Камерун, Тунис, Алжир и Китай входят в число крупнейших импортеров российских зерновых. Моделью же так же были выделены еще три страны Сенегал, Демократическая республика Конго и Италия, что показывает достаточно хорошую точность. Рассмотрим подробно  рост стоимости экспорта в период 2019–2020 гг. и 2020–2021 гг. в процентах по странам, фактически вошедшим в двадцатку крупнейших импортеров российских зерновых и странам добавленным моделью,  а так же объем экспорта в 2021 г., тыс. долларов США (по данным trade map) (таблица 4).

Как видно из представленного анализа, все страны, за исключением Алжира показали значительный  процент роста стоимости экспорта. Более того, такие страны как Демократическая республика Конго и Италия,  классифицированные моделью показывают значительный рост стоимости в период 2020-2021 гг. Объем же в стоимостном выражении отличается незначительно, что говорит о потенциале этих стран, особенно если их сравнивать, например с Китаем.

Если поставить вопрос классификации несколько шире и задать в качестве порога разделения классов меньшую долю (%), например 0,5%, то мы очевидно сможем получить большее число стран потенциально выгодных импортеров наших зерновых. Помимо этого, мы так же можем выбрать другой параметр или параметры классификации.

Нами продемонстрированы только некоторые возможности машинного обучения для анализа внешней торговли зерновыми и использования моделей машинного обучения для поддержки принятия решений.

Проведенный сравнительный анализ внешней торговли зерновыми показывает устойчивый рост российского экспорта зерновых, что обусловлено возрастающими потребностями мирового сообщества в обеспечении продовольствием. При этом цены на зерновые неуклонно растут, а в структуре экспорта большую долю занимает пшеница. Для России же пшеница является стратегическим экспортным товаром и по результатам 2022 года наша страна вышла на первое место в мире по ее экспорту. Наряду с классическим статистическим анализом мы применили методы машинного обучения в задаче классификации стран импортеров зерновых в разрезе импорта зерновых из России и предсказанию, в какую экспортную российскую категорию попадет страна. Эта задача важна с точки зрения определения приоритетных направлений экспорта. Проведенный анализ позволил определить несколько стран, которые могут стать приоритетными направлениями экспорта зерновых.