FACTOR IMPORTANCE ANALYSIS USING SHAP AND PCA FOR OPTI-MIZING AGRICULTURAL RESOURCE MANAGEMENT

2025

Full text Open access: Gold Metadata (CSL-JSON)
DOI 10.54309/ijict.2025.21.1.002
Data confidence 70 medium
How this score is calculated

It is built from checkable properties of the record itself: whether the article has a DOI, how many independent sources confirmed its data, whether the required fields are filled in, and how recent the latest confirmation is. Disagreement between sources and a missing identifier lower it. A value of 80 or above means the record was published without further checking; 60 to 79 means it is published at reduced confidence, with a manual check advisable. A record verified by an editor by hand is never pushed below 90 by a recalculation. This scores our data about the article, not the article itself.

Abstract

Статья представляет комплексный подход к анализу значимости факторов в агропромышленном секторе. Данный подход использует методы SHAP (Shapley additive explanations), Simple Combination и PCA (анализ главных компонент) + Combination. Исследование направлено на необходимость эффективного управления сельскохозяйственными ресурсами в условиях ограниченных и изменяющихся климатических условий. Предложенная методика позволяет оценить влияние различных факторов на ключевые показатели, такие как урожайность, доходы и операционные расходы. Анализ SHAP выявил основные определяющие факторы, показав, что «Площадь земли (га)» значительно влияет на «Емкость рынка» (59,5%) и «Доход от продаж» (57,2%), что подчеркивает важность масштаба производства. Метод Simple Combination (комбинация Gradient Boosting, Mutual Information и RFE + Lasso) выявил сбалансированное распределение факторов: «Площадь земли» – 14,5%, «Использование семян» – 12,8%, «Расходы на удобрения» – 10,7%. Метод PCA + Combination выявил глобальные тенденции, обозначив ключевыми факторами главных изменений «Урожайность на гектар» (22,5%) и «Размер посевной площади» (11,5%). Этот комплексный подход позволяет проводить глубокий анализ данных, охватывая локальные эффекты и глобальные взаимосвязи. Полученные результаты важны для оптимального управления ресурсами, стратегического планирования и повышения эффективности сельскохозяйственного производства.