ЖУРНАЛ БІЗНЕС ІНФОРМ.

УКР

ENG

Пошук:

СВІДОЦТВО ПРО РЕЄСТРАЦІЮ

КВ №19905-9705 ПР від 02.04.2013 р.

ЗАСНОВНИКИ

НАУКОВО-ДОСЛІДНИЙ ЦЕНТР ІНДУСТРІАЛЬНИХ ПРОБЛЕМ РОЗВИТКУ НАН УКРАЇНИ
(ХАРКІВ, УКРАЇНА)

Згідно з рішенням № 802 Національної ради України з питань телебачення і радіомовлення від 14.03.2024 р. зареєстрований суб’єктом у сфері друкованих медіа. Ідентифікатор R30-03156

ВИДАВЕЦЬ

ФОП Лібуркіна Л. М.

РОЗДІЛИ САЙТУ

Прогнозування динаміки розвитку тваринництва за допомогою часових рядів
Кулик А. Б.

Кулик А. Б. Прогнозування динаміки розвитку тваринництва за допомогою часових рядів. Бізнес Інформ. 2024. №1. C. 110–117.
https://doi.org/10.32983/2222-4459-2024-1-110-117

Розділ: Економіко-математичне моделювання

Стаття написана українською мовою
Завантажень/переглядів: 0

Завантажити статтю (pdf) -

УДК 338.432

Анотація:
Побудова часових рядів з використанням історичних даних є однією із актуальних проблем управління в аграрному секторі, оскільки аналіз і прогнозування процесів, пов’язаних з продовольчою безпекою держави, регіону, суб’єктів господарювання, має вирішальне значення. За допомогою прогнозів підприємства можуть налаштовувати свою виробничу діяльність таким чином, щоб задовольнити попит і вчасно постачати продукцію споживачам. Метою цього дослідження є прогноз динаміки розвитку поголів’я великої рогатої худоби та корів і визначення оптимального періоду прогнозування. Для такого типу аналізу використовуються статистичні методи, пов’язані з авторегресією: авторегресійні моделі, моделі ковзного середнього або комбінації обох, інтегровані моделі зі змінною структурою та моделі, що включають сезонні ефекти та екзогенні фактори з авторегресійним і ковзним середнім компонентом у моделі. Наведено помісячні статистичні дані кількості великої рогатої худоби та корів: середнє, середнє квадратичне відхилення, мінімальне та максимальне значення, асиметрія та ексцес. Показано динаміку зниження поголів’я великої рогатої худоби та корів. Досліджені ряди перевірені на стаціонарність. До часового ряду кількості великої рогатої худоби застосовувалося перетворення Бокса – Кокса. Наведено оптимальні параметри моделей, що використовуються. Отримано прогнозні значення для часових проміжків (місяці) та проаналізовано зміну кількості поголів’я великої рогатої худоби за останні 17 років. Побудовані часові ряди зіставляються з фактичними значеннями, що проілюстровано на графіках. Наведено оцінки середньоквадратичного відхилення, середньої абсолютної похибки для різних термінів прогнозування. При порівнянні цих оцінок для різних часових інтервалів було визначено оптимальний часовий період для прогнозу (24 місяці). Дане дослідження дозволяє господарствам і підприємствам галузі розуміти, яка кількість продукції (молока, м’яса) може бути зібрана чи отримана в майбутньому. Це допомагає зробити необхідні управлінські кроки: планувати потреби в ресурсах, поліпшити ефективність, збільшити прибуток, знизити витрати й адаптуватися до змін на ринку.

Ключові слова: тваринництво, часові ряди, прогнозування, перетворення Бокса – Кокса.

Рис.: 2. Табл.: 5. Формул: 3. Бібл.: 16.

Кулик Анатолій Борисович – кандидат фізико-математичних наук, доцент, завідувач кафедри, кафедра вищої математики, Київський національний економічний університет імені Вадима Гетьмана (просп. Берестейський, 54/1, Київ, 03057, Україна)
Email: [email protected]

Список використаних у статті джерел

Головне управління статистики в Полтавській області. URL: https://www.pl.ukrstat.gov.ua/
Державна служба статистики України. URL: https://ukrstat.gov.ua/
Марков Н. Ц. Стан і тенденції розвитку скотарства в Болгарії в період з 2015 по 2019 роки. Асканія-Нова. 2020. № 13. С. 384–394. DOI: https://doi.org/10.33694/2617-0787-2020-1-13-384-394
Чуб А. В. Оцінка тенденцій розвитку тваринництва в агропромисловому комплексі України. Вісник ХНАУ ім. В. В. Докучаєва. Серія «Економічні науки». 2021. № 2. Т. 2. С. 358–366. DOI: https://doi.org/10.31359/2312-3427-2021-2-2-358
Abdullayev Y. A., Murtazayev B. Strategic managing the development of livestock production in the region. South Asian Journal of Marketing & Management Research. 2020. Vol. 10. Iss. 2. P. 22–33. DOI: https://doi.org/10.5958/2249-877X.2020.00007.7
Atalan A. Forecasting drinking milk price based on economic, social, and environmental factors using machine learning algorithms. Agribusiness. 2023. Vol. 39. Iss. 1. P. 214–241. DOI: https://doi.org/10.1002/agr.21773
Atkinson A., Riani M., Corbellini A. The Box–Cox Transformation: Review and Extensions. Statistical Science. 2021. Vol. 36. No. 2. P. 239–255. DOI: https://doi.org/10.1214/20-STS778
Chi Y. N. Time Series Forecasting of Global Price of Soybeans using a Hybrid SARIMA and NARNN Model: Time Series Forecasting of Global Price of Soybeans. Data Science: Journal of Computing and Applied Informatics. 2021. Vol. 5. No. 2. P. 85–101. DOI: https://doi.org/10.32734/jocai.v5.i2-5674
Dickey D. A., Fuller W. A. Likelihood Ratio Statistics for Autoregressive Time Series with a Unit Root. Econometrica. 1981. Vol. 49. No. 4. P. 1057–1072. DOI: https://doi.org/10.2307/1912517
Ediger V. S., Akar S. ARIMA forecasting of primary energy demand by fuel in Turkey. Energy Policy. 2007. Vol. 35. Iss. 3. P. 1701–1708. DOI: https://doi.org/10.1016/j.enpol.2006.05.009
Koliadenko S. et al. Analysis and forecasting of Ukrainian agrarian exports to the EU countries. Agricultural and Resource Economics. 2020. Vol. 6. No. 3, pp. 29–47. URL: https://ageconsearch.umn.edu/record/305551/
Manigandan P. et al. Forecasting Natural Gas Production and Consumption in United States-Evidence from SARIMA and SARIMAX Models. Energies. 2021. Vol. 14. Iss. 19. Art. 6021. DOI: https://doi.org/10.3390/en14196021
Mutwiri R. M. Forecasting of Tomatoes Wholesale Prices of Nairobi in Kenya: Time Series Analysis Using Sarima Model. International Journal of Statistical Distributions and Applications. 2019. Vol. 5. Iss. 3. P. 46–53. DOI: https://doi.org/10.11648/j.ijsd.20190503.11
Ribeiro M., Coelho L. Ensemble approach based on bagging, boosting and stacking for short-term prediction in agribusiness time series. Applied Soft Computing. 2020. Vol. 86. DOI: https://doi.org/10.1016/j.asoc.2019.105837
Sirisha U. M., Belavagi M. C., Attigeri G. Profit Prediction Using ARIMA, SARIMA and LSTM Models in Time Series Forecasting: A Comparison. IEEE Access. 2022. Vol. 10. P. 124715–124727. DOI: https://doi.org/10.1109/ACCESS.2022.3224938
Zhang X. et al. Forecasting mortality of road traffic injuries in China using seasonal autoregressive integrated moving average model. Annals of Epidemiology. 2015. Vol. 25. Iss. 2. P. 101–106. DOI: https://doi.org/10.1016/j.annepidem.2014.10.015

ДЛЯ АВТОРІВ

Ліцензійний договір

Умови публікації

Вимоги до статей

Положення про рецензування

Договір публікації

Номер в роботі

Питання, які задаються найчастіше

ІНФОРМАЦІЯ

План наукових конференцій

НАШІ ПАРТНЕРИ

Журнал «Проблеми економіки»

Матеріали на сайті розміщені на умовах ліцензії Creative Commons Attribution 4.0 International CC BY-SA.

Написати вебмастеру