Прогнозування розвитку тваринництва на основі часових рядів
Анотація
Побудова часових рядів з використання історичних даних є однією з 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 та 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, які включають сезонні ефекти та екзогенні фактори з авторегресійним і ковзним середнім компонентом у моделі. Наведені помісячні статистичні дані кількості великої рогатої худоби і корів: середнє, середнє квадратичне відхилення, мінімальне і максимальне значення, асиметрія і ексцес. Показана динаміка зниження поголів’я великої рогатої худоби і корів. Досліджені ряди перевірені на стаціонарність. До часового ряду кількості великої рогатої худоби застосовувалось перетворення Бокса-Кокса. Наведені оптимальні параметри моделей, що використовуються. Отримані прогнозні значення для часових проміжків (місяці) та проаналізована зміна кількості поголів’я великої рогатої худоби за останні 15 років. Побудовані часові ряд зіставляються з фактичними значеннями, що проілюстровано на графіках. Наведені оцінки середньоквадратичного відхилення, середньої абсолютної похибки у відсотках для різних термінів прогнозування. Порівнюючи ці оцінки для різних часових інтервалів, був визначений оптимальний часовий період для прогнозу (24 місяці). Дане дослідження дозволяє господарствам і підприємствам у галузі розуміти, яка кількість продукції (молока, м’яса) може бути зібрана або отримана в майбутньому. Це допомагає зробити необхідні управлінські кроки: планувати потреби в ресурсах, покращити ефективність, збільшити прибуток, знизити витрати і адаптуватися до змін на ринку
Ключові слова
тваринництво; моделювання; управління; перетворення Бокса-Кокса
[1] Abdullayev, A.Y., & Baxtiyor, M. (2020). Strategic managing the development of livestock production in the region. South Asian Journal of Marketing & Management Research, 10(2), 22-33. doi: 10.5958/2249877X.2020.00007.7.
[2] Abraham, E.R, dos Reis, J.G.M., Vendramento, O., de Oliveira Costa Neto, P.L., Toloi, R.C., de Souza, A.E., & de Oliveira Morais, M. (2020). Time series prediction with artificial neural networks: An analysis using Brazilian soybean production. Agriculture, 10(10), article number 475. doi: 10.3390/agriculture10100475.
[3] Atalan, A. (2023). Forecasting drinking milk price based on economic, social, and environmental factors using machine learning algorithms. Agribusiness, 39(1), 214-241. doi: 10.1002/agr.21773.
[4] Atkinson, A., & Corbellini, M. (2021). The box-cox transformation: Review and extensions. Statistical Science, 36(2), 239-255. doi: 10.1214/20-STS778.
[5] Chen, Y., Nu, L., & Wu, L. (2020). Forecasting the agriculture output values in China based on grey seasonal model. Mathematical Problems in Engineering, 2020, article number 3151048. doi: 10.1155/2020/3151048.
[6] Chi, Y. (2021). 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, 5(2), 85-101. doi: 10.32734/jocai.v5.i2-5674.
[7] Chub, A. (2021). Assessment of trends in livestock farming in the agricultural industrial complex of Ukraine. Bulletin of KhNAU named after V.V. Dokuchaev. Series “Economic Sciences”, 2(2), 358-366. doi: 10.31359/23123427-2021-2-2-358.
[8] Dickey, D., & Fuller, W. (1981). Likelihood ratio statistics for autoregressive time series with a unit root. Economometrica, 49(4), 1057-1072. doi: 10.2307/1912517.
[9] Durmanov, A., Tillaev, A., Ismayilova, S., Djamalova, X., & Murodov, S. (2019). Economic-mathematical modeling of optimal level costs in the greenhouse vegetables in Uzbekistan. Revista ESPACIOS, 40(10), 1-20.
[10] Ediger, V., & Akar, S. (2007). ARIMA forecasting of primary energy demand by fuel in Turkey. Energy Policy, 35(3), 1701-1708. doi: 10.1016/j.enpol.2006.05.009.
[11] He, Y., Zheng, Y., & Qifa, X. (2019). Forecasting energy consumption in Anhui province of China through two Box-Cox transformation quantile regression probability density methods. Measurement, 136, 579-593. doi: 10.1016/j.measurement.2019.01.008.
[12] Hyndman, R., & Koehler, A. (2006). Another look at measures of forecast accuracy. International Journal of Forecasting, 22(4), 679-688. doi: 10.1016/j.ijforecast.2006.03.001.
[13] Koliadenko, S., Andreichenko, A., Galperina, L., Minenko, S., & Kovylina, M. (2020). Analysis and forecasting of Ukrainian agrarian exports to the EU countries. Agricultural and Resource Economics, 6(3), 29-47. doi: 10.22004/ ag.econ.305551.
[14] Lavruk, A., & Lavruk, N. (2020). Animal husbandry: State and prospects of development. Agrosvit, 22, 9-15. doi: 10.32702/2306-6792.2020.22.9.
[15] Lv, S., Peng, L., Hu, H., & Wang, L. (2022). Effective machine learning model combination based on selective ensemble strategy for time series forecasting, Information Sciences, 612, 994-1023. doi: 10.1016/j. ins.2022.09.002.
[16] Main Department of Statistics in Khmelnytskyi Region. (n.d.). Retrieved from https://www.km.ukrstat.gov.ua/ ukr/index.htm.
[17] Manigandan, P., Alam, M., Alharthi, M., Khan, U., Alagirisamy, K., Pachiyappan, D., & Rehman, A. (2021). Forecasting natural gas production and consumption in United States-Evidence from SARIMA and SARIMAX models. Energies, 14(19), article number 6021. doi: 10.3390/en14196021.
[18] Mutwiri, R. (2019). Forecasting of tomatoes wholesale prices of Nairobi in Kenya: Time series analysis using sarima model. International Journal of Statistical Distributions and Applications, 5(3), 46-53. doi: 10.11648/j. ijsd.20190503.11.
[19] Parajua, N. (2022). Transformations in agriculture, stockbreeding, forestry and fishing within the Spanish agrifood system (1980-2016). Historia Agraria, 88, 253-283. doi: 10.26882/histagrar.088e04p.
[20] Raju, S.M.T.U., Sarker, A., Das, A., Islam, Md.M., Al-Rakhami, M.S., Al-Amri, A.M., Mohiuddin, T., & Albogamy, F.R. (2022). An approach for demand forecasting in steel industries using ensemble learning. Complexity, 2022, article number 9928836. doi: 10.1155/2022/9928836.
[21] Ribeiro, M.H.D.M., & Coelho, L. (2020). Ensemble approach based on bagging, boosting and stacking for shortterm prediction in agribusiness time series. Applied Soft Computing, 86, article number 105837. doi: 10.1016/j. asoc.2019.105837.
[22] Shubravska, O., & Prokopenko, K. (2018). Distribution of agrarian novations in the context of effective branch growth. Innovation and Intellectual Capital, 2, 71-76.
[23] Shyian, N., & Kotelnikova, I (2019). Assessment of social and environmental dimensions of stockbreeding efficiency at agricultural enterprises. Economics of Development, 18(4), 28-40. doi: 10.21511/ed.18(4).2019.04.
[24] Sirisha, U., Belavagi, M., & Attigeri, G. (2022). Profit prediction using ARIMA, SARIMA and LSTM models in time series forecasting: A comparison. IEEE Access, 10, 124715-124727. doi: 10.1109/ACCESS.2022.3224938.
[25] State Statistics Service of Ukraine. (n.d.). Retrieved from https://ukrstat.gov.ua/.
[26] Zamlynskyi, V. (2019). Structural transformations of the stockbreeding industry in context of the global food safety. Ekonomika APK, 26(4), 22-28. doi: 10.32317/2221-1055.201904022.
[27] Zamula, I., Tanasiieva, M., Travin, V., Nitsenko, V., Balezentis, T., & Streimikiene, D. (2020). Assessment of the profitability of environmental activities in forestry. Sustainability, 12(7), article number 2998. doi: 10.3390/ su12072998.
[28] Zhang, P. (2003). Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, 50, 159-175. doi: 10.1016/S0925-2312(01)00702-0.
[29] Zhang, X., Pang, Y., Cui, M., Stallones, L., & Xiang, H. (2015). Forecasting mortality of road traffic injuries in China using seasonal autoregressive integrated moving average model. Annals of Epidemiology, 25(2), 101106. doi: 10.1016/j.annepidem.2014.10.015.
[30] Zharuk, P., & Zharuk, L. (2020). The world trends in sheep breeding development and its state in Ukraine. Journal of Mountain Agriculture on the Balkans, 23(3), 1-24.