Статьи

Кластерная модель анализа больших данных в животноводческом производстве

Дата поступления: 15.05.2023 Дата публикации: 15.05.2023

УДК: 303.722.4 EDN: NESYPG DOI: 10.22394/2079-1690-2023-1-3-67-74

Полный текст:

Аннотация

Интеллектуальные методы анализа, к которым относится задача кластеризации, все шире применяются в сфере экономики АПК. Задача кластеризации относится к классу задач обучения без учителя. Суть задачи - группировка объектов исследования по принципу схожести. Если рассматривать регионы РФ с точки зрения производства животноводческой продукции, их так же можно автоматически сгруппировать по принципу схожести. Метод k-средних на данный момент является основным методом решения задач кластеризации. Основным этапом задачи классификации является формирование набора данных, в который входят все основные характеристики объекта. Например, если рассматривать производство региона с точки зрения отрасли животноводства, то логичнее будет использовать х1 - производство мяса на душу населения и х2 - производство молока на душу населения. Критерием выбора количества кластеров является суммарная среднеквадратическая ошибка. Всего в анализе участвовало 79 регионов РФ. Оказалось, что рациональнее разбивать все регионы РФ на 7 кластеров схожести. Были выделены регионы с высоким производством молока и мяса (кластеры 4 и 6), регионы со средним производством молока и мяса (кластеры 2, 3, 5) и регионы с низким производством молока и мяса (кластеры 0, 1).

Ключевые слова

Как цитировать

Для цитирования:

Галанина О.В., Золотарёва Ю.П. Кластерная модель анализа больших данных в животноводческом производстве // Государственное и муниципальное управление. Учёные записки. 2023. № 3. С. 67–74. https://doi.org/10.22394/2079-1690-2023-1-3-67-74

For citation:

Galanina O.V., Zolotaryova J.P. Cluster model for big data analysis in livestock production // State and Municipal Management. Scholar Notes. 2023. no. 3. P. 67–74. https://doi.org/10.22394/2079-1690-2023-1-3-67-74

Как цитировать

Галанина О.В., Золотарёва Ю.П. Кластерная модель анализа больших данных в животноводческом производстве // Государственное и муниципальное управление. Учёные записки. 2023. № 3. С. 67–74. https://doi.org/10.22394/2079-1690-2023-1-3-67-74

Список литературы

  1. Погонышева Д. А., Савин А. В., Серая Г. В., Тасоева Е. В. Цифровые технологии в кадровом менеджменте в сельском хозяйстве // Вестник Брянской государственной сельскохозяйственной академии. 2021. № 3(85). С. 60-66. DOI 10.52691/2500-2651-2021-85-3-60-66. EDN ZYGAOT.
  2. Смелик Н. Л. Сущность трансформации экономической системы и ее механизма // Известия Санкт-Петербургского государственного аграрного университета. 2014. № 37. С. 97-103. EDN UXWKXL.
  3. Смагин Б. И. Использование кластерного анализа в анализе экономических процессов сельскохозяйственного производства // Наука и Образование. 2021. Т. 4. № 2. EDN FPYMAK.
  4. Меньшикова М. А., Ходыревская В. Н., Симахина О. Н., Шакирова Д. Ф. Территориальный анализ уровня развития строительства в России методом кластерного анализа // Экономика и предпринимательство. 2021. № 2(127). С. 456-460. DOI 10.34925/EIP.2021.127.2.086. EDN KSZPEO.
  5. Замбржицкая Е. С. Кластерный анализ как предварительный этап анализа безубыточности // Приложение математики в экономических и технических исследованиях. 2020. № 1(10). С. 109-115. EDN WXKTIH.
  6. Шамсутдинова Т. М. Технологии интеллектуального анализа статистических данных (на примере кластерного анализа показателей сельскохозяйственного производства субъектов РФ) // Современные научно-практические решения в АПК : Материалы международной научно-практической конференции, Воронеж, 06–07 июня 2017 года. Воронеж: Воронежский государственный аграрный университет им. Императора Петра I, 2017. С. 467–473. EDN ZWGBHD.
  7. Kosyakova L. N., Popova A. L. Innovative policy in the agricultural sphere // British Journal for Social and Economic Research. 2016. Vol. 1, No. 2. P. 29-38. EDN XCPWLV.
  8. Лаврова А. П. Роль личных подсобных хозяйств сельского населения в продовольственном обеспечении // Известия Санкт-Петербургского государственного аграрного университета. 2015. № 40. С. 186-191. EDN UXWNVZ.
  9. Ульянова Н. Д. Искусственный интеллект в системах электронного документооборота // Проблемы энергообеспечения, автоматизации, информатизации и природопользования в АПК : Сборник материалов международной научно-технической конференции, Брянск, 30 апреля 2022 года. Брянск: Брянский государственный аграрный университет, 2022. С. 214-220. EDN DWLLIB.
  10. Гринь М. Г., Гринь А. М. Внутренняя отчетность аграрных организаций и использование ее в системе управления // Вестник Брянской государственной сельскохозяйственной академии. 2011. № 4. С. 52-56. EDN THKTWH.
  11. Золотарева Ю. П., Галанина О. В. Стратегическое планирование и программирование регионального и муниципального развития сельских территорий // Известия Международной академии аграрного образования. 2021. № 56. С. 69-72. EDN FBYYFL.
  12. Галанина О. В. Big Data в планировании восстановления молочного стада КРС // Известия Международной академии аграрного образования. 2022. № 59. С. 92-95. EDN NAMWLU.