Articles

Cluster model for big data analysis in livestock production

Received: 15.05.2023 Published: 15.05.2023

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

Full text

Abstract

Intelligent methods of analysis, which include the problem of clustering, are widely used in the field of economics of the agro-industrial complex. The clustering problem belongs to the class of unsupervised learning problems. The essence of the problem is the grouping of research objects according to the use of similarity. If the regions of the Russian Federation are selected in terms of livestock production, they can also be automatically grouped according to the similarity recipe. The k-means method is currently a successful method for solving clustering problems. The main stage of solving the problem is the collection of data, which includes all the main characteristics of the object. For example, if you set up production in the region in terms of animal husbandry, then it would be more logical to x1 - meat production per capita and x2 - milk production per capita. The criterion for choosing the number of clusters is the root mean square error. In total, 79 regions of the Russian Federation participated in the analysis. It turned out that the potential to break all regions of the Russian Federation into 7 clusters of similarity. Regions with high milk and meat production (clusters 4 and 6), regions with high milk and meat production (clusters 2, 3, 5) and regions with low milk and meat production (clusters 0, 1) were identified.

Keywords

How to cite

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

How to Cite

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

References

  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.