CC BY
8
Научная статья УДК 338.33:519.22
https://doi.org/10.24158/pep.2023.8.14
Диагностика зависимости основного производства от производственной инфраструктуры на основе ансамблевого метода машинного обучения
Алексей Иванович Шинкевич1, Татьяна Витальевна Малышева2
1,2Казанский национальный исследовательский технологический университет, Казань, Россия 1ashinkevich@mail.ru, https://orcid.org/0000-0002-1881-4630 2tv_malysheva@mail.ru, https://orcid.org/0000-0003-4306-0188
Аннотация. Рациональная организация производственной инфраструктуры промышленного предприятия оказывает существенное влияние на уровень доходности производства. В условиях автоматизации промышленности развиваются новые технологии интеграции бизнес-процессов. Цель статьи заключается в диагностике уровня экономической зависимости основного производства от производственной инфраструктуры. В качестве метода исследования предложен алгоритм ансамблевого метода машинного обучения «случайный лес». Разработаны параметры, количественно и качественно описывающие затраты на основное и вспомогательное производство, расходы на ремонтное хозяйство, уровень эффективности производства. Апробация алгоритма на примере химических предприятий позволила выделить три класса производств по характеру организации производственной инфраструктуры и ее участия в основном производстве. Качество полученных моделей оценено путем расчета риска ошибочной классификации и величины кумулятивного подъема, где выделен класс с наиболее корректными результатами классификации. Результаты являются первичной диагностикой организации и использования мощности производственной инфраструктуры в целях принятия решений о реструктуризации бизнес-процессов.
Ключевые слова: производственная инфраструктура, вспомогательное хозяйство, организация производства, экономическая эффективность, аутсорсинг, инсорсинг, машинное обучение, классификационный анализ
Финансирование: исследование выполнено за счет гранта Российского научного фонда № 22-2800581, https://rscf.ru/project/22-28-00581.
Для цитирования: Шинкевич А.И., Малышева Т.В. Диагностика зависимости основного производства от производственной инфраструктуры на основе ансамблевого метода машинного обучения // Общество: политика, экономика, право. 2023. № 8. С. 114-120. https://doi.org/10.24158/pep.2023.8.14.
Original article
Diagnosis of Core Production Dependence on Production Infrastructure Based on Ensemble Method of Machine Learning
Aleksey I. Shinkevich1, Tatyana V. Malysheva2
12Kazan National Research Technological University, Kazan, Russia 1ashinkevich@mail.ru, https://orcid.org/0000-0002-1881-4630 2tv_malysheva@mail.ru, https://orcid.org/0000-0003-4306-0188
Abstract. The rational organization of the production infrastructure of an industrial enterprise has a significant impact on the level of profitability of production. New technologies for integrating business processes are evolving in the face of industrial automation. The aim of the article is to diagnose the level of economic dependence of the core production on the production infrastructure. As a research method, the algorithm of the ensemble method of machine learning "Random Forest" is proposed. The parameters that quantitatively and qualitatively describe the costs of main and auxiliary production, the costs of repair facilities, and the level of production efficiency have been developed. Approbation of the algorithm on the example of chemical enterprises allowed distinguishing three classes of productions by the nature of the organization of production infrastructure and its participation in the core production. The quality of the obtained models is evaluated by calculating the risk of misclassification and the magnitude of cumulative lift, where the class with the most correct classification results is highlighted. Results obtained are primary diagnostics of the organization and capacity utilization of the production infrastructure in order to make decisions on business process restructuring.
Keywords: production infrastructure, auxiliary facilities, production organization, economic efficiency, outsourcing, insourcing, machine learning, classification analysis
Funding: The reported study was funded by the Russian Science Foundation grant No. 22-28-00581, https://rscf.ru/project/22-28-00581.
© Шинкевич А.И., Малышева Т.В., 2023
For citation: Shinkevich, A.I. & Malysheva, T.V. (2023) Diagnosis of core production dependence on production infrastructure based on ensemble method of machine learning. Society: Politics, Economics, Law. (8), 114120. Available from: doi:10.24158/pep.2023.8.14 (In Russian).
Введение. Модель организации производственной инфраструктуры промышленного предприятия оказывает существенное влияние на уровень эффективности производства. Простои производства по причине низкого уровня организации вспомогательных процессов приводят к снижению выпуска продукции, перерасходу материальных ресурсов, увеличению себестоимости конечной продукции. В настоящее время значительная часть задач по техническому обслуживанию производства передается специализированным компаниям на основе технологий аутсорсинга. При адекватном исполнении сторонами своих обязанностей это позволяет существенно снизить затраты на организацию вспомогательного хозяйства предприятия.
Анализ научной литературы (Клочков, Конников, 2019; Лашкова и др., 2019; Михайлов и др., 2021; Мусаева, Ялмаев, 2021; Сайфулина, Исломова, 2021; Травин, Травин, 2018) и практических изданий1 позволяет сделать вывод о среднем соотношении затрат на основное и вспомогательное производство в себестоимости продукции как 5 к 1. Несомненно, приведенный «норматив» расходов предприятия на вспомогательные операции имеет ряд условностей, связанных со спецификой производства, и может варьировать в неограниченном диапазоне значений. Тем не менее в пределах однотипных производств соотношение издержек на основные и вспомогательные процессы может являться ориентиром для первичной диагностики уровня организации вспомогательного хозяйства.
Диагностику эффективности организации производственной инфраструктуры предлагается осуществлять на основе классификационного анализа с использованием ансамблевого метода машинного обучения «случайный лес» (Three-branch random forest..., 2022; Zhao et al., 2022). Данный алгоритм обладает гибкостью для решения задач классификации, регрессии, поиска аномалий, позволяет применять большой набор первичных статистических параметров.
Цель статьи заключается в оценке зависимости основного производства от производственной инфраструктуры предприятия на базе анализа производственных затрат. Объектом исследования являются предприятия по выпуску химической продукции, нефтепродуктов, пластмассовых и резинотехнических изделий и их подвидов согласно ОКВЭД.
Результаты и обсуждение. Стоимость организационно-технического обслуживания основного производства можно оценить как отношение затрат на вспомогательные производственные операции к общим расходам на производство и реализацию продукции. Задача рациональной организации вспомогательных процессов на предприятии заключается в снижении их себестоимости до оптимального значения. Уровень себестоимости вспомогательных операций в рамках производственной инфраструктуры зависит от многих факторов, в том числе2: организации маршрутов операций обслуживающих работ; нормирования обслуживающих работ и материально-технических ресурсов, необходимых для их выполнения; уровня применяемых технологий на вспомогательных и обслуживающих работах; уровня механизации и автоматизации вспомогательных операций, их интеграции в основное производство.
Для оценки количественных зависимостей между основными и вспомогательными подразделениями предприятия использованы технологии интеллектуального анализа данных. В частности, для решения задач классификации объектов применен метод из группы «деревья классификации», подходящий к широкому спектру задач. В отличие от дискриминантного анализа учет переменных производится рекурсивно или по мере построения иерархии. Последовательное изучение эффекта влияния переменных, а также возможность использования как непрерывных, так и категориальных предикторов придают методу дерева классификации гибкость.
Получение более достоверной классификации путем уменьшения дисперсии данных возможно с применением метаалгоритма композиционного обучения машин - бэггинга. Основная идея заключается в использовании большого ансамбля решающих деревьев, каждое из которых само по себе имеет невысокое качество классификации, но за счет большого количества деревьев итог получается объективным. В результате проведения классификации объекту присваивается класс, за который проголосовало большинство деревьев, при условии, что одно дерево обладает одним голосом.
1 Стравинская М.М. Бюджет расходов на техническое обслуживание и ремонт оборудования [Электронный ресурс] // Финансовый директор : электронная газета. 2020. 20 мая. URL: https://www.fd.ru/articles/52153-byudjet-rashodov-na-tehnicheskoe-obslujivanie-i-remont-oborudovaniya (дата обращения: 25.06.2023).
2 Беспалов С., Арсеньев О. Методы формирования производственной себестоимости [Электронный ресурс] // Корпоративный менеджмент : интернет-проект. 2007. 10 сент. URL: https://clck.ru/35GZGR (дата обращения: 25.06.2023).
Для целей оценки зависимости основного производства от производственной инфраструктуры предприятия разработана методика, включающая последовательность математических и логических процедур. Для реализации метода дерева решений использован программный комплекс 81а^1са, реализующий функции интеллектуального анализа данных.
В условиях классификационного анализа нами принята равная для всех категорий цена ошибочной классификации, т. е. матрица стоимости неправильной классификации в данном случае будет симметричной. Априорное распределение вероятностей величины примем как вероятность того, что объект попадет в один из классов. Для проведения анализа данных сформирована база показателей о деятельности производственной инфраструктуры, на основании которых предложены следующие индикативные параметры: х1 - доля затрат на вспомогательные производственные операции в общих затратах на производство и реализацию продукции, %; х2 - расходы на аренду производственного оборудования в расчете на единицу произведенной продукции, р.; хз -стоимость работ ремонтного хозяйства в расчете на единицу произведенной продукции, р.; х4 -выпуск продукции с единицы затрат на производство и реализацию продукции, р. (таблица 1).
Таблица 1 - Значения индикативных параметров деятельности производственной инфраструктуры по видам химических производств1
Table 1 - Values of Indicative Parameters of Industrial Infrastructure Activity by Types of Chemical Industries_
Вид химического производства х1 х2 хз х4
Производство изделий из вулканизированной резины 1,66 0,087 0 1,09
Производство красок и лаков на основе полимеров 0 0,003 0 0,64
Производство красок, лаков, эмалей 1,80 0,000 0,002 1,08
Производство лекарственных препаратов 7,62 0,002 0 1,34
Производство мыла и моющих средств 14,55 0,002 0 1,20
Производство органических ПАВ 6,37 0,002 0 1,02
Производство основных неорганических химических веществ 4,49 0,000 0,005 1,03
Производство основных органических химических веществ 3,27 0,193 0 0,57
Производство парфюмерных и косметических средств 3,66 0,012 0 0,99
Производство пестицидов и агрохимических продуктов 0,34 0,002 0 0,64
Производство пластмасс и синтетических смол 4,54 0,001 0,016 1,22
Производство пластмассовых изделий 3,25 0,041 0 1,22
Производство пластмассовых изделий для строительства 5,70 0,008 0,011 1,09
Производство пластмассовых изделий для упаковки товаров 2,13 0,025 0 1,31
Производство пластмассовых плит, полос, труб 3,97 0,001 0,00004 1,09
Производство промышленных газов 8,70 0,011 0,016 1,07
Производство прочих изделий из пластмасс 2,09 0,006 0 1,03
Производство прочих химических продуктов 5,16 0,033 0,002 0,96
Производство резиновых шин, покрышек и камер 2,27 0,006 0,032 1,03
Производство смазочных материалов 9,09 0,000 0 0,88
Производство труб и шлангов из вулканизированной резины 1,83 0,007 0,005 1,07
Производство удобрений и азотных соединений 22,96 0,009 0 1,24
Производство фармацевтических субстанций 12,09 0,027 0 1,25
Производство фотопластинок и фотопленок 2,55 0,002 0 1,19
Производство химических волокон 4,62 0,001 0 0,73
Производство химических органических основных веществ 3,69 0,018 0,0002 1,09
Предприятия химической продукции и нефтепродуктов осуществляют непрерывный процесс производства массовой продукции ограниченной номенклатуры. Данные предприятия зачастую реализуют полный технологический цикл от подготовки сырья до создания готового продукта технического назначения. Предприятия по выпуску резиновых и пластмассовых изделий могут характеризоваться как массовым, так и частично серийным производством продукции обширной номенклатуры технического и бытового назначения.
Специфика организации вспомогательного хозяйства на предприятии, количество цехов и их масштабы зависят от используемой химической технологии, объемов производства и его организационной структуры в целом. Вспомогательные производства являются неотъемлемой частью основного технологического процесса в части его энергообеспечения, технического обслуживания аппаратов и инструментов, компрессорного и холодильного оборудования, транспортировки потоков сырья и готовой продукции и пр.
Для верификации данных проведен дескриптивный анализ показателей выборки. Статистическая обработка эмпирических данных, их систематизация и количественное описание позволили
1 Все таблицы и рисунки в статье разработаны авторами. Для таблицы 1 расчеты проведены на основании данных следующего источника: Технологическое развитие отраслей экономики [Электронный ресурс] // Росстат : официальный сайт. URL: https://rosstat.gov.ru/folder/11189 (дата обращения: 25.06.2023)
определить, что все показатели соответствуют условиям для входных данных ансамблевого метода машинного обучения «случайный лес». Результатом верификации данных является выбор переменных для анализа классификации. Учитывая условия метода «случайный лес», регламентирующие обязательное наличие категориальных переменных, показатель х2 (расходы на аренду производственного оборудования в расчете на единицу произведенной продукции) из количественного выражения трансформирован в качественную текстовую независимую переменную РИ
Таким образом, в качестве зависимой категориальной переменной принят уровень зависимости основного производства от производственной инфраструктуры. Независимые категориальные и количественные предикторы следующие: РИ - уровень использования технологий аутсорсинга на предприятии; Рд2 - доля расходов на вспомогательные операции в общих затратах на производство и реализацию продукции; РдЭ - затраты на аренду оборудования в расчете на единицу произведенной продукции; Рд4 - стоимость работ ремонтного хозяйства в расчете на единицу произведенной продукции; Рдб - выпуск продукции с единицы затрат на производство и реализацию продукции (эффективность производства).
В результате выполнения всех процедур исследуемые производства классифицированы на три группы по уровню зависимости основного производства от производственной инфраструктуры. Прежде чем представить результаты анализа, мы провели оценку качества алгоритма классификации. На рисунке 1 показаны график коэффициентов ошибочной классификации по последовательным шагам добавления деревьев и диаграмма кумулятивного подъема. Как видно, потребовалось не менее 80-100 деревьев для достижения наименьшего коэффициента ошибочной классификации 0,17. Данный результат близок к модели прогнозирования с наилучшей прогностической достоверностью. Принимаем оптимальное количество деревьев 100 ввиду минимальной оценки риска ошибочной классификации.
Диаграммы кумулятивного подъема позволяют оценить полезность модели «случайный лес» по классам производств. Наибольшая область между линией подъема и базовой линией наблюдется по классу 2, что характеризует данную модель как самую продуктивную с максимальной вероятностью правильной классификации (см. рисунок 1).
§ 0,5
— Обучающая выборка
— Тестовая выборка
АЛ_л_г
лтл_л_г
20 40 60 80 100 120
Количество деревьев
График коэффициента ошибочной классификации для выбора оптимального количества решающих деревьев
2,1 2,0 I 1,9
и
Й 1,8
О
1,7
U
0
я 1 6
м 1,6
к
§1,5
1 1,4
W
S 1,3
к
Ss 1,2 ^
0J
m 1,1 1,0
0,9
Базовая линия Линия подъема
0 10 20 30
40
50 60 70 Процентиль
Диаграмма кумулятивного подъема для оценки полезности модели «случайный лес» (класс 2)
Рисунок 1 - Результаты оценки качества алгоритма классификационного анализа производств по уровню зависимости основного производства от производственной инфраструктуры
Figure 1 - Results of Quality Assessment of the Algorithm of Industrial Production Classification Analysis by the Level of Dependence of the Core Production on the Production Infrastructure
80 90 100 110
0,7
0,6
0,3
0,2
0,1
140
Характеристика смоделированных классов производств представлена в таблицах 2, 3. Класс 1 включает 17 видов производств и отличается относительно низкими затратами на вспомогательные операции, массовым аутсорсингом в части технического обслуживания производства, частичным инсорсингом, отсутствием затрат за исследуемый период на ремонтные работы, высокой эффективностью производства. Класс 2 по оценке качества полученной модели является наиболее правильным и безошибочным, содержит 8 видов производств со средними затратами на вспомогательные операции, частичным аутсорсингом и инсорсингом, средней эффек-
тивностью производства. К классу 3 отнесен только один вид производства с относительно высокими затратами на вспомогательные операции, признаками перехода на аутсорсинг, массовым инсорсингом и низкой эффективностью производства.
Таблица 2 - Параметры классов производств по уровню зависимости основного производства от производственной инфраструктуры
Table 2 - Parameters of Production Classes by the Level of Dependence of the Core Production on the Production Infrastructure
Переменная Экономическая зависимость основного производства от производственной инфраструктуры
Класс 1: низкая Класс 2: средняя Класс 3: высокая
Доля расходов на вспомогательные операции в общих затратах на производство и реализацию продукции, % Менее 5,0 От 5,0 до 15,0 Более 15,0
Расходы на аренду оборудования в расчете на единицу произведенной продукции, р. 0,024 0,011 0,008
Стоимость работ ремонтного хозяйства в расчете на единицу произведенной продукции, р. 0 0,0037 0,0035
Выпуск продукции с единицы затрат на производство и реализацию продукции (эффективность производства), р. 1,238 1,102 1,001
Таблица 3 - Распределение и характеристика классов производств по уровню зависимости основного производства от производственной инфраструктуры
Table 3 - Distribution and Characterization of Industry Classes by the Level of Dependence of the Core Production on the Production Infrastructure
Класс Распределение производств Характеристика производств
1 17 видов производств: красок и лаков, агрохимических продуктов, изделий из вулканизированной резины и пластмассы, резиновых шин, фотопластинок и фотопленок, парфюмерных и косметических средств, синтетических смол, химических волокон Относительно низкие затраты на вспомогательные операции, массовый аутсорсинг, частичный инсорсинг, высокая эффективность производства
2 8 видов производств: химических продуктов, пластмассовых изделий для строительства, органических поверхностно- активных веществ, лекарственных препаратов и фармацевтических субстанций, промышленных газов, смазочных материалов, мыла и моющих средств Средние затраты на вспомогательные операции, частичный аутсорсинг, частичный инсорсинг, средняя эффективность производства
3 1 вид производства: удобрений и азотных соединений Относительно высокие затраты на вспомогательные операции, переход на аутсорсинг, массовый инсорсинг, низкая эффективность производства
Заключение. Диагностика уровня экономической зависимости основного производства от производственной инфраструктуры на базе ансамблевого метода машинного обучения позволила получить следующие результаты.
1. Предложена методика классификационного анализа для целей выделения объектов с различным уровнем внутризаводского кооперирования основных и вспомогательных производственных процессов. Методика базируется на методе деревьев классификации «случайный лес» с использованием метаалгоритма композиционного обучения машин - бэггинга. Выбор метода объясняется его наилучшим поведением при большом числе предикторных переменных, что в случае исследования промышленных систем является актуальным.
2. Продемонстрирована апробация классификационного анализа на примере типологии химических производств по характеру организации вспомогательного хозяйства. Сформирована база параметров по 26 видам химических производств, описывающая затраты на вспомогательные операции, расходы на ремонтное хозяйство и обслуживание оборудования, уровень эффективности производства. Показана процедура статистической обработки данных на базе дескриптивной аналитики. Проведена оценка качества алгоритма классификационного анализа на основе коэффициентов ошибочной классификации и величины кумулятивного подъема, где наиболее высокое качество классификации отмечено по группе со средней экономической зависимостью основного производства от его обслуживания.
3. В результате выполнения всех процедур исследуемые производства классифицированы на три группы по наиболее информативным переменным. Образованные классы производств характеризуются стандартами значений параметров основного производства и производственной инфраструктуры: уровнем затрат на производственную инфраструктуру в себестоимости продукции, применением технологий инсорсинга и аутсорсинга, эффективностью производства.
Результаты диагностики производств могут быть использованы для первичной оценки эффективности организации вспомогательного хозяйства на предприятии, принятия решений о реорганизации бизнес-процессов в целях снижения уровня затрат.
Список источников:
Клочков Ю.С., Конников Е.А. Трансформация структуры производственной себестоимости на промышленном предприятии в процессе интеграции аддитивных технологий // Известия Самарского научного центра Российской академии наук. 2019. Т. 21, № 1 (87). С. 5-10.
Лашкова Н.Г., Золотухина Н.О., Романова И.В. Современные решения в системе управления производственным предприятием // Вестник Санкт-Петербургского государственного университета технологии и дизайна. Сер. 3: Экономические, гуманитарные и общественные науки. 2019. № 3. С. 45-48.
Михайлов Ю.И., Семенов В.П., Михайлова Н.В. Оценка эффективности функционирования производственной инфраструктуры предприятий горнодобывающей промышленности // Экономический вектор. 2021. № 2 (25). С. 39-50. https://doi.org/10.36807/2411 -7269-2021 -2-25-39-50.
Мусаева З.С., Ялмаев Р.А. Промышленная инфраструктура как необходимое условие роста российской экономики // Экономика и предпринимательство. 2021. № 4 (129). С. 243-246. https://doi.Org/10.34925/EIP.2021.129.4.045.
Сайфулина А.Ф., Исломова Р.А. Развитие производственной инфраструктуры в условиях цифровой экономики // Economics. 2021. № 1 (48). С. 5-7.
Травин Г.М., Травин М.М. Системы управления вспомогательным производством промышленных предприятий // Технологии и качество. 2018. № 3 (41). С. 31-35.
Three-branch random forest intrusion detection model / C. Zhang, W. Wang, L. Liu, J. Ren, L. Wang // Mathematics. 2022. Vol. 10, no. 23. P. 4460. https://doi.org/10.3390/math10234460.
Zhao L., Zhu Y., Zhao T. Deep learning-based remaining useful life prediction method with transformer module and random forest // Mathematics. 2022. Vol. 10, no. 16. P. 2921. https://doi.org/10.3390/math10162921.
References:
Klochkov, Yu.S. & Konnikov, E.A. (2019) Changes in the structure of production costs at an industrial enterprise while integrating additive technologies. Izvestia of Samara Scientific Center of the Russian Academy of Sciences. 21 (1), 5-10. (In Russian)
Lashkova, N.G., Zolotukhina, N.O. & Romanova, I.V. (2019) Modern solutions in the production management system. Vestnik Sankt-Peterburgskogo Gosudarstvennogo Universiteta Tekhnologii i Dizaina. Ser. 3: Ehkonomicheskie, Gumanitarnye i Obshchestvennye Nauki. (3), 45-48. (In Russian)
Mikhailov, Yu.I., Semenov, V.P. & Mikhailova, N.V. (2021) Assessment of efficiency of functioning of production infrastructure of the enterprises of the mining industry. Economic Vector. (2), 39-50. Available from: doi:10.36807/2411 -7269-2021 -2-25-39-50. (In Russian)
Musaeva, Z.S. & Yalmaev, R.A. (2021) Industrial infrastructure as a necessary condition for growth of the Russian economy. Journal of Economy and Entrepreneurship. (4), 243-246. Available from: doi:10.34925/EIP.2021.129.4.045. (In Russian)
Sayfulina, A.F. & Islomova, R.A. (2021) Development of production infrastructure in the conditions of the digital economy. Economics. (1), 5-7. (In Russian)
Travin, G.M. & Travin, M.M. (2018) Production auxiliary process control systems. Technologies & Quality. (3), 31-35. (In Russian)
Zhang, C., Wang, W., Liu, L., Ren, J. & Wang, L. (2022) Three-branch random forest intrusion detection model. Mathematics. 10 (23), 4460. Available from: doi:10.3390/math10234460.
Zhao, L., Zhu, Y. & Zhao, T. (2022) Deep learning-based remaining useful life prediction method with transformer module and random forest. Mathematics. 10 (16), 2921. Available from: doi:10.3390/math10162921.
Информация об авторах
А.И. Шинкевич - доктор экономических наук, доктор технических наук, профессор, заведующий кафедрой логистики и управления, Казанский национальный исследовательский технологический университет, Казань, Россия.
https://www.elibrary.ru/author_items.asp?authorid=142837
SPIN-код РИНЦ: 1113-1261.
AuthorID: 142837.
Researcher ID: ABD-4853-2020.
Scopus Author ID: 57039226700.
Т.В. Малышева - доктор технических наук, доцент, профессор кафедры логистики и управления, Казанский национальный исследовательский технологический университет, Казань, Россия.
https://www.elibrary.ru/author_items.asp?authorid=142837
SPIN-код РИНЦ: 3827-9265.
AuthorID: 762064.
Researcher ID: AAM-2396-2021.
Scopus Author ID: 57190414555.
Вклад авторов:
А.И. Шинкевич - научное руководство, концепция исследования, подготовка теоретической базы исследования, выбор и обоснование метода исследования, итоговые выводы.
Т.В. Малышева - адаптация методов исследования под задачи статьи, структурирование базы данных, практическая реализация метода машинного обучения, итоговые выводы.
Конфликт интересов:
авторы заявляют об отсутствии конфликта интересов.
Information about the authors A.I. Shinkevich - D.Phil. in Economics, Ph.D. in Engineering, Professor, Head of the Department of Logistics and Management, Kazan National Research Technological University, Kazan, Russia. https://www.elibrary.ru/author_items.asp?authorid=142837 SPIN-code RSCI: 1113-1261. AuthorID: 142S37. Researcher ID: ABD-4S53-2020. Scopus Author ID: 57039226700.
T.V. Malysheva - D.Phil. in Technical Sciences, Associate Professor, Professor at the Department of Logistics and Management, Kazan National Research Technological University, Kazan, Russia. https://www.elibrary.ru/author_items.asp?authorid=142837 SPIN-code RSCI: 3S27-9265. AuthorID: 762064. Researcher ID: AAM-2396-2021. Scopus Author ID: 57190414555.
Contribution of the authors: A.I. Shinkevich - scientific guidance, research concept, preparation of the theoretical basis of the research, selection and justification of the research method, final conclusions.
T.V. Malysheva - adaptation of research methods to the objectives of the article, database structuring, practical implementation of the machine learning method, final conclusions.
Conflicts of interests:
The authors declare no conflicts of interests
Статья поступила в редакцию / The article was submitted 19.06.2023; Одобрена после рецензирования / Approved after reviewing 17.07.2023; Принята к публикации / Accepted for publication 22.0S.2023.
Авторами окончательный вариант рукописи одобрен.
