CC BY
21
НИЖНЕВОЛЖСКОГО АГРОУНИВЕРСИТЕТСКОГО КОМПЛЕКСА НАУКА И ВЫСШЕЕ ПРОФЕССИОНАЛЬНОЕ ОБРАЗОВАНИЕ
DOI: 10.32786/2071-9485-2020-02-23 NEURAL NETWORK FORECASTING OF THE DEVELOPMENT OF DAIRY FARMING IN THE VOLGOGRAD REGION
G. V. Fedotova1, I. F. Gorlov1,2, M. I. Slozhenkina1, A. V. Gluschenko1, E. S. Vorontsova1 , D. A. Mosolova1
1Volga Region Research Institute of Manufacture and Processing of Meat-and-Milk Production,
Volgograd, Russia 2Volgograd State Technical University, Volgograd, Russia
Received 12.03.2020 Submitted 14.05.2020
The work was performed under the state task A19-119051400084-5 and under the grant from the President of the Russian Federation NSh-2542.2020.11
Summary
Volgograd region imports almost 25% of dairy raw materials from other regions, as the capacity of dairy farms of agricultural enterprises and private farms is still insufficient. To improve the current situation and develop drastic measures, it is necessary to assess the prospects for the development of the industry and forecast its future state with the current rate of development. For this purpose, in the article, a tool for neural network modeling was used to forecast the development of the industry in the near future, the number of future cattle and dairy cows was estimated as well as the volume of production of dairy raw materials.
Abstract
Introduction. Dairy farming is one of the most important directions of ensuring food security of the Russian Federation. Nowadays, virtually all food safety indicators are met, with the exception of milk and dairy products. The emerging trends in recent years of growth in the number of cattle, including dairy orientation, prove the development of this industry. Unfortunately, the increase in the number of livestock occurs mainly in peasant farms and personal subsidiary farms of the population, in terms of their scale and productivity do not have a high potential for increasing milk production. Therefore, it is necessary first of all to increase the growth rate of livestock in agricultural organizations that are able to form a powerful raw milk base. Currently, the processing industry is experiencing a shortage of dairy raw materials, so there is an increase in the production of counterfeit products and various violations of the production technologies of many dairy products. To this end, it is necessary to increase the intensity of dairy farming by improving feeding and livestock rearing technologies, develop dairy farms and continue to subsidize milk production. To improve the current situation and develop drastic measures, it is necessary to assess the prospects of the industry and forecast its future state at the current rate of development. Object. The object of the study was the livestock of cattle and dairy cows in the Volgograd region. Materials and methods. To build a forecast for the development of the industry, the academic online platform Deductor was used, in which perceptrons of cattle livestock development were built on the basis of retrospective dynamics data on the total number of cattle, number of dairy livestock, and milk production. Results and conclusion. Evaluation of the forecast development of dairy farming in the Volgograd region by 11 input parameters using the neural network modeling tool allowed us to present the parameters of the industry for 2022. The results of the analysis include 3 directions of the forecast: 1) the forecast value for 2022 for the parameter "Livestock total" was 320460 heads, which completely coincided with the actual value in 2019; 2) the forecast value for the parameter "Dairy total" was 122594 heads, while the actual value in 2019 was 129922 heads. So, according to the forecast, the number of dairy livestock may decrease by 7328 heads, or by 5.6%; 3) the forecast value for 2022 for the parameter "Milk total, tons" was 522999.89 tons, while the actual value in 2019 was 547444 tons. That is, according to the forecast, milk production in the region may decrease by 24444.11 tons, or by 4.46%. All the constructed models are highly stable, since all the considered parameters do not exceed the confidence intervals of the scattering diagrams, and the error values are zero for all the forecast value intervals. Thus, the construction of three forecasts for the development of dairy farming in the Volgograd region by 2022 demonstrate a decrease in milk production, which requires a radical revision of the existing policy of state support for the dairy industry.
Key words: dairy farming, neural network forecast, dairy raw materials, livestock, dairy cows.
***** ИЗВЕСТИЯ *****
НИЖНЕВОЛЖСКОГО АГРОУНИВЕРСИТЕТСКОГО КОМПЛЕКСА: № 2 2020
НАУКА И ВЫСШЕЕ ПРОФЕССИОНАЛЬНОЕ ОБРАЗОВАНИЕ
Citation. Fedotova G. V., Gorlov I. F., Slozhenkina M. I., Gluschenko A. V., Vorontsova E. S., Mo-solova D. A. Neural network forecasting of the development of dairy farming in the Volgograd region. Proc. of the Lower Volga Agro-University Comp. 2020. 2(58). 223-240 (in Russian). DOI: 10.32786/2071-9485-2020-02-23.
Author's contribution. All authors of this research paper have directly participated in the planning, execution, or analysis of this study. All authors of this paper have read and approved the final version submitted.
Conflict of interest. The authors declare no conflict of interest. УДК 636.2.034(470.45):004.8
НЕЙРОСЕТЕВОЕ ПРОГНОЗИРОВАНИЕ РАЗВИТИЯ МОЛОЧНОГО ЖИВОТНОВОДСТВА ВОЛГОГРАДСКОЙ ОБЛАСТИ
Г. В. Федотова1, доктор экономических наук, доцент И. Ф. Горлов1'2, доктор сельскохозяйственных наук, профессор, академик РАН М. И. Сложенкина1, доктор биологических наук, профессор, член-корреспондент РАН А. В. Глущенко1, доктор экономических наук, профессор Е. С. Воронцова1, младший научный сотрудник Д. А. Мосолова1, младший научный сотрудник
1 Поволжский научно-исследовательский институт мясомолочной продукции, г. Волгоград 2Волгоградский государственный технический университет, г. Волгоград
Дата поступления в редакцию 12.03.2020 Дата принятия к печати 14.05.2020
Работа выполнена по госзаданию А19-119051400084-5 и по гранту Президента РФ НШ-2542.2020.11
Актуальность. Молочное животноводство является одним из важных направлений обеспечения продовольственной безопасности государства. Сегодня фактически все индикаторы продовольственной безопасности выполнены, за исключением молока и молокопродуктов. Наметившиеся тенденции последних лет роста поголовья крупного рогатого скота, в том числе молочной направленности, доказывают развитие данной отрасли. К сожалению, рост численности поголовья животных происходит в основном в крестьянских фермерских хозяйствах и личных подсобных хозяйствах населения, которые по своим масштабам и производительности не обладают высоким потенциалом к росту производства молока. Необходимо прежде всего наращивать темпы роста поголовья животных в сельскохозяйственных организациях, которые способны сформировать мощную сырьевую молочную базу. В настоящее время перерабатывающая промышленность испытывает дефицит молочного сырья, поэтому наблюдаются рост выпуска фальсифицированной продукции и различные нарушения технологий производства многих молочных продуктов. С этой целью необходимо наращивать интенсивность молочного животноводства посредством улучшения технологий кормления и выращивания поголовья, развивать молочные фермы и продолжать субсидировать производство молока. Для улучшения сложившейся ситуации и разработки кардинальных мер необходимо оценить перспективы отрасли и спрогнозировать ее будущее состояние при существующих темпах развития. Объект. Объектом исследования явилось поголовье крупного рогатого скота и молочных коров в Волгоградской области. Материалы и методы. Для построения прогноза развития отрасли была использована академическая онлайн-платформа Deductor, в которой были выстроены персептроны развития поголовья крупного рогатого скота на основе ретроспективных данных динамики по общему количеству поголовья крупного рогатого скота, численности молочного поголовья, объемам производства молока. Результаты и выводы. Оценка прогнозного развития молочного животноводства Волгоградской области по 11 входным параметрам с использованием инструмента «нейросетевое моделирование» позволило представить параметры отрасли на 2022 год. Итоги анализа включают в себя 3 направления прогноза: 1) прогнозное значение на 2022 год по параметру «Поголовье всего» составляло 320 460 гол., что полностью совпало с фактическим значением в 2019 г.; 2) прогнозное значение по параметру «Молочные всего» составило 122 594 гол., тогда как фактическое значение в 2019 г. составляло 129 922 гол. Итак, по прогнозу численность молочного поголовья может сократиться на 7328 гол., или на 5,6 %; 3) прогнозное значение для
НИЖНЕВОЛЖСКОГО АГРОУНИВЕРСИТЕТСКОГО КОМПЛЕКСА НАУКА И ВЫСШЕЕ ПРОФЕССИОНАЛЬНОЕ ОБРАЗОВАНИЕ
2022 года по параметру «Молоко всего, т» составило 522 999,89 тонн, тогда как фактическое значение в 2019 г. надоев было 547 444 т. То есть по прогнозу, производство молока в регионе может сократиться на 24 444,11 тонн, или на 4,46 %. Все построенные модели обладают высокой устойчивостью, поскольку все рассматриваемые параметры не выходят за границы доверительных интервалов диаграмм рассеяния, значения ошибок - нулевое по всем интервалам прогнозных значений. Таким образом, построение трех прогнозов развития молочного животноводства в Волгоградской области к 2022 году демонстрируют снижение производства молока, что требует коренного пересмотра существующей политики государственной поддержки молочной отрасли.
Ключевые слова: молочное животноводство, нейросетевые прогнозы, молочное сырье, развитие молочного скотоводства, прогнозирование развития молочного скотоводства.
Цитирование. Федотова Г. В., Горлов И. Ф., Сложенкина М. И., Глущенко А. В., Воронцова Е. С., Мосолова Д. А. Нейросетевое прогнозирование развития молочного животноводства Волгоградской области. Известия НВ АУК. 2020. 2(58). 223-240. DOI: 10.32786/2071-9485-2020-02-23.
Авторский вклад. Все авторы настоящего исследования принимали непосредственное участие в планировании, выполнении или анализе данного исследования. Все авторы настоящей статьи ознакомились и одобрили представленный окончательный вариант.
Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.
Введение. Молочное животноводство в России развивается нестабильно ввиду высоких издержек на содержание животных, проблем с комплектованием ферм и комплексов ремонтным поголовьем, зачастую укороченной продолжительностью лактации и общего снижения поголовья животных в хозяйствах по различным причинам. По итогам 2019 года общее количество крупного рогатого скота молочной направленности в хозяйствах России составило 3255 тыс. гол., что на 11,4 % ниже поголовья, содержавшегося в 2011 году. На рисунке 1 видим, что тренд численности поголовья имеет нисходящую прямую, что подтверждает прогнозы многих исследователей о проблемах по выполнению индикатора продовольственной безопасности по молоку и молокопродук-там при сложившихся условиях [4].
Высокие издержки и риски данной отрасли животноводства не позволяют развиваться и наращивать объемы молока-сырья для восполнения полной потребности внутреннего рынка (рисунок 1).
2011 2012 2013 2014 2015 2016 2017 2018 2019
Рисунок 1 - Динамика численности молочного поголовья животных в России за период 20112019 гг., тыс. гол. (Итоги года 2019. Молоко и молочные продукты. Режим доступа:
https://sdelanounas.ru/blogs/129318/)
Figure 1 - Dynamics of the number of dairy livestock of animals in Russia for the period 2011-2019, thousand heads. (Results of the year 2019. Milk and dairy products. Access mode: https://sdelanounas.ru/blogs/129318/)
НИЖНЕВОЛЖСКОГО АГРОУНИВЕРСИТЕТСКОГО КОМПЛЕКСА: НАУКА И ВЫСШЕЕ ПРОФЕССИОНАЛЬНОЕ ОБРАЗОВАНИЕ
Следовательно, при такой динамике численности молочного поголовья нет материальной основы для достижения роста объемов молочного сырья в будущих периодах. Как результат данной тенденции - рост индекса цен на молоко и молочную продукцию, замена натуральных продуктов в ежедневном рационе населения более дешевыми товарами-субститутами (цельное молоко - на сухое или восстановленное, масло сливочное - на маргарин).
Оценка объемов произведенного молока по итогам 2019 года по регионам Южного федерального округа показывает, что Волгоградская область занимает 3 место среди регионов ЮФО, уступая лидерство Краснодарскому краю и Ростовской области (рисунок 2).
Рисунок 2 - Динамика производства молока в регионах ЮФО в 2019 году, тыс. тонн
Figure 2 - Dynamics of milk production in the regions of the Southern Federal District in 2019,
thousand tons
Третья позиция Волгоградской области среди территорий ЮФО по производству молока сохраняется благодаря росту численности молочного поголовья животных в регионе за последние 5 лет, а также росту надоев с одной коровы (рисунок 3).
Рисунок 3 - Динамика молочного поголовья и продуктивность коров в Волгоградской области
Figure 3 - Dynamics of dairy stock and productivity of cows in the Volgograd region
226
НИЖНЕВОЛЖСКОГО АГРОУНИВЕРСИТЕТСКОГО КОМПЛЕКСА: НАУКА И ВЫСШЕЕ ПРОФЕССИОНАЛЬНОЕ ОБРАЗОВАНИЕ
По данным рисунка 3 молочное поголовье в регионе в 2019 году по сравнению с предыдущим годом увеличилось на 4 %. При этом рост молочного поголовья произошел в крестьянских фермерских хозяйствах на 20,4 % и в личных подсобных хозяйствах - на 3 % [7].
Для улучшения сложившейся ситуации и разработки кардинальных мер необходимо оценить перспективы отрасли и спрогнозировать ее будущее состояние при существующих темпах развития. С этой целью в статье использован инструмент нейросете-вого моделирования прогнозного развития отрасли на ближайшую перспективу, проведена оценка численности будущего поголовья крупного рогатого скота и молочных коров, а также оценены объемы производства молочного сырья.
При сборе информации большое значение имеют ее качественные характеристики, отвечающие целевым запросам пользователей, такие как релевантность, сопоставимость, достоверность [10, 11, 13].
Материалы и методы. Наши исследования проводились с применением методов графического представления информации, статистического анализа данных, применялись методы классификации, группировки, анализа динамики изучаемых процессов, для формулирования выводов были использованы методы обобщения данных и логического анализа. Для построения прогноза развития отрасли была использована академическая онлайн-платформа Deductor, в которой были выстроены персептроны развития поголовья крупного рогатого скота на основе ретроспективных данных динамики по общему количеству поголовья крупного рогатого скота, численности молочного поголовья, объемам производства молока. Построенные прогнозы на 3-х летний период позволяют представить динамику развития отрасли и разработать мероприятия для роста молочного производства.
Результаты и обсуждение. С ростом надоев молока выросли объемы сырья для перерабатывающей промышленности. Так, в 2019 году молока-сырья произведено на 1,9 % больше, чем в 2018 году, при этом данный показатель получен за счет повышения продуктивности молочного скота. Надои молока в среднем на 1 корову в 2019 году составили 4297 кг, что больше, чем в 2018 году на 51 кг. Основная доля произведённого молока в 2019 году приходится на личные подсобные хозяйства населения - 473,4 тыс. тонн (около 86 %) из общего объема 547,4 тыс. тонн, что вызывает определенные трудности для молокозаводов, связанные со сбором сырья и его качеством (рисунок 4).
Рисунок 4 - Производство молока в хозяйствах Волгоградской области, тонн
Figure 4 - Milk production in the farms of the Volgograd region, tons
На рисунке 4 представлена динамика производства молока во всех типах хозяйств региона за период с 2014-2019 гг. Фактически производителями молока выступают личные хозяйства, которые, к сожалению, не обладают большим потенциалом роста произ-
227
НИЖНЕВОЛЖСКОГО АГРОУНИВЕРСИТЕТСКОГО КОМПЛЕКСА: НАУКА И ВЫСШЕЕ ПРОФЕССИОНАЛЬНОЕ ОБРАЗОВАНИЕ
водства и соответствующими санитарными условиями. К тому же, подобная практика создает определенные трудности для молочных заводов - возникает необходимость в своевременном сборе молока у населения, организации его охлаждения и своевременной транспортировке для переработки. Существующие объемы производства молочного сырья не обеспечивают потребности в молоке перерабатывающих заводов [6].
На сегодняшний день самыми большими объемами переработки в регионе владеют федеральные компании. Danone принадлежит Волгоградский молочный комбинат (до 100 тыс. т. сырья в год), а Фудлэнд - Еланский сыродельный комбинат (до 180 тыс. т. в год). Фактически эти 2 завода перерабатывают половину произведенного в регионе молочного сырья, другая половина молока используется на остальных предприятиях. Кроме этого, почти 25 % молочного сырья завозится для переработки из других регионов. Безусловно, с экономической точки зрения для Волгоградской области наиболее целесообразно наращивать объемы молочного сырья местными товаропроизводителями [9].
Таблица 1 - Фрагмент исходных вводных данных для нейросети Table 1 - A fragment of the initial input data for a neural network
1 2 3 4 5 6 7 8 9
1
2 Поголовье КРС, голов 2014 2015 2016 2017 2018 2019 2019 2014, % 2019 2018.
з 1Всего 1 322100 307000 308200 297036 301980 320460 99,50 106,10
4 схо 44300 39800 35900 32284 30004 30364 68,50 101,20
5 КФХ 54000 51600 58300 58880 66036 77130 142,80 116,80
6 ЛПХ 223800 215600 214000 205872 205940 212966 95,20 103,40
7 в т.ч. коров, голов
8 всего 164SOO 15S700 158000 158444 163212 172274 104,50 105,60
9 СХО 19300 17400 15700 13320 13091 12766 66,10 97,50
10 КФХ 33800 32300 33600 34781 39894 44946 133,00 112,70
11 ЛПХ 111700 109000 108700 110343 110227 114562 102,60 103,90
12 КЗ НИХ молочных, голов
13 всего 122594 121640 121580 123125 124883 129922 106,00 104,00
14 СХО 7387 8664 8011 7252 7170 7237 98,00 109,00
15 КФХ 4857 4926 5548 6175 8312 10004 206,00 120,40
16 ЛПХ 110350 108050 108021 109698 109401 112681 102,10 103,00
17
18 Молочные и помесные коровы в СХО (\1СХ) 12977 13376 12710 10952 10054 9625 74,20 95,70
На следующем этапе работы с программой входные данные были преобразованы и подготовлены для использования в нейросети (таблица 2).
Таблица 2 - Данные, импортированные в платформу Deductor Table 2 - Data Imported into the Deductor Platform
D a - у » * чй м ни©
El Сиена . ? » XI Связи кластеров X Карта Кохонена.
gm н »5 йча-s- ▼ и- « -
В ED Сиендрми
S (5) Текстсеьы
ф Самосçc
й % В m {a} ù • о
Te6(Mi« X Диаграм-и рассел*« X Что-ес<и X Матсммсраекм« X Профит кластер« X OfywxuHi набор X Статкпжа X .
UEO ► w I @ т
con
КРС. ВСЕГО голое КГСвСО КРС в КФХ
лгк
КОРОВ, всего КОРОВ в (Х0 КОРОВ в КФХ КОРОВвЛГК МОЛОЧНЫЕ всего МОЛОЧНЫЕ вСХО МОЛОЧНЫЕ вКФХ МОЛОЧНЫЕ в ЛПХ МОЛ ИПОМЕС вСХ0(МК)
2014 2015 2016 2017
Молоко всего, т Молоко СХО, т Молоко КФХ. т Молоко ЛПХ. т flpcc^rwMOCTb ВСЕГО, т Противность СХ0, т Прадутивиость КФХ. т Прой^тдаость ЛГК т
322100 44300 54000 223800 164800 19300 33800 111700 122534 7387 4857 110350 12977 523000 43900 29200 449900 3942 4556 3599 3914
307000 39800 51600 215600 158700 17400 32300 103000 121640 8664 4926 108050 13376 511300 41800 27700 441800 4023 4653 3627
308200 35900 58300 214000 158000 15700 33600 108700 121580 8011 5548 108021 12710 515600 36700 28300 450600 4135 4528 3743 4133
237036
32284 58880 205872
158444
13320 34781 110343 123125 7252 6175 109698 10952 526037 36744 29654 459639 4202 4757 3812 4190
301980 30004 66036 205340 163212 13031 33894 110227 124883 7170 8312 109401 10054 537135 39456 32730 464949 4246 5265 3844 4207
2019 2019/2014.* [ 2019/2018.3 Прогноз
320460 30364 77130 21296« 172274 12766 44946 114562 129922 7237 10004 112681 9625
547444
39482 34552 473410 4237
33.5
68.5 142.8 352
104.5 66.1 133
102.6 106 38
206 102.1 742 104.7 83.3 118.3 1052 1Ш 131.3 107.3 107.6
106,1 1012 116.8 103.4
105.6 97.5
112.7 103.9
104 109 120.4 103 95,7 101.9 100.1 105.6
101.8 1012 113.6 100.4 100.1
320460 30364 77130 212966 172274 12766 44946 114562 123322 7237 10004 112681 3625
547444
39482 34552 473410 4297
НИЖНЕВОЛЖСКОГО АГРОУНИВЕРСИТЕТСКОГО КОМПЛЕКСА: НАУКА И ВЫСШЕЕ ПРОФЕССИОНАЛЬНОЕ ОБРАЗОВАНИЕ
В нашем исследовании сделана попытка составить прогноз развития молочной отрасли животноводства региона на основе статистических данных за период с 20142019 гг. по поголовью молочного скотоводства и количеству произведенного молока. Для целей анализа и прогнозирования была использована академическая онлайн-платформа Deductor. Для построения нейросетевого прогноза в платформу были загружены входные параметры по динамике развития молочного животноводства Волгоградской области за последние 6 лет. Входные параметры включали численность поголовья крупного рогатого скота, в том числе количество молочных коров, объемы производства молока. Фрагмент исходных данных выглядел следующим образом (таблица 1).
Параметры последнего года в нейросети были приняты в качестве прогнозных и вставлены в обучающую выборку в колонке «Прогноз».
Полученная нейросетевая модель «Карта Кохонена» позволяет обеспечить визуализацию данных в двухмерном пространстве - на плоскости (рисунок 5).
Рисунок 5 - Визуализация данных в нейросети «Карта Кохонена»
Figure 5 - Data visualization in the neural network «Map of Kohonen»
Так, поголовье всего в 2019 году составляло 320 460 голов, что отмечено точкой слева внизу рисунка на зеленом кластере.
Прогнозные значения по интересующим нас параметрам можно получить при использовании функции «что-если» нейросети (рисунок 6).
Рисунок 6 - Использование функции «что-если» в нейросети для получения прогнозного значения численности поголовья скота по всему объему входных параметров
Figure 6 - Using the «what-if» function in the neural network to get a forecast value for the number of
livestock over the entire volume of input parameters 229
НИЖНЕВОЛЖСКОГО АГРОУНИВЕРСИТЕТСКОГО КОМПЛЕКСА: НАУКА И ВЫСШЕЕ ПРОФЕССИОНАЛЬНОЕ ОБРАЗОВАНИЕ
Применение функции «что-если» в нейросетевом моделировании позволило выйти на прогнозное значение общего поголовья крупного рогатого скота в Волгоградской области по всем категориям хозяйств на перспективу 3 года [8]. Так, прогнозное значение по параметру «Поголовье всего» составило для третьего года от последнего в выборке, то есть в 2022 году - 320 460 гол., что полностью совпало с фактическим значением в 2019 году.
Устойчивость построенной модели может быть охарактеризована как высокая, поскольку все значения не выходят за доверительные интервалы диаграммы рассеяния (рисунок 7).
Рисунок 7 - Диаграмма рассеяния по параметрам общего поголовья крупного рогатого скота Figure 7 - Scattering diagram for the parameters of the total number of cattle
Таким образом, значение ошибки - нулевое по всем интервалам прогнозных значений. На основании проведенного исследования, можно сделать следующие выводы:
- применение нейросети «Карта Кохонена» обеспечивает визуализацию обрабатываемых данных и прогнозных значений;
- прогнозное значение на 2022 год по параметру «Поголовье всего» составляло 320 460 гол., что полностью совпало с фактическим значением в 2019 г.;
- построенная модель устойчива, поскольку ни один из рассматриваемых параметров не вышел за границы доверительных интервалов диаграммы рассеяния;
- значение ошибки - нулевое по всем интервалам прогнозных значений.
Таблица 3 - Данные для импорта в платформу Deductor Table 3 - Data for import into the Deductor platform
1 2 3 4 5 б 7 8 9 10 11 12 13 14
1 KPC, ВСЕГО голое KPC в СХО KPC в КФХ ХШГ о а D О о X КОРОВ в СХО КОРОВ в КФХ КОРОВ в ЛИХ МОЛОЧНЫЕ всего МОЛОЧНЫЕ в СХО МОЛОЧНЫЕ в КФХ МОЛОЧНЫЕ в ЛПХ МОЛ. И ПОМЕС. в СХО (МСХ)
2 2019 320460 30364 77130 212966 172274 12766 44946 114562 129922 7237 10004 112681 9625
3 2018 301980 30004 66036 205940 163212 13091 39894 110227 124883 7170 8312 109401 10054
4 2017 297036 32284 58880 205872 158444 13320 34781 110343 123125 7252 6175 109698 10952
S 2016 308200 35900 58300 214000 158000 15700 33600 108700 121580 8011 5548 108021 12710
6 2015 307000 39800 51600 215600 158700 17400 32300 109000 121640 8664 4926 108050 13376
7 2014 322100 44300 54000 223800 164800 19300 33800 111700 122594 7387 4857 110350 12977
НИЖНЕВОЛЖСКОГО АГРОУНИВЕРСИТЕТСКОГО КОМПЛЕКСА: НАУКА И ВЫСШЕЕ ПРОФЕССИОНАЛЬНОЕ ОБРАЗОВАНИЕ
На следующем этапе анализа проведем оценку прогнозных параметров по молочному поголовью крупного рогатого скота. С этой целью построим отдельные пер-септроны для выборки их общего массива входных параметров.
Первый персептрон построим по параметру «Молочное поголовье». Для его построения используем данные по общему и молочному поголовью из таблицы 1. Исходные данные были импортированы в платформу таким образом, чтобы они могли быть использованы как датасет для нейросети (таблица 3).
После импорта данных в платформу и их обработки была получена обучающая выборка для нейросети «Персептрон_ Молочное поголовье» (таблица 4).
Таблица 4 - Обучающая выборка для нейросети «Персептрон» Table 4 - the Training sample for the neural network «Perceptron»
КРС в СХО КРС в КФХ ЛПХ КОРОВ, всего КОРОВ в СХО КОРОВ в КФХ КОРОВ в ЛПХ МОЛОЧНЫЕ в СХО МОЛОЧНЫЕ в КФХ ПОЛОЧНЫЕ в ЛПХ МОЛ. И ПОМЕС. в СХО (МСХ) МОЛОЧНЫЕ всего
► 30364 77130 212966 172274 12766 44946 114562 7237 10004 112681 9625 129922
30004 66038 205940 163212 13091 39894 110227 7170 8312 109401 10054 124883
32284 58880 205872 158444 13320 34781 110343 7252 6175 109698 10952 123125
35900 58300 214000 158000 15700 33600 108700 8011 5548 108021 12710 121580
39800 51600 215600 158700 17400 32300 109000 8664 4926 108050 13376 121640
44300 54000 223800 164800 19300 33800 111700 7387 4857 110350 12977 122594
Программа на основе обучающей выборки строит нейросеть на основе 11 входных параметров и выдает 1 выходной параметр - молочные всего. Граф персептрона представлен на рисунке 8.
Рисунок 8 - Граф персептрона Молочные всего Figure 8 - Count perceptron Dairy total
Нейросетевая модель содержит входной слой, выходной и два скрытых слоя. На входном слое имеется 11 параметров (количество голов): КРС, ВСЕГО голов, КРС в СХО, КРС в КФХ, ЛПХ, КОРОВ, всего, КОРОВ в СХО, КОРОВ в КФХ, КОРОВ в ЛПХ, МОЛОЧНЫЕ в СХО, МОЛОЧНЫЕ в КФХ, МОЛОЧНЫЕ в ЛПХ, МОЛ. И ПО-МЕС. в СХО (МСХ). На выходном слое имеется единственный параметр - МОЛОЧНЫЕ всего.
Полученная Модель была обучена методом «backpropagation» - обратного распространения ошибки. Прогнозные значения по численности молочного поголовья коров можно получить при использовании функции «что-если» нейросети (рисунок 9).
НИЖНЕВОЛЖСКОГО АГРОУНИВЕРСИТЕТСКОГО КОМПЛЕКСА: НАУКА И ВЫСШЕЕ ПРОФЕССИОНАЛЬНОЕ ОБРАЗОВАНИЕ
Рисунок 9 - Использование функции «что-если» в нейросети для получения прогнозного
значения параметра МОЛОЧНЫЕ всего
Figure 9 - Using the «what-if» function in the neural network to get the forecast value
of the parameter DAIRY total
Так, при подаче на вход нейросетевой модели численных значений 2019 г., расчетное прогнозное значение для третьего года от последнего, то есть 2022 года, по параметру «МОЛОЧНЫЕ всего» составило (122 593,9931) 122 594 гол., тогда как фактическое значение в 2019 г. составляло 129 922 гол. То есть по прогнозу численность молочного поголовья может сократиться на 7328 гол., или на 5,6 %.
Устойчивость и достоверность модели может быть охарактеризована как высокая, поскольку все значения не выходят за доверительные интервалы диаграммы рассеяния (рисунок 10).
Рисунок 10 - Диаграмма рассеяния по параметрам общего молочного поголовья
крупного рогатого скота
Figure 10 - Scattering diagram for the parameters of the total dairy livestock of cattle
НИЖНЕВОЛЖСКОГО АГРОУНИВЕРСИТЕТСКОГО КОМПЛЕКСА: НАУКА И ВЫСШЕЕ ПРОФЕССИОНАЛЬНОЕ ОБРАЗОВАНИЕ
Диаграмма прогнозных значений дает исчерпывающую информацию по прогнозным значениям рассматриваемых параметров (рисунок 11).
Рисунок 11 - Диаграмма прогнозных значений по молочному поголовью
Figure 11 - Diagram of forecast values for dairy livestock
Согласно представленному графику, значение ошибки - нулевое по среднему интервалу прогнозных значений, что дает возможность судить о высокой достоверности прогноза.
Таблица 5 - Данные по производству молока для импорта в платформу Deductor Table 5 - Milk production data for import into the Deductor platform
1 2 3 4 5 6 7 8 9 10 11 12
X
и 2
О
О X X X и
X ©
и и Ьг: ^ и
О X X 12 12 S г t- ь ь
X $ — ц Й Й 2 О X X
О ы О X ■Э J
ш с о с и bi и
о о =Г Q О N о Ьй о о * О
о О о
о о о о о О о О о О о si о
1 Ьй ьг ^ 2 5 2 5 2 2 2 2 2
2 3 12766 44946 114562 129922 7237 10004 112681 9625 39482 34552 473410 547444
13091 39894 110227 124883 7170 8312 109401 10054 39456 32730 464949 537135
4 13320 34781 110343 123125 7252 6175 109698 10952 36744 29654 459639 526037
5 6 7 15700 33600 108700 121580 8011 5548 10S021 12710 36700 28300 450600 515600
17400 32300 109000 121640 8664 4926 108050 13376 41800 27700 441800 511300
19300 33800 111700 122594 7387 4857 110350 12977 43900 29200 449900 523000
Таким образом, на основании проведенного исследования можно сделать следующие выводы:
- применение нейросети в построение персептрона обеспечивает визуализацию обрабатываемых данных и прогнозных значений;
- прогнозное значение по параметру «МОЛОЧНЫЕ всего» составило (122593,9931) 122 594 гол., тогда как фактическое значение в 2019 г. составляло 129 922 гол. То есть по прогнозу численность молочного поголовья может сократиться на 7328 гол., или на 5,6 %;
НИЖНЕВОЛЖСКОГО АГРОУНИВЕРСИТЕТСКОГО КОМПЛЕКСА: НАУКА И ВЫСШЕЕ ПРОФЕССИОНАЛЬНОЕ ОБРАЗОВАНИЕ
- построенная модель устойчивая, поскольку ни один из рассматриваемых параметров не вышел за границы доверительных интервалов диаграммы рассеяния;
- значение ошибки - нулевое по всем интервалам прогнозных значений.
Второй персептрон был построен по параметру «МОЛОКО». Для его построения были использованы входные параметры, из которых сделали выборку по производству молока в хозяйствах Волгоградской области [5]. Исходные данные были обработаны для применения в датасет для нейросети (таблица 5).
В результате подготовки данных была получена обучающая выборка для нейросети «Персептрон» (таблица 6).
Таблица 6 - Обучающая выборка для нейросети «Персептрон» Table 6 - Training sample for the neural network «Perceptron»
КОРОВ в СХО КОРОВ в КФХ КОРОВ в ЛПХ МОЛОЧНЫЕ всего МОЛОЧНЫЕ в СХО МОЛОЧНЫЕ в КФХ МОЛОЧНЫЕ в ЛПХ МОЛ. И ПОМЕС. в СХО (МСХ) Молоко СХО.т Молоко КФХ.т Молоко ЛПХ,т Молоко всего, т
12766 44946 114562 129922 7237 10004 112681 9625 39482 34552 473410 547444
13091 39894 110227 124883 7170 8312 109401 10054 39456 32730 464949 537135
13320 34781 110343 123125 7252 6175 109698 10952 36744 29654 459639 526037
15700 33600 108700 121580 8011 5548 108021 12710 36700 28300 450600 515600
17400 32300 109000 121640 8664 4926 108050 13376 41800 27700 441800 511300
► 19300 33800 111700 122594 7387 4857 110350 12977 43900 29200 449900 523000:
Программа на основе обучающей выборки строит нейросеть на основе 11 входных параметров и выдает 1 выходной параметр - «Молоко всего». Граф персептрона представлен на рисунке 12.
Рисунок 12 - Граф персептрона молоко всего Figure 12 - Count perceptron milk total
Нейросетевая модель содержит входной слой, выходной и два скрытых слоя. На входном слое имеется 11 параметров (количество голов и надои по молочным хозяйствам): КОРОВ в СХО, КОРОВ в КФХ, КОРОВ в ЛПХ, МОЛОЧНЫЕ всего, МОЛОЧНЫЕ в СХО, МОЛОЧНЫЕ в КФХ, МОЛОЧНЫЕ в ЛПХ, МОЛ. И ПОМЕС. в СХО (МСХ), Молоко СХО, т, Молоко КФХ, т, Молоко ЛПХ, тонн. На выходном слое имеется единственный параметр - Молоко всего, тонн. Модель была обучена методом «backpropagation» - обратного распространения ошибки.
Прогнозные значения по объему производства молока можно получить при использовании функции «что-если» нейросети (рисунок 13).
НИЖНЕВОЛЖСКОГО АГРОУНИВЕРСИТЕТСКОГО КОМПЛЕКСА: НАУКА И ВЫСШЕЕ ПРОФЕССИОНАЛЬНОЕ ОБРАЗОВАНИЕ
Гр» меСеосети X Длжрлг-т^л рлссе»»«а X Что«Сли X Обуаошм) набор X Т ободе X Статистш« X Диаграмма X Гктогра^тла X Диаграмма рвэмешегыя X Многсмерпая диаграмма >
S 9 - \s~s\t ► & Eg А В-_
Попе
9Л КОРОВ в СХО 19300
9 J КОРОВ в КФХ 33800
9.« КОРОВ в ЛГС< 111700
АЛ МОЛОЧНЫЕ все 12259« М МОЛОЧНЫЕ »С.. 7387 М МОЛОЧНЫЕ в К... 4857
«Л МОЛОЧНЫЕ в Л 110350
•Л МОЛ ИПОМЕС 12977
9Л Молоко ОСО. т 43900
9Л Молоко КФХ. т 29200
9Л Молоко ЛГКт 449900 Выюаак>*
522999.891927788
• <1 |
i *4 С -
53в 000 536 000 S3* ООО
е
§ 532 000 | 530 000 1 528 000 526 000 524 000
Экспорт ■ EMf,_j "
1
г-—
~~—._
—-----
—^^^
КОРОВ в СХО
Рисунок 13 - Использование функции «что-если» в нейросети для получения прогнозного значения параметра Молоко всего, тонн
Figure 13 - Using the «what-if» function in the neural network to get the forecast value
of the parameter Milk total, tons
Так, при подаче на вход нейросетевой модели численных значений 2019 г., прогнозное значение для третьего года по параметру «Молоко всего, т» составило 522999,89 т, тогда как фактическое значение в 2019 г. производства молока было 547 444 т. То есть по прогнозу, производство молока может сократиться на 24 444,11 тонн, или на 4,46 % [2].
Устойчивость и достоверность модели может быть охарактеризована как высокая, поскольку все значения не выходят за доверительные интервалы диаграммы рассеяния (рисунок 14).
Рисунок 14 - Диаграмма рассеяния по параметрам производство молока
Figure 14 - Diagram of scattering on parameters of the milk production
Диаграмма прогнозных значений дает исчерпывающую информацию по прогнозным значениям рассматриваемых параметров (рисунок 15).
НИЖНЕВОЛЖСКОГО АГРОУНИВЕРСИТЕТСКОГО КОМПЛЕКСА: НАУКА И ВЫСШЕЕ ПРОФЕССИОНАЛЬНОЕ ОБРАЗОВАНИЕ
Рисунок 15 - Диаграмма прогнозных значений по производству молока Figure 15 - Diagram of forecast values for milk production
Согласно представленному графику, значение ошибки - нулевое по среднему интервалу прогнозных значений.
Таким образом, на основании проведенного исследования можно сделать следующие выводы:
- применение нейросети «Персептрон» обеспечивает расчет прогнозных значений [3];
- прогнозное значение для следующего года по параметру «Молоко всего, т» составило 522 999,89 т, тогда как фактическое значение в 2019 г. надоев было 547 444 т. То есть по прогнозу, надои молока у молочного поголовья могут сократиться на 24 444,11тонн, или на 4,46 %;
- построенная модель устойчивая, поскольку ни один из рассматриваемых параметров не вышел за границы доверительных интервалов диаграммы рассеяния;
- значение ошибки - нулевое по всем интервалам прогнозных значений.
Построение 3 прогнозов развития молочного животноводства в Волгоградской области к 2022 году демонстрирует снижение производства молока, что требует коренного пересмотра существующей политики государственной поддержки молочной отрасли.
Выводы. Молочное животноводство Волгоградской области представляет собой важную часть сельского хозяйства и базу для перерабатывающих молочных заводов. Сегодня молочное животноводство не обеспечивает перерабатывающие предприятия региона молочным сырьем, поэтому 25 % молочного сырья завозится из других регионов [3].
Динамика развития поголовья крупного рогатого скота, поголовья коров молочной направленности демонстрирует небольшой рост. Проведенная оценка структурного состава динамики по категориям сельских хозяйств показала, что основной рост происходит в личных подсобных хозяйствах, которые не смогут обеспечить высокого потенциала для будущего роста отрасли ввиду органичности данных хозяйств в ресурсах. Основная доля произведенного молочного сырья, до 86 %, также приходится на личные подсобные хозяйства, что создаёт дополнительные сложности со сбором молока и его транспортирования на перерабатывающие предприятия. С этой целью необходимо пересмотреть структуру молочного животноводства в области, привлечь инвесторов в строительство и развитие молочных ферм на территории региона, выделить дополнительные субсидии на производство молока [8].
236
НИЖНЕВОЛЖСКОГО АГРОУНИВЕРСИТЕТСКОГО КОМПЛЕКСА НАУКА И ВЫСШЕЕ ПРОФЕССИОНАЛЬНОЕ ОБРАЗОВАНИЕ
Оценка прогнозного развития молочного животноводства Волгоградской области по 11 входным параметрам с использованием инструмента «нейросетевое моделирование» позволила представить параметры отрасли на 2022 год. Итоги анализа включают в себя 3 направления прогноза: 1) прогнозное значение на 2022 год по параметру «Поголовье всего» составляло 320 460 гол., что полностью совпало с фактическим значением в 2019 г.; 2) прогнозное значение по параметру «Молочные всего» составило (122 593,9931) 122 594 гол., тогда как фактическое значение в 2019 г. составляло 129 922 гол. Итак, по прогнозу численность молочного поголовья может сократиться на 7328 гол., или на 5,6 %; 3) прогнозное значение для 2022 года по параметру «Молоко всего, т» составило 522 999,89 т, тогда как фактическое значение в 2019 г. надоев было 547 444 т. То есть по прогнозу, производства молока в регионе может сократиться на 244 44,11 тонн, или на 4,46 %.
Все построенные модели обладают высокой устойчивостью, поскольку все рассматриваемые параметры не выходят за границы доверительных интервалов диаграмм рассеяния, значения ошибок - нулевое по всем интервалам прогнозных значений.
Библиографический список
1. Агроцифра 4.0: новые решения в производстве молока / И. Ф. Горлов, Г. В. Федотова, Н. И. Мосолова, А. А. Кайдулина // Аграрно-пищевые инновации. 2019. № 2 (6). C. 20-27.
2. AI-система «Персептрон» для прогноза финансового результата деятельности предприятия нефтяной отрасли РФ / Н. И. Ломакин, О. Ч. Дженифер, О. А. Голодова, А. В. Сычева, В. В. Кабина // Фундаментальные исследования. 2019. № 12. C. 98-103.
3. Интеллектуальные тренды развития АПК / Г. В. Федотова, М. И. Сложенкина, Л. Ф. Григорян, Д. А. Куразова // Известия Юго-Западного государственного университета. Сер. Экономика. Социология. Менеджмент. 2019. Т. 9, № 4. C. 84-95.
4. Итоги года 2019. Молоко и молочные продукты. Режим доступа: https://sdelanounas.ru/blogs/129318/ (дата обращ.: 31.12.2019).
5. Ломакин Н. И., Петрухин А. В. Системы искусственного интеллекта в цифровой экономике // Развитие бизнеса и финансового рынка в условиях цифровизации экономики: материалы междунар. науч.-практ. конф. (г. Волгоград, 14-15 ноября 2018 г.) / под общ. ред. А. Н. Бурова; Волгоградский филиал ФГБОУ ВО «Российский экономический ун-т им. Г. В. Плеханова». Волгоград, 2019. C. 38-42.
6. Оценка современного состояния молочного производства в России / И. Ф. Горлов, Г. В. Федотова, Н. И. Мосолова, В. Н. Сергеев, А. В. Глущенко, Е. С. Воронцова // Известия Нижневолжского агроуниверситетского комплекса: Наука и высшее профессиональное образование. 2019. № 2 (54). C. 189-197.
7. Рынок молока в России и за рубежом по итогам 3-го квартала 2018 // Агровестник. Аналитический центр при правительстве РФ. Режим доступа: https://agrovesti.net (дата обращ.: 31.12.2019).
8. Сельское хозяйство 4.0: цифровые тренды развития АПК: монография / Г. В. Федотова, И. Ф. Горлов, А. В. Глущенко, М. И. Сложенкина, Н. И. Мосолова, Д. А. Мосолова. Волгоград: ООО «СФЕРА», 2019.
9. Сырых Т. Е. К вопросу о фальсификации молочной продукции и способах ее выявления // Международный ст. научный вестник. 2018. №6. С. 82-86.
10. Development of a recurrent neural networks-based calving prediction model using activity and behavioral data / A. S. Keceli, C. Catal, A. Kaya, B. Tekinerdogan // Computers and Electronics in Agriculture. 2020. V. 170, art. No. 105285. DOI: 10.1016/j.compag.2020.105285.
11. Development of an artificial neural network based model for shelf-life prediction of Basundi mix -an Indian dairy product / A. P. Ruhil, R. R. B. Singh, D. K. Jain, A. A. Patel, G. R. Patil // Proceedings of the 3rd Indian International Conference on Artificial Intelligence. IICAI, 2007, P. 1517-1524.
12. Digital Technologies in the Development of the Agro-Industrial Complex / I. F. Gorlov, G. V. Fedotova, A. V. Glushchenko, M. I. Slozhenkina, N. I. Mosolova // Digital Economy: Complexity and Variety vs. Rationality : [proceedings of the 9th National Scientific and Practical Conference (Vladimir, Russia, April 17-18, 2019) / Institute of Scientific Communications (Volgograd, Russia), Vladimir State University named after Alexander and Nikolay Stoletovs (Vladimir, Russia)] / ed. by
НИЖНЕВОЛЖСКОГО АГРОУНИВЕРСИТЕТСКОГО КОМПЛЕКСА НАУКА И ВЫСШЕЕ ПРОФЕССИОНАЛЬНОЕ ОБРАЗОВАНИЕ
Elena G. Popkova, Bruno S. Sergi. Cham (Switzerland): Springer Nature Switzerland AG, 2020. P. 220-229. URL: https://doi.org/10.1007/978-3-030-29586-8. - (Book ser. Lecture Notes in Networks and Systems (LNNS); vol. 87).
13. Goyal S., Sharma A. K., Sharma R. K. Development of efficient artificial neural network and statistical models for forecasting shelf life of cow milk khoa - A comparative study // Communications in Computer and Information Science. 2011. No. 169 CCIS, P. 145-149. DOI: 10.1007/978-3-642-22577-2_20.
Conclusions. Dairy farming in the Volgograd region is an important part of agriculture and a base for processing dairy plants. Today, dairy farming does not provide the processing enterprises of the region with dairy raw materials; therefore, 25% of dairy raw materials are imported from other regions [11].
The dynamics of the development of cattle and dairy cows shows a slight increase. The assessment of the structural composition of the dynamics in the categories of rural farms showed that the main growth occurs in personal subsidiary farms, which will not be able to provide a high potential for future growth of the industry due to the organic nature of these farms in resources. The main share of dairy raw materials produced, up to 86%, also falls on private farms, which creates additional difficulties with collecting milk and transporting it to processing plants. For this purpose, it is necessary to review the structure of dairy farming in the region, attract investors to the construction and development of dairy farms in the region, allocate additional subsidies for milk production [12].
Evaluation of the forecast development of dairy farming in the Volgograd region by 11 input parameters using the neural network modeling tool allowed us to present the parameters of the industry for 2022. The results of the analysis include 3 directions of the forecast: 1) the forecast value for 2022 for the parameter "Livestock total" was 320,460 heads, which completely coincided with the actual value in 2019; 2) the forecast value for the parameter "Dairy total" was (122593,9931) 122594 heads, while the actual value in 2019 was 129922 heads. So, according to the forecast, the number of dairy livestock may decrease by 7328 heads, or by 5.6%; 3) the forecast value for 2022 for the parameter "Milk total, tons" was 522999.89 tons, while the actual value in 2019 was 547444 tons. That is, according to the forecast, milk production in the region may decrease by 24,444,11 tons, or by 4.46%.
All the constructed models are highly stable, since all the considered parameters do not exceed the confidence intervals of the scattering diagrams, and the error values are zero for all the forecast value intervals.
References
1. Agrotsifra 4.0: new solutions in milk production / I. F. Gorlov, G. V. Fedotova, N. I. Mo-solova, A. A. Kajdulina // Agrarian and food innovations. 2019. No. 2 (6). P. 20-27.
2. AI-system "Perceptron" for predicting the financial results of the oil industry enterprises of the Russian Federation / N. I. Lomakin, O. Ch. Jenifer, O. A. Golodova, A. V. Sycheva, V. V. Kabina // Fundamental research. 2019. No.12. P. 98-103.
3. Intellectual trends in the development of the agro-industrial complex / G. V. Fedotova, M. I. Slozhenkina, L. F. Grigoryan, D. A. Kurazova // Bulletin of the Southwestern State University. Economy. Sociology. Management. 2019. Vol. 9, No. 4. P. 84-95.
4. Results of the year 2019. Milk and dairy products. Mode of access: https://sdelanounas.ru/blogs/129318/ (date of service.: 31.12.2019).
5. Lomakin N. I., Petrukhin A. V. Artificial Intelligence Systems in the Digital Economy // Business and financial market development in the context of digitalization of the economy: materials of the international scientific and practical conf. (Volgograd, November 14-15, 2018) / edited by A. N. Burov; Volgograd branch of the "Russian Economic University named after G. V. Plekhanov". Volgograd, 2019. P. 38-42.
6. Assessment of the current state of dairy production in Russia / I. F. Gorlov, G. V. Fedotova, N. I. Mosolova, V. N. Sergeev, A. V. Glushchenko, E. S. Vorontsova // Proceedings of the Lower Volga Agro-University Complex: Science and Higher Professional Education. 2019. № 2 (54). P. 189-197.
НИЖНЕВОЛЖСКОГО АГРОУНИВЕРСИТЕТСКОГО КОМПЛЕКСА НАУКА И ВЫСШЕЕ ПРОФЕССИОНАЛЬНОЕ ОБРАЗОВАНИЕ
7. Milk market in Russia and abroad according to the results of the 3rd quarter of 2018. Agrovestnik. Analytical center under the government of the Russian Federation. Mode of access: https://agrovesti.net (date of service.: 31.12.2019).
8. Agriculture 4.0: digital trends in the development of the agro-industrial complex: monograph / G. V. Fedotova, I. F. Gorlov, A. V. Glushchenko, M. I. Slozhenkina, N. I. Mosolova, D. A. Mosolova. Volgograd: SFERA, 2019.
9. Syrykh T. E. To the question of falsification of dairy products and methods for its detection // International Student Scientific Bulletin. 2018. No. 6. P. 82-86.
10. Development of a recurrent neural networks-based calving prediction model using activity and behavioral data / A. S. Keceli, C. Catal, A. Kaya, B. Tekinerdogan // Computers and Electronics in Agriculture. 2020. V. 170, art. No. 105285. DOI: 10.1016/j.compag.2020.105285.
11. Development of an artificial neural network based model for shelf-life prediction of Basundi mix -an Indian dairy product / A. P. Ruhil, R. R. B. Singh, D. K. Jain, A. A. Patel, G. R. Patil // Proceedings of the 3rd Indian International Conference on Artificial Intelligence. IICAI, 2007, P. 1517-1524.
12. Digital Technologies in the Development of the Agro-Industrial Complex / I. F. Gorlov, G. V. Fedotova, A. V. Glushchenko, M. I. Slogenkina, N. I. Mosolova // Digital Economy: Complexity and Variety vs. Rationality : [proceedings of the 9th National Scientific and Practical Conference (Vladimir, Russia, April 17-18, 2019) / Institute of Scientific Communications (Volgograd, Russia), Vladimir State University named after Alexander and Nikolay Stoletovs (Vladimir, Russia)] / ed. by Elena G. Popkova, Bruno S. Sergi. Cham (Switzerland): Springer Nature Switzerland AG, 2020. P. 220-229. URL: https://doi.org/10.1007/978-3-030-29586-8. - (Book ser. Lecture Notes in Networks and Systems (LNNS); vol. 87).
13. Goyal S., Sharma A. K., Sharma R. K. Development of efficient artificial neural network and statistical models for forecasting shelf life of cow milk khoa - A comparative study // Communications in Computer and Information Science. 2011. No. 169 CCIS, P. 145-149. DOI: 10.1007/978-3-642-22577-2_20.
Authors Information
Fedotova Gilian Vasilievna, Doctor of Economics. sciences, associate professor Volga Region Research Institute of Manufacture and Processing of Meat- And-Milk Production (400131, Volgograd, Russian, Ro-kossovsky st., 6). E-mail: g_evgeeva@mail.ru
Gorlov Ivan Fedorovich, Academician of the Russian Academy of Sciences, Dr. S.-kh. sciences, professor, Scientific director Volga Region Research Institute of Manufacture and Processing of Meat- And-Milk Production (400131, Volgograd, Russian, Rokossovsky st., 6), Head department food technology Volgograd State Technical University (400131, Volgograd, Russia, Av. Lenina, 28). E-mail: niimmp@mail.ru Slozhenkina Marina Ivanovna, corresponding member RAS, Dr. b. sciences, professor, Director Volga Region Research Institute of Manufacture and Processing of Meat- And-Milk Production (400131, Volgograd, Russian, Rokossovsky st., 6). E-mail: slozhenkina@mail.ru
Glushchenko Alexandra Vasilievna, Doctor of Economics sciences, associate professor Volga Region Research Institute of Manufacture and Processing of Meat- And-Milk Production (400131, Volgograd, Russian, Rokossovsky st., 6). E-mail: aleksa-gl@yandex.ru
Vorontsova Elena Sergeevna, junior researcher of the Volga Region Research Institute of Manufacture and Processing of Meat-And-Milk Production (400131, Volgograd, Russian, Rokossovsky st., 6), phone: +7 (937) 5430456. E-mail: esvoronts@mail.ru
Mosolova Darya Alexandrovna, junior researcher of the Volga Region Research Institute of Manufacture and Processing of Meat-And-Milk Production (400131, Volgograd, Russian, Rokossovsky st., 6). E-mail: niimmp@mail.ru
Информация об авторах Федотова Гилян Васильевна, доктор экономических наук, главный научный сотрудник Поволжского научно-исследовательского института производства и переработки мясомолочной продукции (400131, Волгоград, Россия, Рокоссовского, 6). E-mail: g_evgeeva@mail.ru Горлов Иван Федорович, академик РАН, доктор с.-х. наук, профессор, научный руководитель Поволжского научно-исследовательского института производства и переработки мясомолочной продукции (400131, Волгоград, Россия, Рокоссовского, 6), заведующий кафедрой пищевых технологии Волгоградского государственного технического университета (400131, Волгоград, Россия, пр. Ленина, д. 28). E-mail: niimmp@mail.ru
НИЖНЕВОЛЖСКОГО АГРОУНИВЕРСИТЕТСКОГО КОМПЛЕКСА НАУКА И ВЫСШЕЕ ПРОФЕССИОНАЛЬНОЕ ОБРАЗОВАНИЕ
Сложенкина Марина Ивановна, член-корр. РАН, доктор биологических наук, профессор, директор Поволжского научно-исследовательского института производства и переработки мясомолочной продукции (400131, Волгоград, Россия, Рокоссовского 6). E-mail: slozhenkina@mail.ru Глущенко Александра Васильевна, доктор экономических наук, главный научный сотрудник Поволжского научно-исследовательского института производства и переработки мясомолочной продукции (400131, Волгоград, Россия, Рокоссовского, 6). E-mail: aleksa-gl@yandex.ru Воронцова Елена Сергеевна, младший научный сотрудник ФГБНУ «Поволжский научно-исследовательский институт производства и переработки мясомолочной продукции» (400131, Россия, г. Волгоград, Рокоссовского, 6), тел.: +7 (937) 5430456. E-mail: esvoronts@mail.ru Мосолова Дарья Александровна, младший научный сотрудник ФГБНУ «Поволжский научно-исследовательский институт производства и переработки мясомолочной продукции» (400131, Россия, г. Волгоград, Рокоссовского, 6). E-mail: niimmp@mail.ru
DOI: 10.32786/2071-9485-2020-02-24 THE STUDY OF THE BIOLOGICAL VALUE OF THE NATIONAL MEAT PRODUCT ENRICHED WITH COLLAGEN PROTEIN HYDROLYSATE
V. N. Hramova1,2, D. A. Skachkov1, N. H. Guliyeva1,
1 2 3
Ya. I. Hramova , E. S.Vorontsova '
1 Volgograd State Technical University, Volgograd, Russia 2Volga Region Research Institute of Manufacture and Processing of Meat-and-Milk Production,
Volgograd, Russia
3All-Russian Research Institute of Irrigated Agriculture, Volgograd, Russia The research was carried out as part of the dissertation research Received 28.02.2020 Submitted 12.05.2020
Summary
The article presents the results of the development of the recipe and technology of the enriched national meat product for the prevention of osteoarthritis and the study of its biological value. The results of research have shown that the resulting enriched product has a higher biological value and a balanced amino acid composition compared to the traditional recipe and better meets the average daily need of the body for essential amino acids. In addition, the consumption of an improved product will contribute more to the synthesis of collagen in the human body and can be used for the prevention of osteoar-thritis. The created product is useful for consumers who suffer from or are prone to osteoarthritis, but will be in demand by all groups of the population, so it is recommended for introduction into production by meat processing enterprises
Abstract
Introduction. The article considers the relevance of introducing the enriched meat product of Azerbaijani cuisine "Kutab" to the consumer market of the Russian Federation, which is a frozen semifinished product in a test. The relevance of the study is confirmed by literature sources that indicate the ability of collagen to form fibrillar and microfibrillar networks of the extracellular matrix and basal membranes, which are the main components of connective tissue. In addition, they talk about the ability of collagen to create the structural integrity of tissues and organs. The concept of osteoarthritis and the most common places of damage to the human body and the symptoms of the disease, as well as the possibility of preventing this disease using fortified foods, are considered. The purpose of the work was to develop the recipe and technology of the enriched national meat product and study its biological value. Object. The object of research is a frozen meat semi-finished product in a test enriched with collagen protein hydrolysate. Materials and methods. The scientific study provided for optimization of the amino acid composition of the meat product in order to prevent osteoarthritis, for which the main meat raw materials were partially replaced and the product was enriched with collagen protein hydrolysate. To conduct research, a recipe was developed and two batches of frozen semi-finished meat were produced with different recipe composition: a control and an experimental one. Research to determine the organoleptic and physical-chemical parameters of the experimental samples was conducted using certified methods in an accredited laboratory. Results and conclusion. The analysis of
