Прогнозування обсягів виробництва сільськогосподарської продукції за допомогою методів інтелектуального аналізу даних
In this article, the future values of indicators were forecasted for production of grains and legumes on farms in Cherkasy region based on the time series expressed in physical units. Time series analysis as one of the data mining techniques was used during the research in order to make a forecast o...
Saved in:
| Date: | 2021 |
|---|---|
| Main Authors: | , , , , |
| Format: | Article |
| Language: | Ukrainian |
| Published: |
The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute"
2021
|
| Subjects: | |
| Online Access: | https://journal.iasa.kpi.ua/article/view/214965 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | System research and information technologies |
| Download file: |  |
Institution
System research and information technologies| _version_ | 1866302688032980992 |
|---|---|
| author | Kontseba, Serhii Lishchuk, Roman Skurtol, Svitlana Rodashchuk, Halyna Vasylchenko, Ivan |
| author_facet | Kontseba, Serhii Lishchuk, Roman Skurtol, Svitlana Rodashchuk, Halyna Vasylchenko, Ivan |
| author_sort | Kontseba, Serhii |
| baseUrl_str | http://journal.iasa.kpi.ua/oai |
| collection | OJS |
| datestamp_date | 2021-07-13T11:01:37Z |
| description | In this article, the future values of indicators were forecasted for production of grains and legumes on farms in Cherkasy region based on the time series expressed in physical units. Time series analysis as one of the data mining techniques was used during the research in order to make a forecast of production using the data (based on the model of dynamic series) from past years to predict the future production volumes. This method contains the following steps: a graphical analysis (allows you to choose the model equation in the best way), separation and analysis of deterministic components of the series, smoothing and filtering of time series, study of random components, construction and testing for the adequacy of the time series model, forecasting the behavior of the time series based on the conducted research. |
| doi_str_mv | 10.20535/SRIT.2308-8893.2021.1.07 |
| first_indexed | 2025-07-17T10:26:50Z |
| format | Article |
| fulltext |
С.М. Концеба, Р.І. Ліщук, С.Д. Скуртол, Г.Ю. Родащук, І.П. Васильченко, 2021
Системні дослідження та інформаційні технології, 2021, № 1 87
УДК 004.832.34 : 332.14 : 303.733
DOI: 10.20535/SRIT.2308-8893.2021.1.07
ПРОГНОЗУВАННЯ ОБСЯГІВ ВИРОБНИЦТВА
СІЛЬСЬКОГОСПОДАРСЬКОЇ ПРОДУКЦІЇ ЗА ДОПОМОГОЮ
МЕТОДІВ ІНТЕЛЕКТУАЛЬНОГО АНАЛІЗУ ДАНИХ
С.М. КОНЦЕБА, Р.І. ЛІЩУК, С.Д. СКУРТОЛ, Г.Ю. РОДАЩУК,
І.П. ВАСИЛЬЧЕНКО
Анотація. Спрогнозовано майбутні значення показників виробництва зерно-
вих і зернобобових культур у сільськогосподарських підприємствах Черкась-
кої області на основі часових рядів динаміки, рівні яких виражено в натураль-
них одиницях вимірювання. Під час дослідження використано одну з методик
інтелектуального аналізу даних — аналіз часових рядів, що дозволяє на основі
моделі ряду динаміки, побудованої на базі фактичних значень попередніх по-
казників минулих років, спрогнозувати виробництво на наступні роки. Мето-
дика містить такі етапи: графічний аналіз (для підбору відповідного рівняння
моделі), виділення і аналіз детермінованих складових ряду, згладжування і фі-
льтрація часового ряду, дослідження випадкової компоненти, побудова і пере-
вірка на адекватність моделі часового ряду, прогнозування поведінки часового
ряду на підставі проведених досліджень.
Ключові слова: інтелектуальний аналіз даних, часовий ряд, прогнозування,
тренд, сільськогосподарське підприємство, модель.
ВСТУП
Питання прогнозування економічних процесів стоять досить гостро в пері-
оди нестійкого економічного стану виробництва сільськогосподарської про-
дукції. Застосування методик інтелектуального аналізу даних дозволяє під-
вищити ефективність виробництва продукції в сільськогосподарських
підприємствах за рахунок оптимального управління запасами, доходами,
витратами. Зростання ролі прогнозування розвитку виробництва сільського-
сподарської продукції зумовлено ускладненням управлінських функцій в
умовах динамічної і нестабільної ситуації як у зовнішньому середовищі, так
і на самому ринку (поведінка фермерських господарств, які суттєво вплива-
ють на ринкову ситуацію, експорт-імпорт, особливо в умовах відкритості
ринку, тінізація економіки тощо). Поряд з тим виробництво і реалізація
сільськогосподарської продукції в Україні займає значну частку в економіці
країни, тому використання методів інтелектуального аналізу для прогнозу-
вання показників діяльності підприємств агропромислового комплексу є
актуальним.
Проблеми прийняття рішень в економічних системах на основі прогно-
зування показників з використанням методів інтелектуального аналізу даних
розглянуто у працях вітчизняних авторів Р.О. Петрова, О.Я. Кучерука [1].
Прогнозуючи терміни продажу товарів, звертають увагу на те, що для про-
гнозування продажів найчастіше використовуються класичні методи аналізу
С.М. Концеба, Р.І. Ліщук, С.Д. Скуртол, Г.Ю. Родащук, І.П. Васильченко
ISSN 1681–6048 System Research & Information Technologies, 2021, № 1 88
часових рядів та дерева рішень. П. І. Бідюк, С.М. Савченко, А.С. Савченко
[2] визначили переваги методів інтелектуального аналізу та їх комбінацій
(гібридні методи інтелектуального аналізу даних) для прийняття раціональ-
них рішень у системі управління та прогнозування конкурентоспроможності
вітчизняних підприємств. Група вчених Г. Чорноус, С. Рибальченко [3], П.І.
Бідюк, А.В. Федоров [4], Л.О. Коршевнюк [5], О.Ю. Берзлев, М.М. Маляр,
В.В. Ніколенко [6, 7] застосовують методи інтелектуального аналізу даних
для прогнозування процесів ціноутворення, біржових показників, оцінюван-
ня фінансових ризиків.
Значно менше уваги звертають учені на використання методів інтелек-
туального аналізу даних для прогнозування показників діяльності підпри-
ємств агропромислового комплексу. В.Д. Кишенько, М.А. Сич [8] зазнача-
ють, що інтелектуальний аналіз даних, а саме часові ряди, дозволяє
визначити стан технологічного комплексу цукрового заводу, зробити висно-
вок про якість його функціонування, дати рекомендації щодо пошуку й усу-
нення проблемних ситуацій. І.І. Глаголева, А.Ю. Берко [9] вважають, метод
інтелектуального аналізу даних на основі прогнозування часових рядів для
земельного кадастру дає змогу аналізувати дані та прогнозувати майбутні
значення показників використання земельних ресурсів.
Питання прогнозування виробництва продукції в сільськогосподарсь-
ких підприємствах з використанням часових рядів є недостатньо вивченим,
залишається дискусійним і потребує подальших досліджень.
Мета роботи — спрогнозувати майбутні значення показників вироб-
ництва зернових і зернобобових культур у сільськогосподарських підприєм-
ствах Черкащини на 2020–2021 рр. на основі часових рядів динаміки, рівні
яких виражені в натуральних одиницях вимірювання.
МЕТОДИКА ДОСЛІДЖЕНЬ
Під час дослідження використовувалась одна з методик інтелектуального
аналізу даних, а саме: аналіз часових рядів для того, щоб на основі моделі ряду
динаміки, побудованої на базі фактичних значень показника за 2000–2019 рр.,
виконати прогноз виробництва на 2020–2021 рр.
Методика містить такі етапи: графічний аналіз, виділення й аналіз де-
термінованих складових ряду, згладжування і фільтрація часового ряду, до-
слідження випадкової компоненти, побудова і перевірка на адекватність мо-
делі часового ряду, прогнозування поведінки часового ряду на підставі
проведених досліджень.
Для прикладу використано значення показників виробництва зернових
і зернобобових культур у сільськогосподарських підприємствах Черкащини.
Аналогічну методику досліджень можна використати для будь-яких видів
продукції сільськогосподарського виробництва як у галузі рослинництва,
так і в галузі тваринництва.
РЕЗУЛЬТАТИ ДОСЛІДЖЕНЬ
Показники багатьох економічних явищ і процесів змінюються в часі, харак-
терними особливостями яких є те, що рівень показників у наступному часо-
Прогнозування обсягів виробництва сільськогосподарської продукції за допомогою
Системні дослідження та інформаційні технології, 2021, № 1 89
вому періоді значною мірою залежить від їх рівня в минулому. Тенденцію
зміни в часі кількісної міри досліджуваного показника можна подати аналі-
тичною формулою, а у вибраній системі координат — плавною траєкторією
або трендом. Послідовність спостережень одного показника (ознаки), упо-
рядкована залежно від послідовно зростаючих або спадних значень часу,
називають часовим рядом, який подано обсягами виробництва зернових і
зернобобових культур у Черкаській області за 2006–2019 рр. (табл. 1).
Т а б л и ц я 1 . Обсяги виробництва зернових і зернобобових культур
у Черкаській області, тис. ц
Рік Обсяги виробництва Рік Обсяги виробництва
2006 21086,0 2013 40684,8
2007 18424,2 2014 36996,5
2008 29780,3 2015 37454,9
2009 31939,6 2016 40917,0
2010 25310,7 2017 29265,5
2011 37618,8 2018 46440,1
2012 33105,5 2019 45598,3
Джерело: Рослинництво (1995–2019 рр.). Головне управління статисти-
ки у Черкаській області. URL: http://www.ck.ukrstat.gov.ua/source/arch/
2020/roslinnictvo_19.pdf
Для моделювання тренду потрібно перевірити однорідність та порів-
нянність рівнів часового ряду ty , а також визначити можливості їх зістав-
лення і стійкості. Попередній аналіз даних табл. 1 показує, що обсяги вироб-
ництва зернових і зернобобових культур в області за період 2006–2009 рр.
нестабільні, варіюють у великому діапазоні, і тому для побудови часового
ряду візьмемо дані за 2010–2019 рр., попередньо замінивши рівні часового
ряду за 2010, 2011, 2013 та 2017 роки середньоарифметичними попередніх і
наступних років (табл. 2).
Т а б л и ц я 2 . Скориговані обсяги виробництва зернових і зернобобових
культур для побудови тренду, тис. ц
Рік Обсяги виробництва ty Рік Обсяги виробництва ty
2010 4698,0 2015 5665,0
2011 4739,0 2016 6073,0
2012 5194,0 2017 6034,0
2013 5051,0 2018 6117,0
2014 5257,0 2019 5928,0
Джерело: Розраховано авторами з використанням джерел: Рослинницт-
во (1995–2019 рр.). Головне управління статистики у Черкаській області.
URL: http://www.ck.ukrstat.gov.ua/source/arch/2020/roslinnictvo_19.pdf
Перевірені за методом Ірвіна [11, с. 409] рівні ty скоригованого часо-
вого ряду не є аномальними ( 3,105,0 p , якщо 10n ).
Для перевірки гіпотез про однорідність дисперсій та наявність тренду
застосуємо метод перевірки різниць середніх рівнів.
С.М. Концеба, Р.І. Ліщук, С.Д. Скуртол, Г.Ю. Родащук, І.П. Васильченко
ISSN 1681–6048 System Research & Information Technologies, 2021, № 1 90
Для дослідження однорідності дисперсій початковий часовий ряд
nt yyyy ,,,,, 21 розбивається на дві частини приблизно однієї довжини
52/1021 nn і для кожної частини розраховуються [11, с. 409] (табл. 3):
середні значення
1
сер
1
1
1 n
y
y
t
n
t і
2
сер
2
2
2 n
y
y
t
n
t ;
дисперсії
)1(
)(
1
2
сер2
1
1
1
n
yyt
n
t і
)1(
)(
2
2
сер2
2
2
2
n
yyt
n
t .
Т а б л и ц я 3 . Розрахунок середніх значень та дисперсії часового ряду
t ty
1серyyt 2
сер )(
1
yyt
1 34779,2 951,1 904667,3
2 29208,1 –4620,0 21344030,4
3 33105,5 –722,6 522093,0
4 35051,0 1222,9 1495582,2
5 36996,5 3168,4 10039012,0
Разом 169140,3 – 34305384,9
Середнє значення
1серy 33828,1 Дисперсія 2
1 8576346,2
6 37454,9 –5362,9 28760481,9
7 40917,0 –1900,8 3612964,6
8 43678,6 860,8 741011,1
9 46440,1 3622,3 13121202,2
10 45598,3 2780,5 7731291,5
Разом 214088,9 – 53966951,2
Середнє значення
2серy 42817,8 Дисперсія 2
2 13491738
Джерело. Розраховано авторами з використанням праці [11, с. 409].
Однорідність дисперсій обох частин перевіряється порівнянням розра-
хованого критерію Фішера [11, с. 410] 573,1
2,8576346
0,13491738
2
1
2
2
рF з теоре-
тичним значенням 388,6)1;1;05,0( 21
nnF . Розраховане значення pF менше
за теоретичне, тому з імовірністю 95% гіпотеза про однорідність дисперсій
приймається.
Гіпотеза про наявність тренду перевіряється за допомогою t -критерію
Стьюдента, який розраховується за формулою [11, с. 410]
279,4
5/15/18,3321
)8,428171,33808(
1/1/
||
21
серсер 21
nn
yy
t p ,
де — середньоквадратичне відхилення різниці середніх, яке розрахову-
ється за формулою
Прогнозування обсягів виробництва сільськогосподарської продукції за допомогою
Системні дослідження та інформаційні технології, 2021, № 1 91
2
])1()1[(
21
2
22
2
11
nn
nn
8,3321
255
]0,13491738*)15(3,8576346*)15[(
.
Розраховане значення tр = 4,279 більше за теоретичне t(0,05; 7) = 2,365,
тому з імовірністю 95% гіпотеза про існування тренда приймається.
Аналітичне вирівнювання часового ряду виконаємо за методом експо-
ненціального згладжування (табл. 4), використовуючи формулу
1)1( ttt xyx ,
де 03,0 — параметр згладжування;
3,32364
3
5,331051,292082,34779
10
xx ;
1tx — рівні згладженого часового ряду.
Тенденції зміни часового
ряду можуть бути встановле-
ні добиранням емпіричної
функції, яка має назву кривої
зростання. Вибір форми кри-
вої виконаємо за згладженим
рядом на основі графічного
зображення часового ряду (на
ЕОМ – Excel – Мастер диаг-
рамм). Візуально найкращою
формою залежності буде по-
ліноміальна крива третього
порядку (див. рисунок):
32 533,4696,8344,210333189 ttty .
Перевірка адекватності моделі тренду ґрунтується на перевірці вико-
нання в залишках ut таких властивостей:
Т а б л и ц я 4 . Згладжений часовий ряд
n tx
1 32364,3
2 29302,8
3 32991,4
4 34989,2
5 36936,3
6 37439,3
7 40812,7
8 43592,6
9 46354,7
10 45621,0
Джерело. Розраховано авторами.
9664,0;331894,240396,834533,46 223 Rxxxy
Динамічний ряд виробництва зернових і зернобобових культур у Черкаській облас-
ті за досліджуваний період
С.М. Концеба, Р.І. Ліщук, С.Д. Скуртол, Г.Ю. Родащук, І.П. Васильченко
ISSN 1681–6048 System Research & Information Technologies, 2021, № 1 92
1. Незалежність значень рівнів залишків або відсутність між ними авто-
кореляції досліджується за критерієм Дарбіна–Уотсона [11, с. 433] (табл. 5).
Т а б л и ц я 5 . Розрахунки фактичного значення критерію Дарбіна–Уотсона
ty tmy tu ut
2 1tu 1 tt uu 2
1)( tt uu
34779,2 31574,0 3205,2 10273134,0 – – –
29208,1 31349,8 –2141,7 4586776,1 3205,2 –5346,8 28588794,2
33105,5 32237,0 868,5 754207,1 –2141,7 3010,1 9060864,6
35051,0 33956,6 1094,4 1197606,3 868,5 225,9 51031,3
36996,5 36229,4 767,1 588480,8 1094,4 –327,2 107077,5
37454,9 38776,0 –1321,1 1745389,8 767,1 –2088,3 4360817,3
40917,0 41317,4 –400,4 160337,0 –1321,1 920,7 847708,7
43678,6 43574,3 104,3 10869,3 –400,4 504,7 254698,9
46440,1 45267,6 1172,5 1374749,2 104,3 1068,2 1141138,8
45598,3 46118,0 –519,7 270088,1 1172,5 –1692,2 2863530,7
Разом – – 20961637,6 – – 47275662,0
Джерело. Розраховано авторами.
Фактичне значення критерію Дарбіна–Уотсона
255,2
6,20961637
0,47275662)(
2
2
1
t
n
t
tt
n
t
р
u
uu
DW .
Розраховане значення критерію Дарбіна–Уотсона 181,2pDW міс-
титься в межах 5,25,1 pDW , що свідчить про відсутність автокореляції
в моделі тренду.
2. Дослідження відповідності розподілу ймовірностей рівнів залишків
нормальному закону виконаємо за RS-методом [11, с. 429]: розраховується
величина розмаху між максимальним та мінімальним рівнями ряду залишків
9,5346)7,2141(2,3205minmax uuR
та їх стандартне відхилення
13,1926
110
6,20961637
1
2
n
u
S t .
Розраховане значення
775,2
13,1926
9,5346
S
R
RS p
потрапляє в інтервал між табличними межами, якщо 10n , від 2,67 до 3,18,
тому гіпотеза про нормальний закон випадкової складової приймається.
3. Рівність нулю математичного сподівання залишків — якщо ряд за-
лишків підпорядкований нормальному закону розподілу )0( nS , то розра-
ховується критерій Стьюдента за формулою [11, с. 430]
553,0162,3·
7,1618
9,282
·cep
n
u
t
y
p ,
де cepu — середнє значення залишків; y — середнє квадратичне відхилен-
ня; n — довжина часового ряду.
Прогнозування обсягів виробництва сільськогосподарської продукції за допомогою
Системні дослідження та інформаційні технології, 2021, № 1 93
Розраховане значення 553,0pt менше за теоретичне 365,2)7;05,0( t ,
тому гіпотеза про рівність нулю математичного сподівання залишків при-
ймається.
4. Для дослідження випадковості коливань залишкових рівнів часового
ряду застосуємо критерій піків (поворотних точок) [11, с. 428].
Крок 1. У послідовності залишків обираються поворотні точки
(табл. 6).
Т а б л и ц я 6 . Визначення піків або поворотних точок
t ty tmy tu П
1 34779,2 31574,0 3205,2 –
2 29208,1 31349,8 –2141,7 1
3 33105,5 32237,0 868,5 0
4 35051,0 33956,6 1094,4 1
5 36996,5 36229,4 767,1 0
6 37454,9 38776,0 –1321,1 1
7 40917,0 41317,4 –400,4 0
8 43678,6 43574,3 104,3 0
9 46440,1 45267,6 1172,5 1
10 45598,3 46118,0 –519,7 –
Разом 4
Джерело. Розраховано авторами.
Крок 2. Розраховується загальна кількість піків (поворотних точок),
яка дорівнює 4П .
Крок 3. Обчислюється математичне сподівання поворотних точок *П
та їх дисперсія 2
n за умови випадкової вибірки залишків:
333,5)210)(3/2()2)(3/2(П* n
та
456,1
90
2910*16
90
29162
n
n .
Крок 4. Критерієм випадковості залишків з 5%-м рівнем значущості
має бути виконання нерівності
969,2]456,196,1333,5[]96,1П[5П 2* n ,
де квадратні дужки означають цілу частину числа. Оскільки 4П
2]96,1П[ 2* n , то випадковість коливань залишків з імовірністю 95%
підтверджується.
Таким чином, побудована модель тренду (1) адекватна.
Точковий прогноз LnY визначається показником, коли в рівняння мо-
делі тренду підставляється значення часу Lnt , що відповідає періоду
упередження або прогнозованому періоду 111101 nt (2020 р.) або
С.М. Концеба, Р.І. Ліщук, С.Д. Скуртол, Г.Ю. Родащук, І.П. Васильченко
ISSN 1681–6048 System Research & Information Technologies, 2021, № 1 94
122102 nt (2021 р.) і становить:
для 2020 р.
3,4584611533,461196,834114,210333189 32
11 y тис. ц;
для 2021 р.
4,4417312465331296,834124,210333189 32
12 y тис. ц.
Інтервальний прогноз для тренду, що має вид полінома третього поряд-
ку, розраховується за формулою [11, с. 437]
224
4224
2 )(
21
1
ttn
ntttt
t
t
n
StYU LLL
yLny
,
де LnY — точковий прогноз за моделлю на )( Ln -й період часу; t — те-
оретичне значення критерію Стьюдента для рівня значущості ;
5,1730
310
6,209616372
mn
u
S t
y ;
yS — середнє квадратичне відхилення; t — порядковий номер рівня ряду
),,2,1( nt ; Lt — відповідає )( Ln -му періоду часу, для якого викону-
ється прогноз; N — довжина часового ряду; m — кількість параметрів моделі
тренду.
Інтервальний прогноз виробництва зернових і зернобобових культур
сільськогосподарськими підприємствами в Черкаській області становить:
для 2020 р.
5,1730365,23,4584611 U
8,56043,45846
1482252533310
1464110385121225333
385
11
10
1
1
;
для 2021 р.
5,1730365,24,4417312 U
4,61924,44173
1482252533310
2073610385144225333
385
12
10
1
1
.
Показники точності моделі тренда розраховуються за формулами
[11, с. 430]:
1) середнє квадратичне відхилення
5,1730
2
mn
u
S t
y ;
2) середня відносна помилка апроксимації
3,3100
10
77,32
100
1
t
t
t y
u
n ,
яка не перевищує 5%;
Прогнозування обсягів виробництва сільськогосподарської продукції за допомогою
Системні дослідження та інформаційні технології, 2021, № 1 95
3) коефіцієнт збіжності
07,0
290310000
6,20961637
)( 2
1
2
12
срt
n
t
t
n
t
yy
u
,
4) коефіцієнт детермінації
93,007,011 22 R .
Розраховані показники свідчать про високу точність прогнозу, оскільки
середня відносна помилка дорівнює 3,3%, коефіцієнт детермінації вказує,
що отримані спостереження на 93% підтверджують модель.
ВИСНОВКИ
Для дослідженні прогнозованих значень показників виробництва зернових і
зернобобових культур у сільськогосподарських підприємствах Черкаської
області використано одну з методик інтелектуального аналізу даних: аналіз
часових рядів для того, щоб на основі моделі ряду динаміки, побудованої на
базі фактичних значень попередніх показників минулих років, виконати
прогноз виробництва на наступні роки. Застосована методика включає в се-
бе такі етапи: графічний аналіз (дає змогу підібрати рівняння моделі), виді-
лення і аналіз детермінованих складових ряду, згладжування і фільтрація
часового ряду, дослідження випадкової компоненти, побудова і перевірка на
адекватність моделі часового ряду, прогнозування поведінки часового ряду
на підставі результатів досліджень. Практична апробація моделі дозволила
визначити, що зі збереженням тенденцій за попередні роки прогнозне зна-
чення обсягу виробництва зернових і зернобобових культур у Черкаській
області на 2021 р. буде коливатися від 4091,4 до 5551,8 тис. ц, а на 2021 р. –
від 4587,7,4 до 6317,9 тис. ц.
ЛІТЕРАТУРА
1. Р.О. Петров та О.Я. Кучерук, Прогнозування термінів продажу товарів мето-
дами інтелектуального аналізу даних. Актуальні проблеми компютерних наук.
2019. Доступно: http://elar.khnu.km.ua/jspui/bitstream/123456789/7933/1/APKN-
2019_%28v_2_0%29-156-158.pdf (дата звернення 20.10.2020).
2. П.І. Бідюк, С.М. Савченко, та А.С. Савченко, Методи інтелектуального аналі-
зу даних в прогнозуванні конкурентоспроможності підприємств. Доступно:
http://www.ei-journal.in.ua/index.php/journal/article/view/61/48 (дата звернення
20.10.2020).
3. Г. Чорноус та С. Рибальченко, “Оптимізація ціноутворення на основі моделей
інтелектуального аналізу даних”, Вісник Київського національного університе-
ту імені Тараса Шевченка, №7 (172), с. 52–58, 2015.
4. П.І. Бідюк та А.В. Федоров, “Ймовірнісне прогнозування процесів ціноутво-
рення на фондових ринках”, Системні дослідження та інформаційні техноло-
гії, № 1, с. 65–73, 2009.
5. Л.О. Коршевнюк та Бідюк П.І., “Інформаційно-аналітична система для адапти-
вного прогнозування фінансових процесів та оцінювання ризиків”, Наукові
праці. Комп’ютерні технології, вип. 201, т. 213, с. 59–62, 2013.
6. О.Ю. Берзлев, М.М. Маляр, та В.В. Ніколенко, “Адаптивні комбіновані моделі
прогнозування біржових показників”, Вісник Черкаського держ. технолог. ун-
ту. Серія: технічні науки, № 1, с. 50–54, 2011.
С.М. Концеба, Р.І. Ліщук, С.Д. Скуртол, Г.Ю. Родащук, І.П. Васильченко
ISSN 1681–6048 System Research & Information Technologies, 2021, № 1 96
7. А.Ю. Берзлев, “Оценка эффективности прогнозирования и принятия решений
на финансовом рынке”, Problems of Computer Intellectualization, V.M. Glushkov
Institute of Cybernetics of NAS of Ukraine. Kyiv-Sofia: ITHEA, 2012, c. 249–257.
8. В.Д. Кишенько та М.А. Сич, “Інтелектуальний аналіз в задачах прогнозування
тенденцій розвитку технологічного комплексу цукрового заводу”, Цукор Укра-
їни, № 6–7 (126–127), с. 36–40, 2016.
9. І.І. Глаголева та А.Ю. Берко, Застосування методів інтелектуального аналізу
даних для прогнозування використання земельних ресурсів. Доступно:
file:///C:/Users/user/Downloads/VNULPICM_2013_770_20.pdf (дата звернення
20.10.2020).
10. О.І. Черняк та П.В. Захарченко, Інтелектуальний аналіз даних: підручник. Київ,
2014, 599 с.
11. С.І. Наконечний, Т.О. Терещенко, та Т.П. Романюк, Економетрія: підручник, 2-ге
вид., допов. та перероб. Київ: КНЕУ, 2000, 296 с.
12. О.В. Ульянченко, Дослідження операцій в економіці : підручник для студентів
вузів. Харків: Гриф, 2002, 580 с.
13. К. Холден, Д.А. Піл, та Дж. Л. Томпсон, Економічне прогнозування. Вступ.
Київ: Інформтехніка, 1996, 216 с.
14. C. Chatfield, The Analysis of Time Series: An Introduction. London, 1996, 283 p.
Надійшла 27.10.2020
INFORMATION ON THE ARTICLE
Serhii M. Kontseba, ORCID: 0000-0003-4161-5581, Uman National University of Hor-
ticulture, Ukraine, e-mail: kontseba@meta.ua
Roman I. Lishchuk, ORCID: 0000-0002-2051-5365, Uman National University of Hor-
ticulture, Ukraine, e-mail: roma0lir@gmail.com
Svitlana D. Skurtol, ORCID: 0000-0003-4517-2466, Uman National University of Hor-
ticulture, Ukraine, e-mail: skurtol@i.ua
Halyna Yu. Rodashchuk, ORCID: 0000-0002-0336-3435, Uman National University of
Horticulture, Ukraine, e-mail: galya.rodashchuk@gmail.com
Ivan P. Vasylchenko, ORCID: 0000-0002-9341-539X, Uman National University of
Horticulture, Ukraine, e-mail: ipvasylchenko@gmail.com
ПРОГНОЗИРОВАНИЕ ОБЪЕМОВ ПРОИЗВОДСТВА СЕЛЬСКОХОЗЯЙ-
СТВЕННОЙ ПРОДУКЦИИ С ПОМОЩЬЮ МЕТОДОВ ИНТЕЛЛЕКТУАЛЬ-
НОГО АНАЛИЗА ДАННЫХ / С.М. Концеба, Р.И. Лищук, С.Д. Скуртол, Г.Ю. Ро-
дащук, И.П. Васильченко
Аннотация. Спрогнозированы будущие значения показателей производства
зерновых и зернобобовых культур в сельскохозяйственных предприятиях Чер-
касской области на основе временных рядов динамики, уровни которых выра-
жены в натуральных единицах измерения. При исследовании использовалась
одна из методик интеллектуального анализа данных — анализ временных ря-
дов, что позволяет на основе модели ряда динамики, построенной на базе фак-
тических значений показателей прошлых лет, спрогнозировать производство
на будущие годы. Методика содержит следующие этапы: графический анализ
(для подбора подходящего уравнения модели), выделение и анализ детерми-
нированных составляющих ряда, сглаживание и фильтрация временного ряда,
исследования случайной компоненты, построение и проверка на адекватность
модели временного ряда, прогнозирование поведения временного ряда на ос-
нове проведенных исследований.
Ключевые слова: интеллектуальный анализ данных, временной ряд, прогно-
зирование, тренд, сельскохозяйственное предприятие, модель.
Прогнозування обсягів виробництва сільськогосподарської продукції за допомогою
Системні дослідження та інформаційні технології, 2021, № 1 97
FORECASTING OF AGRICULTURAL PRODUCTION VOLUMES
USING METHODS OF DATA MINING / S.M. Kontseba, R.I. Lishchuk, S.D.
Skurtol, H.Yu. Rodashchuk, I.P. Vasylchenko
Abstract. In this article, the future values of indicators were forecasted for produc-
tion of grains and legumes on farms in Cherkasy region based on the time series ex-
pressed in physical units. Time series analysis as one of the data mining techniques
was used during the research in order to make a forecast of production using the data
(based on the model of dynamic series) from past years to predict the future produc-
tion volumes. This method contains the following steps: a graphical analysis (allows
you to choose the model equation in the best way), separation and analysis of deter-
ministic components of the series, smoothing and filtering of time series, study of
random components, construction and testing for the adequacy of the time series
model, forecasting the behavior of the time series based on the conducted research.
Keywords: data mining, time series, forecasting, trend, agricultural enterprise, model.
REFERENCES
1. R.O. Petrov and O.Y. Kucheruk, “Forecasting the terms of sale of goods by the
methods of intellectual data analysis”, Current problems of computer science,
pp. 156–158, 2019. Accessed on: October 20, 2020. [Online]. Available:
http://elar.khnu.km.ua/jspui/bitstream/123456789/7933/1/APKN-
2019_%28v_2_0%29-156-158.pdf
2. P. Bidyuk, A. Savchenko, and S. Savchenko, Methods of intellectual data analysis in
forecasting competitiveness of enterprises. [Online]. Available: http://www.ei-
journal.in.ua/index.php/journal/article/view/61/48 [Accessed on: October 20, 2020].
3. H. Chornous and S. Rybalchenko, “Pricing optimization based on data mining
models”, Bulletin of Taras Shevchenko National University of Kyiv, no. 7 (172),
pp. 52–58, 2015.
4. P. Bidyuk and A. Fedorov, “Probabilistic forecasting of pricing processes in stock
markets”, System Research and Information Technologies, no. 1, pp. 65–73, 2009.
5. L. Korshevnyuk and P. Bidyuk, “Information-analytical system for adaptive fore-
casting of financial processes and risk estimation”, Scientific works. Computer Tech-
nology, vol. 201, no. 213, pp. 59–62, 2013.
6. O. Berzlev, M. Malyar, and V.Nikolenko, “Adaptive combined models of forecast-
ing stock market indicators”, Bulletin of Cherkasy State Technological University,
pp. 50–54, 2011.
7. A. Berzlev, “Assessment of the effectiveness of forecasting and decision-making in
the financial market”, Problems of Computer Intellectualization, V.M. Glushkov In-
stitute of Cybernetics of NAS of Ukraine. Kyiv-Sofia: ITHEA, pp. 249–257, 2012.
8. V. Kyshenko and M. Sych, “Intellectual analysis in the tasks of forecasting the
trends in the technological complex of the sugar factory development”, Sugar of
Ukraine, no. 6-7 (126-127), pp. 36–40, 2016.
9. I. Hlaholeva and A. Berko, Application of data mining methods for forecasting land
use.[Online]. Available: http://science.lpnu.ua/sisn/all-volumes-and-issues/volume-
770-2013/zastosuvannya-zasobiv-intelektualnogo-analizu-danih-dlya [Accessed on:
October 20, 2020].
10. O. Chernyak and P. Zakharchenko, Data mining. Kyiv, 2014, 599 p.
11. S. Nakonechnyy, T. Tereshchenko, and T. Romanyuk, Econometric, 2nd edition.
Kyiv National Economic University, 2000, 296 p.
12. O. Ulyanchenko, Research of operations in economics: a textbook for university stu-
dents. Kharkiv: Gryf, 2002, 580 p.
13. K. Holden, D.A. Peel, and J.L. Thompson, Economic forecasting: an introduction.
Kyiv: Information technology, 1996, 216 p.
14. C. Chatfield, The Analysis of Time Series: An Introduction. London, 1996, 283p.
|
| id | journaliasakpiua-article-214965 |
| institution | System research and information technologies |
| keywords_txt_mv | keywords |
| language | Ukrainian |
| last_indexed | 2025-07-17T10:26:50Z |
| publishDate | 2021 |
| publisher | The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" |
| record_format | ojs |
| resource_txt_mv | journaliasakpiua/c2/09917715bcd70a1c6b37b0aa57d74cc2.pdf |
| spelling | journaliasakpiua-article-2149652021-07-13T11:01:37Z Forecasting of agricultural production volumes using methods of data mining Прогнозирование объемов производства сельскохозяйственной продукции с помощью методов интеллектуального анализа данных Прогнозування обсягів виробництва сільськогосподарської продукції за допомогою методів інтелектуального аналізу даних Kontseba, Serhii Lishchuk, Roman Skurtol, Svitlana Rodashchuk, Halyna Vasylchenko, Ivan интеллектуальный анализ данных временной ряд прогнозирование тренд сельскохозяйственное предприятие модель data mining time series forecasting trend agricultural enterprise model інтелектуальний аналіз даних часовий ряд прогнозування тренд сільськогосподарське підприємство модель In this article, the future values of indicators were forecasted for production of grains and legumes on farms in Cherkasy region based on the time series expressed in physical units. Time series analysis as one of the data mining techniques was used during the research in order to make a forecast of production using the data (based on the model of dynamic series) from past years to predict the future production volumes. This method contains the following steps: a graphical analysis (allows you to choose the model equation in the best way), separation and analysis of deterministic components of the series, smoothing and filtering of time series, study of random components, construction and testing for the adequacy of the time series model, forecasting the behavior of the time series based on the conducted research. Спрогнозированы будущие значения показателей производства зерновых и зернобобовых культур в сельскохозяйственных предприятиях Черкасской области на основе временных рядов динамики, уровни которых выражены в натуральных единицах измерения. При исследовании использовалась одна из методик интеллектуального анализа данных — анализ временных рядов, что позволяет на основе модели ряда динамики, построенной на базе фактических значений показателей прошлых лет, спрогнозировать производство на будущие годы. Методика содержит следующие этапы: графический анализ (для подбора подходящего уравнения модели), выделение и анализ детерминированных составляющих ряда, сглаживание и фильтрация временного ряда, исследования случайной компоненты, построение и проверка на адекватность модели временного ряда, прогнозирование поведения временного ряда на основе проведенных исследований. Спрогнозовано майбутні значення показників виробництва зернових і зернобобових культур у сільськогосподарських підприємствах Черкаської області на основі часових рядів динаміки, рівні яких виражено в натуральних одиницях вимірювання. Під час дослідження використано одну з методик інтелектуального аналізу даних — аналіз часових рядів, що дозволяє на основі моделі ряду динаміки, побудованої на базі фактичних значень попередніх показників минулих років, спрогнозувати виробництво на наступні роки. Методика містить такі етапи: графічний аналіз (для підбору відповідного рівняння моделі), виділення і аналіз детермінованих складових ряду, згладжування і фільтрація часового ряду, дослідження випадкової компоненти, побудова і перевірка на адекватність моделі часового ряду, прогнозування поведінки часового ряду на підставі проведених досліджень. The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" 2021-07-13 Article Article application/pdf https://journal.iasa.kpi.ua/article/view/214965 10.20535/SRIT.2308-8893.2021.1.07 System research and information technologies; No. 1 (2021); 87-97 Системные исследования и информационные технологии; № 1 (2021); 87-97 Системні дослідження та інформаційні технології; № 1 (2021); 87-97 2308-8893 1681-6048 uk https://journal.iasa.kpi.ua/article/view/214965/235354 |
| spellingShingle | інтелектуальний аналіз даних часовий ряд прогнозування тренд сільськогосподарське підприємство модель Kontseba, Serhii Lishchuk, Roman Skurtol, Svitlana Rodashchuk, Halyna Vasylchenko, Ivan Прогнозування обсягів виробництва сільськогосподарської продукції за допомогою методів інтелектуального аналізу даних |
| title | Прогнозування обсягів виробництва сільськогосподарської продукції за допомогою методів інтелектуального аналізу даних |
| title_alt | Forecasting of agricultural production volumes using methods of data mining Прогнозирование объемов производства сельскохозяйственной продукции с помощью методов интеллектуального анализа данных |
| title_full | Прогнозування обсягів виробництва сільськогосподарської продукції за допомогою методів інтелектуального аналізу даних |
| title_fullStr | Прогнозування обсягів виробництва сільськогосподарської продукції за допомогою методів інтелектуального аналізу даних |
| title_full_unstemmed | Прогнозування обсягів виробництва сільськогосподарської продукції за допомогою методів інтелектуального аналізу даних |
| title_short | Прогнозування обсягів виробництва сільськогосподарської продукції за допомогою методів інтелектуального аналізу даних |
| title_sort | прогнозування обсягів виробництва сільськогосподарської продукції за допомогою методів інтелектуального аналізу даних |
| topic | інтелектуальний аналіз даних часовий ряд прогнозування тренд сільськогосподарське підприємство модель |
| topic_facet | интеллектуальный анализ данных временной ряд прогнозирование тренд сельскохозяйственное предприятие модель data mining time series forecasting trend agricultural enterprise model інтелектуальний аналіз даних часовий ряд прогнозування тренд сільськогосподарське підприємство модель |
| url | https://journal.iasa.kpi.ua/article/view/214965 |
| work_keys_str_mv | AT kontsebaserhii forecastingofagriculturalproductionvolumesusingmethodsofdatamining AT lishchukroman forecastingofagriculturalproductionvolumesusingmethodsofdatamining AT skurtolsvitlana forecastingofagriculturalproductionvolumesusingmethodsofdatamining AT rodashchukhalyna forecastingofagriculturalproductionvolumesusingmethodsofdatamining AT vasylchenkoivan forecastingofagriculturalproductionvolumesusingmethodsofdatamining AT kontsebaserhii prognozirovanieobʺemovproizvodstvaselʹskohozâjstvennojprodukciispomoŝʹûmetodovintellektualʹnogoanalizadannyh AT lishchukroman prognozirovanieobʺemovproizvodstvaselʹskohozâjstvennojprodukciispomoŝʹûmetodovintellektualʹnogoanalizadannyh AT skurtolsvitlana prognozirovanieobʺemovproizvodstvaselʹskohozâjstvennojprodukciispomoŝʹûmetodovintellektualʹnogoanalizadannyh AT rodashchukhalyna prognozirovanieobʺemovproizvodstvaselʹskohozâjstvennojprodukciispomoŝʹûmetodovintellektualʹnogoanalizadannyh AT vasylchenkoivan prognozirovanieobʺemovproizvodstvaselʹskohozâjstvennojprodukciispomoŝʹûmetodovintellektualʹnogoanalizadannyh AT kontsebaserhii prognozuvannâobsâgívvirobnictvasílʹsʹkogospodarsʹkoíprodukcíízadopomogoûmetodívíntelektualʹnogoanalízudanih AT lishchukroman prognozuvannâobsâgívvirobnictvasílʹsʹkogospodarsʹkoíprodukcíízadopomogoûmetodívíntelektualʹnogoanalízudanih AT skurtolsvitlana prognozuvannâobsâgívvirobnictvasílʹsʹkogospodarsʹkoíprodukcíízadopomogoûmetodívíntelektualʹnogoanalízudanih AT rodashchukhalyna prognozuvannâobsâgívvirobnictvasílʹsʹkogospodarsʹkoíprodukcíízadopomogoûmetodívíntelektualʹnogoanalízudanih AT vasylchenkoivan prognozuvannâobsâgívvirobnictvasílʹsʹkogospodarsʹkoíprodukcíízadopomogoûmetodívíntelektualʹnogoanalízudanih |