Food Policy and Security Food Policy and Security Продовольственная политика и безопасность 2499-9431 2412-8694 BIBLIO-GLOBUS Publishing House 126606 10.18334/ppib.13.3.126606 WWHCBJ Articles Статьи Research Article Forecasting key livestock indicators using econometric models and machine learning methods under conditions of short time series (the case of the Republic of Sakha (Yakutia)) Прогнозирование основных показателей животноводства с применением эконометрических моделей и методов машинного обучения в условиях коротких временных рядов (на примере Республики Саха (Якутия)) https://orcid.org/0000-0002-2954-463X1682-1467HRA-9538-2023 Vasiliev Nikolai Petrovich Васильев Николай Петрович

научный сотрудник отдела социально-экономического развития села, кандидат экономических наук

 v1nicolay@mail.ru https://orcid.org/0000-0002-9234-86667763-1107Y-6152-2018 Protopopova Lyubov Danilovna Протопопова Любовь Даниловна

старший научный сотрудник отдела социально-экономического развития села

 protopopovald@mail.ru https://orcid.org/0000-0001-5300-32032377-6124 Krylova Akulina Nikolaevna Крылова Акулина Николаевна

младший научный сотрудник отдела социально-экономического развития села

 akulina.krylova.80@mail.ru https://orcid.org/0000-0001-5626-94376709-3902J-7697-2018 Nikitina Nadezhda Nikolaevna Никитина Надежда Николаевна

младший научный сотрудник отдела социально-экономического развития села

 niki_nadejda85@mail.ru Yakut Scientific Research Institute of Agriculture named after M.G. Safronov is a separate division of the Federal State Budgetary Scientific Institution Federal Research Center Yakut Scientific Center SB RAS Якутский научно-исследовательский институт сельского хозяйства имени М.Г. Сафронова - обособленное подразделение ФГБУН Федеральный исследовательский центр «Якутский научный центр СО РАН» 30 09 2026 13 3 VOL 13, NO3 (2026) ТОМ 13, №3 (2026) 1323 1342 31 07 2026 24 08 2026 Copyright ©; 2026, Vasilev N.P., Protopopova L.D., Krylova A.N., Nikitina N.N. Copyright ©; 2026, Васильев Н.П., Протопопова Л.Д., Крылова А.Н., Никитина Н.Н. 2026 Vasilev N.P., Protopopova L.D., Krylova A.N., Nikitina N.N. Васильев Н.П., Протопопова Л.Д., Крылова А.Н., Никитина Н.Н. https://1economic.ru/lib/126606

Nowadays there is the need to enhance the forecasting accuracy for the development of animal husbandry in the Far North conditions under a limited statistical database and high inertia of production processes. The article aims to conduct a comparative assessment of four alternative approaches to forecasting key livestock indicators of the Republic of Sakha (Yakutia): the method of combined trend extrapolation, ARIMAX, Ridge Regression, and Random Forest. Data from 2010–2019 were utilized as the training sample, while verification was performed against actual values for the period of 2020–2024. It has been established that in the context of short time series, trend extrapolation frequently surpasses complex machine learning algorithms, which are prone to degenerating into a constant or suffering from overfitting. Gross milk yield was predicted most accurately using the trend-regression technique, achieving a mean absolute percentage error of 1.9%. Egg production showed the highest accuracy under the ARIMAX model with an exogenous variable (13.7%), while the composite metric for livestock and poultry intended for slaughter was also modeled most effectively via ARIMAX (5.8%). The conclusion substantiates the absence of a universal model and emphasizes the need to select a forecasting method depending on the type of product, availability of predictors, and the forecast horizon.

Актуальность исследования обусловлена необходимостью повышения точности прогнозов развития животноводства в условиях Крайнего Севера при ограниченной статистической базе и высокой инерционности производственных процессов. Цель работы – сравнительная оценка четырех альтернативных подходов к прогнозированию ключевых показателей животноводства Республики Саха (Якутия): метода комбинированной трендовой экстраполяции, ARIMAX, Ridge Regression и Random Forest. В качестве обучающей выборки использованы данные 2010–2019 гг., верификация проведена на фактических значениях 2020–2024 гг. Установлено, что при коротких временных рядах трендовая экстраполяция часто превосходит сложные алгоритмы машинного обучения, которые склонны к вырождению в константу или переобучению. Наилучшие результаты для валового надоя молока показал трендово-регрессионный метод (средняя абсолютная процентная ошибка – 1,9%), для производства яиц – модель ARIMAX с экзогенным предиктором (13,7%), для совокупного показателя «скот и птица на убой» – также ARIMAX (5,8%). Экспертная корректировка с учетом структурных сдвигов позволила снизить ошибку прогноза яиц до 0,4–2,7%. Сделан вывод об отсутствии универсальной модели и необходимости выбора метода в зависимости от вида продукции, доступности предикторов и горизонта прогноза.

 ARIMAX Random Forest Ridge Regression animal husbandry short time series forecasting ARIMAX Random Forest Ridge Regression животноводство короткие временные ряды прогнозирование The study was carried out using funds from the state assignment FWRS-2024-0027 with the support of the Ministry of Science and Higher Education of the Russian Federation. Исследование выполнено за счет средств государственного задания FWRS-2024-0027 при поддержке Министерства науки и высшего образования РФ. 1. Алтухов, А. И. Особенности обеспечения продовольственной безопасности России в условиях санкционного давления / А. И. Алтухов // Экономика, труд, управление в сельском хозяйстве. – 2023. – № 4(98). – С. 5-17. – DOI 10.33938/234-5. – EDN FHWNZU. 2. Васильев, Н. П. Развитие птицеводства в Республике Саха (Якутия) / Н. П. Васильев, Л. Д. Протопопова, А. Н. Крылова, Н. Н. Никитина // Экономика сельскохозяйственных и перерабатывающих предприятий. – 2025. – № 7. – С. 43-48. – DOI 10.31442/0235-2494-2025-0-7-43-48. – EDN VWTACG. 3. Даянова, Г. И. Методика формирования баланса продовольственных ресурсов Республики Саха (Якутия) с учетом региональных особенностей : методическое пособие / Г. И. Даянова, И. К. Егорова, Л. Д. Протопопова [и др.]. – Якутск : Издательский дом Дьолуо, 2019. – 335 с. – ISBN 978-5-6042869-3-7. – EDN OKQEMY. 4. Даянова, Г. И. Организационно-экономические основы системы ведения сельского хозяйства Республики Саха (Якутия) / Г. И. Даянова, И. К. Егорова, Л. Д. Протопопова [и др.] // Система ведения сельского хозяйства в Республике Саха (Якутия) на период 2021-2025 годы : методические пособия / Министерство сельского хозяйства Республики Саха (Якутия), Якутский научный центр Сибирского отделения Российской академии наук, Якутский научно-исследовательский институт сельского хозяйства им. М. Г. Сафронова. – Белгород : Сангалова К. Ю., 2021. – С. 20-100. – EDN BNQDOR. 5. Полянская, Н. М. Обеспечение продовольствием населения северных территорий России / Н. М. Полянская, А. А. Колесняк, А. Н. Коваль // Экономика сельскохозяйственных и перерабатывающих предприятий. – 2023. – № 5. – С. 40-50. – DOI 10.31442/0235-2494-2023-0-5-40-50. – EDN KAIPKG. 6. Протопопова, Л. Д. Основные тенденции и прогноз развития производства мяса в Республике Саха (Якутия) / Л. Д. Протопопова, Н. П. Васильев, А. Н. Крылова, Н. Н. Никитина // Экономика сельского хозяйства России. – 2024. – № 9. – С. 72-80. – DOI 10.32651/249-72. – EDN NLHOLK. 7. Территориальный орган Федеральной службы государственной статистики по Республике Саха (Якутия): официальный сайт. URL: https://14.rosstat.gov.ru (дата обращения: 26.01.2026) 8. Файзуллин, Р. В. Применение методов машинного обучения для прогнозирования в сельскохозяйственном секторе экономики / Р. В. Файзуллин, О. А. Новикова // Интеллектуальные системы в производстве. – 2024. – Т. 22, № 2. – С. 69-79. – DOI 10.22213/2410-9304-2024-2-69-79. – EDN SBLSEG. 9. Aguirre-Munizaga, M. Artificial Intelligence Modeling of Climate-Driven Variability in Livestock-Related Sales Using Satellite-Derived Bioclimatic Indices / M. Aguirre-Munizaga, M. Vasquez-Bermudez, D. Manosalvas, D. Portalanza // Agriculture. – 2026. – Vol. 16, No. 5. – P. 492. – DOI 10.3390/agriculture16050492. – EDN KDWZKM. 10. Feldkircher, M. Sophisticated and small versus simple and sizeable: When does it pay off to introduce drifting coefficients in Bayesian vector autoregressions? / M. Feldkircher, L. Gruber, F. Huber, G. Kastner // Journal of Forecasting. – 2024. – DOI 10.1002/for.3121. – EDN DXGPOE. 11. Gouda, F. Forecasting sheep lamb productivity using short-term time series: A comparison of ARIMA, ETS, and neural network autoregressive models / F. Gouda // Alexandria Journal of Veterinary Sciences. – 2025. – Vol. 87. – P. 82. – DOI 10.5455/ajvs.265570. – EDN XNFMJW. 12. Hodson, T. O. Root-mean-square error (RMSE) or mean absolute error (MAE): when to use them or not / T. O. Hodson // Geoscientific Model Development. – 2022. – Vol. 15, No. 14. – P. 5481-5487. – DOI 10.5194/gmd-15-5481-2022. – EDN BMVVIF. 13. Koutsandreas, D. On the selection of forecasting accuracy measures / D. Koutsandreas, E. Spiliotis, V. Assimakopoulos, F. Petropoulos // Journal of the Operational Research Society. – 2021. – DOI 10.1080/01605682.2021.1892464. – EDN PXDNYC. 14. Peter, J. ASAS-NANP Symposium: mathematical modeling in animal nutrition: review of time series techniques and machine learning models for advancing livestock production / J. Peter, Mo. Li, Ja. Brennan [et al.] // Journal of Animal Science. – 2025. – P. skaf439. – DOI 10.1093/jas/skaf439. – EDN LNNZWH. 15. Xu, M. An Integrated Hog Supply Forecasting Framework Incorporating the Time-Lagged Piglet Feature: Sustainable Insights from the Hog Industry in China / M. Xu, X. Lai, Yu. Zhang [et al.] // Sustainability. – 2024. – Vol. 16, No. 19. – P. 8398. – DOI 10.3390/su16198398. – EDN CIDQNN. 16. Yıldız, B. İ. Prediction of Beef Production Using Linear Regression, Random Forest and k-Nearest Neighbors Algorithms / B. İ. Yıldız, K. Karabağ // Journal Of Agriculture and Nature. – 2025. – Vol. 28, No. 1. – P. 247-255. – DOI 10.18016/ksutarimdoga.vi.1548951. – EDN QYRTNI. 17. Zhang, W. A feature extraction method for small sample data based on optimal ensemble random forest / W. Zhang, H. Zhang // Xibei Gongye Daxue Xuebao. – 2022. – Vol. 40, No. 6. – P. 1261-1268. – DOI 10.1051/jnwpu/20224061261. – EDN IGCQVZ.