moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 10.26102/2310-6018/2023.40.1.018 1305 Математическое моделирование влияния показателей микроклимата на интенсификацию агропромышленного производства на примере выращивания бройлеров Mathematical modeling of microclimate indicator influence on the intensification of agricultural production on the example of broiler farming Белых Татьяна Ивановна Belykh Tatyana Ivanovna bti_baikal@mail.ru aff-1 Бурдуковская Анна Валерьевна Burdukovskaya Anna Valerievna buran_baikal@mail.ru aff-2 Ивонина Ольга Юрьевна Ivonina Olga Yurievna olga.ivonina.63@mail.ru aff-3 Родионов Алексей Владимирович Rodionov Aleksei Vladimirovich avr-v@yandex.ru aff-4 Байкальский государственный университет Baikal State University Иркутский государственный университет Irkutsk State University Иркутский государственный аграрный университет имени А.А. Ежевского Irkutsk State Agrarian University named after A.A. Yezhevsky Байкальский государственный университет Baikal State University 01 01 2026 1 1 10.26102/2310-6018/2023.40.1.018 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

В статье рассматриваются регрессионные математические модели, описывающие влияние механической и автоматической систем регулирования микроклимата на рост и развитие цыплят-бройлеров кросса «Arbor Acres» в условиях агропромышленного комплекса «Саянский бройлер» при напольном содержании. В работе изучается влияние таких параметров, как микроклимат, температура, влажность и освещенность. Для проверки статистической гипотезы однородности двух рассматриваемых выборок используются критерии Крамера-Уэлча, Уилкоксона. Приводится тест Чоу о возможности построения двух различных однотипных математических моделей, описывающих закономерности развития моделируемых показателей. Рассчитываются статистические оценки значимости построенных моделей и включенных в модели факторов. Приводится интерпретация результатов регрессионного анализа применительно к исследуемой предметной области. Кроме этого, выполнена графическая визуализация анализа исходных и выходных данных построенных моделей. Проводится ранжирование факторов по степени их воздействия на результирующий показатель с использованием коэффициентов эластичности и долей их влияния. Вычисляются основные производственные показатели по итогам выращивания поголовья, в частности, среднесуточный прирост, абсолютный прирост, относительная скорость роста, сохранность. В статье рассчитывается экономический эффект за один полный цикл выращивания цыплят-бройлеров.

The article deals with the regression mathematical models that describe the influence of mechanical and automatic microclimate control systems on the growth and development of Arbor Acres cross broiler chickens in Sayansky Broiler agro-industrial complex with outdoor maintenance. The paper regards the influence of such parameters as microclimate, temperature, humidity and illumination. To test the statistical hypothesis of homogeneity of the two considered samples, the Cramer-Welch and Wilcoxon tests are employed. Chou's test is presented concerning the possibility of constructing two different mathematical models of the same type that illustrate the patterns of the modeled indicators development. Statistical estimates of the significance of the constructed models and the factors included in the models are calculated. An interpretation of the results of regression analysis in relation to the subject area under study is given. In addition, a graphical visualization of the analysis of the initial and output data of the constructed models was performed. The ranking of factors is carried out according to the degree of their impact on the resulting indicator using elasticity coefficients and the shares of their influence. The main production indicators are calculated based on the results of livestock rearing: average daily gain, absolute gain, relative growth rate, safety. The article calculates the economic effect for one full cycle of farming broiler chickens.

 математическое моделирование регрессионная модель коэффициент детерминации статистическая значимость модели цыплята-бройлеры кросса «Arbor Acres» микроклимат mathematical modeling regression model determination coefficient statistical significance of the model Arbor Acres cross broilers microclimate Исследование выполнено без спонсорской поддержки. The study was performed without external funding. References Егорова Т.А. Развитие российского птицеводства в мировом тренде. Птицеводство. 2019;2:4–9. DOI: 10.33845/0033-3239-2019-68-2-4-9. Фисинин В.И., Буяров В.С., Буяров А.В., Шуметов В.Г. Мясное птицеводство в регионах России: современное состояние и перспективы инновационного развития. Аграрная наука. 2018;2:30–38. Акбаев М., Малофеев Н., Цыпляев А. и др. Резервы повышения продуктивности бройлеров. Птицеводство. 2003;7:5–7. Астраханцев А.А. Продуктивность цыплят-бройлеров при различных технологических вариантах выращивания. Птицеводство. 2019;1:26–30. DOI: 10.33845/0033-3239-2019-68-1-26-30. Зыков С.А. Современные тенденции развития птицеводства. Эффективное животноводство. 2019;4:51–54. Буяров B.C., Годыменко В.И., Буяров А.В., Ноздрин А.Е. Эффективность инновационных технологий промышленного производства мяса бройлеров. Вестник аграрной науки. 2017;2(65):36–47. Писарев Ю., Батов В. Откорм птицы при напольном содержании. Птицеводство. 2003;5:13–14. Михалёв П.В., Василевский Н.М. Эффективность применения новых методов контроля микроклимата при выращивании цыплят-бройлеров. Ученые записки Казанской Государственной Академии ветеринарной медицины им. Н.Э. Баумана. 2012;212:319–323. Карелина Л.Н., Власов Б.Я., Суслопарова Н.В. Световой режим, как экологический и стрессовый фактор в развитии сельскохозяйственных птиц. Объединенный научный журнал. 2011;11(12):111–113. Дрейпер Н., Смит Г. Прикладной регрессионный анализ. М.: Диалектика; 2017. 912 с. Меркурьева Е.К. Основы биометрии. М.: Издательство МГУ; 1963. 242 с. Плохинский Н.А. Биометрия. Новосибирск: Изд-во СО АН ССР; 1961. 364 с. Айвазян С.А. Прикладная статистика. Основы эконометрики: Учеб. В 2 т. 2-е изд., испр. Т. 2. М.: ЮНИТИ-ДАНА; 2001. 432 с. Брандт З. Анализ данных. Статистические и вычислительные методы для научных работников. М.: Мир; 2003. 686 с. Стрижов В.В., Крымова Е.А. Методы выбора регрессионных моделей. М.: ВЦ РАН; 2010. 60 с.

The authors declare that there are no conflicts of interest present.