Эффективность внедрения Смарт-ферм: экономическая оценка

Цель – изучение механизма повышения эффективности производственных систем при откорме крупного рогатого скота мясных пород. Приведен пример применения Смарт-технологии для определения и их влияния на качество генетического отбора животных мясного направления, что в свою очередь способствует высокому среднесуточному приросту, росту рентабельности хозяйств. Объект исследования – способы содержания и кормления КРС, цифровые технологии и технические средства, результаты выполненных фундаментальных, теоретических, прогнозно-поисковых и прикладных научных разработок.

Методы – сравнительного анализа, экспертных оценок, опыт применения перспективных тенденций и инновационной техники системы «Intergado».

Результаты – показано, что использование таких нанотехнологий позволяет в зависимости от «ключевого признака» автоматически формировать базы данных производственных процессов, посредством которых осуществляется мониторинг веса и состояния поголовья. На основе сведений об изменении веса крупного рогатого скота своевременно вносятся корректировки в рацион животных, что содействует улучшению их здоровья, оптимизации генетического алгоритма. Взвешивание КРС (BW) – важный инструмент в управлении стадом поскольку наращивание массы тела влияет на производительность, продуктивность и, как следствие, готовность к скорейшей реализации и экономии затрат на корма.

Выводы – предложены цифровые решения для повышения результативности регулирования сельскохозяйственного производства при большом потоке информации и технологических операциях; параметры модели делают возможным в автоматическом режиме осуществление перевода сельхозживотных из одной производственной группы в другую путем отслеживания показателя «живая масса» для выбраковки. 

1. Есенгалиева, С.М. Современное состояние и тенденции развития животноводства в Республике Казахстан. / Мансурова, М. А., Махмудов, А. Д., Федорченко, Л.В. // Экономика: сратегия и практика. -2021.-16(2). - С. 134-144.

2. Статистические данные Агентства по стратегическому планированию и реформам Республики Казахстан Бюро национальной статистики [Электронный ресурс] URL: https://stat.gov.kz/ (дата обращения: 16.03.2023).

3. Центр цифровой трансформации в сфере АПК. «Умная» ферма. URL: https://cctmcx.ru/digital-cx/umnaya-ferma/

4. Kalimbetov, H.K. Modern technologies that can be used in the smart farm/ Baymuratova Z.A., Ospanova F.B. // "Экономика и социум». - 2022.- №10(101)-1.-Р. 1029-1035

5. Bretschneider G. Estimation of body weight by an indirect measurement method in developing replacement holstein heifers raised on pasture / G. Bretschneider, A. Cuatrin, D. Arias, and D. Vottero // Archivos de Medicina Veterinaria. - 2014.-Vol. 46, no. 3. - Р. 439–443

6. Kadel, M. J. Genetics of flight time and other measures of temperament and their value as selection criteria for improving meat quality traits in tropically adapted breeds of beef cattle / Johnston, D. J., Burrow, H. M., Graser, H. U., & Ferguson, D. M.// Australian Journal of Agricultural Research.- 2006.- 57(9).- Р 1029-1035.

7. Габидулин, В.М. Определение племенной ценности быков-производителей в зависимости от метода оценки / Белоусов А.М., Тагиров Х.Х., Белоусов А.М., Тагиров Х.Х. // Вестник мясного скотоводства. - 2016. - № 2 (94). - С. 22-26.

8. Cafe, L. M. Cattle temperament: Persistence of assessments and associationswith productivity, efficiency, carcass and meat quality traits / Robinson D. L.,Ferguson D. M., McIntyre B. L., Geesink G. H., Greenwood P. L. // J. Anim. Sci. -2011. -Vol. 89. -Р.1452–1465. doi:10.2527/jas.2010-3304

9. Monteiro, A. Precision Agriculture for Crop and Livestock Farming / Santos, S., and Gonçalves, P. // Brief Review. Animals. – 2021. - 11(8), 2345. DOI: https://doi.org/10.3390/ani11082345

10. Ilyas, Q.M. Smart Farming: An Enhanced Pursuit of Sustainable Remote Livestock Tracking and Geofencing Using IoT and GPRS. / Ahmad, M.// Computer Science, Information System. – 2020. - DOI: 10.1155/2020/6660733.

11. Guntoro, B.. Dynamic Responses of Livestock Farmers to Smart Farming. / Hoang Q.N., A’yun, A.Q., and Rochijan. // IOP Conf. Series: Earth and Environmental Science.. – 2019. - DOI:10.1088/1755-1315/372/1/012042.

12. Аққаир Б.Ж. Внедрение системы Intergado для оценки бычков // Материалы Междунар. науч. – практ. конф. «Сейфуллинские чтения - 18(2): «Наука ХХI века - эпоха трансформации», 2022.- Астана, 2022. - Т.I, Ч.II.- С. 121-123.

13. Uskenov R. B. Live animal assessment of meat qualities of kazakh white-headed bulls / Akkair B. Zh., Issabekova S. A., Bostanova S. K., Nasir Zh. K. //Bulletin of Science of the Kazakh Agrotechnical University named after S.Seifullin (interdisciplinary).-2022. - Vol. (114). – Part 1. - P. 4-11.

14. Saravanan, K. Cloud IOT based novel livestock monitoring and identification system using UID / Saraniya, S.// Sensor Review. – 2017. - 38(1), P. 21-33. DOI: https://doi.org/10.1108/SR-08-2017-0152

15. Оразбаева, А.С. Перспективы и условия внедрения технологий «умного» животноводства в Казахстане: Взгляд фермеров /С.М. Токенова, С.В. Могильный// Вестник науки Казахского агротехнического университета имени Сакена Сейфуллина (междисциплинарный).- Aстана. - 2023. – №2(117). – С. 291-302