Прогноз заболеваемости бруцеллёзом крупного рогатого скота в Кабардино-Балкарской Республике с использованием методов декомпозиции временных рядов и пространственного анализа
DOI:
https://doi.org/10.31279/2949-4796-2026-16-2-22-32Ключевые слова:
бруцеллез КРС, прогностическая модель, климатические факторы, пространственный анализ, ГИС-технологии, декомпозиция временных рядов, экономическая эффективностьАннотация
Введение. Бруцеллёз крупного рогатого скота остается значимой зоонозной угрозой в регионах с развитым животноводством, включая Северный Кавказ. Изменение климата и пространственная неоднородность требуют комплексных прогностических моделей, учитывающих комплекс различных факторов.
Цель. Разработать практико-ориентированную прогностическую модель, интегрирующую долгосрочные управленческие тренды, краткосрочные климатические колебания и пространственную дифференциацию рисков в условиях вертикальной зональности Кабардино-Балкарской Республики.
Материалы и методы. Анализ временных рядов заболеваемости (2000–2024 гг.) проведен с использованием декомпозиции тренда и метеорологических предикторов (температура, осадки, скорость ветра и влажность). Применены корреляционный и регрессионный анализ, метод декомпозиции временных рядов decSARIMA, кригинг-интерполяция, кросс-валидация.
Результаты. Коэффициент детерминации финальной модели составил R2 = 0,84, средняя ошибка прогноза на независимой выборке – 0,16 в пересчете на 10 000 обследованных животных. Кросс-валидация подтвердила устойчивость (средняя абсолютная ошибка, MAE = 0,18–0,21). Выявлена пространственная неоднородность рисков: предгорная зона (600–1200 м над уровнем моря) характеризуется в 2,3 раза более высоким риском по сравнению с равниной. Сезонные пики: май–июнь (+35 %), октябрь – ноябрь (+28 %). Прогноз на 2025: 11–12 случаев на 10 000 обследованных (95 % доверительный интервал).
Заключение. Разработанная модель сочетает устойчивый годовой прогноз с пространственной дифференциацией рисков и анализом сезонных механизмов влияния погоды. Экономическая оценка показывает, что затраты на профилактику в зонах прогнозируемого риска в 4-6 раз ниже. Затраты на профилактику в 4–6 раз ниже потерь от вспышек. Модель может служить дополнительным инструментом поддержки принятия решений для ветеринарной службы Кабардино-Балкарской Республики.
Для цитирования: Хитиева А.Ж., Тебуев А.Х. Прогноз заболеваемости бруцеллёзом крупного рогатого скота в Кабардино-Балкарской Республике с использованием методов декомпозиции временных рядов и пространственного анализа. Аграрный вестник Северного Кавказа. 2026;16(2):22-32. https://doi.org/10.31279/2949-4796-2026-16-2-22-32 EDN GSHHRI
To cite: Khitieva A.Zh., Tebuev A.Kh. Prediction of bovine brucellosis incidence in the Kabardino-Balkarian Republic using time series decomposition and spatial analysis methods. Agrarian Bulletin of the North Caucasus. 2026;16(2):22-32. (In Russ.) https://doi.org/10.31279/2949-4796-2026-16-2-22-32 EDN GSHHRI
Библиографические ссылки
Ponomarenko D.G., Matvienko A.D., Khachaturova A.A., et al. Analysis of the brucellosis situation in the world and the Russian Federation. Problems of Par-ticularly Dangerous Infections. 2024;(2):36-50. (In Russ.) https://doi.org/10.21055/0370-1069-2024-2-36-50
Zakharova O.I., Burova O.A., Yashin I.V., et al. Epizootic situation of animal brucellosis in the Russian Federation (review). Agrarnaya Nauka Evro-Severo-Vostoka. 2023;24(1):20-29. (In Russ.) https://doi.org/10.30766/2072-9081.2023.24.1.20-29
Ambrósio R.S. Economic and financial aspects of bovine brucellosis in the state of Rondônia [dissertation]. São Paulo: Universidade Brasil; 2024.45.
Askerova S.A., Gulyukin M.I., Gulyukin A.M., et al. Modified Methods for Di-agnosing Brucellosis in Farm Animals: Monograph. Novosibirsk: ANS "SibAK"; 2019.262. (In Russ.)
Arotolu T.E., Wang H., Lv J., et al. Modeling the current and future distribution of Brucellosis under climate change scenarios in Qinghai Lake basin, China. Acta Veterinaria. 2023;73(3):325-345. https://doi.org/10.2478/acve-2023-0028
Babaie E., Alesheikh A.A., Tabasi M. Spatial prediction of human brucellosis using a GIS-based adaptive neuro-fuzzy inference system (ANFIS). Acta Tropica. 2021;220:105951. https://doi.org/10.1016/j.actatropica.2021.105951
Rayl N.D., et al. Modeling elk-to-livestock transmission risk to predict hotspots of brucellosis spillover. The Journal of Wildlife Management. 2019;83(4):817-829. https://doi.org/10.1002/jwmg.21645
Godfroid J., et al. Brucellosis at the animal/ecosystem/human interface at the beginning of the 21st century. Preventive Veterinary Medicine. 2013;110(1):1-9. https://doi.org/10.1016/j.prevetmed.2013.01.009
Ducrotoy M.J., et al. Brucellosis in Sub-Saharan Africa: Current challenges for management, diagnosis and control. Parasites & Vectors. 2016;9(1):471. https://doi.org/10.1186/s13071-016-1794-4
Seleem M.N., Boyle S.M., Sriranganathan N. Brucellosis: A re-emerging zoon-osis. Veterinary Microbiology. 2010;140(3-4):392-398. https://doi.org/10.1016/j.vetmic.2009.09.071
Khatsukov K.Kh., Kudryavtsev Yu.V., Zhanukuev O.I. Epidemiological surveil-lance of brucellosis in the Kabardino-Balkarian Republic. Infektsiya i Immun-itet. 2012;(1-2). (In Russ.)
Zhang X., et al. A prediction model for sheep brucellosis in China based on en-vironmental and socioeconomic data. Journal of Veterinary Epidemiology. 2020;15(3):123-135. https://doi.org/10.1080/07853890.2023.2295398
Tebuev Kh.Kh. On the issue of global climate warming. Izvestia Kabardino-Balkarian State Agrarian University named after V.M. Kokov. 2020;(4):177-183. (In Russ.)
Musinov S.R., Syzdykov M.S. Identification of Patterns of Territorial Distribu-tion of Brucellosis Using GIS Technologies in Endemic Territories of Kazakh-stan. Research report. Almaty: Kazakh Scientific Center for Quarantine and Zoonotic Infections; 2017. (In Russ.)
Filatova E.N., Solntsev L.A. Mixed technique for forecasting infectious mor-bidity using time series decomposition and SARIMA. Journal of Microbiology, Epidemiology and Immunobiology. 2019;96(3):76-83. (In Russ.) https://doi.org/10.36233/0372-9311-2019-3-76-83
Imai C., Armstrong B., Chalabi Z., et al. Time series regression model for in-fectious disease and weather. Environmental Research. 2015;142:319-327. https://doi.org/10.1016/j.envres.2015.06.040
Tebuev Kh.Kh. Mathematical substantiation of the representativeness of the trend component of time series. Izvestia Kabardino-Balkarian State Agrarian University named after V.M. Kokov. 2019;1(23):11-22. (In Russ.)
Cotterill G.G., Cross P.C., Merkle J.A., et al. Parsing the effects of demogra-phy, climate and management on recurrent brucellosis outbreaks in elk. Jour-nal of Applied Ecology. 2020;57(4):674-684. https://doi.org/10.1111/1365-2664.13553
Cross P.C., et al. Linking spring phenology with mechanistic models of host movement to predict disease transmission risk. Journal of Applied Ecology. 2018;55(2):810-819. https://doi.org/10.1111/1365-2664.13022
Kiiza D., et al. A systematic review of economic assessments for brucellosis control interventions in livestock populations. Preventive Veterinary Medicine. 2023;213:105878. https://doi.org/10.1016/j.prevetmed.2023.105878
Загрузки
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2026 Хитиева А.Ж., Тебуев А.Х.
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
