Формирование потенциала устойчивого развития агрохозяйства: анализ воспроизводственных процессов и оценка региональных перспектив с применением нейросетевых моделей

EDN:

Сельское хозяйство критически важно для достижения целей устойчивого развития (ЦУР) – продовольственной безопасности, благополучия сельских территорий, экологии и др.1 Отрасль выступает значимым фактором социально-экономического развития, удовлетворения потребностей населения в продуктах питания, формирует условия распределения материальных благ на селе. Одновременно она служит мощным фактором воздействия на окружающую среду, проявление которого во многом определяется характером использования сельскохозяйственных земель.

Современные траектории развития сельского хозяйства характеризуются положительной динамикой экономических результатов – увеличением объемов производства на фоне наращивания инвестиций и активной аграрной политики государства2 [1]. Процессы концентрации и агропромышленной интеграции способствовали консолидации земель и оптимизации логистических потоков, обеспечив растущий спрос на сельскохозяйственную продукцию и продовольствие [2]. Технологическое совершенствование производственных процессов позволило повысить урожайность сельскохозяйственных культур и продуктивность животных3; производство зерна, подсолнечника, мяса и др. выросло больше чем в 1,5 раза4.

Однако кардинального улучшения социальных параметров устойчивости российского сельского хозяйства не произошло. Уровень оплаты труда остается значительно ниже средних значений по экономике, что способствует оттоку трудовых ресурсов [3; 4]. Продолжают обостряться экологические проблемы.

По данным Росреестра, около половины всей пашни в стране характеризуется низким содержанием гумуса, треть - подвержена различным проявлениям эрозии5, что губительно для производительной способности земель.

В исследованиях подчеркивается, что определяющей причиной сложившейся ситуации является механизм управления эколого-экономическими системами6 [5; 6], в рамках которого формируется высокая территориальная дифференциация социально-экономического развития страны [7] и возникают барьеры пространственного развития [8; 9]. В связи с этим актуализируется детальный анализ пространственных особенностей устойчивого развития сельского хозяйства, что может послужить базой при уточнении перспектив, ограничений, а также согласования параметров социально-экономического развития регионов.

В основу анализа положена авторская концепция устойчивого развития сельского хозяйства, построенная на воспроизводственном подходе к формированию потенциала устойчивого развития, представляющем собой стоимостную оценку прироста искусственного, человеческого и природного капитала в сельском хозяйстве [10].

Нейросетевые алгоритмы применяются для моделирования различных экономических параметров, главным образом цен, и рыночной ситуации [11; 12], прогнозирования регионального валового продукта [13], урожайности7 [14], изменений в землепользовании [15; 16]. Комплексный методический подход к оценке совокупного потенциала устойчивого развития (PSD) сельского хозяйства региона (включая экономический, социальный и экологический факторы) с привязкой к воспроизводственным процессам разработан недостаточно. Данные значимых параметров оценки устойчивости в абсолютном выражении редко используются для выявления проблемных точек и структурных дисбалансов воспроизводственных процессов в сельском хозяйстве на региональном уровне.

Цель статьи – обоснование методики нейросетевого анализа пространственных особенностей формирования потенциала устойчивого развития сельского хозяйства с ее последующей апробацией.

В качестве рабочей гипотезы выдвигается предположение о том, что совокупная величина PSD сельского хозяйства имеет выраженную пространственную дифференциацию, определяемую структурными дисбалансами воспроизводства капитала (искусственного, человеческого и природного).

ОБЗОР ЛИТЕРАТУРЫ

С конца 1980-х гг. устойчивое развитие – одна из основных целей территориального анализа и прогнозирования; проблемы качества жизни и экологического благополучия на сельских территориях активно исследуются во все мире. В рамках данной концепции обоснован ряд подходов, направленных на обеспечение сбалансированного социально-экономического развития при минимизации сопутствующего ущерба для окружающей среды. Затрагивались вопросы продовольственной безопасности [17], повышения социального благополучия [18; 19] и экологической стабильности [20–22].

В большинстве подходов к оценке параметров устойчивого развития использован индексный метод, предполагающий расчет индивидуальных индексов, связанных с отдельными аспектами формирования устойчивости8 [23]; интегральных, полученных при объединении индивидуальных индексов9 [24]; единого индекса, отражающего все стороны устойчивого развития [25; 26]. Индексный метод прост и удобен для построения разнообразных рейтингов территорий и бизнес-структур. Однако он не позволяет оценить абсолютные значения, что затрудняет объективное понимание процессов в региональном сельском хозяйстве [21]. Возникает необходимость использовать стоимостные способы измерения абсолютных показателей.

Общепринятая основа развития – расширенное воспроизводство факторов производства10. В литературе потенциал устойчивого развития сельских территорий обычно анализируют через отдельные аспекты: особенности оценки и становления человеческого потенциала [27]; формирование земельно-ресурсного потенциала производства с оценкой эффективности его использования [28]; объединение человеческого и природного капитала [29]. Необходимо учитывать, что потенциал устойчивости закладывается воспроизводством всех факторов развития, а его увеличение в динамике возможно при обеспечении расширенного типа воспроизводства [30].

В экономических исследованиях последних лет подчеркивается важность учета особенностей как отдельных территорий, так и всего пространства страны в процессе формирования отраслевых стратегий, программ и проектов развития сельского хозяйства [31; 32]. Наиболее эффективной стратегией при современном состоянии российской экономики признается поддержка существующих точек роста с управлением пространственной дифференциацией на их основе [33; 34]. Центральной задачей при этом выступает обеспечение сопоставимого вклада регионов в достижение национальных целей устойчивого развития, связанных с экономическим ростом, качеством жизни и национальной безопасностью страны11.

Современные подходы к анализу развития сельского хозяйства с использованием искусственных нейронных сетей охватывают моделирование отдельных параметров: экономическую (сложившегося уровня и перспектив расширения урожайности и объемов производства) или экологическую составляющую (влияние различных фактов на состояние окружающей среды, в том числе земель).

Так, коллективом авторов предложен алгоритм глубокого обучения для прогнозирования урожайности, сохраняющий исходное распределение данных с точностью 93,7 % [35]. Р. М. Бисчоков построил модели формирования урожая на основе многослойного перцептрона ( Multilayer Perceptron , MLP ), радиальных базисных функций и обобщенно-регрессионных нейронных сетей в целях максимизации производительности и минимизации нерационального использования ресурсов [14]. Б. Бали с соавторами моделировали урожайность с использованием MLP-архитектуры, учитывающей изменчивость дохода при изменении климата с предсказательной точностью в различных сценариях окружающей среды [36].

Д. Кривогуз на основе геопространственного анализа и нейронных сетей прямого распространения доказал тесную связь между деятельностью человека и экологической устойчивостью; акцентировал критическую необходимость интегрированных стратегий управления и охраны природы для смягчения неблагоприятных воздействий и сохранения экологической целостности [37]. Стратегию оценки изменений в землепользовании и деградации почв на основе MLP и цепей Маркова предложили П. Чоудхари с соавторами [38]. Коллектив ученых представил оценку содержания фосфора в почве и растениях с помощью гиперспектральных данных и моделей, использующих нейронные сети прямого распространения [39].

Исследования устойчивого развития, интегрировавшие экономический, социальный и природный факторы с помощью нейросетей, нередко ориентированы на индикаторы ЦУР, установленные Организацией Объединенных Наций (ООН) [40; 41]. Возможность подобных алгоритмов прогнозировать степень достижения ЦУР позволяет понять место региона или государства в системе приоритетов. Ограничения подобных подходов связаны с риском усиления предвзятости и недостатком интерпретируемости результатов моделирования с экономической точки зрения [42].

Анализ литературы показывает, что, несмотря на широкое использование методов нейросетевого моделирования, решения, которое бы объединило экономический, социальный и экологический приоритеты в контексте воспроизводственного подхода к анализу региональных особенностей развития сельского хозяйства на основе изучения абсолютных показателей, не существует. Имеющиеся работы, как правило, сосредоточены на моделировании отдельных факторов устойчивости либо на анализе индикаторов ЦУР ООН.

МАТЕРИАЛЫ И МЕТОДЫ

Объект и территориальные рамки исследования. В качестве объекта исследования выступили сельскохозяйственные организации 45 регионов Центрального, Южного, Северо-Кавказского и Приволжского федеральных округов. Последние обладают благоприятными природно-климатическими условиями для ведения сельского хозяйства, отличаются высокой социально-экономической освоенностью и концентрацией производства, совокупно обеспечивают более 75 % отраслевого производства.

Использование данных за 2019–2023 гг. позволило оценить пропорции формирования PSD и обеспечить репрезентативность исследования.

Источники данных и формирование выборки. Информационную базу составили открытые материалы Федеральной службы государственной стати-стики¹², Росреестра¹³ и Министерства сельского хозяйства РФ¹⁴. Для построения аналитической модели PSD был сформирован массив показателей, потенциально способных влиять на его величину (табл. 1).

Т а б л и ц а 1. Переменные баз данных обучения и прогнозирования потенциала устойчивого развития

T a b l e 1. Variables of the learning and forecasting databases for assess the potential for sustainable development

База данных обучения / Training database

Название группы показателей / Name of the indicator group Перечень показателей / List of indicators Название переменной / Name of the variable 1 2 3 1. Масштабы производства Чистые инвестиции / Net investments VAR00001 и инвестиционная деятельность, млн руб. / Production scale Валовая продукция / Gross output VAR00002 and investment activity, million rubles Объем средств государственной поддержки в рамках программ и мероприятий по развитию сельского хозяйства / The amount of state VAR00003 support under agricultural development programs and activities Бюджетные источники финансирования инвестиций / Budgetary sources of investment financing VAR00004 Кредитные источники финансирования инвестиций / Credit sources of investment financing VAR00005 Доля инвестиций в валовой продукции, % / Share of investments in gross output, % VAR00006 2. Показатели воспроизводства человеческого капитала / Баланс человеческого капитала, млн руб. / Balance of human capital, million rubles VAR00007 Indicators of human capital reproduction Уровень безработицы сельского населения, % / Unemployment rate of rural population, % VAR00008 Доля заработной платы работников сельского хозяйства в среднем по региону, % / Share of wages of agricultural workers in the regional VAR00009 average, % Размер оплаты труда, руб. / Wage amount, rubles VAR00010 Производительность труда (годовая выработка), тыс. руб. / Labor productivity (annual output), thousand rubles VAR00011 3. Показатели воспроизводства природного капитала / Indicators Баланс природного капитала, млн руб. / Natural capital balance, million rubles VAR00012 of reproduction of natural capital

Окончание табл. 1 / End of table 1

1	2	3
База данных обучения / Training database
3. Показатели воспроизводства природного капитала / Indicators of reproduction of natural capital	Доля пропашных культур в структуре посевных площадей, % / Share of row crops in the structure of acreage, %	VAR00013
	Внесение органических удобрений в среднем на 1 га площади посевов, т / Application of organic fertilizers on average per 1 hectare of acreage, t	VAR00014
	Внесение минеральных удобрений на 1 га площади посевов, кг / Application of mineral fertilizers per 1 hectare of sown area, kg	VAR00015
База данных прогнозирования / Forecasting database
4. Параметры устойчивости развития / Sustainability parameters	Потенциал устойчивого развития (PSD), млн руб. / Potential for sustainable development (PSD), million rubles	VAR00016

Источник : Федеральная служба государственной статистики… ; Федеральная служба государственной регистрации, кадастра и картографии… ; Министерство сельского хозяйства Российской Федерации…

Source : Federal State Statistics Service…; Federal Service for State Registration, Cadastre and Cartography…; Ministry of Agriculture of the Russian Federation…

Методология расчета потенциала устойчивого развития. Стоимостная оценка прироста искусственного капитала Δ C определялась как разница между валовыми инвестициями I и величиной потребления основного капитала Dh (млн руб.) [30]:

Δ C = I – Dh . (1)

Баланс человеческого капитала измерялся по формуле:

Δ H = U – D_H , (2)

где Δ H – стоимостная оценка баланса человеческого капитала, млн руб.; U – затраты на оплату труда работников сельского хозяйства, млн руб.; D_H – годовая величина использования человеческого капитала (исходя из среднего уровня заработной платы в РФ), млн руб. [30].

В основу оценки баланса природного капитала положено количественное определение воздействия сельскохозяйственного производства на величину основных элементов почвенного плодородия:

AN = E UIi - Ei)C, (3)

где Δ N – стоимостная оценка баланса природного капитала, млн руб.; i – элементы почвенного плодородия (азот, фосфор, калий, гумус), i ∈ [1, I ]; I_i – приход (поступление в почву) элементов почвенного плодородия; E_i – расход (извлечение из почвы) элементов почвенного плодородия; C_i – стоимость компенсации единицы потерь элементов почвенного плодородия (азота, фосфора, калия, гумуса), руб. [30].

В результате потенциал устойчивого развития сельского хозяйства PSD , представляющий собой скорректированный показатель чистых инвестиций, рассчитывался как:

PSD = Δ C ± Δ H ± Δ N [30]. (4)

Нейросетевое моделирование. В качестве основы нейросетевой модели анализа пространственных особенностей формирования потенциала устойчивого развития сельского хозяйства использована MLP-архитектура. Это наиболее распространенный алгоритм сетей с прямой связью, позволяющий аппроксимировать нелинейную зависимость с высокой степенью точности [43; 44]. Он способен самостоятельно изучать сложные взаимосвязи между признаками на основе необработанных входных данных, что сводит к минимуму необходимость в ручном конструировании признаков и обеспечивает гибкость при работе как с непрерывными, так и с категориальными входными данными [45; 46].

Модель объединила экономические, социальные и экологические стороны воспроизводственного процесса, сформировав гибридное пространство для отражения сложных взаимодействий, влияющих на формирование PSD. Входной слой кодировал многомерные входные переменные (валовую продукцию, инвестиции, заработную плату и т. д.). Количество элементов в нем соответствовало числу имеющихся признаков. На скрытых слоях нейроны выполняли взвешенную агрегацию входных данных. Выходной слой выдавал значения через сигмовидную активацию.

Математический алгоритм сети Y строился на основе вычисления алгебраической суммы входящих на нейрон сигналов с учетом их значимости и коэффициента смещения:

Y = ° ( E G= i xW j +b ) , (5)

где Y – выходной вектор; σ – сигмоидная функция активации, σ( z ) = 1 / (1 + e^-z ) (значения в диапазоне [0, 1]); j – переменные модели, j ∈ [1, G ]; x_j – входные данные; w_j – весовые коэффициенты (значимость входных сигналов); b – коэффициент смещения ( bias ) [34].

Весовые коэффициенты определяли силу связей между нейронами в соседних слоях. Коэффициент смещения позволил сети обучаться и корректировать значения. Сначала коэффициенты веса и смещения MLP задавались случайным образом. В процессе обучения они корректировались для минимизации ошибки обучения – расхождения между прогнозируемыми и фактическими результатами.

Процесс нейросетевого анализа строился поэтапно: выбор данных, предварительная обработка, построение сети, обучение и прогнозирование, анализ полученных результатов.

Первоначально в систему загружался набор данных о развитии сельского хозяйства и воспроизводстве капитала. Затем с помощью методов предварительной обработки с использованием IBM SPSS Statistics 26.0 данные подготавливались. Устранялись выбросы и дорабатывались пропущенные значения. Пропуски данных локализовывались визуальной проверкой в Data View. Для повышения устойчивости системы и снижения неопределенности в прогнозах проводилась множественная импутация данных реализацией процедуры Impute Missing Data Values в SPSS.

Для устранения возможных смещений результатов данные с различными масштабами признаков, в неравной степени влиявшие на подбор модели, были нормализованы методом стандартного масштабирования: все признаки приведены к диапазону от 0 до 1. Это гарантировало, что ни одна особенность, включая агрономическую, не влияла непропорционально на процесс обучения, и позволяло оценивать каждый предиктор на справедливой статистической основе.

Затем набор данных был разделен на два подмножества в соответствии с принципами тестирования и обучения. Около 80 % данных предназначались для обучения, 20 % – для проверки работоспособности модели. Кросс-валидация реализовывалась методом Hold-out. Такой способ разделения данных обеспечивал обучение модели на значительной части набора данных для эффективного выявления закономерностей и взаимосвязей.

Функция активации скрытых и выходного слоев – сигмоидальная. Алгоритм оптимизации – метод градиентного спуска с нижней границей скорости обучения 0,001. Для защиты от переобучения реализована регуляризация с помощью дропаута с коэффициентом +0,5.

Для оценки качества обучения моделей использовались стандартные метрики точности на основе суммы квадратов ошибки и средней относительной ошибки, а также коэффициент детерминации ( R ²). Падение ошибки ниже порога выступало критерием остановки обучения. Критическое значение функции потерь – меньше 0,001.

РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ

Динамика главных параметров воспроизводственных процессов в сельском хозяйстве РФ (2019–2023 гг.). Результаты оценки воспроизводственных процессов представлены в таблице 2.

Т а б л и ц а 2. Основные параметры формирования потенциала устойчивого развития сельского хозяйства в 2019–2023 гг., млн руб.

T a b l е 2. The main parameters of building the potential for sustainable agricultural development in 2019–2023 , million rubles

Показатель / Indicator	2019	2020	2021	2022	2023
1	2	3	4	5	6
Продукция сельского хозяйства / Agricultural products	3 348 424,0	3 786 996,0	4 566 806,0	5 145 119,0	5 085 595,0
Инвестиции в основной капитал / Investments in fixed assets	458 095,1	467 117,4	516 692,4	557 792,3	574 731,7
Амортизация основных фондов / Depreciation of fixed assets	242 336,2	268 077,8	329 834,1	329 834,1	386 081,9
Чистые инвестиции / Net investment	215 758,8	199 039,6	186 858,3	227 958,2	188 649,8
Затраты на воспроизводство человеческого капитала / Costs of human capital reproduction	412 349,0	427 646,0	462 872,0	529 868,0	606 652,0
Стоимостная оценка использования человеческого капитала / Cost estimate of the use of human capital	579 712,0	583 348,0	599 616,0	639 748,0	710 612,0
Баланс человеческого капитала / Human capital balance	–167 363,0	–155 703,0	–136 744,0	–109 880,0	–103 960,0
Экономическая оценка экологического ущерба от потерь элементов питания / Economic assessment of environmental damage caused by the loss of nutrients in the soil	72 741,0	64 644,0	69 140,0	145 665,0	130 972,0

	Окончание табл. 2 / End of table 2 нчан         .
1          1 2^ 3	4      ета 5          6
Экономическая оценка экологиче- 54 556,2    61 566,0 ского ущерба от потерь гумуса /	57 115,9    75 867,2    70 055,2
Economic assessment of environmental damage caused by loss of humus Баланс природного капитала / The –200 212,0 –175 722,0 balance of natural capital Совокупный потенциал устойчи- –151 816,2 –132 385,4 вого развития / The total potential of sustainable development	–201 707,0 –320 936,0 –308 208,0 –151 592,7 –202 857,8 –223 518,2

Источник : рассчитано по данным Росстата.

Source : calculated based on Rosstat data.

Как видно из таблицы 2, на фоне расширения инвестиций в сельском хозяйстве РФ объемы производства увеличивались с совокупным темпом роста 151,9 %. Несмотря на эту тенденцию, годовая величина чистых инвестиций в динамике снизилась на 12,6 %, или 27,1 млрд руб. из-за опережающего роста износа основных средств. Темпы роста инвестиций в человеческий капитал (47,1 %) превысили темпы роста стоимостной оценки его использования (22,3 %). В результате отрицательная величина баланса уменьшилась на 37,9 %. Сопоставление стоимостной оценки извлечения элементов почвенного плодородия с затратами на их компенсацию указывает на растущий в динамике отрицательный баланс природного капитала. В 2019–2023 гг. он вырос на 53,9 %, составив –308,2 млрд руб., а потенциал устойчивого развития снизился с –151,8 до –223,5 млрд руб. Совокупный прирост дефицитной части баланса составил 71,7 млрд руб., или 47,2 %.

Методология и результаты нейросетевого моделирования. При обучении и тестировании моделей на основе MLP с алгоритмом градиентного спуска построены рабочие модели, отличающиеся количеством слоев и функцией активации. Лучшие характеристики показала модель на основе четырехслойного перцептрона (табл. 3).

Т а б л и ц а 3. Значения метрик лучшей нейросетевой модели MLP

T a b l е. 3. Metric values of the best neural network model MLP

Сводка для модели / Summary for the model

Обучающая / Educational	Ошибка: сумма квадратов / Root Mean Squared Error	0,046
	Cредняя относительная ошибка / Mean Relation Percentage Error	0,051
	Используемое правило остановки / The stop rule used	Получен критерий отношения погрешности обучения / The criterion of the learning error ratio is obtained (0,001)
	Время обучения / Training time	00:01,00

Примечание : задействована зависимая переменная VAR00016 (потенциал устойчивого развития).

Note : the dependent variable VAR00016 (potential for sustainable development) is used.

Источник : здесь и далее материал подготовлен по результатам исследования. Source : hereinafter, this article presents material based on research results.

Как видно из таблицы 3, модель состояла из двух скрытых слоев (по 20 и 15 нейронов соответственно). Общее количество нейронов исчислялось 493. Функция активации – сигмоидальная. Обучение базовой многослойной нейронной сети с перцептроном сводилось к минимизации функции ошибок путем многократного обновления весов. Средняя относительная ошибка лучшей модели составила 0,051, т. е. ожидаемое значение не соответствует истинному в среднем на 5,1 %. Сумма квадратов ошибок – 0,046, полученная погрешность обучения – 0,001.

Важность факторов и интерпретация результатов моделирования. Построенная нейросетевая модель анализа пространственных особенностей формирования потенциала устойчивого развития сельского хозяйства позволила локализовать относительную важность признаков для формирования его совокупного потенциала (рис. 1).

Р и с. 1. Важность независимых факторов для формирования потенциала устойчивого развития сельского хозяйства, %

F i g. 1. The importance of independent factors for building the potential for sustainable agricultural development, %

Наибольшее влияние на формирование прогноза оказали следующие параметры: масштаб производства, характеризуемый размером валовой продукции (VAR00002, нормализованная важность NI ( Normalized importance , NI) = 0,200); величина инвестиций за счет бюджетных средств (VAR00004, NI = 0,131) и кредитных источников финансирования (VAR00005, NI = 0,085); уровень безработицы сельского населения (VAR00008, NI = 0,071) и размер внесения органических удобрений в расчете на 1 га посевной площади сельскохозяйственных культур (VAR00014, NI = 0,097). Именно эти факторы могут служить предикторами повышения устойчивости развития сельского хозяйства в региональном агрохозяйстве.

Значимого влияния на ожидаемую величину потенциала устойчивого развития доли заработной платы работников отрасли в среднем по региону (VAR00009) и производительности труда (VAR00011) не выявлено.

Сравнение фактических и предсказанных значений потенциала устойчивого развития регионов Российской Федерации. Визуально фактические и смоделированные ожидаемые значения потенциала устойчивого развития сельского хозяйства представлены на рисунке 2.

Р и с. 2. Фактические и ожидаемые значения потенциала устойчивого развития сельского хозяйства регионов

F i g. 2. Actual and expected values of the potential for sustainable development of regional agriculture

Поле распределения совокупностей фактических данных и предсказанных значений указывает на непосредственную и, вероятно, линейную связь между PSD и полученным с использованием нейронной сети MLPPSD. Данные имеют достаточно высокий уровень дисперсии; фактическое смещение PSD наблюдается в сторону как повышения, так и снижения от ожидаемых значений. Коэффициент корреляции фактических и прогнозных значений равен 0,980. По одному региону (Астраханская область) получено невалидное значение прогноза, на основании чего регион был исключен из дальнейшего анализа.

Позитивные результаты использования возможностей формирования потенциала устойчивого развития сельского хозяйства показали 15 из 45 регионов, где сформированный показатель превысил ожидаемый уровень (табл. 4). Это Московская, Кировская, Калужская, Смоленская, Тульская, Белгородская, Самарская, Оренбургская, Ростовская области; Республики Дагестан, Татарстан, Марий Эл и Чеченская; Пермский и Краснодарский края. Причем в четырех из них (Республике Дагестан, Московской, Кировской и Калужской областях) – положительная величина PSD.

Данные таблицы 4 отражают высокую неоднородность регионов по представленным показателям, что определяется действием факторов, связанных с формированием совокупного PSD сельского хозяйства. Медианное значение отклонения ожидаемых значений PSD от фактических составило 98,25 млн руб., среднеквадратичное отклонение – 34,59 млн руб.

Т а б л и ц а 4. Фактические и ожидаемые значения потенциала устойчивого развития сельского хозяйства, млн руб.

T a b l е 4. Actual and predicted values of the potential for sustainable agricultural development, million rubles

Регион / Region	Потенциал устойчивого развития / The potential of sustainable development	MLP_ Предсказанное значение / MLP_ PredictedValue	Среднее отклонение / Average deviation
1	2	3	4
Московская область / Moscow Region	15 647,5	15 575,2	–72,3
Республика Дагестан / Republic of Daghestan	1 692,6	1 662,2	–30,3
Кировская область / Kirov Region	1 360,7	1 319,0	–41,6
Владимирская область / Vladimir Region	755,9	1 095,0	339,1
Республика Северная Осетия – Алания / Republic of North Ossetia – Alania	405,9	643,6	237,7
Республика Татарстан / Republic of Tatarstan	201,8	193,2	–8,6
Калужская область / Kaluga Region	26,6	14,7	–11,9
Смоленская область / Smolensk Region	–20,4	–179,7	–159,3
Карачаево-Черкесская Республика / Karachayevo-Circassian Republic	–344,5	–299,8	44,7
Ярославская область / Yaroslavl Region	–400,3	–376,5	23,8
Костромская область / Kostroma Region	–449,9	–248,9	201,0
Тверская область / Tver Region	–569,9	–431,3	138,6
Ивановская область / Ivanovo Region	–768,0	–732,7	35,3
Республика Ингушетия / Republic of Ingushetia	–987,2	–831,2	156,0
Республика Мордовия / Republic of Mordovia	–1 308,3	–1 186,0	122,2
Республика Адыгея / Republic of Adygeya	–1 312,3	–1 054,7	257,6
Республика Калмыкия / Republic of Kalmykia	–1 334,5	–1 187,3	147,2
Республика Марий Эл / Republic of Mari El	–1574,9	–1800,7	–225,7
Удмуртская Республика / Republic of Udmurtia	–1623,7	–1488,2	135,5
Чеченская Республика / Chechen Republic	–1 824,4	–1 926,7	–102,3
Ставропольский край / Stavropol Territory	–2 189,1	–2 108,2	80,9

Окончание табл. 4 / End of table 4

1	]             2             1	3	4
Кабардино-Балкарская Республика / Kabardino-Balkarian Republic	–2 360,7	–2 226,7	134,0
Пермский край / Perm Territory	–2 382,4	–2 494,1	–111,8
Чувашская Республика / Chuvash Republic	–2 732,5	–2 672,6	59,9
Республика Башкортостан / Republic of Bashkortostan	–3160,3	–2906,2	254,1
Рязанская область / Ryazan Region	–3918,0	–3730,4	187,6
Липецкая область / Lipetsk Region	–4 019,8	–3 707,5	312,3
Республика Крым / Republic of Crimea	–4 400,1	–4 284,5	115,6
Тульская область / Tula Region	–4 613,6	–4 771,0	–157,4
Воронежская область / Voronezh Region	–4 863,6	–4 485,7	377,9
Брянская область / Bryansk Region	–5 670,1	–5 463,9	206,2
Нижегородская область / Nizhny Novgorod Region	–6 038,9	–5 885,1	153,8
Ульяновская область / Ulyanovsk Region	–7 136,2	–6 826,8	309,4
Белгородская область / Belgorod Region	–8 025,3	–8 059,8	–34,4
Самарская область / Samara Region	–12 177,6	–12 302,8	–125,2
Орловская область / Orel Region	–12 728,3	–12 711,4	16,9
Пензенская область / Penza Region	–13 664,0	–13 637,0	27,0
Оренбургская область / Orenburg Region	–14 523,3	–14 678,5	–155,2
Саратовская область / Saratov Region	–20 325,3	–20 014,4	310,9
Тамбовская область / Tambov Region	–21 097,8	–20 912,3	185,5
Волгоградская область / Volgograd Region	–22 998,3	–22 866,2	132,2
Краснодарский край / Krasnodar Territory	–24 179,1	–24 228,7	–49,6
Ростовская область / Rostov Region	–29 656,9	–30 383,4	–726,6
Курская область / Kursk Region	–34 539,2	–33 805,2	734,1

Примечание : подкрашены ячейки, в которых значение потенциала устойчивого развития выше предсказанной величины.

Note : cells where the sustainability potential value is higher than the predicted value are highlighted.

Группировка регионов по уровню использования возможностей формирования потенциала устойчивого развития. В качестве признака классификации выбрана величина отклонения фактической величины PSD от предсказанного значения MLPPSD (табл. 5).

Т а б л и ц а 5. Группировка регионов по использованию возможностей формировать потенциал устойчивого развития сельского хозяйства

T a b l е 5. Grouping regions by opportunities to build sustainable agricultural development potential

Показатель, млн руб. / Indicator, million rubles	Группа / Group
	до – 5 / up to – 5	от –5 до + 5 / from –5 to + 5	более 5 / more than 5
Число регионов / Number of regions	15	25	4
Потенциал устойчивого развития / The potential of sustainable development	–1 438,2	–9 394,5	–848,3
MLP_Предсказанное значение / MLP_Predicted Value	–1 246,1	–9 352,8	–973,1
Среднее отклонение / Average deviation (+/–)	–124,8	41,7	192,1
Среднее относительное отклонение, % / Average relative deviation, % (+/–)	–13,4	0,4	14,7

Примечания : 1) в группу «до – 5» вошли Владимирская область, Республика Северная Осетия – Алания, Карачаево-Черкесская Республика, Ярославская область, Костромская область, Тверская область, Республика Ингушетия, Республика Мордовия, Республика Адыгея, Республика Калмыкия, Удмуртская Республика, Кабардино-Балкарская Республика, Республика Башкортостан, Липецкая область, Воронежская область ; 2) группу «от –5 до + 5» образовали Республика Дагестан, Кировская область, Республика Татарстан, Ивановская область, Ставропольский край, Пермский край, Чувашская Республика, Рязанская область, Республика Крым, Тульская область, Брянская область, Нижегородская область, Ульяновская область, Белгородская область, Самарская область, Орловская область, Пензенская область, Оренбургская область, Саратовская область, Тамбовская область, Волгоградская область, Краснодарский край, Ростовская область, Курская область ; 3) группу «более 5» составили Калужская область, Смоленская область, Республика Марий Эл, Чеченская Республика.

Notes : 1) the group “up to – 5” included Vladimir Region, Republic of North Ossetia – Alania, Karachayevo-Circassian Republic, Yaroslavl Region, Kostroma Region, Tver Region, Republic of Ingushetia, Republic of Mordovia, Republic of Adygeya, Republic of Kalmykia, Republic of Udmurtia, Kabardino-Balkarian Republic, Republic of Bashkortostan, Lipetsk Region, Voronezh Region ; 2) the group “from –5 to +5” was formed Republic of Daghestan, Kirov Region, Republic of Tatarstan, Ivanovo Region, Stavropol Territory, Perm Territory, Chuvash Republic, Ryazan Region, Republic of Crimea, Tula Region, Bryansk Region, Nizhny Novgorod Region, Ulyanovsk Region, Belgorod Region, Samara Region, Orel Region, Penza Region, Orenburg Region, Saratov Region, Tambov Region, Volgograd Region, Krasnodar Territory, Rostov Region, Kursk Region ; 3) the group “more than 5” consisted of Kaluga Region, Smolensk Region, Republic of Mari El, Chechen Republic.

Как видно из таблицы 5, по уровню использования возможностей формировать потенциал устойчивого развития сельского хозяйства были локализованы три группы территориальных образований.

В I группу вошли 15 регионов с негативной оценкой использования возможностей (PSD–MLPPSD) < –5 %, в частности Владимирская область, Республика Северная Осетия – Алания, Карачаево-Черкесская Республика, Ярославская, Костромская, Тверская области и др. Средняя величина отклонения фактических значений от ожидаемых составила –124,8 млн руб., что меньше прогноза на 13,4 %. Здесь относительно низкий уровень валового производства, инвестиций и высокий уровень сельской безработицы.

II группу, наиболее многочисленную, составили 25 регионов со средним уровнем использования возможностей (–5 % < (PSD–MLPPSD) < 5 %), в том числе Республика Дагестан, Кировская область, Республика Татарстан, Ивановская область, Ставропольский и Пермский края, Чувашская Республика, Рязанская область и др. Им свойственны оптимальная реализация имеющихся возможностей формировать PSD; колеблемость фактического PSD не больше 5 % в обе стороны.

III группу образовали регионы с позитивной оценкой использования возможностей (PSD–MLPPSD) > 5 %, а именно Калужская и Смоленская области, Республики Марий Эл и Чеченская. Средняя величина отклонения фактических значений от ожидаемых составила 192,1 млн руб., или 14,7 %. На фоне достаточно невысоких стартовых показателей формирования потенциала устойчивого развития обеспечена относительно лучшая реализация PSD на основе имеющихся возможностей.

ОБСУЖДЕНИЕ

Оценка воспроизводственных процессов не позволяет признать сложившуюся в РФ траекторию развития сельского хозяйства устойчивой. В результате анализа материально-денежных потоков тип воспроизводства человеческого и природного капитала определен как суженный. Компенсации извлекаемых элементов почвенного плодородия в полной степени не происходит; в динамике наблюдается обострение проблемы. Сохраняется дисбаланс в уровне доходов работников отрасли по отношению к другим секторам экономики РФ. Наращивание экономических результатов реализуется за счет сохраняющейся эксплуатации человеческого и природного капитала.

При оценке посредством MLP факторов, оказывающих наибольшее влияние на формирование прогноза PSD, не обнаружена значимая роль доли заработной платы работников отрасли в среднем по региону и производительности труда. В современных условиях первая слабо коррелирует со второй и поэтому мало влияет на параметры воспроизводства человеческого капитала. Уровень оплаты труда во многом является результатом не переговоров работодателей и работников (профсоюзов) с учетом спроса на рабочую силу и ее предложения на рынке, а монопольного контроля крупного агробизнеса на фоне определенного сдерживания роста в государственных секторах экономики.

Кроме того, большинство сельскохозяйственных товаропроизводителей уровень оплаты труда работников ставят в тесную корреляцию с сезонностью производства. Так, в период активных агротехнических процессов (посева, междурядной обработки, уборки урожая) величина заработной платы работников предприятий рабочих специальностей может составлять 120–150 тыс. руб. в месяц и выше, тогда как в осенне-зимний период она минимальна, в основном соответствует минимальному размеру оплаты труда в России (с 01 января 2026 года – 27 093 руб. в месяц).

Проведенное нейросетевое моделирование на основе MLP в целом подтвердило гипотезу о том, что совокупная величина PSD сельского хозяйства имеет выраженную пространственную дифференциацию, которая определяется структурными дисбалансами воспроизводства капитала (искусственного, человеческого и природного). Неоднородность регионов по показателю PSD обусловлена действием факторов, связанных с формированием расширенного, простого или суженного типа воспроизводства соответствующих видов капитала.

Фактическое превышение ожидаемых значений PSD в ряде регионов сложилось в результате относительно лучшего воспроизводства капитала определенного вида. В частности, в Московской области, Республике Татарстан, Краснодарском крае и Ростовской области – за счет высоких чистых инвестиций; в Республике Дагестан, Кировской, Калужской, Смоленской областях, Республике Марий Эл – за счет относительно низкого отрицательного экологического воздействия сельскохозяйственного производства на природный капитал.

Локализация регионов на основе группировки по уровню использования возможностей формирования PSD позволила определить направление улучшения задействования имеющегося потенциала. Для регионов с негативной оценкой – оно может быть связано с активизацией наиболее важных факторов (включая дополнительное привлечение инвестиций, рост занятости населения сельских территорий и повышение уровня оплаты труда). Для регионов со средней оценкой – с приростом отдельных видов капитала (искусственного, человеческого, природного). Главное при этом – выявление слабых мест в формировании и использовании каждого вида капитала.

Даже в регионах с лучшими показателями необходимо расширять PSD для повышения экономических результатов, связанных с решением широкого круга задач, включая социальное благополучие населения и экологическое благополучие сельских территорий.

Ограничения исследования связаны с качеством и доступностью данных. Сведения Росстата по регионам могут публиковаться с лагом в год–два, а по отдельным показателям (населению, инвестициям, занятости в агропромышленном секторе) возможны пропуски или пересмотры. Для машинного обучения это обусловливает работу с устаревшей картиной либо заполнение пропусков, что добавляет неопределенность. Трудности с реализацией рассмотренного подхода могут вызвать несопоставимость показателей во времени (меняются методики учета, категории земель) и нестационарность процессов (границ территорий, почвенной деградации, изменений климата).

Тем не менее выявленные закономерности расширяют эмпирическую базу исследования процессов развития в сельском хозяйстве, демонстрируют необходимость перехода к устойчивому типу и обосновывают направления совершенствования для различных видов регионов с учетом определенных пространственных особенностей.

ЗАКЛЮЧЕНИЕ

Нейросетевое моделирование на основе многослойного перцептрона позволило определить возможные значения и выявить факторы, оказывающие наибольшее влияние на формирование совокупного потенциала устойчивого развития: масштабы производства, величина инвестиций из различных источников, уровень безработицы сельского населения и размер внесения органических удобрений в расчете на 1 га посевной площади сельскохозяйственных культур.

Указанные факторы определяют выраженную неоднородность регионов по использованию PSD в сельском хозяйстве. На основе соответствия фактических значений предсказанным регионы сгруппированы с учетом того, насколько активно они реализуют возможности для формирования потенциала устойчивого развития сельского хозяйства; условно их можно разделить на территории с негативной, средней и позитивной оценкой такого использования.

Выявленные особенности формирования и использования PSD требуют разработки дифференцированных стратегий, ориентированных на устойчивое развитие сельского хозяйства. Центральными стратегическими задачами в разрезе выделенных территориальных групп видятся: улучшение использования имеющегося потенциала; локализация слабых мест использования и прирост отдельных видов капитала; сбалансированный рост искусственного, человеческого и природного капитала.

Предложенный подход к изучению пространственных особенностей формирования PSD может быть положен в основу при разработке территориально дифференцированных стратегий и программ социально-экономического развития сельского хозяйства на федеральном и региональном уровнях, а также послужить опорой для дальнейших исследований в данной сфере.

Результаты исследования могут быть полезны широкому кругу сторон: региональным и федеральным органам власти в процессе совершенствования направлений и механизма господдержки; научно-исследовательским учреждениям при разработке теоретических и методических положений устойчивого развития сельского хозяйства, верификации методик, калибровке моделей, сравнении регионов; агробизнесу при выявлении рисков и потенциала развития, разработке и реализации проектов эколого-экономического совершенствования хозяйственной деятельности и повышения социальной ответственности; образовательным учреждениям в процессе обучения студентов и аспирантов, повышения квалификации и переподготовки кадров с целью формирования соответствующих компетенций в области устойчивого развития.