Управление развитием АПК в условиях цифровизации в России

Процесс цифровизации все больше влияет на различные области производства, включая сельское хозяйство, и влечет за собой неизбежный постепенный переход к использованию передовых технологий на основе искусственного интеллекта, анализа больших объемов данных и автоматизации процессов. Хотя внедрение таких инноваций на индивидуальном уровне предприятия может быть дорогостоящим, важно разработать эффективные меры государственной поддержки для обеспечения успешного развертывания этих технологий. Следовательно, существует необходимость в выявлении эффективных стратегий и методов управления развитием агропромышленного комплекса в контексте цифровизации. Основой для принятия таких мер является наблюдение и прогнозирование влияния их принятия на основе статистических и фундаментальных моделей анализа. Важность решений для поддержки развития отрасли огромна: цифровые инновации предоставляют новые возможности для повышения производительности, снижения затрат, повышения качества сельскохозяйственных продуктов и рационального использования ресурсов.

Исследования этой проблемы позволили определить наиболее эффективные методы управления развитием агропромышленного комплекса в контексте цифровизации. Расширенные меры поддержки помогают оптимизировать производственные процессы, повысить конкурентоспособность отрасли, выявлять и минимизировать риски в реализации и эксплуатации передовых информационных систем и обеспечивают устойчивое развитие агропромышленного комплекса [6].

В результате теоретического анализа различных подходов к управлению развитием инновационных действий следует определить три основных подхода, определяемых авторами в исследуемой области:

– управление развитием инновационной деятельности является результатом объединения теоретических и методологических основ инноваций и стратегического управления [9];

– управление развитием инновационной деятельности является средством минимизации инновационных рисков и дисфункций1;

– управление развитием инновационной деятельности является формой комплексного долгосрочного планирования инновационной деятельности [4].

Ключевой особенностью этого исследования является то, что оно объединяет все ранее описанные подходы: от рассмотрения и прогнозирования изменений в бизнес-процессах отдельного предприятия в агропромышленном секторе, анализа реальных статистических данных и выявления долгосрочных прогнозов и целей, тем самым рассматривая проблему как на микро-, так и на макроуровне, одновременно оценивая возможные риски и способы трансформации в исследуемой области.

Материалы и методы

В рамках исследования были применены оф ициальные данные. Данные, не обходимые для исследования, включают региональные индикаторы:

– инвестиции в основной капитал ( IiFA, IiFA_AIC);

– объем субсидий в агропромышленном комплексе ( Sub_AIC);

– валовой региональный продукт ( GRP, GRP_AIC);

– площадь се льскохозяйственных культур ( SA);

– количество оборудования и энергетические мощности ( EC_AIC);

– количество передо вых технологий производства, используемы х в агропр о мышленном комплексе ( NoAMT_AIC);

– количество разработанных передовых технологий производст ва в агропро мышленном комплексе ( NoAMTD_AIC);

– количество людей, занятых в сельском хозяйстве ( NoE_AIC);

– финансовые результаты сельскохозяйственных организаций ( Profit_AIC);

– население (P);

– количество зар егистрированных в агропромышленном комплексе (NoO_AIC) организаций .

Анализ основан на п остроении регрессионных моделей, которы е демонстр и руют взаимосвязь между индикаторами, являю щимися драйверами развития аг ропромышленного комплекса.

Результаты

Развитие агропромышленного комплекса в истории его сущес твования происходило поэтапно, о т со здания механических и технических инстру ментов и м а шин до современной стадии — включения киберфизических систем на всех эта пах производства (рис. 1).

Рис. 1. Эволюци я промышленности в агропромышленном компле ксе

Интеграции цифровых систем и решений является сложным и дорогостоящим процессом, но необходимой стадией для компаний и организаций в исследуемой отрасли1. Потребность связана с повышенными требованиями к качеству, безопасности и эффективности производства и конечной продукции. Современные инструменты позволяют в значительной степени улучшать и автоматизировать производственный процесс, уменьшить фактор человеческой ошибки и травм, успешно анализировать и принимать обоснованные решения по управлению. Среди средств и методов их использования в агропромышленном комплексе экосистемы, представленные в таблице 1, особенно распространены.

Цифровые сельскохозяйственные экосистемы

Таблица 1

Инструменты цифрозации	Приложение
	Умный сад	Умная ферма	Умная теплица
Интернет вещей	Применение робототехники и цифровых технологий в процессах производства садоводства	Использование систем управления с переменными параметрами в зависимости от микроклимата и состояния животных	Применение интеллектуальных технологий для выращивания растений в закрытых условиях
Системы анализа больших данных
ERP системы
RFD теги
БПТС БПЛА
	Умное поле	Умное предприятие	Умное землепользование
Электронные и интеллектуальные датчики	Применение параллельных систем вождения (БПЛА и BPT) и цифровых технологий в производственных процессах	Применение полной системы интеллектуальной поддержки решений	Применение интеллектуальной системы для планирования и оптимизации сельскохозяйственных ландшафтов
Элементы ИИ

Совсем недавно казалось, что ручной труд был незаменимым для сбора и посева урожая. Однако машины (комбайны, тракторы и другое сельскохозяйственное оборудование) упростили и сократили потребность в ручном труде [1]. Современный этап представляет собой радикально новый и важный переход, который значительно изменил процесс производства в агропромышленном комплексе. Использование беспилотников для измерения посевных площадей, валового сбора, использования искусственного интеллекта в планировании и управлении интеллектуальными системами (теплицы, датчики), использование больших данных для сбора статистики и обучения искусственного интеллекта и планирования на основе этого — все это всего лишь небольшая часть влияния научнотехнического прогресса на цифровизацию в сельскохозяйственном секторе [3].

Все это меняет обычную позицию отрасли. Валовой региональный продукт, связанный с агропромышленным комплексом, увеличивается. Экономика страны укрепляется, а уровень продовольственной безопасности повышается. Это обеспечивает достижение целей устойчивого развития посредством обработки и использования экологически чистых материалов для безопасности пищевых продуктов и соответствия стандартам питания [2].

Выделим основные инструменты, направленные на стимулирование процессов цифровизации в агропромышленном комплексе: электронные торговые платформы, внутренние разработки и тестирование на основе ECPC, базовые платформы знаний, центры и программы для обучения и переподготовки персонала, разработка сетевой инфраструктуры [7].

Из рисунка 2 видно, что за период с 2000 по 2022 г. наблюдается увеличение доли валового регионального продукта, связанного с направлениями агропромышленного комплекса.

Рис. 2. Тенденция валового регионального продукта агропромышленного комплекса (источник: официальный статистический ресурс ЕМИСС,

URL: , Rosstat — GRP data URL:

По рисунку 2 прослеживается тенденция к росту анализируемых показателей. Наиболее подходящей моделью, описывающей исходную выборку, является модель экспоненциальной регрессии, ее спецификация представлена в таблице 2.

Таблица 2

Спецификация регрессионных моделей для GRP, связанных с агропромышленным комплексом (GRP_AIC)

Model	Coefficient	Value	p-value
GRP_AIC = 245,316,300.95***×t — 222,941,562.716	ao	245,316,300.9	2.58×10-14
	ai	-222,941,562.7	0.119
	R²	0.9628	-
	F	465.73	2.58×10-14

Model	Coefficient	Value	p-value
Y = 3,189,472.293 × t² + 178,337,382.8*** × t + 22,647,803.858	ao	3,189,472.29	0.1546
	ai	178,337,382.79	0.0013
	a 2	22,647,803.86	0.9158
	R²	0.967	-
	F	249.74	2.499×10-13
Y = 43,645,015.368 *** x e0^3 *** x t	ao	0.29819217	8.793×10-13
	ai	43,645,015.37	2.39×10-128
	R²	0.457	-
	F	15.14	0.001
Y = 2,942,845.953 x t ^75 3***	ao	2.753109664	1.3738×10-6
	ai	2,942,845.953	0.6634
	R²	0.735	-
	F	49.91	1.3738×10-6
Y = 3,178,124,477.14*** — 4,587,574,191.4***/t	ao	– 4,587,574,191.4	0.0007
	ai	3,178,124,477.14	8.86×10-9
	R²	0.48	-
	F	16.648	0.0007
Y = –1,138,236,311** + 1,649,257,150.39*** × LN(t)	ao	1,649,257,150	3.78×10-8
	ai	-1,138,236,311	0.0124
	R²	0.82	-
	F	82.684	3.78×10-8

Динамика роста ВРП, связанная с агропромышленным комплексом, лучше всего описывается экспоненциальной моделью. Такой безупречный экономический рост в значительной степени обеспечивается не столько крупными областями и природными ресурсами России, но и благодаря использованию передовых информационных систем и их развития. Мы представляем динамику разработанных и внедренных передовых цифровых систем в агропромышленном комплексе (табл. 3).

Таблица 3

Статистика разработанных и используемых передовых цифровых систем в российском агропромышленном комплексе (источник: официальный статистический ресурс ЕМИСС

URLS: ,

Наименование	2016 г.	2017 г.	2018 г.	2019 г.	2020 г.
Разработанные технологии передовых производственных технологий, подразделения	33	16	24	25	52
Используемые передовые технологии производства, единицы	15,558	13,021	14,264	14,754	12,078

В настоящее время приоритетной задачей управления развитием российского агропромышленного комплекса является эффективное расширение производства посредством внедрения новых технологий [5].

Чтобы оценить влияние экзогенных факторов на валовой региональный продукт агропромышленного комплекса, будут выявлены группы показателей, кото- рые влияют на полученный индикатор больше, чем другие, одновременно исключая мультиколлинеарность факторов.

Таким образом, полученные оценки смогут указывать на их влияние на валовой продукт, связанный с секторами агропромышленного комплекса [8].

С учетом высокой региональной неоднородности показателей и наличия отдельных эффектов выбор был сделан в пользу моделей с фиксированными эффектами.

Созданная регрессионная модель для валового регионального продукта агропромышленного комплекса имеет следующую форму:

Ln(GRP_AIC)=136.13+0.758×Ln(IiFA_AIC)–0.511×Ln(NoO_AIC)– 9.729×Ln(SA)–

0.7×Ln(Sub_AICt–1)+εt                                                            (1)

Данная модель может быть представлена в мультипликативном виде:

GRP_AIC = e136.13×IiFA_AIC0.758× NoO_AIC-0.511 ×SA-9.729×Sub_AIC-0.7t–1,     (2)

где:

GRP_AIC — это валовой региональный продукт (агропромышленный комплекс);

IiFA_AIC — инвестиции в основной капитал организаций АПК;

NoO_AIC — количество зарегистрированных организаций АПК;

SA — посевные площади;

Sub_AIC — субсидии и меры государственной поддержки для АПК.

В этом случае коэффициент детерминации: R² = 0.99, коэффициент Фишера составил 296.568.

Становится очевидным, что несмотря на очевидную эффективность прямых субсидий для организаций гораздо более значительный и быстрый эффект достигается за счет косвенных мер поддержки.

Кроме того, мы будем статистически оценивать влияние количества организаций и посевных площадей в агропромышленном комплексе:

Ln(GRP_AIC)=–0.991×Ln(NoO_AIC)+ 2.99×Ln(SA) +εt,           (3)

Эта модель может быть представлена как мультипликативная:

GRP_AIC=NoO_AIC-0.927×SA2.9189,                                (4)

где коэффициент детерминации: R² = 0.99, коэффициент Фишера: 207063.9.

Растущая между компаниями конкуренция заставляет «лидеров» разрабатывать эффективные модели и стратегии для внедрения инноваций, чтобы как можно быстрее оправдать затраты, демонстрируя высокую эффективность реализованных технологий.

В связи с этим мы оценим взаимосвязь между общим валовым региональным продуктом и количеством организаций в отрасли, инвестиции в фиксированный капитал, а также финансовые результаты компаний в агропромышленном комплексе:

Ln(GRP) = 0.439×Ln(NoO_AIC) + 0.529×Ln(IiFA_AIC) +0.4812×Ln(Profit_AIC) +εt (5)

В этом случае коэффициент детерминации: R² = 0.99, коэффициент Фишера: 137427.95.

Можно констатировать, что благоприятный климат для создания предприятий в долгосрочной перспективе не означает успешную экономическую деятельность без предоставления мер государственной поддержки, направленных на цифровизацию и развитие. Проблемы, замедляющие внедрение цифровой экономики в РФ, также показаны в статье М. А. Русакова и Д. Д. Цыренова [10].

Заключение

В результате исследования было проанализировано, как с помощью современных цифровых инструментов можно управлять предприятием в агропромышленном комплексе. Существует четкая необходимость включения киберфи-зических систем для успешной работы и удовлетворения требований к продукту. Современные инструменты позволяют в значительной степени улучшать и автоматизировать производственный процесс, уменьшить фактор человеческой ошибки и травм, успешно анализировать и принимать обоснованные решения по управлению. Среди средств и методов их использования в агропромышленном комплексе были рассмотрены общие и используемые экосистемы.

Смоделированные регрессии показали высокую значимость государственных мер поддержки, а именно субсидий, которые влияют на валовой региональный продукт в среднем каждый календарный год. Также важно придерживаться стратегии инвестирования в основной капитал — этот фактор оказывает непосредственное влияние на производительность отрасли.