Управление развитием АПК в условиях цифровизации в России
Автор: Тусков Андрей Анатольевич, Ефимов Иван Павлович, Барбашова Светлана Александровна, Жулябин Александр Сергеевич
Статья в выпуске: 4, 2024 года.
Бесплатный доступ
В контексте перехода к цифровой трансформации вводятся передовые технологии для оптимизации производства сельскохозяйственных продуктов. Этот подход максимизирует улучшение агропромышленного сектора, способствует устойчивому развитию и обеспечивает конкурентоспособность отрасли. Использование цифровых технологий может улучшить управление процессами, повысить эффективность производства, оптимизировать использование ресурсов, снизить затраты и обеспечить устойчивость сельскохозяйственного производства. Цель исследования состоит в том, чтобы определить ключевые зависимости цифрового развития агропромышленного комплекса, определить ключевые тенденции отрасли и рассмотреть используемые цифровые решения. Исследовательские материалы включают статистические данные и коллекции, открытые базы данных федеральной статистической службы, а также научную и исследовательскую литературу.
Агропромышленный комплекс, цифровизация, цифровая трансформация, агробизнес, управление развитием, области производства, цифровые инновации
Короткий адрес: https://sciup.org/148329968
IDR: 148329968 | DOI: 10.18101/2304-4446-2024-4-142-150
Текст научной статьи 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.
Список литературы Управление развитием АПК в условиях цифровизации в России
- Индустрия 5.0: понятие, формирование и развитие / А. В. Бабкин, А. А. Федоров, И. В. Либерман, П. М. Клачек // Экономика промышленности. 2021. Т. 14, № 4. С. 375395. DOI 10.17073/2072-1633-2021-4-375-395. EDN WKEMTG. Текст: непосредственный.
- Игольникова И. В. Направления цифровизации и проблемы внедрения в сельском хозяйстве РФ // Ученые записки Российской академии предпринимательства. 2019. Т. 18, № 3. С. 191-199. EDN HAXFEP. Текст: непосредственный.
- Городецкий В. И. Интернет-агенты - парадигма самоорганизации приложений Интернета вещей // Известия Кабардино-Балкарского научного центра РАН. 2017. № 6-2(80). С. 62-72. EDN YWNDQA. Текст: непосредственный.
- Инновационный менеджмент: учебник для студентов вузов, обучающихся по специальности «Менеджмент», специальностям экономики и управления (080100) / под редакцией С. Д. Ильенковой. 3-е изд., перераб. и доп. Москва: ЮНИТИ-ДАНА, 2007. 335 с. Текст: непосредственный.
- Худякова Е. В., Степанцевич М. Н., Горбачев М. И. Цифровые технологии в АПК: учебник для студентов аграрных вузов, обучающихся по аграрным, техническим и экономическим направлениям подготовки. Москва: Мегаполис, 2022. 220 с. EDN YLLCWI. Текст: непосредственный.
- Цифровая трансформация сельскохозяйственного производства в России / Н. Р. Лягоскина, Т. Г. Гурнович, Е. В. Литвиненко, М. С. Борсковец // ЕГИ. 2023. № 45(1). Текст: непосредственный.
- Норалиев Н. Х., Юсупова Ф. Э. Цифровые технологии в сельском хозяйстве // Вопросы науки и образования. 2020. № 8(92). С. 4-10. EDN BHSRPW. Текст: непосредственный.
- Перегуда А. И. Математическая модель надежности информационных систем с системами безопасности // Успехи кибернетики. 2022. Т. 3, № 1. С. 39-43. DOI 10.51790/2712-9942-2022-3-1-5. EDN QBIAOQ. Текст: непосредственный.
- Цифровая трансформация сельскохозяйственного производства в России / Н. Р. Лягоскина, Т. Г. Гурнович, Е. В. Литвиненко, М. С. Борсковец // ЕГИ. 2023. № 45(1). Текст: непосредственный.
- Русаков М. А., Цыренов Д. Д. Оценка влияния цифровой экономики на ВВП страны: кейс России // Конкурентоспособность в глобальном мире: экономика, наука, технологии. 2023. № 10. С. 175-179. EDN YKNGKP. Текст: непосредственный.