2411-14062411-140610.17059/ekon.reg.2025-3-14The Role of Artificial Intelligence in Advancing Agricultural Technologies within the Russia–China Institutional PartnershipИскусственный интеллект как драйвер агротехнологий России и Китая: государственная аграрная политика, институциональное партнерство, проекты и стратегииhttps://orcid.org/0000-0002-7072-9871Pyankova Svetlana G. ПьянковаСветлана Григорьевна silen_06@list.ruhttps://orcid.org/0000-0002-1714-7784Ergunova Olga T.Ергунова Ольга Титовна ergunova-olga@yandex.ruhttps://orcid.org/0000-0002-0145-4173Huang Yingjie Хуан Инцзе 746486072@qq.comUral State University of EconomicsУральский государственный экономический университетPeter the Great St. Petersburg Polytechnic UniversityСанкт-Петербургский политехнический университет Петра ВеликогоSichuan University of Science & EngineeringCычуаньский университет науки и инженерии213773785Copyright © 2025 2025 https://creativecommons.org/licenses/by/4.0/https://www.economyofregions.org/ojs/index.php/er/article/view/1093https://www.economyofregions.org/ojs/index.php/er/article/download/1093/462

Digitalization and artificial intelligence (AI) are playing an increasingly important role in promoting sustainable agricultural development. This is especially clear in the context of institutional cooperation between Russia and China, where agriculture remains a key economic sector. However, despite this significance, the impact of AI and digital technologies on agriculture through interstate collaboration still remains underexplored. This study analyses and forecasts the level of digitalization and AI adoption in the agricultural sectors of Russia and China, while assessing the potential to deepen institutional cooperation. It identifies key factors driving digital transformation in agriculture and projects technology adoption trends through 2035. The methodological framework is grounded in multivariate regression models, which evaluate the influence of infrastructural, economic, social, and technological factors on agricultural digitalization. The analysis is based on 12 indicators of agricultural development in Russia and China from 2013 to 2023, with particular attention to infrastructure and digital metrics. Linear and polynomial regressions were used to model indicator dynamics, and a composite digitalization index was developed using multiple regression. The findings show that China has achieved a high degree of digitalization in agriculture, driven by strong government support, widespread 5G infrastructure, and the integration of IoT technologies. Agricultural automation in China has reached 45%, with projections suggesting an increase to 50% by 2030—potentially boosting productivity by 20–25%. In Russia, the expansion of digital infrastructure lays the groundwork for greater adoption of AI and precision farming technologies, with anticipated productivity gains of 15–20% by 2030. These results may inform national strategies for agricultural digitalization, shape state agricultural policies, and support the implementation of joint Russia–China projects under initiatives such as BRICS+.

Цифровизация и искусственный интеллект (ИИ) оказывают значительное влияние на устойчивое развитие сельского хозяйства, особенно в контексте институционального партнёрства России и Китая, где аграрный сектор занимает важное место в экономике. Однако существует пробел в исследованиях, касающихся влияния ИТ-технологий и ИИ на агросектор с учетом межгосударственного сотрудничества. Целью данного исследования является анализ и прогнозирование уровня цифровизации и внедрения ИИ в аграрном секторе России и Китая, а также оценка потенциала институционального взаимодействия между двумя странами. Задачи исследования включают определение ключевых факторов, влияющих на цифровизацию, а также построение прогноза по внедрению технологий до 2035 г. Методологическую основу составили многофакторные регрессионные модели, позволяющие оценить влияние инфраструктурных, экономических, социальных и технологических факторов на уровень цифровизации сельского хозяйства. Выборка данных охватывает 12 показателей сельскохозяйственного развития России и Китая за 2013–2023 гг. с акцентом на инфраструктурные и цифровые индикаторы. Для прогнозирования динамики каждого параметра использованы линейная и полиномиальная регрессии, построена модель множественной регрессии с составлением интегрального индекса цифровизации. Ключевые результаты исследования показывают, что Китай демонстрирует высокий уровень цифровизации агросектора благодаря активной государственной поддержке, развитию 5G и внедрению IoT-технологий. Автоматизация сельского хозяйства в Китае достигла 45 % с перспективой увеличения до 50 % к 2030 г., что позволит повысить производительность на 20-25 %. В России наблюдается рост цифровой инфраструктуры, который создает основу для интеграции ИИ и точного земледелия, с прогнозируемым ростом производительности на 15-20 % к 2030 г. Результаты исследования могут быть применены в разработке стратегий цифровизации агросектора, формировании государственной аграрной политики, а также для реализации совместных проектов России и Китая в рамках БРИКС+.

digitalizationartificial intelligenceagriculture 4.0innovationdigital infrastructuresustainable developmentinterstate cooperationprecision farmingagricultural technologiesautomationneural networksbig datayield forecastingцифровизацияискусственный интеллектсельское хозяйство 4.0инновациицифровая инфраструктураустойчивое развитиемежгосударственное сотрудничествоточное земледелиеагротехнологииавтоматизациянейронные сетибольшие данныепрогнозирование урожайностиГладилина, И. П., Сергеева, С. А., Романова, О. В. (2021). Зарубежный опыт управления цифровой экономикой. Финансовые рынки и банки, (2), 38–42.Abraham, E. R., Mendes dos Reis, J. G., Vendrametto, O., Oliveira Costa Neto, P. L. D., Carlo Toloi, R., Souza, A. E. D., & Oliveira Morais, M. D. (2020). Time series prediction with artificial neural networks: An analysis using Brazilian soybean production. Agriculture, 10 (10), 475. https://doi.org/10.3390/agriculture10100475Колмыкова, Т. С., Щербаков, В. Н., Третьякова, И. Н., Сергеева, В. Ю. (2020). Аналитический инструментарий оценки готовности национальной экономики к цифровизации. Регион: системы, экономика, управление, (3(50)), 120–128. Benayad, W., & Khadidja, F. (2024). The application of artificial neural network models to forecast wheat production through time series analysis in key countries. International Journal of Economic Perspectives, 18 (10), 1810–1826. (Date of access: 21.12.2024).Пири, С. (2021). Перспективы и возможности использования искусственного интеллекта в сельском хозяйстве. Аграрное образование и наука, (4), 12. https://cyberleninka.ru/article/n/perspektivy-i-vozmozhnosti-ispolzovaniya-iskusstvennogo-intellekta-v-selskom-hozyaystve (дата обращения: 21.12.2024).Chirkin, S. O., Kartechina, N. V., & Rubanov, V. A. (2022). Application of artificial intelligence in agriculture. Nauka i obrazovanie [Science and education], 5 (2), 242. https://cyberleninka.ru/article/n/primenenie-iskusstvennogo-intellekta-v-selskom-hozyaystve (Date of access: 21.12.2024). (In Russ.)Пьянкова, С. Г., Ергунова, О. Т. (2024). Стратегическое управление региональным сельским хозяйством: концептуально-теоретические и прикладные аспекты. Уфимский гуманитарный научный форум, (1), 209–224. https://doi.org/10.47309/2713–2358-2024-1-209-224Demirel, M. H., Sengul, Z., Baran, M. F., & Gokdogan, O. (2024). Effect of input usage on wheat yield: an application of artificial neural networks (ANN). Journal of Agricultural Science and Technology, 26 (2), 233–245. https://doi.org/10.22034/JAST.26.2.233Пьянкова, С. Г., Ергунова, О. Т., Жуковский, А. Д. (2024). Региональные подходы к управлению агропредприятиями в контексте формирования национального продовольственного рынка Foodnet. Ars Administrandi (Искусство управления), 16 (2), 353–367. https://doi.org/10.17072/2218–9173-2024-2-353-367García-Navarrete, O. L., Correa-Guimaraes, A., & Navas-Gracia, L. M. (2024). Application of convolutional neural networks in weed detection and identification: A systematic review. Agriculture, 14 (4), 568. https://doi.org/10.3390/agriculture14040568Чиркин, С. О., Картечина, Н. В., Рубанов, В. А. (2022). Применение искусственного интеллекта в сельском хозяйстве. Наука и образование, 5 (2), 242. https://cyberleninka.ru/article/n/primenenie-iskusstvennogo-intellekta-v-selskom-hozyaystve (дата обращения: 21.12.2024).Gladilina, I. P., Sergeeva, S. A., & Romanova, O. V. (2021). Foreign experience in managing the digital economy. Finansovye rynki i banki [Financial markets and banks], (2), 38–42. (In Russ.)Abraham, E. R., Mendes dos Reis, J. G., Vendrametto, O., Oliveira Costa Neto, P. L. D., Carlo Toloi, R., Souza, A. E. D., & Oliveira Morais, M. D. (2020). Time series prediction with artificial neural networks: An analysis using Brazilian soybean production. Agriculture, 10 (10), 475. https://doi.org/10.3390/agriculture10100475He, Y., Xu, C., Khanna, N., Boushey, C. J., & Delp, E. J. (2014). Analysis of food images: Features and classification. 2022 IEEE International Conference on Image Processing (ICIP), 2744–2748. https://doi.org/10.1109/icip.2014.7025555Benayad, W., & Khadidja, F. (2024). The application of artificial neural network models to forecast wheat production through time series analysis in key countries. International Journal of Economic Perspectives, 18 (10), 1810–1826 (дата обращения: 21.12.2024).Ji, W., Zhao, D., Cheng, F., Xu, B., Zhang, Y., & Wang, J. (2012). Automatic recognition vision system guided for apple harvesting robot. Computers & Electrical Engineering, 38 (5), 1186–1195. https://doi.org/10.1016/j.compeleceng.2011.11.005Demirel, M. H., Sengul, Z., Baran, M. F., & Gokdogan, O. (2024). Effect of input usage on wheat yield: an application of artificial neural networks (ANN). Journal of Agricultural Science and Technology, 26 (2), 233–245. https://doi.org/10.22034/JAST.26.2.233Kaur, K. (2023). Artificial Neural Network Model to Forecast Energy Consumption in Wheat Production in India. Journal of Statistical Theory and Applications, 22 (1), 19–37. https://doi.org/10.1007/s44199-023-00052-wGarcía-Navarrete, O. L., Correa-Guimaraes, A., & Navas-Gracia, L. M. (2024). Application of convolutional neural networks in weed detection and identification: A systematic review. Agriculture, 14 (4), 568. https://doi.org/10.3390/agriculture14040568Kharlamova, T., Ergunova, O., Sharma, N. R., Smirnova, N., & Dudnikov, T. (2024). Model of Strategic Management of National Agribusiness: Conceptual, Theoretical, and Applied aspects. In T. C. Devezas, M. A. Berawi, S. E. Barykin, T. Kudryavtseva (Eds.), Understanding the Digital Transformation of Socio-Economic-Technological Systems. Lecture Notes in Networks and Systems (pp. 353–361). Springer. https://doi.org/10.1007/978-3-031-56677-6_28He, Y., Xu, C., Khanna, N., Boushey, C. J., & Delp, E. J. (2014). Analysis of food images: Features and classification. 2022 IEEE International Conference on Image Processing (ICIP), 2744–2748. https://doi.org/10.1109/icip.2014.7025555Kolmykova, T. S., Shcherbakov, V. N., Tretyakova, I. N., & Sergeeva, V. Yu. (2020). Analytical tool for assessment of the national economy’s readiness for digitalization. Region: sistemy, ekonomika, upravlenie [Region: systems, economics, management], (3(50)), 120–128. (In Russ.)Ji, W., Zhao, D., Cheng, F., Xu, B., Zhang, Y., & Wang, J. (2012). Automatic recognition vision system guided for apple harvesting robot. Computers & Electrical Engineering, 38 (5), 1186–1195. https://doi.org/10.1016/j.compeleceng.2011.11.005Kujawa, S., & Niedbała, G. (2021). Artificial Neural Networks in Agriculture. Agriculture, 11 (6), 497. https://doi.org/10.3390/agriculture11060497Kaur, K. (2023). Artificial Neural Network Model to Forecast Energy Consumption in Wheat Production in India. Journal of Statistical Theory and Applications, 22 (1), 19–37. https://doi.org/10.1007/s44199-023-00052-wKutyauripo, I., Rushambwa, M., & Chiwazi, L. (2023). Artificial intelligence applications in the agrifood sectors. Journal of Agriculture and Food Research, 11, 100502. https://doi.org/10.1016/j.jafr.2023.100502Kharlamova, T., Ergunova, O., Sharma, N. R., Smirnova, N., & Dudnikov, T. (2024). Model of Strategic Management of National Agribusiness: Conceptual, Theoretical, and Applied aspects. In T. C. Devezas, M. A. Berawi, S. E. Barykin, T. Kudryavtseva (Eds.). Understanding the Digital Transformation of Socio-Economic-Technological Systems. Lecture Notes in Networks and Systems (pp. 353–361). Cham: Springer. https://doi.org/10.1007/978-3-031-56677-6_28Morales, A., & Villalobos, F. J. (2023). Using machine learning for crop yield forecast in the past or the future. Frontiers in Plant Science, 14, 1128388. https://doi.org/10.3389/fpls.2023.1128388Kujawa, S., & Niedbała, G. (2021). Artificial Neural Networks in Agriculture. Agriculture, 11 (6), 497. https://doi.org/10.3390/agriculture11060497Nandram, B., Berg, E., & Barboza, W. (2013). A Hierarchical Bayesian model for forecasting state-level corn yield. Environmental and Ecological Statistics, 21 (30), 507–530. https://doi.org/10.1007/s10651-013-0266-zKutyauripo, I., Rushambwa, M., & Chiwazi, L. (2023). Artificial intelligence applications in the agrifood sectors. Journal of Agriculture and Food Research, 11, 100502. https://doi.org/10.1016/j.jafr.2023.100502Phiri, S. (2021). Prospects and possibilities of using artificial intelligence in agriculture. Agrarnoe obrazovanie i nauka [Agrarian education and science], (4), 12. https://cyberleninka.ru/article/n/perspektivy-i-vozmozhnosti-ispolzovaniya-iskusstvennogo-intellekta-v-selskom-hozyaystve (Date of access: 12/21/2024). (In Russ.)Morales, A., & Villalobos, F. J. (2023). Using machine learning for crop yield forecast in the past or the future. Frontiers in Plant Science, 14, 1128388. https://doi.org/10.3389/fpls.2023.1128388Pyankova, S. G., & Ergunova, O. T. (2024). Strategic management of regional agriculture: conceptual, theoretical and applied aspects. Ufimskii gumanitarnyi nauchnyi forum [Ufa Humanitarian Scientific Forum], (1), 209–224. https://doi.org/10.47309/2713–2358-2024-1-209-224 (In Russ.)Nandram, B., Berg, E., & Barboza, W. (2013). A Hierarchical Bayesian model for forecasting state-level corn yield. Environmental and Ecological Statistics, 21 (30), 507–530. https://doi.org/10.1007/s10651-013-0266-zPyankova, S. G., Ergunova, O. T., & Zhukovskii, A. D. (2024). Regional approaches to agricultural enterprises management in the context of the “Foodnet” national food market formation. Ars Administrandi, 16 (2), 353–367. https://doi.org/10.17072/2218–9173-2024-2-353-367 (In Russ.)Shah, T. M., Nasika, D. P. B., & Otterpohl, R. (2021). Plant and Weed Identifier robot as an agroecological tool using artificial neural networks for image identification. Agriculture, 11 (3), 222. https://doi.org/10.3390/agriculture11030222Shah, T. M., Nasika, D. P. B., & Otterpohl, R. (2021). Plant and Weed Identifier robot as an agroecological tool using artificial neural networks for image identification. Agriculture, 11 (3), 222. https://doi.org/10.3390/agriculture11030222Shiri, F. M., Perumal, T., Mustapha, N., & Mohamed, R. (2023). A comprehensive overview and comparative analysis on deep learning models: CNN, RNN, LSTM, GRU. arXiv (Cornell University). https://doi.org/10.48550/arXiv.2305.17473Shiri, F. M., Perumal, T., Mustapha, N., & Mohamed, R. (2023). A comprehensive overview and comparative analysis on deep learning models: CNN, RNN, LSTM, GRU. arXiv (Cornell University). https://doi.org/10.48550/arXiv.2305.17473Tanima, D., Sharma, N. R., Bohn, R., Ergunova, O., Ryhtik, D., Makarenko, E., & Livintsova, M. (2024). The parallels of food self-sufficiency and hunger in light of sustainable agriculture: A case of the BRICS countries. E3S Web of Conferences, 494, 04043. https://doi.org/10.1051/e3sconf/202449404043Tanima, D., Sharma, N. R., Bohn, R., Ergunova, O., Ryhtik, D., Makarenko, E., & Livintsova, M. (2024). The parallels of food self-sufficiency and hunger in light of sustainable agriculture: A case of the BRICS countries. E3S Web of Conferences, 494, 04043. https://doi.org/10.1051/e3sconf/202449404043Tsantekidis, A., Passalis, N., & Tefas, A. (2022). Recurrent neural networks. In Deep Learning for Robot Perception and Cognition (pp. 101–115). Academic Press. https://doi.org/10.1016/B978-0-32-385787-1.00010-5Tsantekidis, A., Passalis, N., & Tefas, A. (2022). Recurrent neural networks. In Deep Learning for Robot Perception and Cognition (pp. 101–115). Academic Press. https://doi.org/10.1016/B978-0-32-385787-1.00010-5Xu, X., Sun, C., Liu, B., Zhou, Q., Xu, P., Liu, M., Wang, A., Tian, H., Luo, W., & Jiang, Q. (2022). Flesh flavor of red swamp crayfish (Procambarus clarkii Girard, 1852) processing by GS-IMS and electronic tongue is changed by dietary animal and plant protein. Food Chemistry, 373, 131453. https://doi.org/10.1016/j.foodchem.2021.131453Xu, X., Sun, C., Liu, B., Zhou, Q., Xu, P., Liu, M., Wang, A., Tian, H., Luo, W., & Jiang, Q. (2022). Flesh flavor of red swamp crayfish (Procambarus clarkii Girard, 1852) processing by GS-IMS and electronic tongue is changed by dietary animal and plant protein. Food Chemistry, 373, 131453. https://doi.org/10.1016/j.foodchem.2021.131453Yan, W. Q. (2023). Convolutional neural networks and recurrent neural networks. In Computational Methods for Deep Learning. Texts in Computer Science (pp. 69–24). Singapore: Springer. https://doi.org/10.1007/978-981-99-4823-9_3Yan, W. Q. (2023). Convolutional neural networks and recurrent neural networks. In Computational Methods for Deep Learning. Texts in Computer Science (pp. 69–24). Singapore: Springer. https://doi.org/10.1007/978-981-99-4823-9_3Zaffar, O., Khar, S., Sharma, S., & Singh, JP. (2024). Forecasting of wheat production, productivity and cultivated area in India using artificial neural networks. International Journal of Statistics and Applied Mathematics, 9 (1), 387–394. https://www.mathsjournal.com/pdf/2024/vol9issue1S/PartF/S-9-1-51-239.pdf (дата обращения: 20.12.2024).Zaffar, O., Khar, S., Sharma, S., & Singh, JP. (2024). Forecasting of wheat production, productivity and cultivated area in India using artificial neural networks. International Journal of Statistics and Applied Mathematics, 9 (1), 387–394. https://www.mathsjournal.com/pdf/2024/vol9issue1S/PartF/S-9-1-51-239.pdf (Date of access: 20.12.2024).