Искусственный интеллект как драйвер агротехнологий России и Китая: государственная аграрная политика, институциональное партнерство, проекты и стратегии
DOI:
https://doi.org/10.17059/ekon.reg.2025-3-14Ключевые слова:
цифровизация, искусственный интеллект, сельское хозяйство 4.0, инновации, цифровая инфраструктура, устойчивое развитие, межгосударственное сотрудничество, точное земледелие, агротехнологии, автоматизация, нейронные сети, большие данные, прогнозирование урожайностиАннотация
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+.
Библиографические ссылки
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/agriculture10100475
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).
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.)
Demirel, 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.26.2.233
García-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/agriculture14040568
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.)
He, 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.2014.7025555
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.2011.11.005
Kaur, 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-w
Kharlamova, 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_28
Kolmykova, 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.)
Kujawa, S., & Niedbała, G. (2021). Artificial Neural Networks in Agriculture. Agriculture, 11 (6), 497. https://doi.org/10.3390/agriculture11060497
Kutyauripo, 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.2023.100502
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.2023.1128388
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-z
Phiri, 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.)
Pyankova, 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.)
Pyankova, 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/agriculture11030222
Shiri, 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.2305.17473
Tanima, 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/202449404043
Tsantekidis, 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/B978-0-32-385787-1.00010-5
Xu, 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.2021.131453
Yan, 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_3
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).
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2025 Пьянкова Светлана Григорьевна , Ергунова Ольга Титовна , Хуан Инцзе
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
