А. А. Дубовицкий, Э. А. Климентова, Е. С. Бабкина, В. А. Шацкий. Формирование потенциала устойчивого развития агрохозяйства: анализ воспроизводственных процессов и оценка региональных перспектив с применением нейросетевых моделей

https://doi.org/10.15507/2413-1407.26343.546-571
EDN: https://elibrary.ru/bjzjvhISSN 2413-1407 
УДК / UDC 004.032.26:631 ISSN 2587-8549

Аннотация

Введение. Изучение воспроизводственных процессов и пространственных особенностей формирования потенциала устойчивого развития сельского хозяйства является актуальной задачей в условиях сохраняющегося дисбаланса экономических, социальных и экологических приоритетов. Цель статьи – оценка потенциала устойчивого развития (PSD) агрохозяйства регионов на основе анализа воспроизводства искусственного, человеческого и природного капитала с использованием нейросетевого инструментария.

Материалы и методы. В основу исследования положена авторская концепция устойчивого развития, опирающаяся на воспроизводственный подход. Для пространственного анализа применено нейросетевое моделирование с использованием многослойного перцептрона (MLP) по данным 45 регионов Российской Федерации за 2019–2023 гг. Построена модель с двумя скрытыми слоями (20 и 15 нейронов), позволившая определить относительную важность факторов, влияющих на PSD. Информационную базу составили открытые данные Росстата, Росреестра и Министерства сельского хозяйства РФ.

Результаты исследования. Модель MLP продемонстрировала высокую прогностическую точность: средняя относительная ошибка составила 5,1 %, сумма квадратов ошибок – 4,6 %. Выявлены значимые факторы формирования PSD: масштабы производства, объем бюджетных и кредитных инвестиций, уровень сельской безработицы, внесение органических удобрений. На основе сравнения фактических и предсказанных значений выделены три группы регионов: с негативной, средней и позитивной оценкой использования возможностей формирования PSD. Определены регионы-лидеры (Московская, Кировская, Калужская области, Республика Дагестан и др.), где фактический потенциал превысил ожидаемый уровень.

Заключение. Снижение совокупного PSD с –151,8 до –223,5 млрд руб. при росте производства и инвестиций свидетельствует о сохраняющемся дисбалансе воспроизводственных процессов – недостаточном обновлении основных фондов и нарастающем экологическом ущербе. Предложенный подход к исследованию пространственных особенностей формирования PSD может быть положен в основу разработки территориально дифференцированных стратегий и программ социально-экономического развития сельского хозяйства на федеральном и региональном уровнях.

Ключевые слова: агропродовольственная система, региональная дифференциация, сельское хозяйство, экономический рост, устойчивое развитие, прогнозирование, нейронные сети

Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.

Финансирование. Исследование выполнено за счет гранта Российского научного фонда № 25-28-01313 «Разработка методологии прогнозирования агропродовольственных экономических систем на основе машинного обучения с использованием искусственных нейронных сетей» (https://rscf.ru/project/25-28-01313/).

Для цитирования: Дубовицкий А.А., Климентова Э.А., Бабкина Е.С., Шацкий В.А. Формирование потенциала устойчивого развития агрохозяйства: анализ воспроизводственных процессов и оценка региональных перспектив с применением нейросетевых моделей. Регионология. 2026;34(3):546–571. https://doi.org/10.15507/2413-1407.26343.546-571

СПИСОК ЛИТЕРАТУРЫ

1. Малинина О.Ю., Максименко А.Н. Исследование влияния факторов на развитие сельского хозяйства Ростовской области. АПК: экономика, управление. 2025;(7):57–63. https://doi.org/10.33305/257-57

2. Заворотин Е.Ф., Гордополова А.А., Тюрина Н.С., Евсюкова Л.Ю. Диагностика развития консолидации земель сельскохозяйственного назначения. Экономика, труд, управление в сельском хозяйстве. 2022;(3):3–10. https://doi.org/10.33938/223-3

3. Смирнова Т.А. Безработица в сельских поселениях России: состояние и возможности решения проблемы. Эпоха науки. 2019;(19):62–67. https://www.elibrary.ru/jkgzjz

4. Барышникова Н.А., Киреева Н.А., Мартынович В.И. Дефицит кадров в сельском хозяйстве аграрных регионов России. Международный сельскохозяйственный журнал. 2025;(6):720–726. https://doi.org/10.55186/25876740_2025_68_6_720

5. Calegari E., Fabrizi E., Guastella G., Timpano F. EU Regional Convergence in the Agricultural Sector: Are there Synergies between Agricultural and Regional Policies? Papers in Regional Science. 2021;100(1):23–51. https://doi.org/10.1111/pirs.12569

6. Хаметов Р.Р., Родионова И.А. Институциональные проблемы и направления развития земельных отношений в аграрной экономике. Аграрный вестник Урала. 2024;24(11):1565–1574. https://doi.org/10.32417/1997-4868-2024-24-11-1565-1574

7. Глинский В.В., Серга Л.К., Алексеев М.А. Модельное представление регулируемой дифференциации региональных социально-экономических систем. Регионология. 2023;31(3):477–497. https://doi.org/10.15507/2413-1407.124.031.202303.477-497

8. Шанин С.А. От генезиса теорий пространственного развития к управлению пространственным развитием сельского хозяйства. Экономика, труд, управление в сельском хозяйстве. 2022;(7):65–70. https://www.elibrary.ru/flimwy

9. Гильмундинов В.М., Панкова Ю.В. Пространственное развитие России в условиях внешних и внутренних вызовов. Проблемы прогнозирования. 2023;(4):82–93. https://doi.org/10.47711/0868-6351-199-82-93

10. Климентова Э.А., Дубовицкий А.А. Комплексная оценка потенциала устойчивого развития сельского хозяйства. Вестник НГИЭИ. 2025;(1):81–93. URL: https://clck.ru/3VkEc7 (дата обращения: 04.07.2026).

11. Panimalar S.A., Krishnakumar A., Kumar S.S. Intensified Customer Churn Prediction: Connectivity with Weighted Multi-Layer Perceptron and Enhanced Multipath Back Propagation. Expert Systems with Applications. 2025;265:125993. https://doi.org/10.1016/j.eswa.2024.125993

12. Ansari А., Riasi A. Modelling and Evaluating Customer Loyalty Using Neural Networks: Evidence from Startup Insurance Companies. Future Business Journal. 2016;2(1):15–30. https://doi.org/10.1016/j.fbj.2016.04.001

13. Малкина М.Ю., Сочков А.Л., Капустина Ю.И. Прогнозирование ВРП региона с применением методов искусственного интеллекта. Journal of New Economy. 2025;26(3):67–85. https://doi.org/10.29141/2658-5081-2025-26-3-4

14. Бисчоков Р.М. Анализ, моделирование и прогноз урожайности сельскохозяйственных культур средствами искусственных нейронных сетей. Вестник Российского университета дружбы народов. Серия: Агрономия и животноводство. 2022;17(2):146–157. https://doi.org/10.22363/2312-797X-2022-17-2-146-157

15. Al-Dousari A.E., Mishra A., Singh S. Land Use Land Cover Change Detection and Urban Sprawl Prediction for Kuwait Metropolitan Region, Using Multi-Layer Perceptron Neural Networks (MLPNN). Egyptian Journal of Remote Sensing and Space Science. 2023;26(2):381–392. https://doi.org/10.1016/j.ejrs.2023.05.003

16. Kumar S., Midya K., Ghosh S., Kumar P., Mishra V. N. Land Use Change Analysis and Prediction of Urban Growth Using Multi-Layer Perceptron Neural Network Markov Chain Model
in Faridabad – A Data-Scarce Region of Northwestern India. Physics and Chemistry of the Earth, Parts A/B/C. 2025;138:103884. https://doi.org/10.1016/j.pce.2025.103884

17. Минаков И.А., Сытова А.Ю. Развитие аграрной экономики региона и обеспечение продовольственной безопасности. Экономика сельскохозяйственных и перерабатывающих предприятий. 2024;(8):43–49. https://doi.org/10.31442/0235-2494-2024-0-8-43-49

18. Рущицкая О.А., Курдюмов А.В., Кружкова Т.И., Лылов А.С. Стратегические ориентиры социально-экономического роста качества жизни и обеспечения качества питания населения. Аграрный вестник Урала. 2023;23(12):158–166. URL: https://clck.ru/3VH799 (дата обращения: 04.07.2026).

19. Воротников И.Л., Наянов А.В., Сидельникова М.В., Бородастова Е.В. Теоретико-методологические подходы к обоснованию индикатора справедливой заработной платы работников сельскохозяйственных организаций. АПК: экономика, управление. 2022;(12):25–31. https://doi.org/10.33305/2212-25

20. Белокопытов А.В., Минина А.Н., Хайруллин М.Ф. Воспроизводство земельных ресурсов в сельском хозяйстве: теоретический подход. Вестник НГИЭИ. 2025;(2):67–75. URL: https://clck.ru/3VkFbX (дата обращения: 04.07.2026).

21. Wang L., Li L., Cheng K., Pan G. Comprehensive Evaluation of Environmental Footprints of Regional Crop Production: A Case Study of Chizhou City, China. Ecological Economics. 2019;164:106360. https://doi.org/10.1016/j.ecolecon.2019.106360

22. Zhang J., Drury M. Sustainable Agriculture in the EU and China: A Comparative Criti­cal Policy Analysis Approach. Environmental Science and Policy. 2024;157:103789. https://doi.org/10.1016/j.envsci.2024.103789

23. Calvin K., Patel P., Clarke L., et al. GCAM v5.1: Representing the Linkages between Energy, Water, Land, Climate, and Economic Systems. Geoscientific Model Development. 2019;12(2):677–698. https://doi.org/10.5194/gmd-12-677-2019

24. Дудина Т.Н., Тарасова О.С. О подходах к разработке региональных систем индексов и индикаторов устойчивого развития. Успехи современного естествознания. 2022;(1):23–29. https://doi.org/10.17513/use.37765

25. Бородин С.Н. Модель оценки устойчивого развития региона на основе индексного метода. Экономика региона. 2023;19(1):45–59. https://doi.org/10.17059/ekon.reg.2023-1-4

26. Родионова И.А., Силкин С.А., Тимофеев Е.И. Устойчивое развитие сельского хозяйства на основе инноваций. Национальные интересы: приоритеты и безопасность. 2021;17(4):699–718. https://doi.org/10.24891/ni.17.4.699

27. Дубовицкий А.А., Климентова Э.А. Методические аспекты оценки устойчивости развития сельского хозяйства: традиционные подходы и альтернативная точка зрения. Экономика сельского хозяйства России. 2025;(2):10–20. https://doi.org/10.32651/252-10

28. Семин А.Н., Чочиева О.А., Шеломенцев А.Г. Человеческий потенциал горных сельских территорий: особенности формирования и оценки. Экономика сельского хозяйства России. 2024;(10):110–120. https://doi.org/10.32651/2410-110

29. Артемова Е.И., Барсукова Г.Н. Оценка эффективности использования земельно-ресурсного потенциала в аграрном производстве. Экономика сельского хозяйства России. 2025;(3):15–21. https://doi.org/10.32651/253-15

30. Хицков И.Ф., Меренкова И.Н., Петропавловский В.Е., Чогут Д.Р. Природно-человеческий потенциал как фактор социально-экономического развития сельской территории. Экономика, труд, управление в сельском хозяйстве. 2022;(10):4–11. https://doi.org/10.33938/2210-4

31. Тютюников А.А., Улезько А.В. Концептуальный подход к организации сельских территорий: исследование на основе идентификации агломерационных структур. Регионология. 2025;33(1):120–137. https://doi.org/10.15507/2413-1407.033.202501.120-137

32. Алтухов А.И. Приоритетные направления пространственного развития сельского хозяйства России. Известия Кабардино-Балкарского научного центра РАН. 2025;27(3):143–153. https://doi.org/10.35330/1991-6639-2025-27-3-143-153

33. Широв А.А., Кузнецова О.В., Михеева Н.Н., Узяков М.Н. Роль пространственного развития при достижении национальных целей российской экономики. Проблемы прогнозирования. 2025;(4):11–23. https://doi.org/10.47711/0868-6351-211-11-23

34. Дружинин П.В. Особенности развития регионов центра европейской части России в 2009–2021 гг. Регионология. 2025;33(1):104–119. https://doi.org/10.15507/2413-1407.033.202501.104-119

35. Elavarasan D., Vincent P.M.D. Crop Yield Prediction Using Deep Reinforcement Lear­ning Model for Sustainable Agrarian Applications. IEEE Access. 2020;8:86886–86901. https://doi.org/10.1109/ACCESS.2020.2992480

36. Bali B., Goni I., Jarengol A.U. Climate-Resilient Soybean Yield Forecasting under Agro-Climatic Variability Using Neural Networks: A Data-Driven Approach for Sustainable Agronomy. Next Sustainability. 2023;7:100292. https://doi.org/10.1016/j.nxsust.2026.100292

37. Krivoguz D. Geo-Spatial Analysis of Urbanization and Environmental Changes with Deep Neural Networks: Insights from a Three-Decade Study in Kerch Peninsula. Ecological Informatics. 2024;80:102513. https://doi.org/10.1016/j.ecoinf.2024.102513

38. Choudhary P., Devatha C.P., Azhoni A. Integration of Multi-Layer Perceptron Neural Network and Cellular Automata-Markov Chain Approach for the Prediction of Land Use Land Cover in Land Change Modeler. Ecological Modelling. 2025;5066:111162. https://doi.org/10.1016/j.ecolmodel.2025.111162

39. Panek-Chwastyk E., Paradowski K., Rutkowska B., Szulc W., Dzierżanowski I. Advancing Early-Stage Plant Phosphorus Assessment for Winter Rye Via Hyperspectral Data: A Model-Based Approach Harnessing Feedforward Neural Networks. European Journal of Agronomy. 2025;169:127667. https://doi.org/10.1016/j.eja.2025.127667

40. Mirghaderi S.-Н. Using an Artificial Neural Network for Estimating Sustainable Development Goals Index. Management of Environmental Quality: An International Journal. 2020;31(4):1023–1037. https://doi.org/10.1108/MEQ-12-2019-0266

41. Bienvenido-Huertas D., Farinha F., Oliveira M.J., Silva E.M.J., Lança R. Comparison of Artificial Intelligence Algorithms to Estimate Sustainability Indicators. Sustainable Cities and Society. 2020;63:102430. https://doi.org/10.1016/j.scs.2020.102430

42. Mehrabi N., Morstatter F., Saxena N., Lerman K., Galstyan A. A Survey on Bias and Fairness in Machine Learning. ACM Computing Surveys (CSUR). 2021;54(6):1–35. https://doi.org/10.1145/3457607

43. Dubovitski A.A., Klimentova E.A., Rogov M.A. Applicability of Machine Lear­ning Models Using a Neural Network for Predicting the Parameters of the Deve­lopment of Food Markets. Journal of Process Management and New Technologies. 2022;10(3/4):93–105. https://doi.org/10.5937/jpmnt10-41317

44. Abdulrahim Н., Alshibani S.M., Ibrahim O., Elhag A.A. Prediction OPEC Oil Price Utilizing Long Short-Term Memory and Multi-Layer Perceptron Models. Alexandria Engineering Journal. 2025;110:607–612. https://doi.org/10.1016/j.aej.2024.10.057

45. Chatterjee A., Saha J., Mukherjee J. Clustering with Multi-Layered Perceptron. Pattern Recognition Letters. 2022;155:92–99. https://doi.org/10.1016/j.patrec.2022.02.009

46. Shang Y., Liu X., Zhang H., Sun Y., Huang L., Guo J. Regional Marine Geoid Modelling by Integra­ting Multi-Source Marine Geodetic Data with Multi-Layer Perceptron Method. Advances in Space Research. 2026;77(4):4489–4505. https://doi.org/10.1016/j.asr.2025.12.016

Об авторах:

Дубовицкий Александр Алексеевич, доктор экономических наук, доцент, профессор кафедры экономики и коммерции, заведующий научно-исследовательской лабораторией экономического прогнозирования Мичуринского государственного аграрного университета (393760, Российская Федерация,
г. Мичуринск, ул. Интернациональная, д. 101), ORCID: https://orcid.org/0000-0003-4542-1119,
Researcher ID: AAX-8480-2020, Scopus ID: 57211466422, SPIN-код: 1683-4156,
daa1-408@yandex.ru

Климентова Эльвира Анатольевна, кандидат экономических наук, доцент, доцент кафедры экономики и коммерции, старший научный сотрудник научно-исследовательской лаборатории экономического прогнозирования Мичуринского государственного аграрного университета (393760, Российская Федерация, г. Мичуринск, ул. Интернациональная, д. 101), ORCID: https://orcid.org/0000-0001-7628-7181, Researcher ID: ABI-5384-2020,
Scopus ID: 57211466144, SPIN-код: 3256-3838, klim1-408@yandex.ru

Бабкина Екатерина Сергеевна, кандидат экономических наук, доцент кафедры управления и делового администрирования, младший научный сотрудник научно-исследовательской лаборатории экономического прогнозирования Мичуринского государственного аграрного университета (393760, Российская Федерация, г. Мичуринск, ул. Интернациональная, д. 101), ORCID: https://orcid.org/0009-0000-3917-5412, Researcher ID: PII-7360-2026, SPIN-код: 3479-5232, babkina_ek.s@mail.ru

Шацкий Владислав Александрович, аспирант, младший научный сотрудник научно-исследовательской лаборатории экономического прогнозирования Мичуринского государственного аграрного университета (393760, Российская Федерация, г. Мичуринск, ул. Интернациональная, д. 101), ORCID: https://orcid.org/0009-0006-0354-8022, Researcher ID: PNH-9947-2026, SPIN-код: 5763-5927, site.mgau@yandex.ru

Вклад авторов:

А. А. Дубовицкий – разработка концепции; научное руководство; разработка методологии; критический анализ черновика рукописи, внесение замечаний и исправлений.

Э. А. Климентова – проведение исследования; валидация результатов; написание черновика рукописи.

Е. С. Бабкина – сбор данных; формальный анализ; написание черновика рукописи.

В. А. Шацкий – проведение исследования; визуализация.

Доступность данных и материалов. Наборы данных, использованные и/или проанализированные в ходе текущего исследования, можно получить у авторов по обоснованному запросу.

Все авторы прочитали и одобрили окончательный вариант рукописи.

Поступила 27.04.2026; одобрена после рецензирования 18.05.2026; принята к публикации 28.05.2026.