Московский экономический журнал 13/2019 - Московский Экономический Журнал

DOI 10.24411/2413-046Х-2019-10352

Цифровизация процесса выработки продукции в сельском хозяйстве как части финансового менеджмента

Digitalization of the production process in agriculture as part of financial management

Янгульбаева Луиза Шамсудиновна,
старший преподаватель кафедры «Математические методы в экономике» ФГБОУ ВО
«Чеченский государственный университет»

Yangulbaeva Luiza Shamsudinovna

Мержо Муса Шамсудинович,
декан финансово-экономического факультета ФГБОУ ВО «Ингушский государственный
университет»

Merzho Musa Shamsudinovich

Аннотация. Цифровизация
предстает перед многими как знаменитый черный ящик из известной передачи,
который может таить любую неожиданность. Уровень цифровизации сельского
хозяйства может повыситься как минимум в три-четыре раза в индексном выражении.
Отрасль готова перенести на свою почву практически все технологии, которые
существуют в цифровой экономике. Если исчислять в денежном эквиваленте, то
рынок информационных технологий в сельском хозяйстве составляет более 360 млрд
руб. По прогнозам, он должен вырасти в ближайшие 10-15 лет в 3-5 раз.

Комплексная цифровизация сельхозпроизводства позволит аграриям
снизить затраты на 23%. Так, средняя экономия затрат при землепользовании с
применением технологий GPS-навигации составляет 11-14%, при дифференцированном
внесении удобрений 8-12%, а благодаря системам параллельного вождения –
8-13%. При неэффективном использовании инструментов агробизнеса теряется до 40%
урожая. Под инструментами традиционно понимаются средства защиты растений,
семенной фонд, машинно-тракторный парк и новые технологии, прежде всего,
технологии точного земледелия.

Потребление подавляющего большинства видов продуктов питания в
России находится на уровне значительно меньшем медицинской нормы. Поэтому любая
программа модернизации сельского хозяйства должна быть направлена на решение
именно этой проблемы – накормить людей. Поскольку реальные располагаемые доходы
населения в России снижаются уже пятый год подряд, то единственный выход –
снизить розничные цены, причем не на 10-15 %, а кратно, сохранив при этом или
даже повысив маржинальность бизнеса сельхозпроизводителей и как минимум не
ухудшив качество продукции. Это возможно, но только в том случае, если
кардинально перестроить весь процесс производства и сбыта сельхозпродукции,
что, собственно, и называется цифровой трансформацией.

Ключевые слова:
цифровизация, структура, сельское хозяйство, динамика, развитие.

Существует два фактора, позволяющих увеличить объем потребления
сельхозпродукции в России. Во-первых, недоступность для подавляющего
большинства сельхозпроизводителей в России современных средств механизации и
автоматизации является основной причиной крайне низкой производительности
труда, соответственно, высокой себестоимости единицы продукции. Переход от
модели продажи сельхозтехники и средств автоматизации в собственность к модели
оплаты их функций по фактическому объему или даже результатам потребления, что
является основой цифровой трансформации, решает проблему доступности техники и,
следовательно, повышения производительности труда. Она вполне может повыситься
в 3-5 раз.

Во-вторых, цифровизация за счет своего сквозного характера
позволяет информационно связать потребности конкретного конечного потребителя и
возможности конкретного сельхозпроизводителя, исключив таким образом множество
ненужных посредников, на которых сейчас приходится до 80 % в розничной цене
продукта.

Вместе эти два фактора позволят увеличить объем потребления
сельхозпродукции в 1,5 раза, то есть эффект от роста объема потребления
перекроет снижение розничных цен, при этом маржинальность бизнеса
сельхозпроизводителей даже вырастет, а риски снизятся. Парк тракторов
увеличится на 300 тыс. единиц, комбайнов – на 300 тыс., а потребление удобрений
вырастет в 9 раз. Это то, что в теории игр называется моделью win-win (игры с
положительной призовой суммой) – выигрывают все участники процесса
цифровизации, включая конечного потребителя.

Новые технологии существенно проясняют ситуацию с состоянием
земель и землепользованием. Например, по данным Минсельхоза, в Ставропольском
крае активно используют ГИС «Распределение земель сельхозназначения».
Спутниковый мониторинг показал, что в Ставропольском крае используется на 251
406,4 га больше пашни, чем по данным Росстата. Есть у этой технологии и еще
один полезный эффект: она позволяет уточнять и корректировать число
обанкротившихся хозяйств. Так, из 32 хозяйств края, объявленных ФНС банкротами,
4 оказались работающими предприятиями. Наконец, только в сентябре 2017 года
мониторинг выявил 189 пожаров.

В Волгоградской области с помощью спутникового мониторинга провели
инвентаризацию земель сельхозназначения и обнаружили неиспользуемые земли. Это
позволило в 2017 году уменьшить площадь необработанной пашни на 84,6 га.

В 2017 году АПК инвестировал в информационные технологии более 800
млн руб. Это мизерная цифра по сравнению с тем валовым доходом, который
получает сельское хозяйство.

С другой стороны, существует немало проблем, с которыми сталкивается
большинство предприятий, внедряющих современные технологии. Основная сложность
– это вопрос интеграции. Системы должны интегрироваться со всеми остальными
бизнес-процессами на предприятии. Зачастую сельхозпроизводители думают, что
достаточно купить дорогую систему, и все сразу заработает, но без проверки
того, как она функционирует непосредственно на поле, ничего работать не будет.

Другая проблема — поиск готовых вариантов. Сегодня на рынке нет
готового комплексного решения, которое бы обеспечивало автоматизацию и
прозрачность всех бизнес-процессов.

Следующее направление работы – программное обеспечение агрономов и
поиск специалистов, способных применять IТ-технологии в сельском хозяйстве. И
это, пожалуй, самая сложная задача для агропредприятия.

Риски внедрения цифровых технологий связаны не только с нехваткой
IT-специалистов, но и с недостаточностью у них знаний. В ведомстве есть 54
агровуза, c которыми плотно работают, пытаются внедрить новые дисциплины,
заинтересовать тем, что IT-технологии в сельском хозяйстве — это выгодно. За
этим будущее.

Для этого разработаем модель, которая будет формировать
макроэкономические показатели в процессе смены технологических укладов в
сельском хозяйстве для целей формирования импортозамещения при реализации модели
цифровой экономики в природопользовании.

На первом этапе расчетов рассмотрим блок выявления макрогенераций
и определение их продуктовых траекторий (Belitskaya, 2018). Продуктовая
траектория находится в сильной зависимости от объема получаемых отходов. В
зависимости от государства, расходы на экологическую компенсацию может
достигать крайне больших значений до 15-20% прибыли. А в случае нарушения
полностью ее нивелировать;

Построение этого блока начнем с постановки следующей задачи: имея
информацию о фактической траектории темпов роста реального ВВП определенной
страны за определенный промежуток времени и трактуя этот показатель в каждый
момент времени как сумму продуктов, которые произведены существующими в данный
момент макрогенерациями, представляя динамику каждой макрогенерации в виде
дифференциального уравнения и задав формальные правила взаимодействия
макрогенераций и условия возникновения новых макрогенераций определить
конкретные параметры макрогенераций таким образом, чтобы полученная при этом расчетная
траектория темпов прироста ВВП была достаточно близка к фактической траектории
ВВП (Savinova, 2020).

Как критерий близости выберем максимум коэффициента корреляции
между фактической и расчетной траекториями темпов роста ВВП (Bogoviz, 2019).

Основное предположение, на базе которого формируется система обыкновенных нелинейных дифференциальных уравнений, описывающих поведение продуктов, создаваемых различными макрогенерациями, заключается в следующем: каждая макрогенерация в течение своей жизни проходит две фазы – рост (по закону, близкому к логистическому) и спадание, обусловленное изъятыми из нее частью продукта новыми, более молодыми макрогенерациями. Динамика второй фазы близка к обратной экспоненциальной (с дискретно изменяемым показателем) (Leonardi, 2016).

Пусть x_i(t)(i=1…N) – продукт соответствующей макрогенерации. Каждая макрогенерация (кроме первой) изымает в свою пользу от всех макрогенераций с меньшими номерами некоторую долю макропродукта

и использует эту долю в качестве своего ресурса.

Исходя из этих соображений, запишем следующее разностное уравнение, имитирующее поведение отдельной макрогенерации с номером k в фазе ее роста:

Здесь x_k(t) – продукт k-й
макрогенерации в момент t; a_k
и h_k –
параметры макрогенерации, определяющих ее «эндогенный» механизм: a_k характеризует собственную скорость роста
макрогенерации, h^k
– предельную величину x_k(t) в «автономном» режиме (то
есть независимо от старых макрогенераций).

Будем называть a_k
интенсивностью, а h^k – потенциалом k-й макрогенерации. B^k^* –
доля совокупного продукта первых k-1 макрогенераций, что изымается в пользу k-ой макрогенерации.
Предположим b₁^*=0;x₀=0.

Направим Δt к нулю, переходим к следующему дифференциальному
уравнению:

Это уравнение описывает поведение k-й макрогенерации на интервале [T_k_-1,T_k], то есть до
появления новой макрогенерации, котоаря начинает изымать у нее часть продукта.

После появления первой такой макрогенерации разностное уравнение
превращается в

Соответственно, дифференциальное уравнение макрогенерации
приобретает вид:

Применение коэффициента 2 связано с таким обстоятельством: продукт
каждой макрогенерации состоит из двух частей: кластера товарных инноваций и
группы базовых ресурсных товаров.

Поскольку каждая макрогенерация отдает более молодым
макрогенерациям именно ресурсную часть своего продукта, теряя не только эти
ресурсы, но и ту часть кластера товаров-нововведений, которая создавалась с их
помощью.

Использование коэффициента 2 означает, что эта часть кластера товаров-нововведений равна величине потерянных (то есть переданных младшим макрогенерациям) ресурсов, что согласуется с эмпирическими наблюдениями равенства затрат и результатов производства.

При t=T_k₊₁
возникает новая макрогенерация. Согласно нашему предположению, она также
удаляет часть продукта b_k₊₂^*
в k-й макрогенерации.

Теперь можем записать общий вид системы обыкновенных дифференциальных уравнений, описывающих совокупности N макрогенераций на промежутке [T₀,T_N]:

при начальных условиях

Здесь

Таким образом, динамика макрогенераций однозначно может быть
описана такими параметрами:

Общим числом марогенераций на заданном временном
интервале и моментами их возникновения.
Интенсивность и потенциалами макрогенераций.
Коэффициентами изъятия макропродукта старых
макрогенераций младшими.
Продуктом всей экономики (ВВП) в момент T₀.

Признаком возникновения новой макрогенерации будем считать ситуацию, когда макрогенерации k прекращают свой рост, исчерпывая свой «потенциал эффективности». Формально это означает, что

где ε – достаточно малая положительная величина. В это время и
возникает новая, k+1-я макрогенерация.

Условием, что позволяет связывать макрогенерации с ВВП, является предположение, что в момент возникновения новой макрогенерации сумма продуктов всех старых макрогенераций совпадает с известной величиной ВВП:

С помощью этой части модели запланировано подобрать параметры
макрогенерации таким образом, чтобы траектория темпа роста суммарного продукта
макрогенераций была близка к траектории темпов роста реального ВВП.

Отметим, что если заданные моменты возникновения макрогенераций (а
тем самым их общее количество на заданном временном промежутке) и коэффициенты
извлечения, то условия (3) и (4) позволяют однозначно определить все остальные
параметры макрогенераций.

Эту задачу можно решить путем многократного применения метода
Рунге-Кутта к системе (1), (2) с учетом функциональной зависимости между и , что следует из (1), (3), (4).

При известных продуктовых траекториям макрогенераций, рассчитанных
в первом блоке модели, и при известной из статистики по динамике ВВП США в
текущих ценах, определим индексы цен на продукцию макрогенераций таким образом,
чтобы:

динамика этих индексов удовлетворяла
неравновесным процессам, присущим каждой макрогенерации;
сумма продуктов всех макрогенераций, умноженных
на индексы цен совпадала с величиной ВВП в текущих ценах в годы возникновения
новых макрогенераций (условие статического равновесия);
коэффициент корреляции между расчетными и
фактическими темпами изменения ВВП в текущих ценах был максимальный.

Данный блок модели состоит из 3 частей:

А. Блок моделирования цен в связи с условиями неравновесной динамики. Пусть T₁,…,T_N – известные годы возникновения 1-й, …, N-й макрогенераций соответственно. Предположим, что цена Р единицы продукта k-й макрогенерации в период [T_k,T_k+1], когда реальный спрос выше реального предложения, растет по логистическому закону, то есть:

где r_k
характеризует предельно возможное значение индекса цены k-ой макрогенерации, а y_k – скорость
роста индекса цены k-ой макрогенерации.

После появления в году T_k₊₁ новой, k+1-й макрогенерации рост цены
единицы продукта k-й макрогенерации прекращаются и она либо будет падать, либо
останется практически неизменной до появления следующей, k+2-й макрогенерации.
Когда же появится k+2 макрогенераций, то дальнейшая динамика цены продукта k-й
макрогенерации (падение или практически постоянное значение) будет
соответствовать динамике предыдущей k+1-й макрогенерации. То есть появление
новой макрогенерации влечет за собой изменение цены единицы продукта всех
предшествующих ей макрогенераций.

Список литературы

1. Akhobadze, M.,
Zumburidze, O., & Kurtskalia, E. (2016). Analysis of Spatial Economic Processes for Defining Investment Policy.
Journal of Mathematical Sciences, 218(6), 703–708. https://doi.org/10.1007/s10958-016-3052-2

2. Arasteh, A. (2016). Combination of real
options and game-theoretic approach in investment analysis. Journal of
Industrial Engineering International, 12(3), 361–375.
https://doi.org/10.1007/s40092-016-0144-z

3. Bai, C., & Sarkis, J. (2016). Supplier
development investment strategies: a game theoretic evaluation. Annals of
Operations Research, 240(2), 583–615. https://doi.org/10.1007/s10479-014-1737-9

4. Begiazi, K., Asteriou, D., & Pilbeam,
K. (2016). A multivariate analysis of United States and global real estate
investment trusts. International Economics and Economic Policy, 13(3), 467–482.
https://doi.org/10.1007/s10368-016-0349-z

5. Ezhei, M., & Tork Ladani, B. (2018).
Interdependency Analysis in Security Investment against Strategic Attacks.
Information Systems Frontiers. https://doi.org/10.1007/s10796-018-9845-8

6. Farzan, F., Mahani, K., Gharieh, K., &
Jafari, M. A. (2015). Microgrid investment under uncertainty: a real option
approach using closed form contingent analysis. Annals of Operations Research,
235(1), 259–276. https://doi.org/10.1007/s10479-015-1929-y

7. Ferrando, A., & Preuss, C. (2018).
What finance for what investment? Survey-based evidence for European companies.
Economia Politica, 35(3), 1015–1053. https://doi.org/10.1007/s40888-018-0108-4

8. Gao, X., Zhong, W., & Mei, S. (2014).
A game-theoretic analysis of information sharing and security investment for
complementary firms. Journal of the Operational Research Society, 65(11),
1682–1691. https://doi.org/10.1057/jors.2013.133

9. Grigoli, F., & Mills, Z. (2014).
Institutions and public investment: an empirical analysis. Economics of
Governance, 15(2), 131–153. https://doi.org/10.1007/s10101-013-0137-y

10. Hu, D., Schwabe, G., & Li, X. (2015).
Systemic risk management and investment analysis with financial network
analytics: research opportunities and challenges. Financial Innovation, 1(1),
2. https://doi.org/10.1186/s40854-015-0001-x

11. Lina, S. (2019). Analysis of factors
affecting investment efficiency based on analytic hierarchy process and support
vector machine (SVM) model. Cluster Computing, 22(2), 4367–4374.
https://doi.org/10.1007/s10586-018-1896-6

12. Miaoui, Y., & Boudriga, N. (2019).
Enterprise security investment through time when facing different types of
vulnerabilities. Information Systems Frontiers, 21(2), 261–300.
https://doi.org/10.1007/s10796-017-9745-3

13. Qian, X., Liu, X., Pei, J., Pardalos, P. M.,
& Liu, L. (2017). A game-theoretic analysis of information security
investment for multiple firms in a network. Journal of the Operational Research
Society, 68(10), 1290–1305. https://doi.org/10.1057/s41274-016-0134-y

14. Riad, D., Hattaf, K., & Yousfi, N.
(2019). Mathematical analysis of a delayed IS—LM model with general investment
function. The Journal of Analysis. https://doi.org/10.1007/s41478-018-0161-y

15. Rossi, A., Vismara, S., & Meoli, M. (2019). Voting rights delivery in investment-based crowdfunding: a cross-platform analysis. Journal of Industrial and Business Economics, 46(2), 251–281. https://doi.org/10.1007/s40812-018-0109-x

16. Digital agriculture as a driver of innovative development of AIC. Fomin A.A., Shapovalov D.A., Lepekhin P.P. International Agricultural Journal. 2019. Т. 62. № 2. С. 5.

17. Проект «цифровое сельское хозяйство» — драйвер инновационного развития АПК. Фомин А.А. АПК: Экономика, управление. 2019. № 11. С. 72-76.

18. Тенденции и проблемы развития земельного законодательства. Материалы к Парламентским слушаниям Совета Федерации Федерального Собрания Российской Федерации и к Столыпинским чтениям в Государственном университете по землеустройству 19 апреля 2018 года / Под общ. ред. С.Н. Волкова, А.А Фомина. Москва, 2018.

19. Оценка земельных ресурсов и агробизнеса. Цыпкин Ю.А., Алтухов А.И., Баутин В.М., Близнюкова Т.В., Бордияну И.В., Борисычев Р.Г., Губарев Е.В., Демченко А.А., Долгушкин Н.К., Донцова Л.В., Дудченко А.Л., Дуранин М.Ю., Камаев Р.А., Комов Н.В., Орлов С.В., Павленко Д.П., Пакулин С.Л., Папцов А.Г., Феклистова И.С., Фомин А.А. и др. Москва, 2019. Сер. Оценка бизнеса

20. О проблемах учета земель сельхозначения в Российской Федерации. Лайкам К.Э., Фомин А.А. Международный сельскохозяйственный журнал. 2019. № 2 (368). С. 7-12.

21. Import substitution in the agro-industrial complex of Russia. Fomin A. International Agricultural Journal. 2018. Т. 61. № 1. С. 1.

22. Инновационные направления устойчивого развития агропромышленного комплекса. Цыпкин Ю.А., Фомин А.А., Пакулин С.Л., Козлова Н.В., Феклистова И.С. Международный сельскохозяйственный журнал. 2019. № 6 (372). С. 84-88.