ЭКОНОМИКО-МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ УСТОЙЧИВОГО РАЗВИТИЯ СЕЛЬСКОГО ХОЗЯЙСТВА С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Эсенбек Белек уулу, Айнура Дыйканова, Тургунбек Жумалиев, Самыйбек Бегалиев, Рахат Сагындыкова, Тологон Керимов
Получено: 11.01.2026
Доработано: 05.06.2026
Принято: 01.07.2026
Страницы: 169 –193
Взято из: Том 4, № 2, 2026
Скачать статью
Скачать статью

Аннотация

Данная статья посвящена исследованию методов экономико-математического моделирования устойчивого развития агропромышленного комплекса с применением технологий искусственного интеллекта. В условиях глобальных климатических изменений и необходимости обеспечения продовольственной безопасности традиционные методы планирования требуют дополнения адаптивными алгоритмами. В работе рассматривается использование нейронных сетей и методов глубокого обучения для прогнозирования состояния аграрных систем. Основное внимание уделяется интеграции экономических, экологических и социальных показателей в рамках единой модели. Показано, что применение гибридных технологий, сочетающих статистический анализ и ИИ, позволяет значительно повысить точность прогнозов и эффективность управленческих решений. Результаты исследования могут быть использованы для оптимизации сельскохозяйственного производства и формирования стратегий долгосрочного устойчивого развития регионов.

Ключевые слова

устойчивое развитие, искусственный интеллект, математическое моделирование, нейронные сети, агропромышленный комплекс, климатически оптимизированное сельское хозяйство

Цитирование

Belek uulu, E., Dyikanova, А., Zhumaliev, T., Begaliev, S., Sagyndykova, R., & Kerimov, Т. (2026). ECONOMIC AND MATHEMATICAL MODELING OF SUSTAINABLE AGRICULTURAL DEVELOPMENT USING ARTIFICIAL INTELLIGENCE. Global Scholars’ Space, 4(2), 169-193.

Использованные источники

  1. Bhagat, P., Naz, F., & Magda, R. (2022). Artificial intelligence solutions enabling sustainable agriculture: A bibliometric analysis. Sustainable Futures, 4, 100078. https://doi.org/10.1016/j.sftr.2022.100078
  2. Churikanova, O. A., & Lysenko, E. G. (2021). Neural network modeling of sustainable regional development. IOP Conference Series: Earth and Environmental Science, 677, 042064. https://doi.org/10.1088/1755-1315/677/4/042064
  3. Gryshova, I., et al. (2024). Climate-smart agriculture and AI integration. Agricultural Systems, 213, 103800. https://doi.org/10.1016/j.agsy.2023.103800
  4. Kamyshova, G. (2020). Risk management in irrigated agriculture using neural networks. Water Resources, 47(5), 809–816. https://doi.org/10.1134/S0097807820050085
  5. Puoetsile, K., et al. (2024). Modeling agricultural sustainability using hybrid approaches. Ecological Modelling, 495, 110789. https://doi.org/10.1016/j.ecolmodel.2023.110789
  6. Rogachev, A. F., & Melikhova, E. V. (2020). Neural network forecasting in agriculture. Journal of Physics: Conference Series, 1679, 032045. https://doi.org/10.1088/1742-6596/1679/3/032045
  7. Rudoy, D., et al. (2023). Mathematical modeling of agricultural systems. Agronomy, 13(5), 1452. https://doi.org/10.3390/agronomy13051452
  8. Shaimerdenova, A., et al. (2023). Optimization of crop production under climate risks. Sustainability, 15(9), 7201. https://doi.org/10.3390/su15097201
  9. Shi, W., et al. (2025). Hybrid AI models in agriculture. Computers and Electronics in Agriculture, 220, 108209. https://doi.org/10.1016/j.compag.2024.108209
  10. Skliar, O., et al. (2020). Machine learning in agricultural systems. Procedia Computer Science, 178, 302–310. https://doi.org/10.1016/j.procs.2020.11.031
  11. Sudarsono, H., & Wandebori, H. (2024). Predictive modeling for sustainable agriculture. Heliyon, 10(1), e24567. https://doi.org/10.1016/j.heliyon.2024.e24567
  12. Vahrameev, V., et al. (2020). Neural networks in agricultural forecasting. E3S Web of Conferences, 222, 03017. https://doi.org/10.1051/e3sconf/202022203017
  13. FAO. (2021). The state of food and agriculture. https://doi.org/10.4060/cb4476en
  14. World Bank. (2022). Agriculture and climate change. https://doi.org/10.1596/978-1-4648-1816-1
  15. Zhang, Y., et al. (2023). Deep learning for crop yield prediction. Remote Sensing, 15(4), 1023. https://doi.org/10.3390/rs15041023
  16. Li, X., et al. (2022). AI-driven irrigation systems. Agricultural Water Management, 263, 107467. https://doi.org/10.1016/j.agwat.2021.107467
  17. Wolfert, S., et al. (2017). Big data in smart farming. Agricultural Systems, 153, 69–80. https://doi.org/10.1016/j.agsy.2017.01.023
  18. Klerkx, L., et al. (2019). Digital agriculture transformation. NJAS, 90–91, 100315. https://doi.org/10.1016/j.njas.2019.100315
  19. Tzounis, A., et al. (2017). Internet of Things in agriculture. Computers and Electronics in Agriculture, 140, 1–12. https://doi.org/10.1016/j.compag.2017.05.037
  20. Lobell, D. B., et al. (2015). Climate trends and global crop production. Science, 333(6042), 616–620. https://doi.org/10.1126/science.1204531
  21. Ray, D. K., et al. (2019). Climate change impacts on agriculture. Nature Climate Change, 9, 789–798. https://doi.org/10.1038/s41558-019-0600-1
  22. Jeong, J. H., et al. (2016). Random forests for crop yield prediction. Agricultural and Forest Meteorology, 223, 45–55. https://doi.org/10.1016/j.agrformet.2016.03.012
  23. Khaki, S., & Wang, L. (2019). Crop yield prediction using deep learning. Scientific Reports, 9, 10964. https://doi.org/10.1038/s41598-019-47250-0
  24. van Klompenburg, T., et al. (2020). Machine learning for crop yield prediction: A review. Computers and Electronics in Agriculture, 177, 105709. https://doi.org/10.1016/j.compag.2020.105709
  25. Elbeltagi, A., et al. (2022). AI applications in smart agriculture. Agronomy, 12(6), 1385. https://doi.org/10.3390/agronomy12061385