ОБОСНОВАНИЕ ОПТИМАЛЬНЫХ ПАРАМЕТРОВ ЭФФЕКТИВНОСТИ ПРОИЗВОДСТВА ПЛОДОВОЙ ПРОДУКЦИИ С ИСПОЛЬЗОВАНИЕМ ЦИФРОВЫХ ТЕХНОЛОГИЙ

DOI 10.12737/2073-0462-2025-20-3-91-98 УДК 338.43:634.1

Авторы

  • Евгений Алексеевич Егоров Северо-Кавказский федеральный научный центр садоводства, виноградарства, виноделия, Краснодар, Россия.
  • Жанна Александровна Шадрина Северо-Кавказский федеральный научный центр садоводства, виноградарства, виноделия, Краснодар, Россия.
  • Гаянэ Агоповна Кочьян Северо-Кавказский федеральный научный центр садоводства, виноградарства, виноделия, Краснодар, Россия.

Ключевые слова:

плодоводство, производство, эффективность, факторы, параметры, оптимизация, цифровые технологии, регуляторы.

Аннотация

Снижение эффективности производства плодовой продукции (за 2022-2024 годы уменьшение уровня рентабельности составляет ежегодно примерно на 6,3 процентных пункта) в результате негативного влияния макроэкономических, технолого-экономических факторов обуславливает необходимость определения оптимальных параметров с использованием цифровых технологий для разработки инструментария управления устойчивостью в целях обеспечения достоверности управленческих решений и обеспечения конкурентоспособности отраслевых субъектов. Научная новизна работы заключается в разработке модели определения оптимальных параметров эффективности производства плодовой продукции с помощью программного обеспечения и выработке системы регуляторов управления устойчивостью воспроизводственных процессов в специализированных плодовых организациях. Установлено, что основными макроэкономическими факторами, влияющими на отраслевое развитие, являются меры государственной (субсидиарной) поддержки сельхозпроизводителей, роста стоимости приобретаемых ресурсов, обусловленного высокой динамикой инфляционных процессов. К внутренним факторам, влияющим на эффективность производства плодовой продукции в Краснодарском крае, относятся: структурные дисбалансы, высокая ресурсоемкость производственно-технологических процессов, несоблюдение оптимальной сопоставимости производственно-экономических показателей. В соответствии с разработанной цифровой моделью установлено, что для достижения нормативного уровня доходности продукции оптовая цена реализации яблок должна быть на 23% выше уровня 2024 года, величина дохода от производства семечковых культур (яблоня) должна быть в 2,2 раза больше фактического значения в 2024 году, себестоимость должна составлять не более 32 руб./кг, что на 9% ниже уровня 2024 года. Приведение показателей эффективности производства плодовой продукции к оптимальным значениям, обуславливают необходимость совершенствования системы регуляторов обеспечения устойчивости в отраслевых субъектах: увеличение субсидиарной поддержки на создание новых насаждений; установление механизма квотирования импорта саженцев плодовых культур; введение регулятора в форме субсидии на один килограмм произведенной и реализованной продукции; использование цифровых технологий при разработке агротехнологических регламентов и контроле их соблюдения; совершенствование системы ценообразования на реализуемую продукцию.

Сведения об авторах

Евгений Алексеевич Егоров, Северо-Кавказский федеральный научный центр садоводства, виноградарства, виноделия, Краснодар, Россия.

Академик Российской академии наук, доктор экономических наук,
профессор, советник

Жанна Александровна Шадрина, Северо-Кавказский федеральный научный центр садоводства, виноградарства, виноделия, Краснодар, Россия.

профессор Российской академии наук, доктор экономических наук,
доцент, заведующий лабораторией экономики

Гаянэ Агоповна Кочьян, Северо-Кавказский федеральный научный центр садоводства, виноградарства, виноделия, Краснодар, Россия.

кандидат экономических наук, доцент, старший научный сотрудник лаборатории экономики

Литература

 1. Рахимова Е.А. Развитие отечественного садоводства на основе цифровизации // АПК: Экономика, управление. 2023. № 11. С. 23-32. doi: 10.33305/2311-23.

 2. Системный подход к цифровизации деятельности садоводческих предприятий / Придорогин М.В.и др. // Вопросы современной науки и практики. Университет им. В.И. Вернадского. 2020. № 1(75). С. 115-124. doi: 10.17277/voprosy.2020.01.pp.115-124.

 3. Терновых К.С., Леонова Н.В., Кузнецова Е.В. Оптимизация параметров эффективного развития отрасли садоводства // Вестник Воронежского государственного аграрного университета. 2018. №4. С. 182-189. doi: 10.17238/issn2071-2243.2018.4.182.

 4. Цифровые решения для растениеводства [Электронный ресурс]. URL: https://www.softlab.ru/blog/resheniya-dlya-rastenievodstva/?ysclid=m9scd92rxt371742629 (дата обращения: 18.03.2025).

 5. Измайлов А.Ю., Смирнов И.Г., Хорт Д.О. Цифровые агротехнологии в системе «Умный сад» // Садоводство и виноградарство. 2018. № 6. С. 33-39. doi: 10.31676/0235-2591-2018-6-33-39.

 6. Фактор государственной поддержки в тенденциях развития отрасли садоводства / Егоров Е.А., Шадрина Ж.А., Кочьян Г.А., Парамонов П.Ф. // Вестник российской сельскохозяйственной науки. 2020. № 5. С. 4-8. doi: 10.30850/vrsn/2020/5/4-8.

 7. Егоров Е.А., Шадрина Ж.А., Кочьян Г.А. Инструменты нормативного управления устойчивостью и эффективностью воспроизводственных процессов в промышленном плодоводстве // Вестник российской сельскохозяйственной науки. 2022. № 6. С. 7-12. doi: 10.31857/2500-2082/2022/6/7-12.

 8. Егоров Е.А., Шадрина Ж.А., Кочьян Г.А. Макроэкономические тенденции и параметры эффективного садоводства // Садоводство и виноградарство. 2015. № 6. С. 5-10.

 9. Fabian S.F. Hartmanna, Isuru A. Udugamab, Gerd M. Seibolda, Hirokazu Sugiyamab, and Krist V. Gernaey. Digital models in biotechnology: Towards multi-scale integration and implementation // Biotechnology Advances. Volu. 60, Nov. 2022, Р. 108015. doi: 10.1016/j.biotechadv.2022.108015.

 10. Hukare, V., Kumbhar, V., Shah, S.K. (2023). Machine Learning Methods for Crop Yield Prediction. In: Saini, M.K., Goel, N., Shekhawat, H.S., Mauri, J.L., Singh, D. (eds) Agriculture-Centric Computation. ICA 2023. Communications in Computer and Information Science, vol 1866. Springer, Cham. doi: 10.1007/978-3-031-43605-5_15.

 11. Gangwar D.S., Tyagi, S. Soni S.K. A techno-economic analysis of digital agriculture services: An ecological approach toward green growth // International Journal of Environmental Science and Technology, 2021. doi:10.1007/s13762-021-03300-7.

 1. Rakhimova EA. [Development of domestic horticulture based on digitalization]. APK: Ekonomika, upravlenie. 2023; 11. 23-32 p. doi: 10.33305/2311-23.

 2. Pridorogin MV. [A systematic approach to horticultural enterprises digitalization]. Voprosy sovremennoy nauki i praktiki. Universitet im. V.I. Vernadskogo. 2020; 1(75). 115-124 p. doi: 10.17277/voprosy.2020.01.pp.115-124.

 3. Ternovykh KS, Leonova NV, Kuznetsova EV. [Optimization of the parameters for the effective development of horticulture industry]. Vestnik Voronezhskogo gosudarstvennogo agrarnogo universiteta. 2018; 4. 182-189 p. doi: 10.17238/issn2071-2243.2018.4.182.

 4. Digital solutions for crop production. [Internet]. Softlab. [cited 2025, March 18]. Available from: https://www.softlab.ru/blog/resheniya-dlya-rastenievodstva/?ysclid=m9scd92rxt371742629.

 5. Izmaylov AYu, Smirnov IG, Khort DO. [Digital agricultural technologies in "Smart garden" system]. Sadovodstvo i vinogradarstvo. 2018; 6. 33-39 p. doi: 10.31676/0235-2591-2018-6-33-39.

 6. Egorov EA, Shadrina ZhA, Kochyan GA, Paramonov PF. [The state support factor in the development trends of horticultural industry]. Vestnik Rossiyskoy selskokhozyaystvennoy nauki. 2020; 5. 4-8 p. doi: 10.30850/vrsn/2020/5/4-8.

 7. Egorov EA, Shadrina ZhA, Kochyan GA. [Tools for regulatory management of the sustainability and efficiency of reproduction processes in industrial fruit growing]. Vestnik Rossiyskoy selskokhozyaystvennoy nauki. 2022; 6. 7-12 p. doi: 10.31857/2500-2082/2022/6/7-12.

 8. Egorov EA, Shadrina ZhA, Kochyan GA. [Macroeconomic trends and parameters of efficient horticulture]. Sadovodstvo i vinogradarstvo. 2015; 6. 5-10 p.

 9. Fabian SF. Hartmanna, Isuru A. Udugamab, Gerd M. Seibolda, Hirokazu Sugiyamab, Krist V. Gernaey. Digital models in biotechnology: towards multi-scale integration and implementation. Biotechnology Advances. Vol.60, Nov.2022. 108015 p. doi: 10.1016/j.biotechadv.2022.108015.

 10. Hukare V, Kumbhar V, Shah SK. (2023). Machine learning methods for crop yield prediction. In: Saini M.K., Goel N., Shekhawat H.S., Mauri J.L., Singh D. (eds). Agriculture-Centric Computation. ICA 2023. Communications in Computer and Information Science. Vol.1866. Springer, Cham. doi: 10.1007/978-3-031-43605-5_15.

 11. Gangwar DS, Tyagi S, Soni SK. A techno-economic analysis of digital agriculture services: An ecological approach toward green growth. International Journal of Environmental Science and Technology. 2021; doi:10.1007/s13762-021-03300-7.

Загрузки

Опубликован

2026-07-21

Как цитировать

Егоров, Е. А., Шадрина, Ж. А., & Кочьян, Г. А. (2026). ОБОСНОВАНИЕ ОПТИМАЛЬНЫХ ПАРАМЕТРОВ ЭФФЕКТИВНОСТИ ПРОИЗВОДСТВА ПЛОДОВОЙ ПРОДУКЦИИ С ИСПОЛЬЗОВАНИЕМ ЦИФРОВЫХ ТЕХНОЛОГИЙ: DOI 10.12737/2073-0462-2025-20-3-91-98 УДК 338.43:634.1. Вестник Казанского государственного аграрного университета, 20(3). извлечено от http://vestnik-kazgau.ru/index.php/vestnik/article/view/68

Выпуск

Том 20 № 3 (2025): Вестник Казанского ГАУ № 3 (79) 2025

Раздел

ЭКОНОМИЧЕСКИЕ НАУКИ

Категории

Лицензия

Copyright (c) 2026 ВЕСТНИК Казанского государственного аграрного университета

Лицензия Creative Commons

Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.

Метаданные научных статей, включая название, аннотацию, сведения об авторах, список литературы, идентификаторы и иные элементы библиографического описания для дальнейшего неограниченного использования, передаются в редакцию с правом их неограниченного использования на условиях открытой лицензии Creative Commons Attribution (CC BY).