Проблемы внедрения технологий искусственного интеллекта в агропромышленный комплекс Казахстана: цифровая трансформация и зарубежный опыт

Цифровая трансформация аграрного сектора сегодня стала стратегической задачей обеспечения продовольственной безопасности. Несмотря на то что Казахстан располагает богатыми ресурсами – 222 млн га сельскохозяйственных земель, доля отрасли в ВВП не превышает 4,7–5,1%. Технологии искусственного интеллекта (ИИ) могут сыграть важную роль в устранении этого разрыва. Цель исследования – выявление закономерностей внедрения технологий искусственного интеллекта в АПК Казахстана, количественная оценка влияния инвестиций искусственного интеллекта на сельскохозяйственное производство и выработка конкретных практических рекомендаций для государственной политики. Научная значимость исследования: впервые в панельных данных по районам Казахстана был оценен коэффициент гибкости капитала искусственного интеллекта. Практическая значимость: результаты могут быть непосредственно использованы при разработке стратегии цифровизации аграрного сектора. Методология: в данных, определенных по 47 районам за 2021– 2025 гг., производственная функция Кобба-Дугласа оценена с помощью модели фиксированных эффектов (228 наблюдений, R² = 0,891). Результаты: коэффициент эластичности капитала искусственного интеллекта определен на уровне 0,312 (p < 0,001). Точное земледелие выросло с 45 до 261 тысячи гектаров, инвестиции в AgriTech увеличились в четыре раза. Недостаточная цифровая инфраструктура и нехватка специалистов – основные барьеры. Предлагаются практические направления для разработчиков аграрной политики Казахстана, компаний AgriTech и владельцев хозяйств: Национальная агроцифровая платформа с открытым API, субсидирование инфраструктуры сельской связи, грантовая программа для малых хозяйств.

1. Sharma A., Jain A., Gupta P., Chowdary V. Machine learning applications for precision agriculture: A comprehensive review // IEEE Access. 2021. Vol. 9. P. 4843–4873. URL: https://doi.org/10.1109/ACCESS.2020.3048415

2. Zhang X., Han L., Dong Y. et al. A deep learning-based approach for automated yellow rust disease detection from high-resolution hyperspectral UAV images // Remote Sensing. 2022. Vol. 14(1). P. 1–19. URL: https://doi.org/10.3390/rs14010086

3. Постановление Правительства Республики Казахстан от 30 декабря 2021 года № 960 «Об утверждении Концепции развития агропромышленного комплекса Республики Казахстан на 2021–2030 годы». Раздел 2.9 «Цифровизация АПК». – Астана, 2021. URL: https://adilet.zan.kz/rus/docs/P2100000960 (дата обращения: 18.03.2026)

4. MarketsandMarkets. Agriculture Technology Market – Global Forecast to 2028. Chicago: MarketsandMarkets Research, 2024.

5. Kamilaris A., Prenafeta-Boldu F.X. Deep learning in agriculture: A survey // Computers and Electronics in Agriculture. 2018. Vol. 147. P. 70–90. URL: https://doi.org/10.1016/j.compag.2018.02.016

6. Liakos K.G., Busato P., Moshou D. et al. Machine learning in agriculture: а review // Sensors. 2018. Vol. 18(8). P. 2674. DOI: https://doi.org/10.3390/s18082674

7. Wolfert S., Ge L., Verdouw C., Bogaardt M.J. Big data in smart farming: A review // Agricultural Systems. 2017. Vol. 153. P. 69–80. URL: https://doi.org/10.1016/j.agsy.2017.01.023

8. Narynbayeva A.S., Ryskeldi O., Shelomentseva V.P. Digital transformation of the agro-industrial complex of Kazakhstan: challenges and opportunities // Problems of Agrimarket. 2023. № 1. P. 45–57. URL: https://doi.org/10.46666/2023-1.2708-9991.06

9. Suieubayeva S.N., Gola A., Zakimova A.M. Comparative analysis of digitalization models in Central Asian agricultural sectors // Agricultural Economics. 2022. Vol. 68(9). P. 412–425. URL: https://doi.org/10.17221/75/2022-AGRICECON

10. Zhu X., Li D., Zhou W. Does digital technology adoption improve agricultural productivity? Evidence from rural China // China Economic Review. 2023. Vol. 79. P. 101940. URL: https://doi.org/10.1016/j.chieco.2023.101940

11. Mohr S., Khan O. Digital farming: Implications of a combined IoT and blockchain application for food supply chain transparency // Logistics. 2021. Vol. 5(3). P. 49. URL: https://doi.org/10.3390/logistics5030049

12. Petrick M., Pomfret R. Agricultural reforms in Kazakhstan: Past, present and future challenges // PostCommunist Economies. 2023. Vol. 35(4). P. 301–325. URL: https://doi.org/10.1080/14631377.2023.2182510

13. Janssen S.J.C., Porter C.H., Moore A.D. et al. Towards a new generation of agricultural system data, models and knowledge products // Agricultural Systems. 2017. Vol. 155. P. 200–212. URL: https://doi.org/10.1016/j.agsy.2016.09.017

14. Бюронациональнойстатистики РК. Открытыеданные АПК, серияDS_AGRI_RAYON_2021_2025. URL: https://www.stat.gov.kz/ (дата обращения: 01.03.2025)

15. Есімханов С.Б., Байжанов Д.А. Жасанды интеллект технологияларын ауыл шаруашылығы секторына енгізудің экономикалық тиімділігі: Қазақстан мысалы // ҚазЭУ Хабаршысы. 2023. № 4. Б. 112–124. URL: https://doi.org/10.47703/kjeas.2023.4.112

16. Қазақстан Республикасы стратегиялық жоспарлау және реформалар агенттігінің Ұлттық статистика бюросы. Қазақстан Республикасындағы ауыл шаруашылығы дақылдарының жалпы түсімі (2024 ж.). – Астана: Ұлттық статистика бюросы, 2025. URL: https://stat.gov.kz/ru/industries/labor-andincome/stat-ags/publications/113764/ (өтініш берілген күн: 12.03.2026)

17. Қазақстан Республикасының Цифрлық даму, инновациялар және аэроғарыш өнеркәсібі министрлігі. Цифрлы Қазақстан: мониторинг 2021–2025. – Астана: МЦРИАП, 2025. URL: https://www.gov.kz/memleket/entities/digitalkazakhstan (өтініш берілген күн: 01.03.2025)

18. Қазақстан Республикасы стратегиялық жоспарлау және реформалар жөніндегі агенттігінің Ұлттық статистика бюросы. АӨК ашық деректері, DS_AGRI_RAYON_2021_2025 сериясы. URL: https://www.stat.gov.kz/ (өтініш берілген күн: 05.03.2025)

19. Rogers E.M. Diffusion of Innovations. 5th ed. New York: Free Press, 2003. 576 p.

20. Parker G., Van Alstyne M., Choudary S. Platform Revolution: How Networked Markets Are Transforming the Economy. New York: W.W. Norton, 2016. 352 p.

21. Verdouw C., Tekinerdogan B., Beulens A., Wolfert S. Digital twins in smart farming // Agricultural Systems. 2021. Vol. 189. P. 103046. URL: https://doi.org/10.1016/j.agsy.2020.103046

22. Sishodia R.P., Ray R.L., Singh S.K. Applications of remote sensing in precision agriculture: A review // Remote Sensing. 2020. Vol. 12(19). P. 3136. URL: https://doi.org/10.3390/rs12193136

23. Schimmelpfennig D. Farm profits and adoption of precision agriculture // Economic Research Report. 2016. No. 217. Washington DC: USDA Economic Research Service. URL: https://doi.org/10.22004/ag.econ.246227

24. Pivoto D., Waquil P.D., Talamini E. et al. Scientific development of smart farming technologies and their application in Brazil // Information Processing in Agriculture. 2018. Vol. 5(1). P. 21–32. URL: https://doi.org/10.1016/j.inpa.2017.12.002

25. OECD. Digital Economy Outlook 2024 (Volume 1): Embracing the Technology Frontier. Paris: OECD Publishing, 2024. 338 p. URL: https://doi.org/10.1787/a1689dc5-en

26. FAO/OECD. OECD-FAO Agricultural Outlook 2024–2033. Paris: OECD Publishing; Rome: FAO, 2024. 364 p. DOI URL: https://doi.org/10.1787/4c5d2cfb-en

27. World Bank Independent Evaluation Group. Agricultural Innovation and Technology in World Bank Projects. Washington, DC: World Bank, 2024. URL: https://doi.org/10.1596/IEG193668