Қазақстанның агроөнеркәсіптік кешеніне жасанды интеллект технологияларын енгізу мәселелері: цифрлық трансформация және шетелдік тәжірибе

Аграрлық сектордың цифрлық трансформациясы бүгінгі таңда тамақ қауіпсіздігін қамтамасыз етудің стратегиялық міндетіне айналды. Қазақстан 222 млн га ауыл шаруашылығы жерімен мол ресурсқа ие болса да, саланың ЖІӨ-дегі үлесі 4,7–5,1%-дан аспайды. Бұл алшақтықты жоюда жасанды интеллект (ЖИ) технологиялары маңызды рөл атқара алады. Зерттеудің мақсаты – Қазақстан АӨК-нде жасанды интеллект технологияларын енгізудің заңдылықтарын анықтау, жасанды интеллект инвестицияларының ауыл шаруашылығы өндірісіне әсерін сандық бағалау және мемлекеттік саясат үшін нақты практикалық ұсынымдар тұжырымдау. Зерттеудің ғылыми маңыздылығы: Қазақстан аудандары бойынша панельдік деректерде алғаш рет жасанды интеллект капиталының икемділік коэффициенті бағаланды. Тәжірибелік маңыздылығы: нәтижелер аграрлық секторды цифрландыру стратегиясын жасауда тікелей қолданылуы мүмкін. Әдіснама: 2021–2025 жж. 47 аудан бойынша анықталған деректерде Кобб–Дуглас өндірістік функциясы тіркелген эффектілер моделімен бағаланды (228 бақылау, R² = 0,891). Нәтижелер: жасанды интеллект капиталының икемділік коэффициенті 0,312 болып анықталды (p < 0,001). Дәлдікті егіншілік 45-тен 261 мың гектарға дейін өсті, AgriTech инвестициялары төрт есе артты. Цифрлық инфрақұрылымның жеткіліксіздігі мен мамандар тапшылығы, басты кедергілер. Қазақстанның аграрлық саясатын жасаушылар, AgriTech компаниялары және шаруашылық иелері үшін практикалық бағыттар ұсынады: ашық API ұлттық агродеректер платформасы, ауылдық байланыс инфрақұрылымын субсидиялау, шағын шаруашылықтарға арналған гранттық бағдарлама.

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