ISSN 1694-6286
e-ISSN 1694-9250
Макала жөнөтүү
Кыргыз
Кыргыз улуттук агрардык университетинин жарчысы

Макаланы издөө

Агрардык экономикадагы статистикалык талдоо жана салыктык пландаштыруу үчүн нейротармактык моделдер

Э Эсенбек Белек уулу А Айнура Жороева Н Наргиза Ажиматова У Уранбек Шергазиев Г Гулмира Абдразакова
Кабыл алынган убакыт 19.02.2025
Түзөтүлгөн 17.05.2025
Жарыяланган 14.06.2025

Аннотация

Азыркы агрардык экономика климаттын өзгөрүшү, рыноктун туруксуздугу жана башкаруунун эффективдүүлүгүн жогорулатуу зарылчылыгы сыяктуу бир катар чакырыктарга туш болууда. Санариптештирүү шартында интеллектуалдык куралдарды, айрыкча статистикалык талдоо жана салыктык пландаштыруу үчүн нейротармактык моделдерди киргизүүнүн мааниси өзгөчө чоң. Бул изилдөөдө агрардык сектордо жасалма нейрондук тармактарды (ЖНТ) колдонуу боюнча заманбап ыкмаларга сереп берилет. MLP, CNN, RNN, LSTM архитектуралары жана алардын гибриддик варианттары түшүмдүүлүктү божомолдоодо, салыктык жүктү баалоодо, субсидияларды пландаштырууда жана каржылык тобокелчиликтерди талдоодо колдонулушу каралат. Изилдөөнүн максаты – агрардык экономикадагы статистикалык талдоону жана салыктык пландаштырууну натыйжалуу жүргүзүүдө нейротармактык моделдердин потенциалын аныктоо жана башкаруу чечимдерин колдогон санариптик системаларды түзүүдөгү алардын ролун белгилөө. Иште агрардык экономикада нейрондук тармактарды колдонуу негизги багыттары системалаштырылган, натыйжалуу чечимдердин мисалдары келтирилген жана белгисиздик шартында чечим кабыл алууну колдоо үчүн ЖНТнын практикалык мааниси негизделген. Айрыкча ЖНТны агрардык сектордун санариптик платформаларына интеграциялоо жана фискалдык башкарууну колдогон интеллектуалдык системаларды түзүү маселесине көңүл бурулган. Жүргүзүлгөн талдоо нейрондук тармактардын жогорку адаптивдүүлүгүн жана божомолдорунун тактыгын ырастап, аларды кеңири колдонуу үчүн санариптик инфраструктураны жана нормативдик-укуктук базаны өнүктүрүүнүн зарылдыгын баса белгилейт. Изилдөөнүн жыйынтыктары айыл чарбасын туруктуу өнүктүрүү стратегияларын иштеп чыгууда жана айыл чарба ишканаларынын экономикалык туруктуулугун жогорулатууда пайдаланылышы мүмкүн. Иш изилдөөчүлөр, санариптик чечимдерди иштеп чыгуучулар жана агрардык саясат чөйрөсүндөгү адистер үчүн кызыктуу болуп саналат

Негизги сөздөр

жасалма интеллект; предиктивдик моделдөө; фискалдык саясат; санариптик айыл чарба; туруктуу өнүгүү; түшүмдүүлүктү божомолдоо; чечим кабыл алууну колдогон интеллектуалдык системалар
Цитаталоо
Belek uulu, E., Joroeva, A., Azhimatova, N., Shergaziev, U., & Abdrazakova, G. (2025). Neural network models for statistical analysis and tax planning in agrarian economy. Bulletin of the Kyrgyz National Agrarian University, 23(2), 62-72. https://doi.org/10.63621/bknau./2.2025.62

Колдонулган булактар

  1. Abedin, M.Z., Chi, G., Uddin, M.M., Satu, M.S., Khan, M.I., & Hajek, P. (2021). Tax default prediction using feature transformation-based machine learning. IEEE Access, 9, 19864-19881. doi: 10.1109/ACCESS.2020.3048018.
  2. Adekemi, P. (2025). Leveraging artificial intelligence to promote international tax compliance. Journal of Advanced Public International Law. doi: 10.2139/ssrn.5245928.
  3. Adhitya, Y., Mulyani, G.S., Köppen, M., & Leu, J.-S. (2023). IoT and deep learning‑based farmer safety system. Sensors, 23(6), article number 2951. doi: 10.3390/s23062951.
  4. Adkisson, M., Kimmel, J.C., Gupta, M., & Abdelsalam, M. (2021). Autoencoder‑based anomaly detection in smart farming ecosystem. arXiv:2111.00099. doi: 10.48550/arXiv.2111.00099.
  5. Al-Adhaileh, M.H., & Aldhyani, T.H.H. (2022). Artificial intelligence framework for modeling and predicting crop yield to enhance food security in Saudi Arabia. PeerJ Computer Science, 8, article number e1104. doi: 10.7717/peerj-cs.1104.
  6. Alawode, A., Blessing, A.O., & Chiamaka, O.T. (2024). Integrating IoT and AI in sustainable agriculture to mitigate environmental risk and financial misuse. International Journal of Research Publication and Reviews, 5(12), 2810-2828. doi: 10.55248/gengpi.6.0625.2187.
  7. Albanese, A., Nardello, M., & Brunelli, D. (2021). Automated pest detection with DNN on the edge for precision agriculture. IEEE Journal on Emerging and Selected Topics in Circuits and Systems, 11(3), 458-467. doi: 10.1109/JETCAS.2021.3101740.
  8. Attri, I., Awasthi, L.K., Sharma, T.P., & Rathee, P. (2023). A review of deep learning techniques used in agriculture. Ecological Informatics, 77, article number 102217. doi: 10.1016/j.ecoinf.2023.102217.
  9. Bassine, F.Z., Epule, T.E., Kechchour, A., & Chehbouni, A. (2023). Recent applications of machine learning, remote sensing, and IoT approaches in yield prediction: A critical review. arXiv:2306.04566. doi: 10.48550/arXiv.2306.04566.
  10. Berguiga, A., Harchay, A., Massaoudi, A., Ayed, M.B., & Belmabrouk, H. (2023). GMLP-IDS: A novel deep learning-based intrusion detection system for smart agriculture. Computers, Materials & Continua, 77(1), 379-402. doi: 10.32604/cmc.2023.041667.
  11. Bhavana, M., & Rao, K.S. (2025). Deep learning models for crop yield prediction in South India based on climate change. International Journal of System Assurance Engineering and Management. doi: 10.1007/s13198-025-02929-8.
  12. Chlingaryan, A., Sukkarieh, S., & Whelan, B. (2018). Machine learning approaches for crop yield prediction and nitrogen status estimation in precision agriculture: A review. Computers and Electronics in Agriculture, 151, 61-69. doi: 10.1016/j.compag.2018.05.012.
  13. de Oliveira, R.C., & de Souza e Silva, R.D. (2023). Artificial intelligence in agriculture: Benefits, challenges, and trends. Applied Sciences, 13(13), article number 7405. doi: 10.3390/app13137405.
  14. Garg, S., Pundir, P., Jindal, H., Saini, H., & Garg, S. (2021). Towards a multimodal system for precision agriculture using IoT and machine learning. arXiv:2107.04895. doi: 10.48550/arXiv.2107.04895.
  15. Hnatyshyn, L., Prokopyshyn, O., Maletska, O., Keleberda, T., & Pylypenko, K. (2025). Digital innovations in accounting as economic growth factors of an enterprise. Scientific Bulletin of Mukachevo State University. Series “Economics”, 12(1), 75-89. doi: 10.52566/msu-econ1.2025.75.
  16. Hoxha, E., Angjeli, A., & Bombaj, F. (2025). Implementation of modern information systems for automating accounting processes in the public sector: The experience of Albania. Scientific Bulletin of Mukachevo State University. Series “Economics”, 12(1), 61-74. doi: 10.52566/msu-econ1.2025.61.
  17. Huber, F., Yushchenko, A., Stratmann, B., & Steinhage, V. (2022). Extreme gradient boosting for yield estimation compared with deep learning approaches. arXiv:2208.12633. doi: 10.48550/arXiv.2208.12633.
  18. Islam, M.M., Alharthi, M., Alkadi, R.S., Islam, R., & Masum, A.K.M. (2024). Crop yield prediction through machine learning: A path towards sustainable agriculture and climate resilience in Saudi Arabia. AIMS Agriculture and Food, 9(4), 980-1003. doi: 10.3934/agrfood.2024053.
  19. Kamilaris, G., & Prenafeta-Boldú, F.X. (2018). Deep learning in agriculture: A survey. Computers and Electronics in Agriculture, 147, 70-90. doi: 10.1016/j.compag.2018.02.016.
  20. Khan, M.A., & Yairi, N. (2018). A review on the application of deep learning in system health management. Mechanical Systems and Signal Processing, 107, 241-265. doi: 10.1016/j.ymssp.2017.11.024.
  21. Liakos, K.G., Busato, P., Moshou, D., Pearson, S., & Bochtis, D. (2018). Machine learning in agriculture: A review. Sensors, 18(8), article number 2674. doi: 10.3390/s18082674.
  22. Logeshwaran, J., Srivastava, D., Kumar, K.S., Rex, M.J., Al-Rasheed, A., Getahun, M., & Soufiene, B.O. (2024). Improving crop production using an agro‑deep learning framework. BMC Bioinformatics, 25, article number 341. doi: 10.1186/s12859-024-05970-9.
  23. Mahin, A.N., Adnan, N., & Khondoker, R. (2025). Precision agriculture using machine learning and deep learning algorithms: A comprehensive study. Research Square, preprint. doi: 10.21203/rs.3.rs-6589718/v1.
  24. Malashin, I., Tynchenko, V., Gantimurov, A., Nelyub, V., Borodulin, A., & Tynchenko, Y. (2024). Predicting sustainable crop yields: Deep learning and explainable AI tools. Sustainability, 16(21), article number 9437. doi: 10.3390/su16219437.
  25. Manogna, R.L., Dharmaji, V. & Sarang, S. (2025). Enhancing agricultural commodity price forecasting with deep learning. Scientific Reports, 15, article number 20903. doi: 10.1038/s41598-025-05103-z.
  26. Mansoor, S., Iqbal, S., Popescu, S.M., Kim, S.L., Chung, Y.S., & Baek, J.-H. (2025). Integration of smart sensors and IoT in precision agriculture: Trends, challenges and future prospectives. Frontiers in Plant Science, 16, article number 1587869. doi: 10.3389/fpls.2025.1587869.
  27. Pérez-Pérez, J.F., Bonet, I., Sánchez-Pinzón, M.S., Caraffini, F., & Lochmuller, C. (2024). Using artificial intelligence to predict the financial impact of climate transition risks within organisations. International Journal of Intelligent Systems, 2024, article number 3334263. doi: 10.1155/int/3334263.
  28. Saranya, T., Deisy, C., Sridevi, S., & Anbananthen, K.S.M. (2023). A comparative study of deep learning and Internet of Things for precision agriculture. Engineering Applications of Artificial Intelligence, 122, article number 106034. doi: 10.1016/j.engappai.2023.106034.
  29. Sbai, Z. (2025). Deep learning models and their ensembles for robust agricultural yield prediction in Saudi Arabia. Sustainability, 17(13), article number 5807. doi: 10.3390/su17135807.
  30. Sharma, P., Dadheech, P., Aneja, N., & Aneja, S. (2023). Predicting agriculture yields based on machine learning using regression and deep learning. IEEE Access, 11, 111255-111264. doi: 10.1109/ACCESS.2023.3321861.
  31. Yakubov, M., Turgunov, A., & Jamalova, G. (2023). Use of mathematical model of artificial neural network for current forecasting of tax base of region. E3S Web of Conferences, 401, article number 02062. doi: 10.1051/e3sconf/202340102062.