ISSN 1694-6286
e-ISSN 1694-9250
Отправить статью
Русский
Вестник Кыргызcкого национального аграрного университета

Поиск статьи

Нейросетевые модели для статистического анализа и налогового планирования в аграрной экономике

Э Эсенбек Белек уулу А Айнура Жороева Н Наргиза Ажиматова У Уранбек Шергазиев Г Гулмира Абдразакова
Получено 19.02.2025
Доработано 17.05.2025
Опубликовано 14.06.2025

Аннотация

Современная аграрная экономика сталкивается с рядом вызовов, включая изменение климата, волатильность рынка и необходимость повышения эффективности управления. В условиях цифровизации особое значение приобретает внедрение интеллектуальных инструментов, в частности нейросетевых моделей для статистического анализа и налогового планирования. В данном исследовании представлен обзор современных подходов к применению искусственных нейронных сетей (ИНС) в аграрном секторе. Рассматривались архитектуры MLP, CNN, RNN, LSTM, а также их гибридные варианты, используемые для прогнозирования урожайности, оценки налоговой нагрузки, планирования субсидий и анализа финансовых рисков. Целью данного исследования было выявление потенциала нейросетевых моделей для повышения эффективности статистического анализа и налогового планирования в аграрной экономике, а также определение их роли в формировании цифровых систем поддержки управленческих решений. В работе систематизированы основные области применения нейронных сетей в аграрной экономике, приведены примеры эффективных решений и обоснована практическая значимость ИНС для поддержки принятия решений в условиях неопределенности. Особое внимание уделено интеграции ИНС в цифровые платформы аграрного сектора и формированию интеллектуальных систем поддержки фискального управления. Проведенный анализ подтвердил высокую адаптивность и точность прогнозирования нейронных сетей и подчеркнул необходимость развития цифровой инфраструктуры и нормативно-правовой базы для их повсеместного внедрения. Результаты исследования могут быть использованы при разработке стратегий устойчивого развития сельского хозяйства и повышения экономической устойчивости сельскохозяйственных предприятий. Работа представляет интерес для исследователей, разработчиков цифровых решений и специалистов в области аграрной политики

Ключевые слова

искусственный интеллект; предиктивное моделирование; фискальная политика; цифровое сельское хозяйство; устойчивое развитие; прогнозирование урожайности; интеллектуальные системы поддержки решений
ЦИТИРОВАНИЕ
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

Использованные источники

  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.