Цифровые системы совершенствования процесса управления производством и реализацией органической прод

УДК 631.1:004

Цифровые системы совершенствования процесса управления производством и реализацией органической продукции на основе концепции ее оптимального размещения

Лю Шуньсинь

Российский государственный аграрный университет – МСХА имени К.А. Тимирязева, Москва, Россия

Аннотация

Развитие органического сельского хозяйства требует внедрения цифровых технологий для повышения эффективности управления производством и обеспечения прозрачности продовольственных цепочек. Целью исследования является обоснование научно-методических подходов к построению цифровых систем управления органическим производством и разработка концепции оптимального пространственного размещения хозяйств. Проведён сравнительный анализ цифровой инфраструктуры России и Китая, выявлены ключевые технологические элементы: информационные платформы, IoT-сенсоры, ГИС-системы, Big Data, блокчейн. Показано, что российская модель базируется на децентрализации и региональной адаптивности, китайская – на централизованной интеграции и масштабируемости. Разработана модель оптимального размещения органических хозяйств на основе ГИС-моделирования и многокритериального анализа экологических, логистических и социально-экономических факторов. Обоснована пятиуровневая система управления: сбор данных, пространственный анализ, оптимизация размещения, принятие решений, мониторинг. Доказано, что цифровизация формирует интегрированную агроэкосистему, обеспечивающую прослеживаемость продукции от производителя до потребителя через блокчейн-технологии. Полученные результаты создают основу для формирования евразийской системы цифрового управления органическим сектором.

Ключевые слова: цифровизация, органическое сельское хозяйство, геоинформационные системы, оптимальное размещение, Big Data, IoT, блокчейн, прослеживаемость, Smart Agriculture, цифровая трансформация

Digital Systems for Improving the Management of Production and Marketing of Organic Products Based on the Concept of Optimal Placement

Liu Shunxin

Russian State Agrarian University - Moscow Timiryazev Agricultural Academy, Moscow, Russia

Abstract. The development of organic agriculture requires the introduction of digital technologies to improve production management efficiency and ensure transparency of food supply chains. The aim of the study is to substantiate scientific and methodological approaches to building digital management systems for organic production and to develop a concept for optimal spatial placement of farms. A comparative analysis of the digital infrastructure of Russia and China was carried out, and key technological elements were identified: information platforms, IoT sensors, GIS systems, Big Data, blockchain. It is shown that the Russian model is based on decentralization and regional adaptability, while the Chinese model is based on centralized integration and scalability. A model for optimal placement of organic farms has been developed based on GIS modeling and multi-criteria analysis of environmental, logistical, and socio-economic factors. A five-level management system has been substantiated: data collection, spatial analysis, placement optimization, decision-making, monitoring. It has been proven that digitalization forms an integrated agro-ecosystem that ensures product traceability from producer to consumer through blockchain technologies. The obtained results create the basis for the formation of a Eurasian system of digital management of the organic sector.

Keywords: digitalization, organic agriculture, geographic information systems, optimal placement, Big Data, IoT, blockchain, traceability, Smart Agriculture, digital transformation

Введение

Introduction

Глобальная трансформация агропромышленного комплекса характеризуется переходом к моделям устойчивого развития, где органическое сельское хозяйство становится приоритетным направлением экологической и продовольственной политики [1, c. 5073]. Цифровизация выступает ключевым фактором повышения конкурентоспособности органического сектора, обеспечивая интеграцию производственных, логистических и контрольных процессов в единую управленческую систему [5, c. 8935].

В России и Китае цифровые технологии рассматриваются как стратегический инструмент реализации национальных программ развития аграрного сектора. Российская Федерация реализует федеральный проект «Цифровое сельское хозяйство», направленный на создание единой цифровой платформы АПК с внедрением технологий искусственного интеллекта, интернета вещей и дистанционного зондирования Земли [2, c. 27]. Китайская Народная Республика развивает программу Digital Village Strategy 2021-2025, обеспечивающую интеграцию облачных платформ Smart Agriculture Cloud и систем цифрового мониторинга органического производства [21, c. 739].

Актуальность цифровизации органического сектора определяется несколькими факторами. Во-первых, управление органическим производством требует постоянного контроля экологических параметров – состояния почв, водных ресурсов, биоразнообразия, углеродного следа [9, c. 57]. Во-вторых, цифровые технологии позволяют объединить данные из различных источников в единую аналитическую среду, обеспечивая прозрачность процессов и снижая транзакционные издержки [10, c. 34]. В-третьих, системы прослеживаемости на основе блокчейна формируют доверие потребителей к органической продукции и минимизируют риски фальсификации [23, c. 32].

Особую значимость приобретает задача оптимального пространственного размещения органических хозяйств, поскольку территориальная организация производства определяет логистические издержки, экологическую нагрузку на экосистемы и устойчивость сельских регионов [7, c. 401]. Для России данная задача актуальна в связи с высокой территориальной дифференциацией природно-климатических условий, для Китая – в контексте дисбаланса между индустриализированными восточными и аграрными западными провинциями [14, c. 572].

Применение геоинформационных технологий, больших данных и искусственного интеллекта позволяет осуществлять научно обоснованное размещение органического производства с учётом комплекса экологических, экономических и социальных факторов [19, c. 58]. Цифровизация трансформирует органическое сельское хозяйство из традиционной отрасли в интеллектуальную экосистему, объединяющую производство, науку, регулирование и общественное восприятие [15, c. 41].

Целью исследования является разработка научно-методических основ цифрового управления органическим производством и обоснование концепции оптимального территориального размещения хозяйств в контексте национальных стратегий России и Китая. Для достижения цели поставлены задачи: провести сравнительный анализ цифровой инфраструктуры органического сельского хозяйства; разработать модель пространственной оптимизации размещения органических хозяйств; обосновать механизмы цифрового мониторинга и прослеживаемости продукции.

Методика исследований Research methodology

Методологическую основу исследования составляет системный анализ цифровой трансформации органического сельского хозяйства России и Китая за период 2020-2024 гг. [11, c. 63]. Применялись методы сравнительного институционального анализа для выявления особенностей национальных моделей цифровизации, статистического анализа для оценки динамики внедрения цифровых технологий, пространственного моделирования для обоснования оптимального размещения органических хозяйств [14, c. 572].

Информационную базу исследования составили данные Министерства сельского хозяйства РФ, Россельхознадзора, Единого государственного реестра производителей органической продукции [8], Министерства сельского хозяйства и сельских районов Китая, Китайской национальной администрации по сертификации и аккредитации. Использовались материалы международных организаций по развитию органического сельского хозяйства и внедрению цифровых технологий [12, c. 167].

Для анализа цифровой инфраструктуры применялся метод структурно-функционального анализа, позволяющий выделить ключевые элементы системы и оценить их взаимодействие [16, c. 110]. Концепция оптимального размещения разработана на основе методов геоинформационного моделирования и многокритериальной оптимизации [19, c. 58]. Для оценки эффективности цифровых систем использовались показатели охвата технологиями, уровня прослеживаемости продукции, снижения транзакционных издержек [9, c. 57].

Результаты и их обсуждение

Results and discussion

Цифровая инфраструктура представляет собой совокупность взаимосвязанных платформ, баз данных, аналитических систем и технологических решений, обеспечивающих управление органическим производством [13, c. 53]. В России формирование цифровой инфраструктуры находится в стадии активного институционального становления. Создаются базы данных сертифицированных производителей, земельных участков и биоресурсов, реализуются региональные проекты цифрового мониторинга [10, c. 34].

В Китае построена централизованная многоуровневая архитектура, включающая национальные платформы Smart Agriculture Cloud, China Agricultural Brain и сеть Digital Village Network, объединяющие производственные, логистические и контрольные процессы в единое информационное пространство [21, c. 739]. Обеспечивается синхронизация между центральными и провинциальными структурами, полная прослеживаемость продукции от поля до прилавка [23, c. 32].

Функционирование цифрового управления базируется на пяти ключевых компонентах. Информационные платформы и базы данных обеспечивают хранение информации о производителях, земельных участках, сертификации и результатах контроля [8]. Системы IoT и сенсорные сети осуществляют мониторинг микроклимата, состояния почв, химического состава воды и воздуха [20, c. 89].

Геоинформационные системы выполняют пространственный анализ земель, моделирование урожайности и определение зон экологической устойчивости [19, c. 58]. Big Data и AI-аналитика позволяют проводить моделирование урожайности, прогнозирование рисков и кластерный анализ производства [18]. Блокчейн-технологии гарантируют происхождение продукции, обеспечивают контроль сертификации и прозрачность цепочек поставок [23, c. 32].

Российская модель цифровизации характеризуется децентрализованным подходом, при котором цифровые решения внедряются по регионам с учётом территориальной специфики [10, c. 34]. Это обеспечивает адаптивность к природно-климатическим особенностям различных зон, но порождает фрагментарность данных. Ключевыми платформами являются региональные агро-ГИС и платформа «Цифровое сельское хозяйство» [5, c. 8935].

Китайская модель основана на централизованной вертикально управляемой структуре, обеспечивающей единую стандартизацию и высокую степень прослеживаемости продукции [21, c. 739]. Государственные системы интегрируют данные на национальном уровне. В 2024 г. в Китае функционировало более 250 тыс. IoT-ферм, обрабатывалось свыше 30 млрд единиц данных ежегодно [24, c. 220].

Ключевое отличие заключается в уровне цифровой зрелости: в Китае цифровые технологии встроены в управленческие процессы на уровне фермы и муниципалитета, в России они выполняют преимущественно информационно-аналитическую функцию [11, c. 63]. Однако российская модель демонстрирует преимущество в гибкости и адаптивности к региональным условиям, что является важным фактором при формировании органических зон [17, c. 53].

Структурные различия российской и китайской моделей отражены в таблице 1.

Таблица 1

Сравнительная –характеристика моделей цифровизации органического сельского хозяйства [5;10;21;24].

Table 1

Comparative – characteristics of the digitalization models of organic agriculture [5;10;21;24].

Россия делает ставку на региональную вариативность и экологическую адаптивность, Китай – на масштабирование и технологическую интеграцию. Обе модели взаимодополняемы и могут служить основой для формирования евразийской системы цифрового управления органическим производством.

Оптимальное размещение органических хозяйств является ключевым фактором эффективности отрасли, определяющим логистические издержки, экологическую нагрузку на территорию и устойчивость сельских регионов [7, c. 401]. Применение геоинформационных технологий и многокритериального анализа позволяет перейти от экспертных оценок к научно обоснованным пространственным решениям [14, c. 572].

ГИС-моделирование пригодности территорий осуществляется на основе наложения цифровых слоёв: почвенных карт, данных дистанционного зондирования, климатических показателей, транспортной доступности и социально-экономических характеристик регионов [19, c. 58]. Для России ключевыми параметрами являются чистота почв, наличие переработки и логистическая инфраструктура. Для Китая – климатические условия, доступность ресурсов и продовольственный баланс [17, c. 53].

Многокритериальная оптимизация реализуется с применением методов аналитической иерархии процессов и методики TOPSIS [14, c. 572]. Определяются веса критериев на основе экспертных оценок: экологическая пригодность (35%), логистическая доступность (25%), социально-экономическое развитие региона (20%), наличие инфраструктуры переработки (15%), государственная поддержка (5%).

Концепция оптимального размещения представлена в виде пятиуровневой модели управления. Первый уровень – сбор данных с IoT-сенсоров, спутников, дронов для формирования базы пространственных и экологических данных [20, c. 89]. Второй уровень – ГИС-моделирование с применением инструментов пространственного анализа, зонирования и наложения слоёв [19, c. 58].

Третий уровень – многокритериальная оптимизация с использованием алгоритмов оценки весов критериев для определения приоритетных зон и формирования матрицы предпочтений территорий [14, c. 572]. Четвёртый уровень – принятие решений на платформах Smart Agriculture Cloud и «Цифровое сельское хозяйство» для координации инвестиционных и агрополитических решений [13, c. 53]. Пятый уровень – мониторинг и корректировка с применением Big Data, AI и нейросетей для контроля изменений, прогнозирования и обновления моделей [22, c. 440].

Структура модели пространственного распределения органических хозяйств представлена в таблице 2.

Таблица 2

Пятиуровневая модель пространственного распределения органических хозяйств [14;19;20;22].

Table 2

Five-level model of spatial distribution of organic farms [14;19;20;22].

Концепция демонстрирует переход от статического планирования к динамической цифровой модели, основанной на данных реального времени и самообучающихся алгоритмах. Для России обеспечивается рациональное использование земель и повышение конкурентоспособности регионов, для Китая – экологическая сбалансированность и равномерное развитие сельских территорий.

Цифровые модели управления основаны на принципе непрерывного мониторинга и адаптивного регулирования, обеспечивающем получение данных в реальном времени, анализ динамики производственных процессов и мгновенное реагирование на отклонения от нормативных параметров [15, c. 41]. Формируется новая парадигма data-driven agriculture, при которой решения принимаются на основании анализа больших данных, прогнозных моделей и алгоритмов искусственного интеллекта [18].

В России развивается адаптивно-региональная модель, ориентированная на оптимизацию технологических процессов и интеграцию информационных технологий в фермерские хозяйства [10, c. 34]. Проект «Цифровое поле» внедряет IoT-датчики влажности, pH-сенсоры и станции агромониторинга, обеспечивающие контроль параметров почвы и микроклимата [20, c. 89].

Китай реализует централизованную предиктивную модель, основанную на нейросетевом анализе и автоматическом управлении производственными циклами [21, c. 739]. Платформа Huawei Smart Farm интегрирует данные с IoT-сенсоров, анализирует их с помощью искусственного интеллекта и формирует рекомендации по оптимизации севооборотов, внесению органических удобрений и защите растений [22, c. 440].

Ключевым элементом цифрового управления становится система поддержки принятия решений, объединяющая модули мониторинга, прогнозирования и оптимизации [22, c. 440]. В России функционирует платформа АгроЦифра, предоставляющая фермерам аналитические инструменты для планирования посевных кампаний и управления ресурсами. В Китае развёрнута система AgriBrain, обрабатывающая данные 30 млрд единиц ежегодно и обеспечивающая прогнозирование урожайности с точностью 92% [24, c. 220].

Развитие сквозных цифровых цепочек поставок обеспечивает контроль происхождения, качества и экологической чистоты продукции на всех стадиях её движения от поля до конечного потребителя [25, c. 3897]. Системы формируют основу доверия между производителем и потребителем, создают прозрачные механизмы сертификации и повышают конкурентоспособность органического сектора на международных рынках [23, c. 32].

В России формирование системы цифровой прослеживаемости началось с внедрения Единого реестра органических производителей и создания платформы AgroTrace, объединяющей функции мониторинга, сертификации, контроля происхождения и взаимодействия с потребителями [6, c. 7081]. Система обеспечивает регистрацию всех сертифицированных производителей, фиксацию результатов инспекций и автоматическую верификацию подлинности органических сертификатов через QR-коды на упаковке [8].

В Китае действует Organic Product Traceability System, связанная с платформой Alibaba Food Safety Platform и национальной стратегией «Безопасная пища Китая» [23, c. 32]. Система регистрирует всех производителей, автоматически верифицирует сертификаты и обеспечивает онлайн-отслеживание движения продукции на внутреннем и экспортном рынках. Потребители сканируют QR-код на упаковке и получают полную информацию о происхождении продукта, условиях выращивания, результатах лабораторных испытаний [21, c. 739].

Блокчейн-технологии становятся ключевым инструментом обеспечения достоверности данных в цепочках поставок [23, c. 32]. Распределённый реестр исключает возможность фальсификации информации, поскольку каждая транзакция фиксируется в блоке и верифицируется участниками сети. В России пилотный проект блокчейн-платформы AgroTrace реализуется в Краснодарском крае, в Китае блокчейн интегрирован в национальную систему China Organic Product Traceability System с 2022 г. [24, c. 220].

Цифровизация цепочек поставок повышает прозрачность рынка, минимизирует риски фальсификации органической продукции, ускоряет принятие решений и создаёт условия для адресной поддержки производителей [25, c. 3897]. Социальная значимость выражается в создании рабочих мест, развитии цифровых компетенций фермеров и росте общественного доверия к органической продукции [16, c. 110].

Выводы

Conclusions

Цифровая инфраструктура органического сектора опирается на информационные платформы и базы данных, системы IoT и сенсорные сети, геоинформационные системы, Big Data и AI-аналитику, блокчейн-технологии. Каждый элемент выполняет свою функцию: управление процессами, мониторинг экологических параметров, прослеживаемость продукции.

Российская и китайская модели цифровизации различаются. Российская модель децентрализована и адаптируется к региональным условиям, интегрирует цифровые решения в существующую инфраструктуру. Китайская модель централизована, технологически интегрирована, масштабируема. Модели взаимодополняемы и могут лечь в основу евразийской системы цифрового управления.

Концепция оптимального пространственного размещения органических хозяйств строится на геоинформационных технологиях и многокритериальном анализе. Модель включает сбор данных, ГИС-моделирование, многокритериальную оптимизацию, принятие решений, мониторинг с корректировкой. Подход даёт научно обоснованный выбор территорий с учётом экологических, логистических и социально-экономических факторов.

Цифровые системы управления производственными процессами работают в парадигме data-driven agriculture. Решения принимаются на основании анализа больших данных и прогнозных моделей. IoT-датчики, системы поддержки принятия решений, платформы искусственного интеллекта повышают эффективность использования ресурсов, снижают экологическую нагрузку, увеличивают урожайность. Насколько стабильны эти эффекты в долгосрочной перспективе — отдельный вопрос, требующий дополнительных исследований.

Блокчейн-технологии и цифровые цепочки поставок дают прослеживаемость органической продукции от поля до потребителя. AgroTrace в России и China Organic Product Traceability System в Китае снижают риски фальсификации, повышают прозрачность рынка, открывают возможности для экспорта. Правда, внедрение этих систем пока неравномерное — крупные производители используют их активнее, чем мелкие хозяйства.

Цифровизация меняет органическое сельское хозяйство, связывая производство, управление, экологию и общественное восприятие в единую систему. Включение цифровых решений в стратегические документы России и Китая может повысить конкурентоспособность органического сектора и приблизить цели устойчивого развития. Но многое зависит от того, как эти технологии будут внедряться на практике.

Список источников

1. Российская Федерация. Законы. Об органической продукции и о внесении изменений в отдельные законодательные акты Российской Федерации : Федеральный закон от 03.08.2018 № 280-ФЗ : [ред. от 31.07.2025] // Собрание законодательства Российской Федерации. – 2018. – № 32 (ч. I). – Ст. 5073.
2. Российская Федерация. Законы. О развитии сельского хозяйства : Федеральный закон от 29.12.2006 № 264-ФЗ : [ред. от 31.07.2025] // Собрание законодательства Российской Федерации. – 2007. – № 1 (ч. 1). – Ст. 27.
3. Российская Федерация. Правительство. Об утверждении Стратегии развития производства органической продукции в Российской Федерации до 2030 года : распоряжение Правительства РФ от 04.07.2023 № 1788-р // Собрание законодательства Российской Федерации. – 2023. – № 28. – Ст. 5549.
4. Российская Федерация. Правительство. Об утверждении плана мероприятий по реализации Стратегии развития производства органической продукции в Российской Федерации до 2030 года : распоряжение Правительства РФ от 20.01.2024 № 101-р // Собрание законодательства Российской Федерации. – 2024. – № 5. – Ст. 581.
5. Российская Федерация. Правительство. Об утверждении стратегического направления в области цифровой трансформации отраслей агропромышленного и рыбохозяйственного комплексов Российской Федерации на период до 2030 года : распоряжение Правительства РФ от 23.11.2023 № 3309-р // Собрание законодательства Российской Федерации. – 2023. – № 49 (ч. IV). – Ст. 8935.
6. Российская Федерация. Правительство. О Федеральной государственной информационной системе прослеживаемости зерна и продуктов переработки зерна : постановление Правительства РФ от 09.10.2021 № 1722 // Собрание законодательства Российской Федерации. – 2021. – № 42 (ч. IV). – Ст. 7081.
7. Российская Федерация. Правительство. Об утверждении Стратегии пространственного развития Российской Федерации на период до 2030 года с прогнозом до 2036 года : распоряжение Правительства РФ от 28.12.2024 № 4146-р // Собрание законодательства Российской Федерации. – 2025. – № 2 (ч. III). – Ст. 401.
8. Об утверждении порядка ведения единого государственного реестра производителей органической продукции : приказ Минсельхоза России от 19.11.2019 № 633 : зарегистрирован в Минюсте России 20.12.2019, рег. № 56922 // Официальный интернет-портал правовой информации. – 2019. – 23 декабря.
9. Никулина, Ю. Н. Эффективность цифровизации сельского хозяйства: что мы знаем о результатах и методах количественных исследований? / Ю. Н. Никулина // Экономика сельского хозяйства России. – 2023. – № 1. – С. 57–65. – DOI: 10.32651/231-57. – EDN: JTBUKE.
10. Киварина, М. В. Цифровые решения в АПК: новые возможности регионов / М. В. Киварина, Н. Н. Юрина // АПК: Экономика, управление. – 2024. – № 8. – С. 34–42. – DOI: 10.33305/248-34.
11. Эпштейн, Д. Б. Цифровая трансформация АПК и ее проблемы / Д. Б. Эпштейн // Российский экономический журнал. – 2023. – № 3. – С. 63–80. – DOI: 10.52210/0130-9757_2023_3_63.
12. Хайруллина, О. И. Органическое сельское хозяйство: возможности и перспективы экспорта продукции / О. И. Хайруллина // Продовольственная политика и безопасность. – 2023. – Т. 10, № 2. – С. 167–184.
13. Васильев, Н. П. Формирование единой цифровой платформы сельского хозяйства региона / Н. П. Васильев, Л. Д. Протопопова, Г. И. Даянова, А. Н. Крылова, Н. Н. Никитина // Международный сельскохозяйственный журнал. – 2024. – Т. 67, № 1. – С. 53–56.
14. Палаткин, И. В. Оценка возможностей развития органического сельского хозяйства в муниципальных районах / И. В. Палаткин, А. Ю. Павлов, А. А. Кудрявцев // МИР (Модернизация. Инновации. Развитие). – 2023. – Т. 14, № 4. – С. 572–587. – DOI: 10.18184/2079-4665.2023.14.4.572-587.
15. Колодина, К. А. Технологические тренды цифровизации сельского хозяйства и успешные примеры их реализации / К. А. Колодина, И. М. Адамов, В. В. Драгуленко // Региональная и отраслевая экономика. – 2024. – № 6. – С. 41–46. – DOI: 10.47576/2949-1916.2024.6.6.005.
16. Гурнович, Т. Г. Цифровая трансформация сельскохозяйственного производства в России / Т. Г. Гурнович, Н. Р. Лягоскина, Е. В. Литвиненко, М. С. Борсковец // Естественно-гуманитарные исследования. – 2023. – № 1 (45). – С. 110–116. – EDN: IZPMES.
17. Леушкина, В. В. Эко-модельное региональное органическое развитие — тренд для России / В. В. Леушкина // Продовольственная политика и безопасность. – 2024. – № 1. – С. 53–70.
18. Пчелинцева, Н. В. Роль больших данных в сельском хозяйстве: анализ данных, оптимизация процессов, принятие решений / Н. В. Пчелинцева, П. С. Ермакова, О. В. Казакова // Наука и Образование. – 2025. – Т. 8, № 1.
19. Махотлова, М. Ш. Мониторинг земель сельскохозяйственного назначения с применением ГИС-технологий и дистанционного зондирования земли для совершенствования данных кадастра / М. Ш. Махотлова, Ж. Х. Бесланеева, Ж. Х. Шогенова // Аграрное и земельное право. – 2024. – № 1 (229). – С. 58–64. – DOI: 10.47643/1815-1329_2024_1_58.
20. Кобозева, Е. М. Влияние технологий Интернета вещей на трансформационные процессы в различных отраслях экономики / Е. М. Кобозева, С. Г. Добрик // Вестник Адыгейского государственного университета. Серия: Экономика. – 2025. – Вып. 1 (355). – С. 89–95. – DOI: 10.53598/24103683-2025-1-355-89-95.
21. Раевская, Е. Г. Применение искусственного интеллекта в сельском хозяйстве Китая (обзор) / Е. Г. Раевская // Аграрная наука Евро-Северо-Востока. – 2024. – Т. 25, № 5. – С. 739–753. – DOI: 10.30766/2072-9081.2024.25.5.739-753.
22. Ялунина, Е. Н. Совершенствование процесса принятия управленческих решений в сельском хозяйстве с применением систем искусственного интеллекта / Е. Н. Ялунина, Н. К. Прядилина, Е. А. Скворцов // Аграрный вестник Урала. – 2024. – Т. 24, № 3. – С. 440–449. – DOI: 10.32417/1997-4868-2024-24-03-440-449.
23. Королева, Л. А. Мировой опыт повышения продовольственной безопасности на основе интеграции технологий Blockchain и IoT / Л. А. Королева, Фань Иян // Россия в глобальном мире. – 2025. – Т. 28, вып. 3. – С. 32–48. – DOI: 10.48612/rg/RGW.28.3.2. – EDN: SYGYIR.
24. Мальсагова, Р. Г. Проблемы и перспективы применения искусственного интеллекта, больших данных и блокчейн-технологий в сельском хозяйстве России / Р. Г. Мальсагова // Международный сельскохозяйственный журнал. – 2025. – № 2 (404). – С. 220–224. – DOI: 10.55186/25876740_2025_68_2_220.
25. Дегенгардт, А. А. Интегральная модель цифровой логистической экосистемы АПК региона на основе концепций «Агрологистика 2.0», «Инфраструктурный агромаркетплейс» и сети блокчейн-IoT / А. А. Дегенгардт, О. В. Шумакова // Экономика, предпринимательство и право. – 2025. – Т. 15, № 6. – С. 3897–3916. – DOI: 10.18334/epp.15.6.123368.
26. References
27. Russian Federation. Laws. On organic products and on amendments to certain legislative acts of the Russian Federation: Federal Law No. 280-FZ of August 3, 2018: [as amended on July 31, 2025]. Collection of Legislation of the Russian Federation, 2018;(32-I):5073. (In Russ.)
28. Russian Federation. Laws. On the development of agriculture: Federal Law No. 264-FZ of December 29, 2006: [as amended on July 31, 2025]. Collection of Legislation of the Russian Federation, 2007;(1-I):27. (In Russ.)
29. Russian Federation. Government. On approval of the Strategy for the development of organic production in the Russian Federation until 2030: Decree of the Government of the Russian Federation No. 1788-r of July 4, 2023. Collection of Legislation of the Russian Federation, 2023;(28):5549. (In Russ.)
30. Russian Federation. Government. On approval of the action plan for the implementation of the Strategy for the development of organic production in the Russian Federation until 2030: Decree of the Government of the Russian Federation No. 101-r of January 20, 2024. Collection of Legislation of the Russian Federation, 2024;(5):581. (In Russ.)
31. Russian Federation. Government. On approval of the strategic direction in the field of digital transformation of the agro-industrial and fishery complexes of the Russian Federation for the period up to 2030: Decree of the Government of the Russian Federation No. 3309-r of November 23, 2023. Collection of Legislation of the Russian Federation, 2023;(49-IV):8935. (In Russ.)
32. Russian Federation. Government. On the Federal State Information System for the traceability of grain and grain processing products: Decree of the Government of the Russian Federation No. 1722 of October 9, 2021. Collection of Legislation of the Russian Federation, 2021;(42-IV):7081. (In Russ.)
33. Russian Federation. Government. On approval of the Spatial Development Strategy of the Russian Federation for the period up to 2030 with a forecast up to 2036: Decree of the Government of the Russian Federation No. 4146-r of December 28, 2024. Collection of Legislation of the Russian Federation, 2025;(2-III):401. (In Russ.)
34. On approval of the procedure for maintaining the unified state register of producers of organic products: Order of the Ministry of Agriculture of Russia No. 633 of November 19, 2019: registered with the Ministry of Justice of Russia on December 20, 2019, reg. No. 56922. Official Internet portal of legal information, 2019, December 23. (In Russ.)
35. Nikulina Yu.N. Efficiency of digitalization of agriculture: what do we know about the results and methods of quantitative research? Economics of Agriculture of Russia, 2023;(1):57-65. (In Russ.) https://doi.org/10.32651/231-57
36. Kivarina M.V., Yurina N.N. Digital solutions in the agro-industrial complex: new opportunities for regions. AIC: Economics, Management, 2024;(8):34-42. (In Russ.) https://doi.org/10.33305/248-34
37. Epstein D.B. Digital transformation of the agro-industrial complex and its problems. Russian Economic Journal, 2023;(3):63-80. (In Russ.) https://doi.org/10.52210/0130-9757_2023_3_63
38. Khairullina O.I. Organic agriculture: opportunities and prospects for product exports. Food Policy and Security, 2023;10(2):167-184. (In Russ.)
39. Vasiliev N.P., Protopopova L.D., Dayanova G.I., Krylova A.N., Nikitina N.N. Formation of a unified digital platform for regional agriculture. International Agricultural Journal, 2024;67(1):53-56. (In Russ.)
40. Palatkin I.V., Pavlov A.Yu., Kudryavtsev A.A. Assessment of opportunities for the development of organic agriculture in municipal districts. MIR (Modernization. Innovation. Development), 2023;14(4):572-587. (In Russ.) https://doi.org/10.18184/2079-4665.2023.14.4.572-587
41. Kolodina K.A., Adamov I.M., Dragulenko V.V. Technological trends in the digitalization of agriculture and successful examples of their implementation. Regional and Sectoral Economics, 2024;(6):41-46. (In Russ.) https://doi.org/10.47576/2949-1916.2024.6.6.005
42. Gurnovich T.G., Lyagoskina N.R., Litvinenko E.V., Borskovets M.S. Digital transformation of agricultural production in Russia. Natural-Humanitarian Studies, 2023;(1-45):110-116. (In Russ.)
43. Leushkina V.V. Eco-model regional organic development - a trend for Russia. Food Policy and Security, 2024;(1):53-70. (In Russ.)
44. Pchelintseva N.V., Ermakova P.S., Kazakova O.V. The role of big data in agriculture: data analysis, process optimization, decision making. Science and Education, 2025;8(1). (In Russ.)
45. Makhotlova M.Sh., Beslaneeva Zh.Kh., Shogenova Zh.Kh. Monitoring of agricultural land using GIS technologies and remote sensing to improve cadastral data. Agrarian and Land Law, 2024;(1-229):58-64. (In Russ.) https://doi.org/10.47643/1815-1329_2024_1_58
46. Kobozeva E.M., Dobrik S.G. The impact of Internet of Things technologies on transformation processes in various sectors of the economy. Bulletin of Adyghe State University. Series: Economics, 2025;(1-355):89-95. (In Russ.) https://doi.org/10.53598/24103683-2025-1-355-89-95
47. Raevskaya E.G. Application of artificial intelligence in agriculture in China (review). Agricultural Science of the Euro-Northeast, 2024;25(5):739-753. (In Russ.) https://doi.org/10.30766/2072-9081.2024.25.5.739-753
48. Yalunina E.N., Pryadilina N.K., Skvortsov E.A. Improving the management decision-making process in agriculture using artificial intelligence systems. Agrarian Bulletin of the Urals, 2024;24(3):440-449. (In Russ.) https://doi.org/10.32417/1997-4868-2024-24-03-440-449
49. Koroleva L.A., Fan Yiyan. Global experience in improving food security based on the integration of Blockchain and IoT technologies. Russia in the Global World, 2025;28(3):32-48. (In Russ.) https://doi.org/10.48612/rg/RGW.28.3.2
50. Malsagova R.G. Problems and prospects for the application of artificial intelligence, big data and blockchain technologies in agriculture in Russia. International Agricultural Journal, 2025;(2-404):220-224. (In Russ.) https://doi.org/10.55186/25876740_2025_68_2_220
51. Degengardt A.A., Shumakova O.V. Integral model of the digital logistics ecosystem of the regional agro-industrial complex based on the concepts of "Agrologistics 2.0", "Infrastructure agro-marketplace" and blockchain-IoT network. Economics, Entrepreneurship and Law, 2025;15(6):3897-3916. (In Russ.) https://doi.org/10.18334/epp.15.6.123368