top of page
Выпуск № 43 (2022)
Volume № 43 (2022)

УДК

519.8:631

DOI

10.53988/24136573-2022-01-10

Используйте это описание для цитирования: 

Cite this article as:

Стукалин, А.В. Моделирование состояний объектов АПК в условиях неопределённости и нечётких данных / А.В. Стукалин // Управление рисками в АПК. – 2022. – № 1 (43). – C. -. – DOI: 10.53988/24136573-2022-01-10.

Stukalin, A.V. (2022). Modeling the States of Agro-Industrial Complex Objects under Conditions of Uncertainty and Fuzzy Data. Agricultural Risk Management, 1(43), 59-64. DOI: 10.53988/24136573-2022-01-10.

ТЕХНИЧЕСКИЕ НАУКИ | TECHNICAL SCIENCES
А.В. Стукалин

Моделирование состояний объектов АПК в условиях неопределённости и нечётких данных

Стукалин Алексей Вадимович – ФГБУ "Центр цифровой трансформации в сфере АПК", Москва, Россия.
Email: astukalin@mail.ru


Аннотация

В статье рассматриваются теоретические и прикладные аспекты применения методов нечёткой логики при моделировании состояний объектов агропромышленного комплекса (АПК) в условиях неопределённости. Охарактеризованы основные типы неопределённости аграрных данных: познавательная, стохастическая, лингвистическая и контекстуальная. Показано, что использование фаззификации и функций принадлежности позволяет формализовать экспертные знания и преобразовать неструктурированную информацию в основу для принятия решений. Обоснована роль нечётких моделей в обеспечении устойчивости управления АПК, их преимущества перед классическими методами анализа, а также возможности интеграции в цифровые платформы аграрного сектора.

Ключевые слова

агропромышленный комплекс, моделирование, неопределённость, нечёткая логика, фаззификация, функции принадлежности.

A.V. Stukalin

Modeling the States of Agro-Industrial Complex Objects under Conditions of Uncertainty and Fuzzy Data

Stukalin Alexey Vadimovich – FG BU "Centre for Digital Transformation in the Agro-Industrial Complex", Moscow, Russia
Email: astukalin@mail.ru

Annotation

The article systematizes the theoretical foundations of food security in the grain sector. An overview of Russian research publications is presented, focusing on the criteria and levels of food security, the analysis of influencing factors, and models of its provision. Special attention is paid to the role of state reserves, regulatory frameworks, and digital platforms in shaping the architecture of food security. It is concluded that a comprehensive approach to assessing food security is required, incorporating economic and physical accessibility of food, inflation, independence, and product quality.

Keywords

food security, grain sector, reserves, criteria, food accessibility, state regulation, digitalization.

Текст статьи

Introduction (Введение)
Современный агропромышленный комплекс функционирует в условиях высокой изменчивости природных, экономических и технологических факторов. Неопределённость проявляется на всех уровнях – от микроклимата и почвенных характеристик до динамики мировых рынков и политических решений. Классические методы анализа, основанные на строгой бинарной логике и требующие точных данных, в таких условиях оказываются недостаточными. Опыт длительной трансформации систем поддержки принятия решений, такой как ЦИАС СГИО СХ [6], затем Единого окна Минсельхоза России, говорят о сложной проблеме качества данных и их оценки, и самое главное, о применимости собранных данных для принятия стратегических решений о направлениях развития АПК.
Одним из наиболее эффективных инструментов для работы с неполной и неоднозначной информацией выступает нечёткая логика, позволяющая учитывать промежуточные значения и работать с лингвистическими категориями, близкими к экспертному мышлению. Это делает её особенно востребованной в задачах моделирования состояний объектов АПК, где данные часто носят разнородный, субъективный и неполный характер.

Methods (Методы исследования)
Методологическую основу статьи составляют подходы нечёткой логики и фаззификации. Исследование опирается на:
• анализ видов неопределённости в аграрных данных (познавательная, стохастическая, лингвистическая, контекстуальная);
• фаззификацию показателей, то есть преобразование чётких данных в нечёткие значения с помощью функций принадлежности;
• использование различных форм функций принадлежности (треугольной, трапециевидной, гауссовской, колоколообразной, сигмоидальной), позволяющих описывать плавные переходы между состояниями;
• сравнение классических и нечётких моделей на предмет устойчивости к шумам и пропущенным данным;
• экспертный анализ, позволяющий формализовать знания практиков в условиях недостатка точных измерений.
Информационной базой послужили статистические данные о состоянии сельхозпроизводства, метеоданные, результаты агрохимических обследований почв, а также отчётность сельхозпредприятий.

Results (Результаты исследования)
Виды неопределённости в аграрных данных
Анализ показал, что неопределённость в аграрных системах носит многомерный характер и проявляется в различных формах:
1. Познавательная неопределённость обусловлена неполнотой знаний о системе. Примером могут служить ограниченные данные о состоянии почвы или микроклимата, что приводит к невозможности построить однозначные модели урожайности.
2. Стохастическая неопределённость связана со случайным характером явлений: колебания температуры, выпадение осадков, динамика мировых цен на зерно.
3. Лингвистическая неопределённость возникает из-за использования терминов, не имеющих строгих количественных границ: «высокая урожайность», «благоприятная погода».
4. Контекстуальная неопределённость проявляется в том, что одни и те же значения могут интерпретироваться по-разному в зависимости от условий. Так, продуктивность молочного скота в 12 литров в день может оцениваться как низкая для южных регионов, но приемлемая для северных территорий.
Эти формы неопределённости требуют методов, позволяющих работать с размытыми границами и учитывать контекст ситуации.

Фаззификация как инструмент работы с данными
Фаззификация (fuzzification) представляет собой процесс преобразования чётких данных в нечёткие, при котором конкретное числовое значение распределяется по нескольким категориям с различной степенью принадлежности.
Пример 1. Урожайность зерновых.
Урожайность в 35 ц/га может одновременно принадлежать категориям: «низкая» (0,2), «средняя» (0,6) и «высокая» (0,2). Это отражает реальную ситуацию, когда один и тот же показатель может трактоваться по-разному в зависимости от региона и условий производства.
Пример 2. Влажность почвы.
Влажность 20% может интерпретироваться как «низкая» (0,7) и «средняя» (0,3). Такая двойственность позволяет учитывать экспертное мнение агронома, который ориентируется не только на абсолютные значения, но и на контекст (тип почвы, культура, климат).
Пример 3. Экономические показатели.
Рентабельность 12% может одновременно быть «низкой» для крупного агрохолдинга (0,8) и «средней» для фермерского хозяйства (0,5).

Таблица 1. Проявления неопределённости в аграрных данных
Источник данных Тип неопределённости Примеры
Метеоданные Стохастическая Непредсказуемые погодные условия, локальные микроклиматы
Данные о почве Познавательная Нерегулярные замеры, пространственная неоднородность
Производственные показатели Лингвистическая Разные методики учёта, субъективные термины («хорошая урожайность»)
Экономические данные Стохастическая и контекстуальная Разброс цен, инфляция, региональные различия в рентабельности
Отчётность сельхозпредприятий Лингвистическая и познавательная Частичная информация, субъективные оценки, округления

Функции принадлежности
Для реализации фаззификации применяются различные функции принадлежности, каждая из которых используется для конкретных задач АПК:
• Треугольная функция – описывает простые интервалы («низкая урожайность», «средняя», «высокая»).
• Трапециевидная функция – позволяет моделировать пороговые значения (например, «оптимальная влажность»).
• Гауссовская функция – применяется при анализе урожайности с плавными переходами.
• Сигмоидальная функция – удобна для бинарных решений («почва сухая/влажная»).
Использование этих функций позволяет приблизить обработку данных к логике человеческого мышления и повысить адаптивность моделей.

Рисунок 1. Графики функций принадлежности

Discussion (Обсуждение)
Применение нечёткой логики в задачах АПК демонстрирует её преимущество по сравнению с классическими методами анализа. В условиях, когда данные характеризуются неполнотой, субъективностью или неоднозначностью, нечёткие модели обеспечивают гибкость и адаптивность принятия решений.
Во-первых, нечёткие модели обладают устойчивостью к шумам и пропускам в данных, что особенно важно для сельского хозяйства, где сбор информации носит нерегулярный и дорогостоящий характер. Даже при неполной информации система на основе нечёткой логики способна предложить интерпретируемый результат.
Во-вторых, ключевым преимуществом является возможность формализации экспертных знаний. Аграрии традиционно принимают решения, опираясь на субъективные категории: «урожай выше среднего», «погода неблагоприятная», «почва влажная». Нечёткая логика позволяет перевести такие термины в математическую форму и использовать их в алгоритмах прогнозирования и управления.
В-третьих, интеграция нечётких моделей в цифровые платформы АПК открывает новые возможности для автоматизации управленческих процессов. В сочетании с геоинформационными системами, технологиями больших данных и искусственным интеллектом нечёткая логика формирует основу для интеллектуальных систем поддержки решений. Эти системы способны учитывать не только объективные показатели, но и экспертные правила, что делает прогнозы более реалистичными.
Таким образом, нечёткие модели можно рассматривать как мост между экспертными знаниями аграриев и цифровыми платформами АПК. Они обеспечивают согласование человеческой интуиции и формальных алгоритмов, создавая основу для более точных и устойчивых решений в условиях неопределённости.

Conclusion (Заключение)
Исследование показало, что неопределённость является системной характеристикой агропромышленного комплекса, проявляющейся в познавательной, стохастической, лингвистической и контекстуальной формах. Классические алгоритмы анализа, основанные на жёстких логических правилах, оказываются недостаточными для обработки таких данных.
Нечёткая логика и процедуры фаззификации позволяют формализовать расплывчатые категории, использовать экспертные знания и учитывать контекст принятия решений. В отличие от традиционных моделей, нечёткие системы более устойчивы к шумам и способны работать в условиях ограниченной информации.
В перспективе их интеграция в цифровые платформы АПК обеспечит новый уровень интеллектуализации управления сельским хозяйством, повысит точность прогнозов и устойчивость продовольственной системы России к внутренним и внешним вызовам.

Источники:

1. Zadeh L. A. Fuzzy sets // Information and Control. – 1965. – Vol. 8. – P. 338–353.
2. ISO/IEC 2382-37:2017. Information technology – Vocabulary – Part 37: Biometrics. – Geneva: ISO, 2017.
3. Ross T. J. Fuzzy Logic with Engineering Applications. – Wiley, 2016.
4. Крылатых Э. Н., Ушачев И. Г. Аграрная экономика и продовольственная безопасность. – М.: Экономика, 2020.
5. Степанцевич, М. Н. Система прослеживаемости как инструмент обеспечения цифровой трансформации производственно-сбытовых цепочек в АПК / М. Н. Степанцевич // Доклады ТСХА, Москва, 02–04 декабря 2020 года. Том ВЫПУСК 293 Часть II. – Москва: Российский государственный аграрный университет - МСХА им. К.А. Тимирязева, 2021. – С. 240-243.
6. Методические рекомендации по работе с аналитическими приложениями ЦИАС СГИО СХ : Инструктивно-метод. издание / С. Н. Косогор, Д. Ю. Авельцов, О. А. Моторин [и др.] ; Минсельхоз России, ФГБУ "Центр Агроаналитики". – Москва : ФГБНУ «Росинформагротех», 2019. – 112 с. – ISBN 978-5-7367-1478-0.

References:

1. Zadeh L.A. Fuzzy sets. Information and Control. 1965;8:338–353.
2. ISO/IEC 2382-37:2017. Information technology – Vocabulary – Part 37: Biometrics. Geneva: ISO; 2017.
3. Ross T.J. Fuzzy Logic with Engineering Applications. Wiley; 2016.
4. Krylatykh E.N., Ushachev I.G. Agrarian Economy and Food Security. Moscow: Ekonomika; 2020.
5. Stepantsevich M.N. Traceability system as a tool for ensuring digital transformation of production and sales chains in the agro-industrial complex. In: Reports of the TSHA, Moscow, December 02-04, 2020. Vol. 293, Part II. Moscow: Russian State Agrarian University - Moscow Timiryazev Agricultural Academy; 2021. p. 240-243.
6. Kosogor S.N., Aveltsov D.Yu., Motorin O.A., [et al.]. Methodological Recommendations for Working with Analytical Applications of CIAS SGIO SKh: Instructional and Methodological Publication. Ministry of Agriculture of Russia, FGBU "Centre for Agroanalytics". Moscow: FGBNU "Rosinformagrotekh"; 2019. 112 p. ISBN 978-5-7367-1478-0.

Все иллюстрации статьи | All visuals of paper

bottom of page