Экономическая оценка повышения информативности контроля технического состояния сельскохозяйственных машин

Помогаев В.М.¹
¹ Омский государственный аграрный университет им. П.А. Столыпина, Омск, Россия

Статья в журнале

Продовольственная политика и безопасность ^{(РИНЦ, ВАК)}
опубликовать статью | оформить подписку

Том 13, Номер 4 (Октябрь-декабрь 2026)

Цитировать эту статью:

Аннотация:
Устойчивость сельскохозяйственного производства в сезонных технологических процессах зависит от технической готовности машинно-тракторного парка и продолжительности аварийных простоев. Цель исследования – оценить экономическую рациональность мероприятий по повышению информативности контроля технического состояния машин за счет цифровых и интеллектуальных технологий. В качестве информационного критерия использован показатель информативности, а эксплуатационный и экономический результаты оценены по изменению коэффициента готовности, аварийного времени восстановления, предотвращаемого ущерба и затрат. Подход сформирован на этапе научно-исследовательских работ и проверен по эксплуатационным данным, после чего выполнена экономическая апробация базового варианта для восьми зерноуборочных комбайнов. Расчетное аварийное время восстановления сократилось на 50,055 часа за сезон, а коэффициент готовности увеличился с 0,9209 до 0,9384. Предотвращаемый сезонный ущерб составил 620,697 тысячи рублей при текущих расходах 460,960 тысячи рублей в год, чистый годовой эффект – 159,737 тысячи рублей, срок простой окупаемости – 2,69 года. Сценарный анализ показал, что улучшение технической готовности не гарантирует экономической приемлемости: на нижней границе коэффициент готовности возрастает, однако годовой результат остается отрицательным. Полученные результаты позволяют сопоставлять стоимость повышения информативности контроля с достигаемым эксплуатационным и экономическим эффектом.

Ключевые слова: цифровые и интеллектуальные технологии, техническое обслуживание и ремонт, информативность контроля, машинно-тракторный парк, экономическая эффективность

JEL-классификация: Q16, C44, C61

JATS XML

Введение

Сельскохозяйственное производство характеризуется высокой сезонной концентрацией механизированных работ и ограниченными агротехнологическими сроками. Выполнение технологических операций в установленные сроки зависит не только от наличия техники, но и от ее фактической работоспособности. Современные оценки технического обеспечения сельского хозяйства фиксируют проблемы обновления парка и его высокой загрузки [2, 4]. Продолжительность простоев непосредственно связана с эффективностью использования машин, а несвоевременность выполнения технологических операций формирует самостоятельные экономические последствия в виде потери части урожая и снижения его качества [17, 26]. Поэтому техническая готовность машинно-тракторного парка (МТП) выступает одним из условий устойчивого использования уже сформированного производственного потенциала сельскохозяйственного предприятия.

Машинно-тракторный парк относится к наиболее капиталоемким активам сельскохозяйственного предприятия. Его количественный состав определяет своевременность и качество выполнения технологических операций, однако фактически реализуемый его потенциал зависит от безотказности, продолжительности восстановления и уровня организации технического обслуживания и ремонта. Так, в исследованиях парка зерноуборочных комбайнов показана сохраняющаяся эксплуатационная значимость отдельных отказов и различие их распределения по системам машин [1, 13, 14]. Анализ оснащенности также показывает, что дефицит и высокая нагрузка на зерноуборочные комбайны усиливают последствия вынужденного простоя в период уборки [3, 5]. При таких условиях сокращение времени аварийных простоев имеет не только техническое, но и прямое экономическое значение.

Система технического обслуживания и ремонта (ТОиР) должна обеспечивать поддержание и восстановление работоспособности машин при оптимальных затратах. Отраслевые исследования связывают эффективность системы ТОиР с организацией работ, технической базой, квалификацией исполнителей и применением средств диагностирования [6, 7, 10]. Развитие удаленного контроля технического состояния, цифрового диагностирования и предсказательной аналитики позволяет получать фактические признаки изменения состояния и точнее обосновывать отдельные операции технического обслуживания и ремонта [8, 12, 16]. Применение цифровых и интеллектуальных технологий для управления техническим состоянием машин рассматривается учеными и экспертами как стратегическое направление развития ТОиР [23]. Вместе с тем наличие дополнительного измерительного канала или аналитического средства обработки данных само по себе не определяет экономический результат для сельскохозяйственного предприятия. Здесь имеет значение то, насколько новая информация меняет структуру непредотвращенных отказов, сокращает продолжительность простоев и снижает затраты.

Цифровые и интеллектуальные технологии расширяют состав доступных источников данных и методов их обработки. Для сельскохозяйственной техники в этой связи значение имеет практика использования бортовых систем контроля и телематики, развитие удаленного диагностирования и мониторинга, внедрение интеллектуальных средств обработки данных [9, 11, 15]. Развитие цифровых технологий в ТОиР связано с расширением мониторинга технического состояния, применением предсказательных методов анализа данных, моделей искусственного интеллекта и цифровых двойников [24, 27, 28]. При этом практическая ценность этих технологий зависит от качества исходных данных, достоверности диагностического признака и возможности связать выявленное изменение с конкретным решением по техническому обслуживанию и ремонту. Именно на этом уровне технологический результат должен быть сопоставлен с затратами на получение и использование дополнительной информации.

В ранее выполненных исследованиях были разработаны подходы к оценке потенциала информативности бортовых систем контроля и проверена возможность использовать эксплуатационные данные зерноуборочных комбайнов для построения диагностически значимых признаков [19, 20]. Отдельно исследованы предварительная обработка телематических массивов и применение методов машинного обучения к данным мониторинга [21, 22]. Эти результаты позволяют перейти от вопроса о технической возможности получения дополнительной информации к вопросу о цене такого повышения информативности и его хозяйственном результате. В существующих работах по системе технического обслуживания и ремонта экономические показатели обычно рассматриваются через стоимость обслуживания, ремонта и простоев [7], тогда как количественная связь между затратами на повышение информативности контроля, изменением аварийного потока и коэффициентом готовности сельскохозяйственной техники разработана недостаточно.

Рабочая гипотеза состоит в том, что применение цифровых и интеллектуальных технологий для повышения информативности контроля технического состояния экономически рационально только в тех границах, где снижение ожидаемых последствий непредотвращенных отказов превышает дополнительные затраты на достижение соответствующего уровня информативности. Цель исследования – разработать и параметризовать экономико-математическую модель такой оценки, а также проверить ее на фактической эксплуатационной и стоимостной базе сельскохозяйственного предприятия.

Основная часть

Формирование и проверка подхода к повышению информативности контроля

Повышение информативности контроля рассматривается как последовательное изменение доступного системе представления о техническом состоянии узлов и агрегатов машины. Исходной информационной базой служат сигналы штатных бортовых систем контроля, диагностические сообщения, параметры телеметрии и сведения об эксплуатационных отказах. Не каждый доступный параметр является диагностически полезным. Сначала определяется, для каких отказов существующая информация недостаточна и какие объекты имеют приоритет по совокупности технических и организационно-экономических последствий. Практика диагностирования двигателей и управления техническим состоянием машин подтверждает, что полезность информации определяется не самим фактом измерения, а его связью с распознаваемым состоянием и с последующим выбором операции ТОиР [8, 11, 18].

На экспериментальном этапе выполнялись анализ эксплуатационных отказов, сопоставление их с доступными сигналами бортовых систем контроля зерноуборочных комбайнов, подготовка данных, поиск диагностических признаков и проверка алгоритмических решений. Для телематических массивов существенным условием является предварительная обработка: устранение дубликатов и ошибок, анализ пропусков, согласование временных рядов и подготовка данных к последующей аналитической обработке. Проверка на данных зерноуборочных комбайнов показала, что необработанный массив не может автоматически считаться готовой диагностической информацией. После формализованной подготовки данные становятся пригодными для построения моделей и повторяемого анализа [21, 22, 27].

В результате были получены и проверены диагностически значимые информационные признаки, которые могут быть использованы при техническом диагностировании и выборе операции ТОиР. В этом случае цифровые и интеллектуальные технологии являются средствами достижения информационного результата. Они могут включать дополнительные каналы регистрации и передачи данных, аналитическую обработку машинными алгоритмами. Обзоры предиктивных систем показывают широкий набор таких средств, но одновременно указывают на зависимость результата от качества данных, состава признаков и условий эксплуатации [24, 25].

По результатам исследований было предложено для количественного описания достигнутого информационного результата использовать критерий информативности W как показатель результативности использования диагностической информации. Его исходное значение W = 1 соответствует существующему уровню контроля. Рост W отражает повышение полноты и своевременности информации, имеющей значение для выявления развивающегося отказа и назначения упреждающего технического воздействия.

Также было установлено, что номенклатура потенциальных объектов контроля и функциональные возможности бортовых систем контроля существенно различаются даже в пределах конструктивно близких модификаций зерноуборочных комбайнов [19, 20]. Это означает, что экономически оправданный уровень информативности контроля W не может быть жестко унифицирован в виде единого стандарта для всего парка машин. Целевой показатель W должен определяться дифференцированно для каждого объекта контроля на основе сопоставления затрат на развитие системы контроля (C_i(W)) и величины потенциального ущерба от отказов. Это послужило основой для постановки требований к формированию экономико-математической модели оценки эффективности повышения информативности системы контроля технического состояния.

Экономико-математическая модель оценки

Экономико-математическая модель построена на разделении информационного, эксплуатационного и стоимостного результатов. Повышение критерия W само по себе не является экономическим эффектом. Оно имеет практическое значение только тогда, когда дополнительная информация позволяет предотвратить переход части развивающихся отказов к аварийному восстановлению за счет своевременного выполнения операций ТОиР. Для каждого i-го объекта вводится коэффициент q_i, характеризующий отношение стоимости такой операции к денежным последствиям развития соответствующего отказа:

(1)

где C_пр,i – стоимость своевременно выполненной операции ТОиР по i-му объекту; L_ав,i – экономические последствия аварийного отказа и последующего восстановления, включая, стоимость восстановления и учитываемые потери от простоя.

При q_i < 1 предупредительная операция дешевле аварийного исхода. Чем меньше q_i, тем выше потенциальная стоимостная отдача своевременного решения. Экономический смысл этого отношения согласуется с результатами исследований, в которых затраты на систему технического обслуживания и ремонта сопоставляются с потерями от отказов и простоев [7]. Для сезонных сельскохозяйственных работ дополнительное значение имеет момент отказа: одинаковая продолжительность простоя дает разный ущерб в зависимости от того, случился он в фазу выполнения агротехнологических работ или был своевременно устранен в период межтехнологического простоя [26].

Нормированная функция остаточных затрат рассматриваемого потока отказов имеет вид

(2)

где W_i – достигнутый уровень информативности контроля по i-му объекту; q_i – относительная стоимость своевременной операции ТОиР. При W_i = 1 функция соответствует исходному уровню контроля. С ростом W_i уменьшается часть потерь, связанная с непредотвращенными отказами, но функция имеет нижнюю границу q_i (даже своевременная операция требует материалов, времени и труда).

Денежный масштаб потерь задается параметром Ψ_i. Он соответствует базовой стоимостной оценке рассматриваемого потока непредотвращенных отказов при W = 1 и включает только те составляющие, которые могут быть подтверждены принятой учетной базой. Произведение Ψ_ig_i(W) характеризует остаточные экономические потери после изменения информативности. Затраты на достижение уровня W задаются функцией C_i(W). В прикладной оценке она включает затраты на инженерно-техническое и информационно-аналитическое обеспечение: оборудование, связь, программные средства, настройку, обработку данных и внешние услуги.

Совокупные затраты по i-му объекту описываются выражением

(3)

Минимизация C_Σ,i(W) означает поиск уровня информативности, при котором сумма стоимости информационного обеспечения и остаточных экономических последствий отказов минимальна. Для практического решения о переходе от исходного уровня W_0,i к новому уровню W_1,i удобнее использовать приращение затрат. Переход экономически рационален при условии

(4)

где ΔC_i – дополнительные затраты, необходимые для повышения информативности контроля по i-му объекту.

Неравенство (4) является центральным экономическим условием модели: дополнительная стоимость получения и использования информации должна быть меньше обусловленного ею сокращения ожидаемых потерь. Если технический результат достигнут, но неравенство не выполняется, внедрение остается технически возможным, однако экономически нерациональным для рассматриваемых условий предприятия.

Следует отметить, что в рамках экспериментальной проверки разработанного подхода прямая идентификация критерия W не проводилась, он выступал теоретико-сценарным аргументом модели. Верификация осуществлялась по условиям информационно-технической и экономической допустимости. Прикладной эффект оценивался через прирост показателей диагностического покрытия за счет применения цифровых и интеллектуальных технологий и расчетную величину предотвращаемого сезонного ущерба по фактически зарегистрированному потоку отказов парка машин, участвующего в эксперименте.

На экспериментальном этапе анализ чувствительности выполнялся для проверки устойчивости экономико-математической зависимости к изменению относительной стоимости своевременной операции ТОиР. Для этого функцию g(W) рассчитывали в диапазоне q = 0,30–0,50. Диапазон определен на основании экспериментально полученной оценки q = 0,3586 по 77 повторяющимся событиям, допускающим своевременное выполнение операции ТОиР. Во всем рассматриваемом диапазоне функция сохраняла убывающий характер по W. С увеличением q повышался нижний предел остаточных затрат и уменьшалась экономическая отдача дальнейшего повышения информативности контроля.

Эксплуатационный результат дополнительно оценивается коэффициентом готовности. Для принятой базы он рассчитывается через отношение времени работы к сумме времени работы и аварийного восстановления:

((5)

где T_р – суммарное время работы рассматриваемой группы машин; T_в – суммарное аварийное время восстановления.

Формула (5) показывает, насколько изменение структуры отказов влияет на располагаемое время использования техники. Совместное рассмотрение W, K_г и денежного результата позволяет избежать двух упрощений: считать любое увеличение объема данных экономическим эффектом или, наоборот, считать любое повышение технической готовности достаточным основанием для внедрения цифровых и интеллектуальных технологий.

Внедрение и апробация

Апробация модели выполнена в реальных производственных условиях. МТП предприятия включал 27 единиц техники, в том числе восемь зерноуборочных комбайнов. Расчет выполнялся по данным об эксплуатации, ремонтах, простоях и списании запасных частей. В базовом варианте предусматривалось регулярное получение и подготовка данных о техническом состоянии с использованием телематического оборудования и программной обработки. Часть инженерно-технических и информационно-аналитических функций выполнялась внешними специализированными организациями. На предприятии сохранялись функции по техническому контролю, выбору и выполнению операций ТОиР и ответственность за эксплуатацию техники.

Расчет выполнен по данным эксплуатации восьми зерноуборочных комбайнов и бухгалтерского учета за 2024 г. Суммарная наработка комбайнов составила 2469 м-ч. Зарегистрировано 70 событий отказов, фактическое аварийное время восстановления составило 212,0 ч. Коэффициент готовности исходного состояния был рассчитан и составил 0,9209. Полученное значение согласуется с характером эксплуатационной нагрузки, при которой даже сравнительно небольшое число продолжительных ремонтов заметно уменьшает располагаемое время использования техники. Это хорошо согласуется с результатами исследований надежности зерноуборочных комбайнов, а также подтверждает необходимость учитывать не только частоту, но и последствия отказов отдельных систем [1, 18].

Бухгалтерский регистр за период уборочных работ включал 582 позиции списания запасных частей общей стоимостью 4,492 млн руб. После технической проверки к подтвержденным аварийно-восстановительным заменам отнесено 158 позиций стоимостью 3,151 млн руб. С учетом дополнительных затрат на восстановительные работы и агроэкономических потерь от технических простоев аварийная расчетная база составила 4,670 млн руб.

Для хозяйственной выборки коэффициент q рассчитан по 42 технически классифицированным позициям, соответствующим 72 бухгалтерским строкам. Совокупный ущерб по этим событиям составил 1,396 млн руб., стоимость материалов, сохраняющихся при своевременном выполнении операций ТОиР составила 640,737 тыс. руб. Отношение этих величин дало q = 0,459. В базовый вариант включались только отказы с управляемой стадией развития, для которых повышение информативности контроля позволяет получить достаточное упреждение для диагностирования и своевременного выполнения операции ТОиР. Внезапные внешние повреждения и события без подтвержденного информационного признака в предотвращаемый поток не включались.

По результатам расчета базового варианта итоговые эксплуатационные и экономические показатели сведены в таблицу 1.

Таблица 1 – Результаты экономической оценки базового варианта

Показатель	Значение
Аварийная расчетная база	4 669,9 тыс. руб./сезон
Предотвращаемый сезонный ущерб	620,7 тыс. руб./сезон
Единовременные затраты	430,0 тыс. руб.
Текущие расходы	461,0 тыс. руб./год
Чистый годовой экономический эффект	159,7 тыс. руб./год
Срок простой окупаемости	2,69 года
Фактический коэффициент готовности	0,9209
Расчетный коэффициент готовности	0,9384
Сокращение аварийного времени восстановления	50,055 ч/сезон
Относительное сокращение времени восстановления	23,61 %

Источник: составлено автором по результатам расчета.

Годовой денежный поток определяется разностью предотвращаемого ущерба и текущих расходов. Для базового варианта он равен 159,737 тыс. руб./год. Отношение единовременных затрат 430,0 тыс. руб. к этому потоку дает срок простой окупаемости 2,69 года. При этом положительный денежный результат сопровождается положительным эксплуатационным результатом, где K_г увеличивается на 0,0175 или 1,75 процентного пункта.

Сценарный анализ выполнен для трех уровней реализации мероприятий по повышению информативности контроля. В расчетной форме они различаются числом отказов, для которых дополнительная информация позволяет своевременно выполнить операцию ТОиР и тем самым сократить остаточный поток аварийных отказов. Результаты представлены в таблице 2.

Таблица 2 – Сценарный анализ экономической границы повышения информативности контроля

Расчетный вариант	Предотвращаемый ущерб, тыс. руб.	Чистый эффект, тыс. руб./год	Срок окупаемости	Расчетный коэффициент готовности
Нижняя граница	432,832	–28,128	Не окупается	0,9331
Промежуточная оценка	526,764	65,804	6,53 года	0,9357
Базовый вариант	620,697	159,737	2,69 года	0,9384

Источник: составлено автором по результатам расчета.

При текущих расходах 460,960 тыс. руб./год операционная безубыточность достигается только после превышения предотвращаемым ущербом этой величины. На нижней границе коэффициент готовности уже повышается до 0,9331, однако предотвращаемый ущерб 432,832 тыс. руб. меньше текущих расходов, поэтому годовой результат получается отрицательным (–28,128 тыс. руб.). В промежуточном варианте чистый эффект положителен и равен 65,804 тыс. руб./год, но срок простой окупаемости увеличивается до 6,53 года. Это показывает, что техническое улучшение и экономическая приемлемость не являются тождественными.

В современных исследованиях развитие ТОиР связывается с применением цифровых средств диагностирования, мониторинга технического состояния и прогнозирования отказов [9, 12, 16]. Экономические оценки систем ТОиР учитывают затраты на обслуживание, ремонт и последствия простоев [6, 7]. Предлагаемая модель связывает эти два направления, сопоставляя стоимость повышения информативности с изменением остаточного потока непредотвращенных отказов, коэффициентом готовности и экономическим результатом предприятия.

Для сезонных механизированных работ сокращение аварийного времени восстановления уменьшает риск нарушения агротехнологических сроков и позволяет полнее использовать производственный потенциал имеющегося МТП. Такое следствие согласуется с оценками потерь, возникающих при несвоевременном выполнении технологических операций [17, 26].

Представленный расчет носит консервативный характер. В него не включалась возможная экономия стоимости основной заменяемой детали, если своевременная операция позволяет сохранить ее ресурс; не учитывались зависимые отказы и вторичные повреждения, которые могли бы быть предотвращены вместе с первичным событием; не оценивался эффект более полного использования остаточного ресурса. Учет этих составляющих может увеличить расчетный эффект, однако для их стоимостной оценки нужны отдельные подтвержденные данные.

Заключение

Исследование показывает, что расширение внедрения цифровых и интеллектуальных технологий в системе ТОиР ограничено рамками экономической целесообразности. Разработанная экономико-математическая модель позволяет осуществить такую оценку и определить условия экономической рациональности для сельскохозяйственного предприятия.

Апробация модели на уровне сельскохозяйственного предприятия показывает, что расчетное аварийное время восстановления сокращается с 212,0 до 161,945 ч за сезон, то есть на 50,055 ч, или 23,61 %. При суммарной наработке 2469 м-ч коэффициент готовности увеличивается с 0,9209 до 0,9384. Предотвращаемый сезонный ущерб составляет 620,697 тыс. руб., а при текущих расходах в 460,960 тыс. руб./год чистый годовой экономический эффект равен 159,737 тыс. руб., при этом срок простой окупаемости единовременных затрат 430,0 тыс. руб. составляет 2,69 года.

Базовый вариант сформирован консервативно, то есть только по отказам с управляемой стадией развития, для которых повышение информативности позволяет получить достаточный временной интервал для своевременного выполнения операции ТОиР. В расчет не включены возможное предотвращение зависимых и вторичных повреждений, экономия стоимости основной заменяемой детали и более полное использование остаточного ресурса. В этом случае полученное значение эффекта характеризует подтверждаемую расчетную границу для принятой стоимостной базы, а не максимально возможный результат применения цифровых и интеллектуальных технологий.

Сценарный анализ показывает экономическую границу повышения информативности и, следовательно, границу применения цифровых и интеллектуальных технологий в ТОиР. При предотвращаемом ущербе 432,832 тыс. руб. коэффициент готовности увеличивается до 0,9331, при этом годовой результат получается отрицательным и составляет –28,128 тыс. руб. В промежуточном варианте при предотвращаемом ущербе 526,764 тыс. руб. чистый эффект равен 65,804 тыс. руб./год, а срок окупаемости увеличивается до 6,53 года. Таким образом, проведенные исследования наглядно демонстрируют то, что решение о внедрении цифровых и интеллектуальных технологий в ТОиР должно учитывать одновременно информационный результат расширения контроля, изменение технической готовности и стоимость достижения этого результата.

Источники:

1. Бурак П.И., Голубев И.Г. Анализ наработки на отказ зерноуборочных и кормоуборочных комбайнов // Техника и оборудование для села. – 2022. – № 5. – c. 27-31. – doi: 10.33267/2072-9642-2022-5-27-31.
2. Ещин А.В., Дегтярева Е.Д., Старостин И.А., Сысоев Г.В. Анализ состояния и перспективы развития технического обеспечения сельскохозяйственного производства в России // АПК: экономика, управление. – 2024. – № 8. – c. 97-106. – doi: 10.33305/248-97.
3. Закарчевский О.В., Апатенко А.С., Новоселов Э.А., Федотенкова О.А. Импортозамещение сельскохозяйственной техники в России: от импортной зависимости к технологической независимости // Экономика, труд, управление в сельском хозяйстве. – 2025. – № 2. – c. 55-68. – doi: 10.33938/252-55.
4. Зюкин Д.А., Петрушина О.В., Глушков И.А., Руденко С.Р. Снижение технической оснащенности как угроза роста потерь и снижения эффективности в зерновом подкомплексе АПК // Вестник НГИЭИ. – 2024. – № 8(159). – c. 84-95. – doi: 10.24412/2227-9407-2024-8-84-95.
5. Ибрагимов А.Г., Борулько В.Г., Прохоров И.П. Обеспеченность сельскохозяйственной техникой сельскохозяйственного производства России // Аграрная наука. – 2022. – № 3. – c. 66-69. – doi: 10.32634/0869-8155-2022-357-3-66-69.
6. Игнатов В.И., Катаев Ю.В., Герасимов В.С., Андреева Д.В. Анализ эффективности современного технического сервиса сельскохозяйственной техники в АПК // Агроинженерия. – 2021. – № 2. – c. 62-67. – doi: 10.26897/2687-1149-2021-2-62-67.
7. Иовлев Г.А., Голдина И.И., Зорков В.С. Техническая и экономическая оценка систем технического обслуживания и ремонта сельскохозяйственной техники // Аграрная наука. – 2023. – № 4. – c. 129-136. – doi: 10.32634/0869-8155-2023-369-4-129-136.
8. Катаев Ю.В., Герасимов В.С., Тишанинов И.А. Использование систем бесконтактной диагностики при техническом обслуживании энергонасыщенной сельскохозяйственной техники // Технический сервис машин. – 2022. – № 2. – c. 60-66. – doi: 10.22314/2618-8287-2022-60-2-60-66.
9. Катаев Ю.В., Загоруйко М.Г., Тишанинов И.А., Градов Е.А. Прогнозирование отказов в двигателях сельскохозяйственной техники с применением цифровых технологий // Аграрный научный журнал. – 2022. – № 2. – c. 79-82. – doi: 10.28983/asj.y2022i2pp79-82.
10. Катаев Ю.В., Костомахин М.Н., Петрищев Н.А., Саяпин А.С., Молибоженко К.К. Повышение уровня технического обслуживания энергонасыщенной техники // Техника и оборудование для села. – 2022. – № 4. – c. 27-31. – doi: 10.33267/2072-9642-2022-4-27-31.
11. Катаев Ю.В., Тишанинов И.А., Градов Е.А. Бесконтактная диагностика двигателя трактора через CAN-интерфейс // Техника и оборудование для села. – 2023. – № 8. – c. 36-39. – doi: 10.33267/2072-9642-2023-8-36-39.
12. Катаев Ю.В., Тишанинов И.А. Применение цифровых технологий при диагностировании двигателей энергонасыщенной сельскохозяйственной техники // Агроинженерия. – 2023. – № 4. – c. 52-59. – doi: 10.26897/2687-1149-2023-4-52-59.
13. Комаров В.А., Курашкин М.И. Исследование работоспособности зерноуборочных комбайнов в гарантийный период // Инженерные технологии и системы. – 2021. – № 2. – c. 188-206. – doi: 10.15507/2658-4123.031.202102.188-206.
14. Комаров В.А., Нуянзин Е.А., Сивцов В.Н. Анализ отказов зерноуборочных комбайнов в гарантийный период // Сельский механизатор. – 2024. – № 2. – c. 28-29. – doi: 10.47336/0131-7393-2024-2-28-29-31.
15. Костомахин М.Н., Катаев Ю.В., Петрищев Н.А., Саяпин А.С., Молибоженко К.К. К вопросу использования счетчиков индикаторов и технологий нейронных сетей для контроля технического состояния энергонасыщенных тракторов, находящихся в лизинге // Агроинженерия. – 2021. – № 6. – c. 4-10. – doi: 10.26897/2687-1149-2021-6-4-10.
16. Костомахин М.Н., Саяпин А.С., Пестряков Е.В., Петрищев Н.А. Совершенствование подходов к диагностированию для управления надежностью сельскохозяйственной техники // Электротехнологии и электрооборудование в АПК. – 2024. – № 1. – c. 57-64. – doi: 10.22314/2658-4859-2024-71-1-57-64.
17. Михальцов Е.М., Чекусов М.С., Кем А.А., Шмидт А.Н., Даманский Р.В. О рациональном выборе зерноуборочного комбайна и жатки для уборки зерновых в условиях Сибири // Сибирский вестник сельскохозяйственной науки. – 2023. – № 6. – c. 74-82. – doi: 10.26898/0370-8799-2023-6-9.
18. Помогаев В.М. Исследование надежности зерноуборочных комбайнов // Вестник Омского государственного аграрного университета. – 2024. – № 3. – c. 123-131.
19. Помогаев В.М., Редреев Г.В. Оценка потенциала информативности бортовых систем контроля сельскохозяйственных машин // Вестник Омского государственного аграрного университета. – 2025. – № 3. – c. 123-131.
20. Помогаев В.М. Информативность бортовых систем контроля зерноуборочных комбайнов // Известия Нижневолжского агроуниверситетского комплекса: Наука и высшее профессиональное образование. – 2025. – № 6. – c. 583-591. – doi: 10.32786/2071-9485-2025-06-63.
21. Помогаев В.М., Ревякин П.И., Зинич А.В. Анализ временных рядов данных мониторинга технического состояния сельскохозяйственных машин методами машинного обучения для построения предсказательных моделей // Известия Оренбургского государственного аграрного университета. – 2024. – № 6. – c. 139-152. – doi: 10.37670/2073-0853-2024-110-6-139-152.
22. Помогаев В.М., Ревякин П.И., Басакина А.С. Способ и процессная модель предварительной обработки данных автоматизированных систем контроля технического состояния зерноуборочных комбайнов // Resources and Technology. – 2024. – № 4. – c. 44-65. – doi: 10.15393/j2.art.2024.8043.
23. Саяпин А.С., Петрищев Н.А., Пестряков Е.В. Совершенствование управления техническим состоянием машин за счет использования цифровых средств мониторинга // Технический сервис машин. – 2023. – № 4. – c. 10-17. – doi: 10.22314/2618-8287-2023-61-4-10-17.
24. Ersöz O.Ö., İnal A.F., Aktepe A., Türker A.K., Ersöz S. A Systematic Literature Review of the Predictive Maintenance from Transportation Systems Aspect // Sustainability. – 2022. – № 21. – p. 14536. – doi: 10.3390/su142114536.
25. Maktoubian J., Turner P., Taskhiri M.S. Intelligent predictive maintenance (Ipdm) in forestry: A review of challenges and opportunities // Forests. – 2021. – № 11. – doi: 10.3390/f12111495.
26. Sun J., Zhang Y., Chen H., Qiao J. Optimization Model and Application for Agricultural Machinery Systems Based on Timeliness Losses of Multiple Operations // Agriculture. – 2023. – № 10. – p. 1969. – doi: 10.3390/agriculture13101969.
27. Wu Y., Sicard B., Gadsden S.A. Physics-informed machine learning: A comprehensive review on applications in anomaly detection and condition monitoring // Expert Systems with Applications. – 2024. – p. 124678. – doi: 10.1016/j.eswa.2024.124678.
28. Zhang C., Song J., Yin X., Cai J., Liang Y., Lu J. Digital twin-based approaches for agricultural machinery damage prediction and maintenance: A review // Journal of Computational Design and Engineering. – 2025. – № 10. – p. 87-117. – doi: 10.1093/jcde/qwaf097.

Страница обновлена: 28.10.2026 в 20:14:55

Digital transformation of technical service as a factor of agricultural production sustainability

Pomogaev V.M.

Journal paper

Food Policy and Security
Volume 13, Number 4 (October-December 2026)

Citation:

Abstract:
Agricultural production sustainability during seasonal operations depends on machinery and tractor fleet technical readiness and the duration of emergency downtime. The article aims to assess the economic rationality of measures that increase the informative value of machinery condition monitoring through digital and intelligent technologies. Information performance is represented by an informativeness criterion, while operational and economic outcomes are assessed through availability, emergency recovery time, avoided losses, and implementation costs. The approach was formed during the research stage and verified using operating data, followed by an economic appraisal of a base option for eight combine harvesters. Estimated emergency recovery time decreased by 50.055 hours per season, and the availability coefficient increased from 0.9209 to 0.9384. Seasonal avoided losses amounted to RUB 620,697 against annual operating costs of RUB 460,960, producing a net annual effect of RUB 159,737 and a simple payback period of 2.69 years. Scenario analysis showed that improved technical readiness does not by itself ensure economic acceptability because the lower-bound option still produced a negative annual result. The results provide a basis for comparing the cost of increasing monitoring informativeness with the resulting operational and economic effect.

Keywords: digital and intelligent technologies, maintenance and repair, monitoring informativeness, machinery and tractor fleet, economic efficiency

JEL-classification: Q16, C44, C61

References:

Burak P.I., Golubev I.G. (2022). MTBF Analysis of Grain and Forage Harvesters. Machinery and Equipment for Rural Area. (5). 27-31. doi: 10.33267/2072-9642-2022-5-27-31.

Ersöz O.Ö., İnal A.F., Aktepe A., Türker A.K., Ersöz S. (2022). A Systematic Literature Review of the Predictive Maintenance from Transportation Systems Aspect Sustainability. 14 (21). 14536. doi: 10.3390/su142114536.

Eschin A.V., Degtyareva E.D., Starostin I.A., Sysoev G.V. (2024). Analysis of the state and prospects of development of technical support of agricultural production in Russia. AIC: economics, management. (8). 97-106. doi: 10.33305/248-97.

Ibragimov A.G., Borulko V.G., Prokhorov I.P. (2022). Provision of agricultural machinery for agricultural production in Russia. Agrarian science. (3). 66-69. doi: 10.32634/0869-8155-2022-357-3-66-69.

Ignatov V.I., Kataev Yu.V., Gerasimov V.S., Andreeva D.V. (2021). Analysing the Effectiveness of Modern Technical Service of Agricultural Machinery. Agroengineering. (2). 62-67. doi: 10.26897/2687-1149-2021-2-62-67.

Iovlev G.A., Goldina I.I., Zorkov V.S. (2023). Technical and economic assessment of maintenance and repair systems of agricultural machinery. Agrarian science. (4). 129-136. doi: 10.32634/0869-8155-2023-369-4-129-136.

Kataev Yu.V., Gerasimov V.S., Tishaninov I.A. (2022). Lyhfuk the Contactless Diagnostic Systems for the Maintenance of High-Power Agricultural Machinery. Tekhnicheskiy servis mashin. (2). 60-66. doi: 10.22314/2618-8287-2022-60-2-60-66.

Kataev Yu.V., Kostomakhin M.N., Petrischev N.A., Sayapin A.S., Molibozhenko K.K. (2022). Increasing the Level of Maintenance of Energy-saturated Equipment. Machinery and Equipment for Rural Area. (4). 27-31. doi: 10.33267/2072-9642-2022-4-27-31.

Kataev Yu.V., Tishaninov I.A. (2023). Use of digital technologies in diagnosing engines of energy-saturated agricultural machinery. Agroengineering. 25 (4). 52-59. doi: 10.26897/2687-1149-2023-4-52-59.

Kataev Yu.V., Tishaninov I.A., Gradov E.A. (2023). Non-contact Diagnostics of the ftactor Engine via the CAN-1 nterface. Machinery and Equipment for Rural Area. (8). 36-39. doi: 10.33267/2072-9642-2023-8-36-39.

Kataev Yu.V., Zagoruyko M.G., Tishaninov I.A., Gradov E.A. (2022). Prediction of failures in agricultural machinery engines using digital technologies. The Agrarian Scientific Journal. (2). 79-82. doi: 10.28983/asj.y2022i2pp79-82.

Komarov V.A., Kurashkin M.I. (2021). Studying the Normal Operation of Grain Harvesters within the Warranty Period. Engineering Technologies and Systems. 31 (2). 188-206. doi: 10.15507/2658-4123.031.202102.188-206.

Komarov V.A., Nuyanzin E.A., Sivtsov V.N. (2024). Analysis of failures of combine harvesters during the warranty period. Rural machine operator. (2). 28-29. doi: 10.47336/0131-7393-2024-2-28-29-31.

Kostomakhin M.N., Kataev Yu.V., Petrischev N.A., Sayapin A.S., Molibozhenko K.K. (2021). On Using Indicator Counters and Neural Network Technologies to Monitor the Technical Condition of Energy-Saturated Tractors Under the Lease. Agroengineering. (6). 4-10. doi: 10.26897/2687-1149-2021-6-4-10.

Kostomakhin M.N., Sayapin A.S., Pestryakov E.V., Petrischev N.A. (2024). Improvement of Diagnostic Approaches for Reliability Management of Agricultural Machinery. Elektrotekhnologii i elektrooborudovanie v APK. 71 (1). 57-64. doi: 10.22314/2658-4859-2024-71-1-57-64.

Maktoubian J., Turner P., Taskhiri M.S. (2021). Intelligent predictive maintenance (Ipdm) in forestry: A review of challenges and opportunities Forests. 12 (11). doi: 10.3390/f12111495.

Mikhaltsov E.M., Chekusov M.S., Kem A.A., Shmidt A.N., Damanskiy R.V. (2023). On the rational choice of a combine harvester and a reaper for grain harvesting in conditions of Siberia. Siberian Herald of Agricultural Science. 53 (6). 74-82. doi: 10.26898/0370-8799-2023-6-9.

Pomogaev V.M. (2024). Study of reliability of grain harvesters. Bulletin of Omsk State Agrarian University. (3). 123-131.

Pomogaev V.M. (2025). The Informative Value of the On-Board Combine Harvesters Control Systems. Izvestia of the Nizhnevolzhsky Agrouniversity Complex: Science and higher professional education. (6). 583-591. doi: 10.32786/2071-9485-2025-06-63.

Pomogaev V.M., Redreev G.V. (2025). Assessment of the information potential of on-board control systems of agricultural machinery. Bulletin of Omsk State Agrarian University. (3). 123-131.

Pomogaev V.M., Revyakin P.I., Basakina A.S. (2024). Method and process model for pre-processing data from automated systems for monitoring the technical condition of combine harvesters. Resources and Technology. 21 (4). 44-65. doi: 10.15393/j2.art.2024.8043.

Pomogaev V.M., Revyakin P.I., Zinich A.V. (2024). Time series analysis of monitoring data for agricultural machinery using machine learning methods to build predictive models. Bulletin of Orenburg State Agrarian University. (6). 139-152. doi: 10.37670/2073-0853-2024-110-6-139-152.

Sayapin A.S., Petrischev N.A., Pestryakov E.V. (2023). The Need to Improve the Management of the Equipment Technical State Through the Use of Digital Monitoring Tools. Tekhnicheskiy servis mashin. 61 (4). 10-17. doi: 10.22314/2618-8287-2023-61-4-10-17.

Sun J., Zhang Y., Chen H., Qiao J. (2023). Optimization Model and Application for Agricultural Machinery Systems Based on Timeliness Losses of Multiple Operations Agriculture. 13 (10). 1969. doi: 10.3390/agriculture13101969.

Wu Y., Sicard B., Gadsden S.A. (2024). Physics-informed machine learning: A comprehensive review on applications in anomaly detection and condition monitoring Expert Systems with Applications. 255 124678. doi: 10.1016/j.eswa.2024.124678.

Zakarchevskiy O.V., Apatenko A.S., Novoselov E.A., Fedotenkova O.A. (2025). Import Substitution of Agricultural Machinery in Russia: from Import Dependence to Technological Independence. Economy, labor, management in agriculture. (2). 55-68. doi: 10.33938/252-55.

Zhang C., Song J., Yin X., Cai J., Liang Y., Lu J. (2025). Digital twin-based approaches for agricultural machinery damage prediction and maintenance: A review Journal of Computational Design and Engineering. 12 (10). 87-117. doi: 10.1093/jcde/qwaf097.

Zyukin D.A., Petrushina O.V., Glushkov I.A., Rudenko S.R. (2024). Reduction of technical equipment as a threat of increased losses and reduced efficiency in the grain subcomplex of the agro-industrial complex. Bulletin NGII. (8(159)). 84-95. doi: 10.24412/2227-9407-2024-8-84-95.

Подробнее об авторах:

Digital transformation of technical service as a factor of agricultural production sustainability