В статье нечёткое системное обобщение теории множеств применяется как экономико-математический аппарат для описания финансовых и экономических систем, которые имеют иерархическое строение, а сведения о которых неполны и неточны. От обычных нечётких множеств предлагаемый аппарат отличается тем, что в нём вводятся уровни системы: на каждом следующем уровне сочетания элементарных экономических признаков образуют подсистемы, обладающие свойствами, которых нет у отдельных признаков. Формально определены нечёткий системный эффект и нормированный коэффициент системности K_s ";" они измеряют не экономический рост сам по себе, а силу взаимодействия частей системы. Предложен способ разделения и оценки четырёх видов неопределённости: информационной, параметрической, структурной и вычислительной. Аппарат проверен на реальных данных Всемирного банка (World Development Indicators) по десяти странам за 2010–2023 годы. Пять показателей объединены в три подсистемы: реальная экономика, финансы и цифровая инфраструктура. После исключения наблюдений с пропусками осталось 138 полных наблюдений «страна–год». Среднее значение коэффициента системности составило 0.382, его ранговая корреляция с ростом ВВП равна ?0.125 при 95%-ном интервале повторных выборок [?0.294; 0.044], то есть устойчивой положительной связи не обнаружено. Это означает, что коэффициент системности отражает структурную связанность экономики и её способность к взаимодействию, тогда как годовой рост ВВП определяется в основном краткосрочными и циклическими факторами. Полученный результат подтверждает, что предложенный показатель дополняет, а не заменяет традиционные макроэкономические индикаторы, и может применяться для сравнительной диагностики экономических систем, сценарных расчётов и поддержки принятия решений

Непараметрическая статистика - одна из точек роста современных математико-статистических методов исследования. В ней важное место занимают ранговые критерии, основанные на использовании рангов элементов выборок (результатов наблюдений), а не самих числовых значений элементов выборок. Ранги — это номера элементов выборок в соответствующих вариационных рядах, построенных путем перестановки результатов наблюдений в порядке неубывания. В теории математической статистики распределения ранговых критериев получены в предположении, что функции распределения результатов наблюдений непрерывны. Следовательно, вероятность совпадения значений случайных величин, образующих анализируемые выборки, равна 0. Однако в реальных данных встречаются совпадения. Таким образом, неверно предположение, что функции распределения результатов наблюдений непрерывны, а потому известными теоремами о распределениях ранговых статистик? строго говоря, пользоваться нельзя. Тем не менее при небольшом числе совпадений обычно рекомендуют применять ранговые статистики, вводя те или иные поправки, например, связанные ранги. Над классической математико-статистической теорией устанавливают дополнительную надстройку с целью учета совпадения данных. Естественно, возникает вопрос о степени обоснованности тех или иных методов учета совпадения данных расчета. Мы предлагаем вероятностно-статистическую модель, объясняющую появление совпадений и дающую алгоритмы анализа совпадений. Эта модель основана на предположении о появлении совпадений данных в результате «слипания» мало различающихся результатов наблюдений. Мы предлагаем добавить малую поправку к каждому элементу совпадающей группы результатов наблюдений с целью получить выборку без совпадений, для которой рассчитать значение ранговой статистики. Разработаны модель порождения данных с совпадениями. Предложена процедура размножения выборок. Рассмотрев различные варианты поправок, получаем «облако» значений ранговой статистики. Анализ этого «облака» позволяет получить обоснованные статистические выводы. В качестве примеров рассмотрены двухвыборочный критерий Вилкоксона для проверки однородности независимых выборок и критерий знаков для проверки однородности связанных выборок

В статье представлено комплексное исследование, посвященное изучению влияния вариативных агротехнических приемов на урожайность и качественные показатели озимой пшеницы сорта ЭММА. Исследование проводилось на базе опытного поля Кубанского государственного аграрного университета, расположенного в центральной зоне Краснодарского края, являющейся типичной для региона зоной с определенными климатическими и почвенными условиями. Основной акцент был сделан на оценку воздействия различных способов обработки почвы и дифференцированных норм внесения минеральных удобрений на ключевые характеристики посевов, включая высоту растений, итоговую урожайность зерна и содержание белка

Статья решает прикладной вопрос сопровождения 1С: как дать языковой модели сведения о конфигурации и не передать ей права на учетную базу. Промежуточным слоем выбран MCP-сервер. Он публикует для модели не общий доступ к данным, а набор инструментов: поиск метаданных, просмотр структуры объекта, поиск связей, чтение синтетических записей и подготовку dry-run запроса к Bitrix. Проверка проведена на локальном прототипе. В него входят слой метаданных 1С, синтетические записи, HTTP- и MCP-интерфейсы, а также тестовый контур Bitrix REST API. Прототип изолирован от производственных систем: работает с обезличенными данными, не выполняет произвольный SQL и пользовательский код, а запросы к внешним сервисам формирует без отправки

На дерново-подзолистой песчаной почве изучено влияние возрастающих доз фосфорно-калийного удобрения (P60K120 и P60K180) на урожайность, продуктивность и качество зелёной массы люцерны жёлтой, костреца безостого, житняка гребневидного и их двухкомпонентных смесей. Установлено, что наиболее высокую урожайность в сумме за два укоса среди изучаемых агрофитоценозов сформировала люцерно-житняковая травосмесь – 45,2 т/га на варианте с внесением P60K180. Максимальный сбор сырого протеина (1,45 т/га), кормовых единиц (5,56 тыс./га) и обменной энергии (83,1 ГДж/га) также отмечен у данной смеси. Качество корма определялось как видовым составом, так и дозой удобрения, при этом не всегда при повышении дозы вырастало и качество зеленой массы. Наибольшее содержание сырого жира зафиксировано у костреца безостого (2,89%), сырой клетчатки – у люцерно-житняковой смеси (33,40%), безазотистых экстрактивных веществ – у житняка гребневидного (46,91%). Применение фосфорно-калийного удобрения в дозе P60K180 является эффективным приёмом повышения продуктивности многолетних трав на дерново-подзолистой песчаной почве

В работе рассматривается задача идентификации личности по изображению лица в системах реального времени. Предложена гибридная архитектура, объединяющая детектор YOLOv11 с предсказанием пяти ключевых точек и идентификатор FaceNet на основе Inception ResNet v1 с функцией потерь Triplet Loss. Разработан конвейер предобработки, включающий аффинное выравнивание лица по глазам перед подачей в энкодер. Представлены результаты экспериментального исследования на наборах данных LFW, AgeDB и WIDER Face. Достигнута точность идентификации 98,7% на LFW при частоте обработки 12 кадров в секунду на GPU NVIDIA RTX A6000 (48Гб). Проведена оценка экономической эффективности внедрения разработанной системы