Управление устойчивостью бизнес-среды с применением обучаемых аналитических моделей

Кирилл Александрович Гуреев

doi:10.17308/econ.2026.1/13604

Авторы

Кирилл Александрович Гуреев Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования Пермский национальный исследовательский политехнический университет

DOI:

https://doi.org/10.17308/econ.2026.1/13604

Ключевые слова:

социально-экономические системы, обучаемые модели, целевое управленческое воздействие, предкризисные состояния

Аннотация

Предмет. Современная бизнес-среда представляет собой совокупность экономически взаимосвязанных предприятий, характеризующуюся высокой структурной неоднородностью, различиями в финансовом состоянии и устойчивости, а также чувствительностью к внешним и внутренним шокам. В этих условиях повышение устойчивости бизнес-среды и снижение масштабов кризисных явлений относятся к числу ключевых задач социально-экономического развития при ограниченности ресурсов управленческого воздействия. Универсальные меры регулирования зачастую не обеспечивают желаемой результативности, что обуславливает необходимость использования более точных и адресных инструментов управления, основанных на раннем выявлении предкризисных состояний отдельных хозяйствующих субъектов.
Цель. Целью исследования является подтверждение эффективности применения обучаемых аналитических моделей для управления устойчивостью бизнес-среды на основе прогнозирования финансовой несостоятельности предприятий как её ключевых элементов.
Методология. В процессе достижения поставленной цели использовались обучаемые аналитические модели, реализованные на основе методов машинного обучения и применённые к массивам открытых данных бухгалтерской (финансовой) отчётности. Использовались процедуры предварительной обработки данных и учёт их временной структуры, что позволило повысить устойчивость и практическую применимость полученных прогнозных оценок.
Результаты. В работе показано, что использование обучаемых аналитических моделей позволяет формировать прогнозные оценки финансовой несостоятельности предприятий, применимые для уточнения направлений управленческого воздействия и учёта потенциальных системных последствий финансовой нестабильности отдельных участников бизнес-среды.
Выводы. Результаты исследования могут быть использованы в системах мониторинга устойчивости бизнес-среды, а также при разработке и реализации мер экономической политики и управленческих решений, ориентированных на адресное воздействие и предотвращение системных кризисных явлений.

Скачивания

Данные по скачиваниям пока не доступны.

Биография автора

Кирилл Александрович Гуреев, Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования Пермский национальный исследовательский политехнический университет

канд. экон. наук, доцент

Библиографические ссылки

Alaka, H. A., Oyedele, L. O., Owolabi, H. A., Kumar, V., Ajayi, S. O., Akinade, O. O., & Bilal, M. (2018). Systematic review of bankruptcy prediction models: Towards a framework for tool selection. Expert Systems with Applications, 94, 164–184.

Altman, E. I., Iwanicz-Drozdowska, M., Laitinen, E. K., & Suvas, A. (2017). Financial Distress Prediction in an International Context: A Review and Empirical Analysis of Altman's Z-Score Model. Journal of International Financial Management & Accounting, 28(2), 131–171.

Barboza, F., Kimura, H., & Altman, E. I. (2017). Machine Learning Models and bankruptcy prediction. Expert Systems with Applications, 83, 405–417.

Bussmann, N., Giudici, P., Marinelli, D., & Papenbrock, J. (2021). Explainable machine learning in credit risk management. Computational Economics, 57(1), 203–216. DOI: 10.1007/s10614-020-10042-0

Chen, T., & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD '16), 785–794.

Fasano, F., Adornetto, C., Zahid, I., La Rocca, M., Montaleone, L., Greco, G., & Cariola, A. (2025). The dilemma of accuracy in bankruptcy prediction: A new approach using explainable AI techniques to predict corporate crises. European Journal of Innovation Management, 28(11), 1-22. DOI:10.1108/EJIM-06-2024-0633

Ha, H. H., Dang, N. H., & Tran, M. D. (2023). Financial distress forecasting with a machine learning approach. Corporate Governance and Organizational Behavior Review, 7(3), 90–104. DOI: 10.22495/cgobrv7i3p8

Kim, H., Cho, H., & Ryu, D. (2022). Corporate Bankruptcy Prediction Using Machine Learning Methodologies with a Focus on Sequential Data. Computational Economics, 59(3), 1231–1249. DOI: 10.1007/s10614-021-10126-5

Lessmann, S., Baesens, B., Seow, H.-V., & Thomas, L.C. (2015). Benchmarking state-of-the-art classification algorithms for credit scoring: An update of research. European Journal of Operational Research, 247(1), 124-136.

Lundberg, S.M., & Lee, S.I. (2017). A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems, 30, 4765–4774.

OECD (2025). OECD Economic Outlook, Volume 2025 Issue 2: Resilient Growth but with Increasing Fragilities. Paris: OECD Publishing. DOI: 10.1787/9f653ca1-en.

Ohlson, J. A. (1980). Financial ratios and the probabilistic prediction of bankruptcy. Journal of accounting research, 109-131.

Rudin, C., Chen, C., Chen, Z., Huang, H., Semenova, L., & Zhong, C. (2022). Interpretable machine learning: Fundamental principles and 10 grand challenges. Statistic Surveys, 16, 1-85. DOI: 10.1214/21-SS133

World Bank (2024). Global Economic Prospects. Washington, DC: World Bank.

Афанасьев, М. Ю., & Гусев, А. А. (2024). О прогнозировании оценок экономической сложности российских регионов. Региональная экономика: теория и практика, 22(3), 545–567. [Afanasiev, M.Yu., & Gusev, A.A. (2024). Forecasting estimates of the economic complexity of Russian regions. Regional Economics: Theory and Practice, 22(3), 545–567. (In Russian).] DOI: 10.24891/re.22.3.545

Афанасьев, М. Ю., & Гусев, А. А. (2025). Интегральный индекс структурной сложности региональных экономик. Экономика и математические методы, 61(2), 57–74. [Afanasiev, M.Yu., & Gusev, A.A. (2025). Integral structural complexity index of regional economies. Economics and the Mathematical Methods, 61(2), 57–74. (In Russian).] DOI: 10.31857/s0424738825020054

Гуреев, К. А., & Гуреева, Е.Г. (2024). Потенциал исследований финансового состояния региональных бизнес-комплексов на основе агрегирования данных финансовой отчетности. Российский экономический журнал, (1), 63-85. [Gureev, K.A., & Gureeva, E.G. (2024). The potential of researching the financial state of regional business complexes based on aggregating financial reporting data. Russian Economic Journal, (1), 63-85. (In Russian).] DOI: 10.52210/0130-9757_2024_1_63

Гуреева, Е.Г., Гуреев, К. А., & Трофимов, И.Ю. (2023). Внутренние рейтинги финансового состояния бизнес-единиц в комплексах: обоснование, адаптация и применение. Экономика, управление, общество: история и современность: материалы XXI Всерос. науч.-практ. конф. (19 дек. 2023 г.), 57-63. [Gureeva, E.G., Gureev, K.A., & Trofimov, I.Yu. (2023). Internal ratings of the financial condition of business units in complexes: justification, adaptation, and application. Economy, Management, Society: History and Modernity, 57-63.(In Russian).]

Купрюшина, О. М., & Щербакова, Н. Ф. (2022). Применение прогнозной отчетности для оценки вероятности финансовой несостоятельности (банкротства). Вестник Воронежского государственного университета. Серия: Экономика и управление, (2), 71-82. [Kupriushina O.M., & Scherbakova, N.F. (2022). Applying forecast reporting to assess the probability of financial insolvency (bankruptcy). Proceedings of Voronezh State University. Series: Economics and Management, (2), 71-82. (In Russian).] DOI: 10.17308/econ.2022.1/3916