УДК 336.6
DOI: 10.36871/ek.up.p.r.2025.12.03.016

Авторы

Зульфия Махмудовна Абдулаева,
Ахмед Магомедович Мухтаров,
Грозненский государственный нефтяной технический университет имени академика М. Д. Миллионщикова, Грозный, Россия

Аннотация

Выявлена критическая дивергенция между операционными и финансовыми показателями компании (рост выручки на 10,7% при снижении чистой прибыли на 14,4% в 2024 году), обусловленная нелинейными макроэкономическими факторами. Нейросетевые модели LSTM превосходят традиционные статистические методы в прогнозировании цен на нефть, достигая среднеквадратичной ошибки 1,5 доллара за баррель. AI-система «Персептрон» демонстрирует уровень ошибки не более 0,454% при прогнозировании чистой прибыли. Документированный экономический эффект от внедрения ИИ-технологий составил 40 млрд рублей за период 2020– 2023 годов. Проект «Цифровое месторождение» обеспечил экономический эффект 4 млрд рублей через оптимизацию операционных расходов и рост добычи, напрямую транслируемый в показатель EBITDA.

Ключевые слова

искусственный интеллект, большие данные, финансовое прогнозирование, нефтегазовая отрасль, ПАО «НК «Роснефть», машинное обучение, нейронные сети LSTM, цифровая трансформация, прогнозирование чистой прибыли, EBITDA, цифровое месторождение, прескриптивная аналитика, AI-система Персептрон, макроэкономическая волатильность, технологический суверенитет, объяснимый искусственный интеллект (XAI), генеративный ИИ, обработка естественного языка (NLP), ансамблевые методы, цифровые платформы

Список литературы

  1. Абрамова Е. С., Шварц А. А. Big Data: практика применения технологии для прогнозирования финансовых показателей // Auditorium. – 2025. – № 2 (26). – С. 15–22.
  2. Белова Т. А., Крюков А. Ф. Использование машинного обучения для прогнозирования финансовых кризисов и оценки системных рисков // Экономика и предпринимательство. – 2024. – № 6 (131). – С. 1247–1252.
  3. Емельянова М. Ю., Чен Ц. Использование искусственного интеллекта для оценки финансового положения компаний в цифровой экономике // Прогрессивная экономика. – 2024. – Т. 10. – № 5. – С. 85–94.
  4. Иванов Д. С., Левин А. П. Сравнительный анализ прогнозных моделей ARIMA и LSTM на примере российских акций // Финансы: теория и практика. – 2025. – Т. 24. – № 1. – С. 6–17.
  5. Киселева Н. А., Марьина А. В. Применение больших данных для прогнозирования финансовых рынков // Вестник Академии знаний. – 2024. – № 4 (33). – С. 112–118.
  6. Козлов П. А., Симонов К. В. Использование машинного обучения для оптимизации производственных процессов нефтегазовой отрасли // Экономика и менеджмент инновационных технологий. – 2025. – Т. 2. – С. 18–26.
  7. Николаева А. В., Сергеев Д. П. Применение искусственного интеллекта для анализа и оптимизации финансовых потоков // Прогрессивная экономика. – 2025. – Т. 3. – С. 124–135.
  8. Пыженков Р. С., Сафонова И. В. Применение технологии «больших данных» в процессе формирования финансовой отчетности по МСФО нефтегазовых компаний // Студенческая наука и XXI век. – 2024. – № 1. – С. 280–284.
  9. Савельев М. В., Петрова О. И. Применение машинного обучения в прогнозировании фондового рынка // Экономика и современный менеджмент. – 2025. – № 3. – С. 48–55.
  10. Сухорукова Е. В., Погостинская Н. Н., Погостинский Ю. А. Применение технологий машинного обучения для прогнозирования макроэкономических индикаторов: разработка и оптимизация // Вестник Алтайской академии экономики и права. – 2025. – № 8. – С. 65–73.