УДК 336.6:004.85
DOI: 10.36871/26189976.2026.03-2.014
Авторы
Яхита Солтановна Исламгереева,
Ассистент кафедры программирования и инфокоммуникационных технологий, Чеченский государственный университет имени А. А. Кадырова, Грозный, Россия
Анна Владимировна Золотарчук,
Кандидат экономических наук, доцент высшей экономической школы, Тихоокеанский государственный университет, Хабаровск, Россия
Виолетта Андреевна Цветкова,
Магистрант, факультет компьютерных наук, Национальный исследовательский университет «Высшая школа экономики», Москва, Россия
Аннотация
В статье рассматриваются интеллектуальные методы анализа и прогнозирования финансовой устойчивости предприятий на основе машинного обучения. Актуальность исследования обусловлена необходимостью повышения точности диагностики финансового состояния компаний в условиях экономической нестабильности 2023–2025 годов. На основе данных 187 российских предприятий обрабатывающей промышленности за период 2020–2025 гг. проведено сравнение пяти моделей машинного обучения: логистическая регрессия, случайный лес, градиентный бустинг (XGBoost), метод опорных векторов и многослойный перцептрон. Установлено, что ансамблевые методы (случайный лес и XGBoost) демонстрируют наивысшую прогностическую точность: значения F1‑меры достигают 0,89 и 0,91 соответственно, а площадь под ROC-кривой (AUC-ROC) составляет 0,94 и 0,96. Ключевыми предикторами финансовой неустойчивости определены коэффициент текущей ликвидности, рентабельность активов, долговая нагрузка и отраслевой индекс. Разработанный прогнозный инструментарий позволяет выявлять предбанкротное состояние предприятий с упреждающим горизонтом до двух кварталов, что подтверждается результатами out-of-sample тестирования на данных 2025 года. Практическая значимость работы заключается в создании методического подхода, который может быть интегрирован в системы финансового мониторинга и риск-менеджмента коммерческих банков и аналитических подразделений предприятий.
Ключевые слова
финансовая устойчивость
машинное обучение
прогнозирование
классификация
предиктивные модели
российские предприятия
Список литературы
[1] Баловнева А.Н., Колесникова С. И. Модель реализации непрерывного образования на основе цифрового следа // Инновационные, информационные и коммуникационные технологии. — 2018. — № 2. — С. 13–16.
[2] Иванов В. В. Основы стратегии научно-технологического развития России // Научные труды Вольного экономического общества России. — 2016. — Т. 197, № 1. — С. 67–79.
[3] Киреева Н. В. Новые методологические подходы к управлению энергоэффективностью и затратами на производство в промышленности // Научные труды Вольного экономического общества России. — 2016. — Т. 197, № 1. — С. 180–189.
[4] Павлова С. А. Моделирование финансовой устойчивости предприятий с применением теорий нечеткой логики и нейронных сетей // Современная наука: актуальные проблемы теории и практики. Серия: Естественные и технические науки. — 2022. — № 2–2. — С. 85–88.
[5] Рикунова А.В., Склярова Е. Е. Условия и факторы экономического роста в России на современном этапе развития // Научные труды Вольного экономического общества России. — 2015. — Т. 194, № 5. — С. 81–88.
[6] Ромась Е. В. Модель оценки финансовой устойчивости предприятия // Modern Economy Success. — 2023. — № 3. — С. 165–168.
[7] Смелик Н.Л., Смекалов П. В. Способы действий в процессе осуществления трансформации экономической системы // Наука: научно-производственный журнал. — 2016. — № S4–3. — С. 357–361.
[8] Стрельников Г. С. Прогнозирование эффективности внедрения методов машинного обучения в модели оценки финансовой устойчивости предприятий // Символ науки: международный научный журнал. — 2025. — № 4–2. — С. 138–141.
[9] Стрижакова Е.Н., Сухарев О. С. Приоритеты промышленной политики и технологического развития Российской Федерации // Научные труды Вольного экономического общества России. — 2015. — Т. 194, № 5. — С. 322–335.
[10] Супрунов С. В. Актуальные подходы к финансовому прогнозированию эффективности бизнес-процессов энергетических предприятий // Финансовая экономика. — 2025. — № 7. — С. 70–74.
