Научный архив: статьи

РАЗРАБОТКА СТРАТЕГИИ УСТОЙЧИВОГО РАЗВИТИЯ С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ ПРЕДПРИЯТИЯ ХИМИЧЕСКОЙ ОТРАСЛИ (2026)

Статья посвящена разработке комплексной стратегии устойчивого развития для предприятия химической отрасли ООО «ГРАССМАРТ» на основе объединения циркулярной экономики и цифровизации. По итогам исследования разработана и обоснована стратегия, включающая три приоритета, построено уравнение линейной регрессии для прогнозирования чистой прибыли, выполнен прогноз экономических показателей на 2026–2028 гг. и составлен операционный план. Актуальность обусловлена необходимостью системного внедрения ESG-принципов российскими химическими предприятиями в условиях санкционных ограничений и перехода к национальным стандартам, при этом существующие подходы фрагментарны и не дают количественных обоснований эффективности. Научная новизна обусловлена тем, что была выдвинута и доказана гипотеза касательно получения прогноза чистой прибыли компании при использовании стратегии в целях обеспечения устойчивого развития на ESG-принципах, на основе использования модели машинного обучения «Случайный лес» (ML “Random Forest Regression”), а также многофакторной линейной регрессии. Прогноз показал, что при инвестициях 17 млн руб. срок окупаемости составляет 1,2–1,5 года, а ROI за три года достигает 41,7%. В ходе исследования на основе диагностики данных, SWOT-модели и корреляционного анализа были выделены три стратегических направления развития, которые сформировали ядро предложенной стратегии, имеющей среди приоритетов следующие цели: внедрение циркулярных моделей, замкнутые циклы, промышленный симбиоз, реализация «зелёной» цифровизации процессов с помощью IoT и искусственного интеллекта при минимизации экологического следа самой ИТ-инфраструктуры, а также построение системы прозрачной ESG-отчётности на основе автоматизированного сбора данных. При написании статьи использовались такие методы исследования, как: теоретический, аналитический, SWOT-анализ, модель машинного обучения «Случайный лес» (Machin Learning “Random Forest Regression”), а также многофакторная линейная регрессия. Практическая значимость состоит в том, что предложенная модель может быть адаптирована для других промышленных предприятий России, при этом операционный план требует трансформации.

ПРОГНОЗИРОВАНИЕ УСТОЙЧИВОСТИ ОТЕЧЕСТВЕННЫХ БАНКОВ СИСТЕМОЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА (2025)

В статье проанализировано современное состояние, результативность и устойчивость российских банков в условиях турбулентности экономики. Цель исследования - сформировать прогноз прибыли для обеспечения устойчивого развития российских банков, а также выявить закономерности их развития в условиях нарастания рыночной неопределенности. Сформирована модель глубокого обучения «Случайный лес». В ходе исследования были использованы такие методы, как технический анализ акций банков с использованием библиотек pandas, yfinance, numpy, matplotlib на языке Python на сервисе Colab, а также модель глубокого обучения «Случайный лес» для прогнозирования чистой прибыли банков. Научная новизна состоит в том, что выдвинута и доказана гипотеза, что на основе использования модели машинного обучения «Случайный лес» может быть получен прогноз чистой прибыли, как важнейшего фактора устойчивости банка. В ходе исследования были рассчитаны направление и сила связи между факториальными и результативным признаками. Так, например, связь между результативным признаком (Прибыль, млрд руб.) - “target” и факториальными выражается следующими коэффициентами: Активы, млрд руб. + 0,974; Доля активов, в % + 0,974; Рентабельность активов, % 0,159; Adj акций (логарифмическая доходность) -0,266; Волатильность (сигма) -0,219. На основании полученных результатов можно утверждать, что все рассмотренные банки работают устойчиво, ошибка прогноза на ноябрь 2024 г. варьируется от 0,78 до 31,4 %. При этом ошибка возрастает по мере уменьшения размера банков. По итогам 2023 г. все крупнейшие банки работали прибыльно, что свидетельствует об их устойчивости. Полученные прогнозные значения прибыли отражают позитивный тренд в развитии рассмотренных банков, что позволяет сделать вывод об устойчивости банковской системы в целом. Практическая значимость в том, что результаты исследования могут быть рекомендованы к использованию на практике.