НЕЙРОСЕТЕВЫЕ МОДЕЛИ ОЦЕНКИ ВЛИЯНИЯ ЦИФРОВЫХ ТЕХНОЛОГИЙ НА ФИНАНСОВУЮ УСТОЙЧИВОСТЬ КОМПАНИИ
DOI:
https://doi.org/10.25806/uu10-12021146-153Ключевые слова:
финансовая устойчивость компании, цифровая трансформация, программная модель, искусственная нейронная сеть, входные данные, статистическая выборка.Аннотация
Статья посвящена разработке методики оценки влияния цифровых технологий на финансовые показатели деятельности компании. Цифровизация бизнес-процессов компаний и организаций сегодня является одним из основных трендов, обеспечивающим инновационное развитие и конкурентоспособность. В силу разнообразия компаний по размеру, сферам деятельности, условиям деятельности средства и методы цифровизации могут существенно отличаться. Внедрение тех или иных технологий не обязательно гарантирует успешность и финансовую стабильность компании. В силу этого оценка влияния цифровых технологий при принятии управленческих решений, связанных с внедрением инноваций, является актуальной задачей. Сложность такой оценки связана с наличием большого числа факторов, влияющих на экономические показатели деятельности компаний, при этом многие факторы не поддаются количественной оценке и могут быть оценены только в виде экспертных качественных оценок. Исследование проводилось на статистической выборке, содержащей информацию об уровне цифровизации бизнеса и о количестве банкротств по субъектам Российской Федерации. В качестве результирующего показателя, отражающего финансовую устойчивость компаний в целом по региону, в данной работе используется показатель количества банкротств. В качестве факторов влияния выбраны наиболее распространенные и массовые цифровые технологии: широкополосный интернет, ERP-системы, RFID-метки, облачные сервисы, системы электронных продаж, а также индексы цифровизации субъектов федерации. В процессе исследования для определения влияния цифровых технологий на финансовую устойчивость компании была разработана программная модель искусственных нейронных сетей (ИНС) в среде R Studio. В работе осуществляется выбор типа нейронной сети и расчет всех необходимых параметров настройки. Проведенные эксперименты позволили оптимизировать параметры сети с целью обеспечения наилучшей точности. Конечные результаты исследования подтвердили влияние цифровых технологий на устойчивость компаний.
Список литературы
Мисник А.Е., Борисов В.В. Композиционное нейросетевое моделирование сложных технических систем // Нейрокомпьютеры: разработка, применение. 2016. № 7. С. 39-46.
Ясницкий Л.Н. Нейронные сети - инструмент для получения новых знаний: успехи, проблемы, перспективы // Нейрокомпьютеры: разработка, применение. 2015. № 5. С. 48–56.
Ясницкий Л.Н. Интеллектуальные системы. М.: Лаборатория знание, 2016. 221 с.
Борисов В.В., Федулов Я.А., Федулов А.С. Модель оценки качества финансового менеджмента в бюджетных отраслях экономики // Энергетика, информатика, инновации - 2015: сборник трудов V Международной научно-технической конференции: в 2 томах / Национальный исследовательский университет «МЭИ» (Московский энергетический институт), филиал в г. Смоленске. 2015. С. 88-95.
Черкасова В.А., Слепушенко Г.А. Влияние цифровизации бизнеса на финансовые показатели российских компаний // Финансы: теория и практика. 2021. № 25 (2). С. 128-142. DOI: 10.26794/2587-5671-2021-25-2-128-142.
Абдрахманова Г.И., Вишневский К.О., Гохберг Л.М. и др. Индикаторы цифровой экономики: 2020: статистический сборник. М.: НИУ ВШЭ, 2020. 360 с.
Банкротства в России: итоги 2020 года. Статистический релиз Федресурса. [Электронный ресурс]. URL: http://www.fedresurs.ru (дата обращения: 14.09.2021).
Haykin S. Neural networks: A comprehensive foundation (2nd ed.). New Jersey: Prentice Hall International, Inc, 1999. 1103 p.
Галимова М.П. Готовность российских предприятий к цифровой трансформации: организационные драйверы и барьеры // Вестник УГНТУ. Наука, образование, экономика. Серия: Экономика. 2019. № 1. С. 27-37. DOI: 10.17122/2541–8904–2019–1–27–27–37.
