Учёные Пермского Политеха разработали систему раннего предупреждения финансовых кризисов компаний на основе искусственного интеллекта, которая способна заранее выявлять предприятия, находящиеся в зоне риска. Точность прогноза — 94,45%, что сопоставимо с лучшими мировыми аналогами. Но главное отличие в том, что она нацелена не просто на прогнозирование, а на предотвращение кризисов. В России подобных исследований, ориентированных на профилактику, до сих пор не было.
Сегодня финансовое здоровье бизнеса пытаются оценить с помощью традиционных методов, например, анализа бухгалтерских коэффициентов, которые рассчитываются вручную или с помощью простых программ. Человеческий фактор и ограниченность вычислительных ресурсов делают ручной мониторинг медленным и дорогим, а главное — неэффективным в условиях, когда экономика меняется каждый день. Эти подходы хороши для диагностики уже свершившегося факта, но они не способны уловить сложные нелинейные взаимосвязи между десятками финансовых показателей, которые предшествуют кризису. Такие модели часто опаздывают: они фиксируют проблему, когда предприятие уже стоит на грани краха, а времени на спасение практически не остается.
Ученые Пермского Политеха предложили принципиально иной подход. Они взяли открытые данные бухгалтерской отчетности российских компаний за шесть лет — с 2019 по 2024 год — и обучили на них алгоритмы машинного обучения. В итоговую выборку вошло более 2,3 миллиона финансовых профилей предприятий. Модель не просто смотрит на текущие цифры, а анализирует трехлетнюю историю показателей: как менялась прибыль, росли ли долги, ухудшалась ли ликвидность. Это похоже на то, как опытный врач изучает не только текущие симптомы, но и динамику состояния пациента за последние годы. Алгоритм выявляет скрытые закономерности, которые недоступны традиционным методам, и выдает прогноз — окажется ли компания в зоне риска в ближайший год.
Разработка не требует суперкомпьютеров и может быть запущена на стандартной вычислительной инфраструктуре, что делает её доступной для региональных министерств экономики, банков и страховых компаний. Все алгоритмы, инструкции по настройке и примеры работы бесплатны и находятся в открытом доступе. Использование кода допускается в исследовательских и учебных целях.
Чтобы запустить систему, IT-специалист скачивает архив, устанавливает необходимое программное обеспечение и загружает в неё собственные данные компании или взятые из открытых источников. Система автоматически обрабатывает загруженную информацию: проверяет её на ошибки, отсеивает нерелевантные записи и на основе этих данных строит трёхлетние финансовые профили для каждого заданного предприятия. Затем в дело вступают алгоритмы машинного обучения, которые анализируют многолетнюю динамику показателей — как менялась прибыль, росли ли долги, падала ли ликвидность. На выходе система выдаёт прогноз на ближайший год.
В мировой практике аналогичные исследования с использованием машинного обучения показывают сопоставимые результаты, но пермские ученые сделали акцент не на формальной точности, а на практической задаче управления: их система позволяет не просто ранжировать компании по уровню риска, а формировать основу для конкретных управленческих решений. Потому что пропущенный крах одного предприятия выливается в цепочку проблем: невозвращённые кредиты, сокращения сотрудников и обрыв связей с поставщиками. Подобная стратегия, нацеленная именно на профилактику, до сих пор в России не использовалась.
Самое ценное в разработке — это не просто предсказание самого факта банкротства, а возможность выявить предприятия, которые еще не рухнули, но уже находятся в зоне повышенного риска. Алгоритм раскладывает все предприятия по уровням риска, как светофор: зелёный — всё в порядке, жёлтый — есть тревожные сигналы, красный — высокая вероятность кризиса. Разработанная модель правильно определяет 94,45% реальных банкротств. Это означает, что из ста компаний, которые действительно обанкротятся в следующем году, алгоритм не находит только шесть. Но гораздо интереснее другая цифра. Ещё больше компаний — примерно в 10 раз больше, чем реальных банкротов — модель отнесла к «жёлтой зоне»: они работают, но у них уже растут долги, падает прибыль, ухудшается структура капитала. Именно эти предприятия – главная цель для ранней поддержки, потому что их ещё можно спасти. Такой подход даёт возможность вовремя вмешаться и принять адресные меры поддержки, не дожидаясь, пока ситуация станет необратимой.
— Наша модель не просто выдает вероятность банкротства, она позволяет выделить предприятия, которые еще можно спасти, если вовремя применить адресные меры поддержки. Это не абстрактные цифры, а инструмент для реальной экономики, — комментирует Кирилл Гуреев доцент кафедры строительного инжиниринга и материаловедения ПНИПУ, кандидат экономических наук.
Полученные прогнозы стоит воспринимать не как окончательный вердикт или юридическое заключение о банкротстве, а как сигнал для внимания и раннюю диагностику, дающую возможность для восстановления. Для государства и бизнеса это открывает окно возможностей: вместо того чтобы спасать уже рухнувшее предприятие, можно вмешаться заранее. Прогнозные оценки дают основу для адресных решений: кому предложить реструктуризацию долгов, кому – налоговые послабления, а кому – сменить управление. Технологию можно применять для мониторинга финансовой устойчивости в любых отраслях — от промышленности до торговли и сферы услуг. Вместо того чтобы тушить пожар, когда все уже сгорело, появляется возможность обнаружить искру и потушить её на ранней стадии.
Разработка опубликована в ведущем научном журнале «Вестник Воронежского государственного университета. Серия: Экономика и управление».
Фото: Towfiqu barbhuiya, unsplash.com
Это новость от журнала ММ «Машины и механизмы». Не знаете такого? Приглашаем прямо сейчас познакомиться с этим удивительным журналом.