Мустафин Д.Ш.
УПРАВЛЕНИЕ РИСКАМИ В РЕАЛЬНОМ СЕКТОРЕ С ИСПОЛЬЗОВАНИЕМ ЦИФРОВЫХ РЕШЕНИЙ: ПРОГНОЗИРОВАНИЕ, АНАЛИТИКА И КОНТРОЛЬ *
Аннотация:
реальный сектор, как основа хозяйственной системы, в особенной степени подвержен влиянию рисков, связанных с изменением рыночной конъюнктуры, технологическими сбоями, колебаниями цен на ресурсы, факторами регуляторного и геополитического характера. Эффективное управление рисками в современных условиях приобретает особую значимость и предполагает использования передовых цифровых технологий. В статье рассматриваются возможности применения цифровых решений при управлении рисками в реальном секторе. Раскрыты общие подходы к управлению рисками в реальном секторе, описаны инструменты цифровой трансформации в риск-менеджменте. Охарактеризован методический потенциал прогнозирования, анализа и контроля рисков на основе цифровых технологий. Определены направления развития цифровизации риск-менеджмента. Результаты исследования могут быть использованы при формировании программ повышения устойчивости предприятий реального сектора и минимизации негативных последствий экономической неопределенности.
Ключевые слова:
развитие экономики, управление рисками, реальный сектор, цифровые решения, прогнозирование, аналитика, контроль
Актуальность цифровизации процессов риск-менеджмента обусловлена нарастающей сложностью и неопределённостью современной экономики, а также уровнем эффекта от применения цифровых решений в данной области (повышение прозрачности процессов, точности прогнозов, выявление потенциальных угроз на ранних стадиях, формирование адаптивных стратегий реагирования, минимизация негативных последствий и т.д.).Риск в реальном секторе экономики представляет собой вероятность наступления событий, способных оказать негативное влияние на различные бизнес-процессы компании [1, c. 22-23]. Управление рисками направлено на идентификацию угроз, их анализ, разработку мер снижения возможных последствий и формирование стратегий адаптации [3, c. 17].В современной теории управлении рисками применяется комплекс подходов, отдельные составляющие которого могут зависеть от специфики отрасли, уровня технологической зрелости компании, доступных инструментов анализа. Основные подходы включают классический (консервативный) подход, основанный на минимизации рисков через их избежание (например, отказ от рискованных инвестиций), аналитический подход, предполагающий анализ рисков и их количественную и качественную оценку, стратегический подход, в рамках которого управление рисками рассматривается как часть корпоративной стратегии, процессный (интегрированный) подход – создание системы управления рисками на всех уровнях компании, адаптивный (гибкий) подход, основанный на постоянном мониторинге и адаптации стратегии управления рисками.Методы анализа и контроля рисков можно условно разделить на традиционные и современные.Традиционные методы анализа рисков включают качественный анализ, SWOT-анализ, метод экспертных оценок, сценарное моделирование и методы финансового анализа.Современные методы анализа и контроля рисков базируются на применении в той или иной степени цифровых технологий: [4, с. 406]методы больших данных – анализ огромных массивов информации из различных источников (финансовые отчеты, социальные сети, макроэкономические показатели, погодные условия, поведенческие данные клиентов и партнеров). Применяются при выявлении скрытых закономерностей и прогнозирования рисков с высокой степенью точности,искусственный интеллект и машинное обучение (ML) – используются при организации автоматизированного анализа рисков на основе алгоритмов нейросетей. В отличие от традиционных методов анализа, ML-модели способны самообучаться и повышать точность прогнозов на основе новых данных,предиктивная аналитика – метод прогнозирования будущих событий на основе обработки исторических данных и применения математических моделей,комплексные автоматизированные системы управления рисками – платформы, объединяющие основные составляющие управления рисками в режиме реального времени. Ключевые функции таких систем включают постоянный сбор и анализ информации о состоянии оборудования, логистических потоков, финансовых транзакций, использование машинных алгоритмов при обнаружении отклонений от норм, предупреждающие уведомления и др.,программное моделирование и цифровые двойники – создание цифровых копий реальных объектов, которые используются при тестирования различных сценариев,блокчейн – защита данных, контроль за надежностью цепочек поставок.Основные направления цифровизации риск-менеджмента в реальном секторе включают прогнозирование, аналитику и контроль.Внедрение цифровых технологий в управление рисками значительно расширяет возможности прогнозирования потенциальных угроз. В основе таких решений, как правило, лежат методы предиктивной аналитики, и машинного обучения. Основные алгоритмы предиктивной аналитики включают:регрессионный анализ – используется для количественного прогнозирования изменений в бизнесе (например, влияние изменения цен на сырье на себестоимость продукции),анализ временных рядов – применяется при предсказании рыночных тенденций, курсов валют, уровня спроса, сезонных рисков и прочих факторов,кластерный анализ – группировка рисков по схожим характеристикам. Компании получают возможность разработки дифференцированных стратегий управления угрозами,методы сценарного моделирования – построение различных вариантов развития событий и оценка их вероятностных последствий.Среди наиболее популярных моделей машинного обучения, используемых в риск-менеджменте, можно выделить [2]:деревья решений – метод машинного обучения, основанный на построении иерархической структуры, где каждое разветвление (узел) представляет собой проверку определенного условия, а конечные листья – прогнозируемые результаты. Такой алгоритм позволяет принимать решения путем последовательного анализа входных данных и выбора наиболее вероятных исходов,случайные леса – ансамблевый метод машинного обучения, представляющий собой совокупность множества деревьев решений. Каждый отдельный алгоритм (дерево) строится на случайно выбранных подмножествах данных и признаков, а итоговый результат определяется голосованием или усреднением прогнозов всех деревьев. Подход снижает вероятность переобучения модели и повышает точность предсказаний,глубокие нейронные сети – многослойные искусственные нейронные сети, состоящие из нескольких скрытых слоев и предназначенные для обработки сложных многомерных данных,методы градиентного бустинга – ансамблевый метод машинного обучения, основанный на последовательном построении и комбинировании множества слабых моделей (обычно деревьев решений) с целью улучшения общей точности предсказаний.Анализ рисков в цифровой среде базируется на объединении традиционных и современных подходов с применением методов описательной, диагностической, прескриптивной и ряда других видов аналитик. К наиболее востребованным направлениям цифровизации контроля рисков относятся автоматизированные системы оценки и контрольные панели (dashboards).Цифровые решения по управлению рисками в реальном секторе, применяемые на территории СНГ представлены в таблице 1.Таблица 1. Цифровые решения по управлению рисками в реальном секторе, применяемые на территории СНГ.В качестве примера рассмотрена система управления рисками SAP Risk Management. Система представляет собой специализированное цифровое решение, входящее в состав SAP GRC и предназначенное для комплексного управления рисками на уровне организации. Основные функции цифрового решения представлены в таблице 2 [5].Таблица 2. Основные функции SAP Risk Management.Таким образом, SAP Risk Management является достаточно мощным инструментом комплексного автоматизированного управления рисками. Однако данный инструмент больше подходит для крупных организаций, уже работающих с решениями SAP, поскольку характеризуется высокой стоимостью и относительной сложностью внедрения.Дальнейшее развитие цифровизации риск-менеджмента в реальном секторе видится в углублении интеграции искусственного интеллекта и машинного обучения. Ключевыми направлениями должны стать использование нейросетевых моделей при осуществлении динамического прогнозирования угроз в режиме реального времени, развитие цифровых решений с элементами самообучения, повышение активности применения блокчейн-технологий, создание гибридных решений на основе Big Data и IoT, а также внедрение цифровых двойников при стресс-тестирования различных сценариев в промышленных процессах.
Номер журнала Вестник науки №3 (84) том 2
Ссылка для цитирования:
Мустафин Д.Ш. УПРАВЛЕНИЕ РИСКАМИ В РЕАЛЬНОМ СЕКТОРЕ С ИСПОЛЬЗОВАНИЕМ ЦИФРОВЫХ РЕШЕНИЙ: ПРОГНОЗИРОВАНИЕ, АНАЛИТИКА И КОНТРОЛЬ // Вестник науки №3 (84) том 2. С. 36 - 44. 2025 г. ISSN 2712-8849 // Электронный ресурс: https://www.вестник-науки.рф/article/21760 (дата обращения: 16.12.2025 г.)
Вестник науки © 2025. 16+