МОДЕЛЮВАННЯ ІНТЕЛЕКТУАЛЬНОЇ СИСТЕМИ ПРОГНОЗУВАННЯ ТА ІНТЕРПРЕТАЦІЇ ФІНАНСОВОГО СТАНУ ПІДПРИЄМСТВА З ВИКОРИСТАННЯМ МЕТОДІВ ПОЯСНЮВАЛЬНОГО ШТУЧНОГО ІНТЕЛЕКТУ

Петро Овчаренко; Катерина Палагута

doi:10.28925/2663-4023.2026.35.1421

Автор(и)

Петро Овчаренко Державний торговельно-економічний університет https://orcid.org/0009-0007-6498-6488
Катерина Палагута Державний торговельно-економічний університет https://orcid.org/0000-0003-1167-9509

DOI:

https://doi.org/10.28925/2663-4023.2026.35.1421

Ключові слова:

фінансовий стан підприємства, фінансове прогнозування, машинне навчання;, штучний інтелект, пояснювальний штучний інтелект, прогнозна аналітика, фінансовий аналіз, фінансові ризики, інтерпретація моделей, дерева рішень

Анотація

Поступова цифровізація бізнес-середовища та макроекономічна нестабільність, зумовлюють необхідність впровадження інструментів предиктивної аналітики для оцінки фінансової стійкості суб'єктів господарювання. Релевантні алгоритми машинного навчання (МН), зокрема ансамблі дерев рішень, забезпечують високу точність класифікації та прогнозування ризиків, проте функціонують за принципом «чорної скриньки». Це суттєво обмежує їх практичне застосування в корпоративному ризик-менеджменті й аудиті. Зокрема, через дефіцит прозорості та неможливість обґрунтування логіки прийняття рішень. У статті запропоновано концептуально математичну модель інтелектуальної системи прогнозування та інтерпретації фінансових показників підприємства. Модель інтегрує високу предиктивну спроможність адитивних ансамблів із методами пояснювального штучного інтелекту (Explainable Artificial Intelligence, XAI). Запропоновану модель подано у вигляді трьох взаємопов'язаних концептуальних блоків. Перший блок формує предиктивне ядро системи на основі регуляризованого ансамблю дерев рішень, який мінімізує функціонал втрат в умовах нелінійності фінансових масивів даних. Другий блок ґрунтується на апараті кооперативних ігор та методології TreeSHAP, забезпечуючи локальну декомпозицію внеску кожного фінансового індикатора у фінальний прогноз, а також розрахунок інтегральної глобальної значущості факторів на довгостроковому горизонті. Третій блок реалізує контур онлайн-моніторингу, в основу якого покладено оригінальний показник надійності, який зважує як точкову похибку моделі, так і структурну стабільність локальних векторів внесків Шеплі відносно їхнього історичного профілю. Експериментальну верифікацію системи здійснено на базі синтетичної фінансової звітності підприємств. Для забезпечення повної відтворюваності досліджень програмний код системи розгорнуто у відкритому репозиторії GitHub, що дозволить аналітикам налаштовувати параметри фреймворку під галузеву специфіку конкретних локальних датасетів. Інтеграція інструментів XAI та контуру оцінки надійності дозволяє трансформувати складні нелінійні моделі у прозорі системи підтримки прийняття рішень, мінімізуючи суб'єктивні ризики фінансового аналізу

Завантаження

Дані завантаження ще не доступні.

Посилання

Борецька, Н. П., & Міщенко, К. В. (2016). Аналіз і прогнозування фінансової стійкості підприємства. Інвестиції: практика та досвід, (20), 63-66.

Сатир, Л. М., Кепко, В. М., Новікова, В. В., & Непочатенко, А. В. (2021). Управління стратегічними змінами як складова аналітичного забезпечення прогнозування фінансових результатів підприємств малого і середнього бізнесу. Економіка та держава, (9), 38-44.

Юрчишена, Л. В., & Юрчишен, Д. В. (2024). Концепція управління та ризик-менеджмент для прогнозування фінансових результатів підприємства. Економіка і організація управління, 143-154.

Кузьміна, О. М., Печериця, Ю. С., & Грищук, Л. В. (2016). Методи прогнозування фінансових показників діяльності підприємства. Молодий вчений, (1 (1)), 89-92.

Юнацький, М. Я. О. (2018). Огляд сучасних методів прогнозування фінансового стану підприємства. Ефективна економіка, (4).

Драченко, А., & Юрчишена, Л. (2022). Концептуальний підхід до моделювання впливу фінансових показників на прибуток підприємства. Економіка та суспільство, (44).

Гайбура, Ю. А. (2023). Методичні підходи щодо оцінки і прогнозування прибутковості підприємства. Подільський вісник: сільське господарство, техніка, економіка, (38), 118-124.

Lundberg, S. M., & Lee, S. I. (2017). A unified approach to interpreting model predictions. Advances in neural information processing systems, 30.

Lundberg, S. M., Erion, G., Chen, H., DeGrave, A., Prutkin, J. M., Nair, B., ... & Lee, S. I. (2020). From local explanations to global understanding with explainable AI for trees. Nature machine intelligence, 2(1), 56-67.

Molnar, C. (2020). Interpretable machine learning. Lulu. com.

Adadi, A., & Berrada, M. (2018). Peeking inside the black-box: a survey on explainable artificial intelligence (XAI). IEEE access, 6, 52138-52160.

Guidotti, R., Monreale, A., Ruggieri, S., Turini, F., Giannotti, F., & Pedreschi, D. (2018). A survey of methods for explaining black box models. ACM computing surveys (CSUR), 51(5), 1-42.

Arrieta, A. B., Díaz-Rodríguez, N., Del Ser, J., Bennetot, A., Tabik, S., Barbado, A., ... & Herrera, F. (2020). Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI. Information fusion, 58, 82-115.

Shapley, L. S. (1953). A value for n-person games.

Палагута, К. О. (2026). Дослідження ефективності ансамблевих алгоритмів машинного навчання в задачах фінансового прогнозування. System Technologies, 3(164), 235–245.