ЭКСПЕРТНЫЕ СИСТЕМЫ В ФИНАНСОВОМ МЕНЕДЖМЕНТЕ МСБ

EXPERT SYSTEMS IN FINANCIAL MANAGEMENT FOR SMALL AND MEDIUM-SIZED BUSSINESSES

Spiridonov Evgeny Eduardovich

post-graduate student, Department of Finance for Sustainable Development, Plekhanov Russian University of Economics,

Russia, Moscow

АННОТАЦИЯ

Статья рассматривает потенциал экспертных систем как инструмента повышения финансовой устойчивости малого и среднего бизнеса в условиях возрастающей экономической неопределённости. Анализируются архитектура экспертных систем, возможности нечеткой логики для работы с неточными и субъективными данными, а также прикладные решения в области финансового менеджмента. Показано, что внедрение адаптивных экспертных моделей усиливает качество принимаемых решений.

ABSTRACT

The article examines the potential of expert systems as a tool to increase the financial stability of small and medium-sized businesses in the face of increasing economic uncertainty. The architecture of expert systems, the possibilities of fuzzy logic for working with inaccurate and subjective data, as well as applied solutions in the field of financial management are analyzed. It is shown that the introduction of adaptive expert models enhances the quality of decisions made.

Ключевые слова: информационные технологии; принятие решений; нечеткая логика; финансы; малый и средний бизнес; МСП

Keywords: information technology; decision-making; fuzzy logic; finance; small and medium-sized businesses; SMEs

Современная экономика характеризуется экспоненциальным ростом данных и значительным усложнением бизнес-процессов, что делает эффективное и оперативное принятие решений важным фактором конкурентоспособности. Однако в условиях растущей экономической неопределенности, перед малым и средним бизнесом (МСБ) встают вызовы, связанные с ограниченностью ресурсов и экспертизы.

Экспертные системы (ЭС) на базе технологии искусственного интеллекта (ИИ) предлагают мощные инструменты для преодоления указанных сложностей. Исследования показывают, что компании-«первопроходцы» во внедрении ИИ демонстрируют более высокую прибыльность по сравнению с конкурентами, что делает информационные технологии ключевым конкурентным преимуществом [5].

Теоретические основы и архитектура экспертных систем

Экспертные системы — это специализированные программные комплексы, предназначенные для имитации когнитивных функций человека-эксперта в узкой предметной области. Они служат для решения сложных задач, предоставления рекомендаций и, самое главное, для надежного хранения и тиражирования уникальных знаний [3].

Архитектура ЭС традиционно состоит из трех ключевых элементов (рис. 1): базу знаний, механизм логического вывода и пользовательский интерфейс обеспечивает взаимодействие с системой [4].

Рисунок 1. Структура нечетко-логической экспертной системы

Исторически ЭС зародились в середине 1960-х годов. Среди первых знаковых разработок выделяют DENDRAL (для анализа молекулярных структур) и MYCIN (для диагностики инфекционных заболеваний). С развитием технологий ЭС эволюционировали в гибридные системы, сочетающие классические подходы, основанные на правилах, с методами машинного обучения для решения неструктурированных и полуструктурированных бизнес-проблем.

В то же время, ключевой проблемой финансового анализа, особенно в МСБ, является необходимость работы с неточной информацией, а также субъективными суждениями экспертов. Традиционные статистические модели подвергаются критике за нарушение допущений, например, о распределении данных и сложности в моделировании мультифакторной информации [11].

Теория нечетких множеств (Fuzzy-set theory, FST) является идеальным методологическим ответом на эту проблему. FST позволяет моделировать расплывчатость, неточность и субъективные оценки, используя функции принадлежности. ЭС, основанные на нечетких правилах, могут моделировать финансовые последствия, учитывая неточность входных данных и субъективное экспертное суждение персонала [6].

Прикладное использование ЭС в финансовом менеджменте МСБ

Одним из прикладных примеров использования ЭС является управление оборотным капиталом, которое требует учета множества количественных и качественных факторов, зачастую нечетких. В таких случаях применяется теория нечетких множеств, которая позволяет включить в математическую модель субъективные суждения экспертов, например, о состоянии рынка сбыта или уровне будущих цен [12]. Благодаря FST, можно выявить пробелы в мышлении экспертов для оптимального использования ресурсов. Кроме того, ЭС на базе FST помогают МСБ оптимизировать финансовое планирование [1, 7, 15].

Еще одна область применения ЭС – кредитный скоринг. Традиционные методы кредитного скоринга часто не подходят для МСБ из-за их высокой зависимости от больших объемов исторических данных. Для преодоления этого, предлагаются интегрированные нечеткие модели многокритериального принятия решений (Fuzzy MCDM) такие как Fuzzy-BWM (Best-Worst Method). Метод BWM используется для определения весов критериев. Он превосходит традиционные методы за счет меньшего количества необходимых попарных сравнений, что обеспечивает более высокую согласованность и надежность результатов. Расширение же до нечеткой версии (Fuzzy-BWM) дополнительно устраняет неопределенность человеческого суждения [10]. Таким образом, модели, учитывающие нефинансовые факторы и неопределенность, являются более практичными и подходящими, чем однофакторные или статистические модели, для принятия решений и управлении в МСБ.

По данным исследования компании Kept использование гибридных систем поддержки принятия решений, интегрирующие нечеткую логику, нейронные сети или генетические алгоритмы демонстрирует рост в прибыльности, эффективности и точности прогнозирования по сравнению с другими алгоритмами. На рис. 2 отражены основные эффекты от применения ЭС на базе ИИ [9].

Рисунок 2. Эффект от использования экспертных систем на базе ИИ по данным компании Kept, %

Более того, патентный анализ показывает, что интерес к экспертным системам сохраняется на стабильно высоком уровне (общее число зарегистрированных патентов с 2000 по 2020 год составляет 10 303) [2]. Это свидетельствует о зрелости и устойчивой востребованности технологии для узкоспециализированных задач.

Ограничения и адаптивные решения для МСБ

Разработка ЭС требует проводить исчерпывающий анализ, привлекая экспертов. Это создает двойные издержки для МСБ: прямые затраты на эксперта и косвенные, связанные с отвлечением персонала от основных обязанностей.

Кроме того, МСБ сталкивается с нехваткой больших и качественных наборов данных, необходимых для обучения сложных ИИ-моделей. Проблема «информационных каскадов» означает, что плохие данные неизбежно приведут к отрицательным результатам.

Для преодоления этих ограничений были разработаны адаптивные методологии, например, правила схода вниз (Ripple-Down Rules, RDR). Этот подход, относящийся к «безаналитическим» методам, устраняет необходимость в экспертных знаниях, позволяя самостоятельно разрабатывать и пополнять базу знаний в процессе работы. RDR-методологии позволяют создавать крупные, специализированные системы знаний, адаптированные к уникальным бизнес-практикам МСБ [8, 14].

Критический анализ внедрения ЭС

Экспертные системы базируются на алгоритмах и научных методах, гарантируя объективный анализ, уменьшая субъективность и ошибки, вызванные человеческим фактором. Как было рассмотрено выше они повышают скорость выполнения бизнес-процессов и улучшают качество прогнозных и аналитических данных. Особое внимание следует уделить тому, что ЭС чаще используется для повышения операционной эффективности, нежели для решения аналитических задач. Однако именно переход к активному использованию ЭС для аналитики позволит МСБ качественно повысить свою финансовую устойчивость.

Рисунок 3. Основные препятствия при внедрении ЭС на базе ИИ в МСБ

Несмотря на очевидные преимущества, внедрение ЭС сдерживается рядом факторов (рис. 3): недостаток опыта, безопасность данных, стоимость внедрения, интерпретируемость данных и прочие [13].

Заключение

Проведенный анализ подтверждает, что экспертные системы являются высокоэффективным и необходимым инструментом для повышения финансовой устойчивости субъектов МСБ. ЭС, основанные на теории нечетких множеств, успешно моделируют неопределенность, присущую финансовому менеджменту, и интегрируют субъективные, нефинансовые факторы, которые невозможно учесть традиционными методами.

Таким образом, внедрение адаптированных экспертных систем позволяет МСБ не только повысить операционную эффективность, но и, что самое главное, обеспечить стратегически важное управление финансовыми ресурсами, тем самым гарантируя их устойчивое развитие в условиях экономической неопределенности. ЭС, сочетая объективность алгоритмов и гибкость нечеткой логики, являются катализатором перехода МСБ от интуитивного к интеллектуальному принятию решений.

Для дальнейшего повышения финансовой устойчивости МСБ необходимо сосредоточиться на адаптации методов к ограниченным данным. Необходимы дальнейшие исследования в области обучения и маловыборочных методов, чтобы компенсировать ограниченные объемы данных МСБ.

Список литературы:

1. Гулякин Д. В., Выпринцева В. Д., Гринев Д. Д., Крутикова Я. В. Применение экспертных систем как экономический фактор развития строительной сферы // Глобальный научный потенциал. – 2025. – № 4(169). – С. 406-409. – EDN PCINXB. https://www.elibrary.ru/pcinxb
2. Калимуллина О. В., Ярцева К. А., Литун К. В. Роль экспертных и рекомендательных систем для интеллектуализации бизнеса: отраслевой анализ рынка // Вопросы инновационной экономики. – 2022. – Т. 12, № 3. – С. 1613-1636. – DOI 10.18334/vinec.12.3.114969. – EDN ANJCCA. https://www.elibrary.ru/anjcca
3. Косников С. Н., Золкин А. Л., Атаева Л. Б., Дорждеева В. А. Особенности экспертных систем поддержки принятия решений и их применение в экономике // Естественно-гуманитарные исследования. – 2023. – № 5(49). – С. 160-163. – EDN OJYHMA. https://www.elibrary.ru/ojyhma
4. Сергеев А. В. Построение имитационных моделей, экспертных систем и СППР в экономических исследованиях // Экономика и управление: проблемы, решения. – 2019. – Т. 3, № 2. – С. 69-79. – EDN VWWZIM. https://www.elibrary.ru/vwwzim
5. Спиридонов Е. Э. Анализ возможностей применения экспертных систем субъектами малого и среднего бизнеса для управления финансами организации // Российский экономический интернет-журнал. – 2024. – № 3. – EDN IYJWHY. https://www.elibrary.ru/iyjwhy
6. Ammar S., Wright R. Applying fuzzy-set theory to performance evaluation // Socio-Economic Planning Sciences. – 2000. – Т. 34. – №. 4. – С. 285-302. https://doi.org/10.1016/S0038-0121(00)00004-5
7. Bu Y. Fuzzy Decision Support System for Financial Planning and Management // Informatica. – 2024. – Т. 48. – №. 21. https://doi.org/10.31449/inf.v48i21.6718
8. Dazeley R. An expert system methodology for SMEs and NPOs // 11th Annual Australian Conference on Knowledge Management and Intelligent Decision Support (ACKMIDS). – 2008.
9. Kept, 2024: Искусственный интеллект – драйвер изменений экономики и финансов. [Электронный ресурс]. – URL: https://kept.ru/news/iskusstvennyy-intellekt-drayver-izmeneniy-ekonomiki-i-finansov/ (дата обращения: 23.11.2025).
10. Kumar P., Shaw K., Ishizaka A. Developing an integrated fuzzy credit rating system for SMEs using fuzzy-BWM and fuzzy-TOPSIS-Sort-C // Annals of Operations Research. – 2023. – Т. 325. – №. 2. – С. 1197-1229. https://doi.org/10.1007/s10479-022-04704-5
11. Kumar V., Hanna A., Adams T. Assessment of working capital requirements by fuzzy set theory // Engineering, Construction and Architectural Management. – 2000. – Т. 7. – №. 1. – С. 93-103. https://doi.org/10.1108/eb021135
12. Nazarov D., Smorodin G. Sales company working capital adjustment on bases of fuzzy logic model // 2014 IEEE 8th International Conference on Application of Information and Communication Technologies (AICT). – IEEE, 2014. – С. 356-359. https://doi.org/10.1109/ICAICT.2014.7035977
13. Schönberger M. Artificial intelligence for small and medium-sized enterprises: Identifying key applications and challenges // Journal of Business Management. – 2023. – № 21. – C. 89-112. http://dx.doi.org/10.32025/JBM23004
14. Torkzadeh G., Rao S. S. Expert systems for small businesses // Information & Management. – 1988. – Т. 15. – №. 4. – С. 229-235. https://doi.org/10.1016/0378-7206(88)90048-1
15. Wang S., Mansoor M. Optimization model for enterprise financial management utilizing genetic algorithms and fuzzy logic // PeerJ Computer Science. – 2025. – Т. 11. – С. e2812. https://doi.org/10.7717/peerj-cs.2812