Статья опубликована в рамках: CLXVII Международной научно-практической конференции «Научное сообщество студентов XXI столетия. ТЕХНИЧЕСКИЕ НАУКИ» (Россия, г. Новосибирск, 05 ноября 2026 г.)
Наука: Информационные технологии
Скачать книгу(-и): Скачать книгу
дипломов
НЕЙРОСЕТЕВЫЕ МОДЕЛИ В ДИАГНОСТИКЕ И ПРОГНОЗИРОВАНИИ ФИНАНСОВЫХ РЕЗУЛЬТАТОВ ПРЕДПРИЯТИЙ ЖИЛИЩНО-КОММУНАЛЬНОГО ХОЗЯЙСТВА
NEURAL NETWORK MODELS IN DIAGNOSTICS AND FORECASTING OF FINANCIAL RESULTS OF HOUSING AND UTILITY ENTERPRISES
Аннотация
В статье представлены результаты исследования возможностей нейронных сетей в диагностике и прогнозировании финансовых результатов предприятий ЖКХ. Методологическую основу составил анализ публикаций, посвящённых нейросетевому моделированию финансового состояния предприятий, доходов управляющих компаний и инвестиционного статуса жилищного комплекса. Выявлены преимущества объединения прямых и косвенных факторов в единой модели, а также оценены точность и ограничения рассмотренных подходов. Позволяющие сделать вывод, что нейросети повышают качество управленческих решений в ЖКХ.
Abstract
The article presents the results of a study of the capabilities of neural networks in the diagnostics and forecasting of financial results of housing and utility enterprises. The methodological basis was an analysis of publications devoted to neural network modeling of the financial condition of enterprises, the income of management companies, and the investment status of the housing complex. The advantages of combining direct and indirect factors in a single model are identified, and the accuracy and limitations of the considered approaches are assessed. Allowing the conclusion that neural networks improve the quality of management decisions in housing and utilities.
Ключевые слова: инновации, нейронные сети, жилищно-коммунальное хозяйство, управляющая компания, прогнозирование доходов, финансовый результат, инвестиционный статус, диагностика, факторный анализ, машинное обучение.
Keywords: innovation, neural networks, housing and utilities, management company, income forecasting, financial result, investment status, diagnostics, factor analysis, machine learning.
Одной из наиболее инновационных и стремительно развивающихся технологий искусственного интеллекта в XXI веке являются нейронные сети. Они представляют собой математическую модель, созданную по аналогии с работой нейронных сетей человеческого мозга. В искусственные нейроны поступают сигналы, которые затем суммируются, преобразуются и формируют искомый результат по запросу. Подобно человеческому мозгу, искусственные нейронные сети можно обучать, и они обладают способностью к самообучению. Кроме того, стоит отметить, что по скорости и качеству запоминания информации искусственные нейронные сети могут превосходить биологические.
В настоящее время нейронные сети всё шире применяются в самых разных сферах профессиональной деятельности, где они могут быть внедрены и эффективно использованы. К таким сферам относится и жилищно-коммунальное хозяйство, тесно связанное с обеспечением жизнедеятельности каждого человека на планете. Цифровизация и онлайн-экономика становятся основополагающей тенденцией развития глобальной, международной и большинства национальных экономик, а цифровые технологии в настоящее время являются приоритетом роста практически всех сфер общества [1, с. 35]. Жилищно-коммунальное хозяйство при этом остаётся одной из наиболее проблемных и одновременно наиболее чувствительных к качеству управления отраслей. Как отмечают исследователи, значительно развившаяся под управлением крупных девелоперов сфера ЖКХ так же, как и любой другой бизнес, требует четкого планирования финансов и ресурсов [2, с. 17].
Нейронные сети обладают рядом существенных преимуществ в сравнении с традиционными методами экономического анализа: они состоят из множества простых процессов, которые в совокупности способны решать сложные задачи, а их отличительной особенностью является способность обучаться и обобщать полученные в процессе обучения знания [3, с. 53]. Применительно к ЖКХ это означает возможность объединить в одной модели факторы разнотипной природы. Так, в исследовании И.П. Курочкиной с соавторами нейронная сеть используется не только для прогнозирования, но и для оперативной диагностики финансового состояния, причем в зависимости от влияния факторов детерминированного и стохастического характера, дополняющих друг друга в единой модели. Объединение в одной модели разнотипных факторов открывает новые возможности факторного анализа. Авторы подчёркивают, что предложенная методика имеет универсальный характер и применена для специфических условий жилищно-коммунального хозяйства с адаптацией к его экономическому содержанию [3, с. 54].
Одним из наиболее разработанных направлений является диагностика и прогнозирование финансового результата предприятий ЖКХ. Как отмечают авторы, одной из самых актуальных и больших проблем социально-экономических преобразований в России является создание эффективной системы жилищно-коммунального хозяйства, а диагностическая оценка финансового состояния является признанным инструментом выявления неблагополучной ситуации на предприятии [3, с. 53]. В модели, предложенной коллективом авторов, финансовый результат описывается классической факторной формулой:
,
где: ФР – финансовый результат деятельности организации,
Вжку – выручка от оказания жилищно-коммунальных услуг,
Сжку – себестоимость жилищно-коммунальных услуг,
Вуу– выручка от оказания услуг управления,
Суу – себестоимость услуг управления,
УПЗ – условно-постоянные затраты,
∑Д – сумма доходов,
∑Р – сумма всех расходов [2, с. 55].
Важным преимуществом нейросетевой модели названа возможность включения в нее опосредованно влияющих косвенных факторов: количество квадратных метров жилья, численность сотрудников, просроченная дебиторская и кредиторская задолженность, средний возраст многоквартирных домов. Факторы, оказывающие прямое воздействие, и косвенные факторы объединены в кластеры, а архитектура сети построена так, что фактор, связанный с финансовым результатом детерминированной формулой, находится в связке с косвенным фактором [3, с. 55]. Для реализации модели использована многослойная нейронная сеть прямого распространения, включающая входной и три внутренних слоя. Число нейронов в выходном слое было увеличено до 50, что позволило повысить чувствительность нейронной сети к изменениям входных данных [3, с. 56]. По итогам тестирования качественная оценка финансового состояния анализируемого предприятия составила 62 балла из 100, что оценивается как удовлетворительное [3, с. 57]. Авторы отдельно перечисляют преимущества усовершенствованной модели: увеличение числа факторов; изменение программного интерфейса с возможностью ввода данных за год, полугодие, квартал, месяц; повышение точности и чувствительности сети [3, с. 57].
Отдельное выделяется прогнозирование поступлений денежных средств управляющей компании. А.М. Сулейманова с соавторами отмечают, что качественный прогноз, учитывающий не только ретроспективные данные об объемах продаж услуг, но и размеры коммунальных платежей, цены на услуги ЖКХ и т.п., позволяет эффективно планировать деятельность по управлению бизнесом [2, с. 17]. Среди рассмотренных методов машинного обучения использованы: случайный лес, градиентный бустинг и нейронные сети. Нейронные сети, наряду с градиентным бустингом, отнесены к числу методов, обеспечивающих обработку нелинейных зависимостей, определение важности факторов, устойчивость к выбросам, высокую точность, универсальность использования и гибкую настройку параметров. К их недостаткам отнесены трудоёмкость обучения, сложность интерпретации, склонность к переобучению при большом количестве итераций, требование к большому объёму данных и вычислительная сложность [2, с. 20]. В исследовании использовались данные о платежах за ЖКУ, страхование и платные услуги, суммах выставленных счетов, льготах, пенях, задолженности на начало периода и площади жилых комплексов. Дополнительно были добавлены такие факторы, как размер ключевой ставки Банка России, сезон года и метка повышения тарифов [2, с. 21–22]. По результатам оценки важности признаков методом Feature Importance наибольший вес получили сумма выставленного счёта (0,7376) и начисленные пени (0,1841) [2, с. 23]. Оценки качества модели: среднеквадратичная ошибка - 32 393, MAE - 283, MAPE - 71 %. Авторы делают вывод, что для компании с высоким ежемесячным доходом, а также с учетом небольшого количества данных для обучения модели, такие отклонения считаются приемлемыми [2, с. 24].
Использовать нейросетевую модель для оценки инвестиционного статуса регионального жилищного комплекса, который определяется как обобщающая инвестиционная характеристика регионального жилищного комплекса, определяемая совокупностью социально-экономических, экологических, институциональных и политических факторов, характеризующих его состояние как объекта инвестирования предлагает Овсянникова Т.Ю. [4, с. 4]. Необходимость такого подхода обосновывается тем, что региональный жилищный комплекс является территориально-межотраслевой системой, поэтому на инвестиционные процессы в нём оказывают влияние как территориальные факторы инвестиционной деятельности, так и отраслевые [4, с. 4]. Предлагаемая модель представляет собой трёхслойную нейронную сеть. Нейронами первого слоя выступают инвестиционная привлекательность региона, инвестиционная активность региона, инвестиционный потенциал комплекса и инвестиционные риски комплекса; нейронами второго слоя - инвестиционный климат региона и инвестиционная привлекательность комплекса; нейрон третьего слоя - инвестиционный статус комплекса [4, с. 5]. Текущее состояние каждого нейрона определяется как взвешенная сумма входных параметров:
,
где: S - текущее состояние нейрона,
Xi - величина i-го входного параметра,
Vi - вес i-го входного параметра [4, с. 5].
Автор подчёркивает, что модель позволяет определить интегральную характеристику инвестиционного статуса с учётом региональных и отраслевых факторов; получить количественную оценку с возможностью сравнения объектов; учесть статистические и экспертные показатели; реализовать прямые и обратные связи между характеристиками; построить адаптивную систему, гибко реагирующую на изменения условий [4, с. 5]. Практическая значимость модели связывается с тем, что использование предложенной модели на основе нейронной сети позволит оценить инвестиционный статус регионального жилищного комплекса и скорректировать механизмы управления инвестиционной деятельностью в регионе с целью привлечения дополнительных инвестиций в региональный жилищный комплекс [4, с. 6].
Обобщая рассмотренные работы, можно выделить следующие преимущества нейронных сетей применительно к экономике и управлению ЖКХ: способность обрабатывать нелинейные зависимости и разнотипные признаки [3, с. 53; 2, с. 20]; возможность объединения в одной модели детерминированных и стохастических факторов [3, с. 54]; способность обучаться и обобщать знания, работать с неполной и противоречивой информацией [3, с. 53]; возможность работы с обученной сетью пользователей-непрофессионалов [3, с. 53]; адаптивность и гибкое реагирование на изменения условий [4, с. 5]. К ограничениям относятся: высокие требования к вычислительным ресурсам, поскольку высокоточные нейронные сети требуют огромных вычислительных затрат [3, с. 58]; невозможность модификации во время функционирования без изменения архитектуры и числа входных факторов [3, с. 58]; сложность интерпретации принимаемых решений, поскольку функционал программного продукта скрыт от пользователя [3, с. 58]; трудности подготовки обучающей выборки, связанные с нахождением достаточного количества обучающих примеров [3, с. 58]; для градиентного бустинга и нейросетей - тенденция к переобучению при большом количестве итераций, требование к большому объему данных, вычислительная сложность [4, с. 20].
Проведённый анализ показывает, что технологии искусственных нейронных сетей находят в сфере жилищно-коммунального хозяйства несколько взаимосвязанных применений экономического характера. Они используются для диагностики и прогнозирования финансового результата предприятий ЖКХ с объединением прямых и косвенных факторов в единой нейросетевой модели [3]. Применяются для прогнозирования доходов управляющих компаний методами машинного обучения, включая градиентный бустинг и нейронные сети, с учётом специфических для отрасли признаков [2]. На их основе строится оценка инвестиционного статуса регионального жилищного комплекса как территориально-межотраслевой системы [4]. Таким образом, нейронные сети выступают связующим звеном между экономическими и управленческими аспектами функционирования ЖКХ. Дальнейшее развитие этого направления связано с накоплением достаточных объёмов данных, совершенствованием архитектур сетей, повышением интерпретируемости моделей и обеспечением информационной безопасности при обработке персональных данных [5, с. 29].
Список литературы
- Балашов А.М. Балашов Алексей Михайлович Использование ИТ-технологий в различных сферах деятельности и формирование новой информационно-цифровой реальности // Теоретическая экономика. – 2022. – № 9 (93). – URL: https://cyberleninka.ru/
article/ n/ ispolzovanie-it-tehnologiy-v-razlichnyh-sferah-deyatelnosti-i-formirovanie-novoy-informatsionno-tsifrovoy-realnosti (дата обращения: 16.09.2026). - Сулейманова А.М., Пашкевич В.Э. Сулейманова Алина Мидхатовна, Пашкевич Василий Эрикович Прогнозирование дохода управляющей компании на основе технологий машинного обучения // Цифровые модели и решения. – 2024. – № 2. – URL: https://cyberleninka.ru/
article/ n/ prognozirovanie-dohoda-upravlyayuschey-kompanii-na-osnove-tehnologiy-mashinnogo-obucheniya (дата обращения: 15.09.2026). - Курочкина И.П., Калинин И.И., Маматова Л.А., Шувалова Е.Б. Нейронные модели в диагностике финансового результата предприятий жилищно-коммунального хозяйства // Статистика и экономика. – 2019. – № 3. – URL: https://cyberleninka.ru/
article/ n/ neyronnye-modeli-v-diagnostike-finansovogo-rezultata-predpriyatiy-zhilischno-kommunalnogo-hozyaystva (дата обращения: 17.09.2026). - Овсянникова Т.Ю., Котова О.В. Овсянникова Татьяна Юрьевна, Котова Ольга Валерьевна Оценка инвестиционного статуса регионального жилищного комплекса на основе модели нейронной сети // Вестн. Том. гос. ун-та. – 2007. – № 302. – URL: https://cyberleninka.ru/
article/ n/ otsenka-investitsionnogo-statusa-regionalnogo-zhilischnogo-kompleksa-na-osnove-modeli-neyronnoy-seti (дата обращения: 19.09.2026). - Люлько А.Н. Эволюция «Умных городов»: от технологических проектов к искусственному интеллекту // ЭКО. – 2023. – № 6 (588). – URL: https://cyberleninka.ru/
article/ n/ evolyutsiya-umnyh-gorodov-ot-tehnologicheskih-proektov-k-iskusstvennomu-intellektu (дата обращения: 14.09.2026).
дипломов

