Использование искусственного интеллекта в прогнозировании рыночных и технологических рисков промышленного предприятия

Журнал «KANT» №1(58) 2026 [стр. 260-268]

DOI: 10.24923/2222-243X.2026-58.36

Авторы: Лихоузов Кирилл Игоревич, аспирант, Российский новый университет, Москва

Ключевые слова: искусственный интеллект; прогнозирование рисков; промышленное предприятие; технологическая устойчивость; цифровая трансформация; машинное обучение; байесовское моделирование; управление данными; объяснимость алгоритмов; предиктивная аналитика.

Цитировать: Лихоузов К.И. Использование искусственного интеллекта в прогнозировании рыночных и технологических рисков промышленного предприятия // KANT. — 2026. — №1(58). — С. 260-268. EDN: NYPUDL. DOI: https://doi.org/10.24923/2222-243X.2026-58.36

Исследование посвящено теоретическому и прикладному анализу применения технологий искусственного интеллекта для прогнозирования рыночных и технологических рисков промышленного предприятия. Актуальность темы обусловлена ростом волатильности внешней среды и ограниченными возможностями традиционных эконометрических моделей учета нелинейных взаимосвязей и динамичных изменений промышленной конъюнктуры. Цель работы заключается в обосновании концептуальных основ использования интеллектуальных алгоритмов при прогнозировании рисков и оценке потенциала их интеграции в корпоративные системы управления производством. В ходе исследования определены основные источники неопределённости и факторы уязвимости промышленного развития России в 2019-2024 годах, систематизированы методологические подходы, основанные на байесовском, нейросетевом и эконометрическом моделировании, а также проведено сравнительное описание классических и интеллектуальных моделей по критериям точности, устойчивости и интерпретируемости. Методологическая база работы опирается на принципы институциональной экономики, риск-ориентированного управления и концепцию объяснимого искусственного интеллекта, обеспечивающих прозрачность и воспроизводимость прогнозных решений. Научная новизна заключается в формировании концептуальной модели интеграции эконометрических и интеллектуальных методов в единую систему поддержки управленческих решений на основе данных. Результаты исследования подтверждают потенциал искусственного интеллекта для повышения точности прогнозов, адаптивности и технологической устойчивости промышленного управления. Сделан вывод о необходимости развития национальной инфраструктуры управления данными и механизмов доверенного искусственного интеллекта как основы устойчивой промышленной политики России. Практическая значимость исследования состоит в возможности использования предложенных подходов при разработке стратегий цифровой модернизации предприятий и формировании отраслевых программ технологического развития.

скачать

Литература:
1. Аверьянов А.О. Управление развитием искусственного интеллекта в России через призму теории и методологии стратегирования / А.О. Аверьянов // Управленческое консультирование. — 2024. — №6. — С. 240-254. DOI: 10.22394/1726-1139-2024-6-240-254.
2. Зеленцова Л.С. Развитие интеллектуализации промышленности России: стратегический подход / Л.С. Зеленцова, В.Ф. Уколов, А.И. Тихонов // Управление. — 2023. — Т. 11, №4. — С. 17-24. DOI: 10.26425/2309-3633-2023-11-4-17-24.
3. Илькевич С.В. Стратегия цифровой трансформации промышленных предприятий: эффекты внедрения технологий умного производства / С.В. Илькевич // Стратегические решения и риск-менеджмент. — 2022. — Т. 13, №3. — С. 210-225. DOI: 10.17747/2618-947X-2022-3-210-225.
4. Карлова Н. Производственные возможности промышленности: результаты опроса предприятий / Н. Карлова, Е. Пузанова. — М.: Банк России, 2024. — 17 с.
5. Клейнер Г.Б. Системная парадигма как теоретическая основа стратегического управления экономикой в современных условиях / Г.Б. Клейнер // Управленческие науки (Management Sciences). — 2023. — Т. 13, №1. — С. 6-19. DOI: 10.26794/2304-022X-2023-13-1-6-19.
6. Кокуйцева Т.В. Подходы к формированию методологии управления цифровой трансформацией компаний наукоёмких отраслей промышленности / Т.В. Кокуйцева // Вопросы инновационной экономики. — 2022. — Т. 12, №3. — С. 1443-1462. DOI: 10.18334/vinec.12.3.116266.
7. Макаров И.Н. Планирование инновационного развития региональных систем на основе цифровизации государственного стратегического управления / И.Н. Макаров, Е.В. Дробот, Т.В. Башлыков и др. // Вопросы инновационной экономики. — 2024. — Т. 14, №1. — С. 139-156. DOI: 10.18334/vinec.14.1.120684.
8. Пономарева Е.А. Цифровизация экономики как движущая сила экономического роста: только ли инфраструктура имеет значение? / Е.А. Пономарева // Журнал Новой экономической ассоциации. — 2021. — №3(51). — С. 51-68.
9. Применение искусственного интеллекта на финансовом рынке: доклад для общественных консультаций. — М.: Банк России, 2023. — 52 с.
10. Фурсова Т.В. Износ основных фондов на предприятиях России как проблема реализации программы импортозамещения / Т.В. Фурсова, К.В. Фатеев // Вестник Московского финансово-юридического университета. — 2024. — №1. — С. 209-216. DOI: 10.52210/2224669X_2024_1_209.
11. Advancing Accountability in AI: Governing and Managing Risks Throughout the Lifecycle for Trustworthy AI // OECD Digital Economy Papers. –2023. — №349. — 72 p.
12. Aldasoro I. Intelligent financial system: how AI is transforming finance / I. Aldasoro, L. Gambacorta, A. Korinek, V. Shreeti, M. Stein // BIS Working Papers. — 2024. — №1194. — 42 p.
13. Aquilina M. Harnessing artificial intelligence for monitoring financial markets / M. Aquilina, D. Araujo, G. Gelos, T. Park, F. Pérez-Cruz // BIS Working Papers. — 2025. — №1291. — 39 p.
14. Assessing Potential Future Artificial Intelligence Risks, Benefits and Policy Imperatives // OECD Artificial Intelligence Papers. — 2024. — №27. — 69 p.
15. Auer R. The effect of low-wage import competition on U.S. inflationary pressure / R. Auer, A.M. Fischer // Journal of Monetary Economics. — 2010. — Vol. 57, Issue 4. — Pp. 491-503. DOI: 10.1016/j.jmoneco.2010.02.007.
16. Bakker B.B. What Can Artificial Intelligence Do for Stagnant Productivity in Latin America and the Caribbean? / B.B. Bakker, S. Chen, D. Vasilyev, O. Bespalova, M. Chin, D. Kolpakova, A. Singhal, Y. Yang // IMF Working Papers. — 2024. — №219. DOI: 10.5089/9798400290770.001.
17. Economy. Information and analytical commentary / Central Bank of the Russian Federation. — 2019. — №12(48).
18. Feng Q. Multi-level predictive maintenance of smart manufacturing systems driven by digital twin: A matheuristics approach / Q. Feng, Y. Zhang, B. Sun, X. Guo, D. Fan, Y. Ren, Y. Song, Z. Wang // Journal of Manufacturing Systems. — 2023. — Vol. 68. — Pp. 443-454. DOI: 10.1016/j.jmsy.2023.05.004.
19. Global Trends in AI Governance: Evolving Country Approaches. — Washington, D.C.: International Bank for Reconstruction and Development / The World Bank, 2024. — 108 p.
20. Kristjanpoller W. A hybrid econometrics and machine learning based modeling of realized volatility of natural gas / W. Kristjanpoller // Financial Innovation. — 2024. — Vol. 10. — P. 45. DOI: 10.1186/s40854-023-00577-0.
21. Livingstone J. The Object of Labor: Art, Cloth, and Cultural Production / J. Livingstone, J. Ploof. — Cambridge, MA: The MIT Press, 2007. — Vol. 1. — 422 p.
22. Meade N. Differing behaviours of forecasters of UK GDP growth / N. Meade, C. Driver // International Journal of Forecasting. — 2023. — Vol. 39, Issue 2. — Pp. 772-790. DOI: 10.1016/j.ijforecast.2022.02.005.
23. Misch F. Artificial Intelligence and Productivity in Europe / F. Misch, B. Park, C. Pizzinelli, G. Sher // IMF Working Paper WP/25/67. — Washington, D.C.: International Monetary Fund, 2024. — 38 p.
24. Molnar C. Interpretable Machine Learning / Christoph Molnar. — Morrisville, NC: Lulu.com, 2020. — 320 p.
25. Moosavi S. Explainable AI in Manufacturing and Industrial Cyber-Physical Systems: A Survey / S. Moosavi, M. Farajzadeh-Zanjani, R. Razavi-Far, V. Palade, M. Saif // Electronics. — 2024. — Vol. 13, №17. — P. 3497. DOI: 10.3390/electronics13173497.
26. Puthanveettil Madathil A. A review of explainable artificial intelligence in smart manufacturing / A. Puthanveettil Madathil, X. Luo, Q. Liu, C. Walker, R. Madarkar, Y. Qin // International Journal of Production Research. — 2025. — Pp. 1-44. DOI: 10.1080/00207543.2025.2513574.
27. Rupali K. Forecasting Financial Market Using Machine Learning Techniques / K. Rupali, T. Kaur, G. Kaur // Proceedings of the International Conference on Innovative Computing & Communication (ICICC 2024). — 2024. DOI: 10.2139/ssrn.4855170.
28. Stępień D. Hybrid Models for Financial Forecasting: Combining Econometric, Machine Learning, and Deep Learning Models / D. Stępień, R. Ślepaczuk // arXiv preprint. — 2025. arXiv:2505.19617 [q-fin.TR]. — 30 p. DOI: 10.48550/arXiv.2505.19617.
29. Wei L. Local-global lightweight ViT model for mini/micro-LED-chip defect recognition / L. Wei, J. Cai, K. Wen, C. Zhang // Engineering Applications of Artificial Intelligence. — 2023. — Vol. 123, Part A. Article 106247. DOI: 10.1016/j.engappai.2023.106247.

The use of artificial intelligence in forecasting the market and technological risks of an industrial enterprise

Authors: Likhouzov Kirill Igorevich, Postgraduate student, Russian New University, Moscow

Keywords: artificial intelligence; risk forecasting; industrial enterprise; technological resilience; digital transformation; machine learning; Bayesian modeling; data governance; model interpretability; predictive analytics.

The study analyzes the theoretical and practical foundations of applying artificial intelligence technologies to forecast market and technological risks of industrial enterprises. The relevance of the topic arises from the increasing volatility of external environments and the limited ability of traditional econometric models to capture nonlinear relationships and dynamic shifts in industrial systems. The research aims to substantiate the conceptual framework for employing intelligent algorithms in risk forecasting and to evaluate their potential integration into corporate production management systems. The analysis identifies the main sources of uncertainty and vulnerability in Russia’s industrial development from 2019 to 2024 and systematizes methodological approaches combining Bayesian, neural network, and econometric modeling. Comparative assessment of classical and intelligent models is carried out according to accuracy, stability, and interpretability criteria. The methodological basis relies on the principles of institutional economics, risk-oriented management, and the explainable artificial intelligence paradigm ensuring transparency and reproducibility of predictions. The scientific novelty lies in the conceptual integration of econometric and intelligent methods into a unified model of data-driven decision support. The results confirm the potential of artificial intelligence to enhance forecasting accuracy, adaptability, and technological resilience in industrial management. The study emphasizes the need to develop a national data governance infrastructure and trustworthy artificial intelligence mechanisms as key elements of sustainable industrial policy. The practical significance of the study lies in the possibility of applying the proposed approaches in the development of enterprise digital modernization strategies and the formation of sectoral programs for technological advancement.