Моделювання та прогнозування економічних процесів

THE MODELING THE DETERMINANTS OF CORPORATE CAPITAL INVESTMENT EFFICIENCY IN THE PRE-WAR AND WARTIME PERIODS

Oleksandr Demidov — 2025-12-24

Modern macroeconomic shocks and the ongoing war in Ukraine have severely disrupted
investment activity in the real sector. According to industry analysts, the war has effectively wiped
out the equivalent of five years of capital investment in the country’s primary production subsector.
In addition, more than 95% of total investment by production and resource-oriented enterprises is
financed from internal funds [1], indicating limited access to external capital and making the
optimization of firms’ investment behavior especially pressing. The purpose of this study is to
develop economic and mathematical models to assess and forecast how financial and economic
determinants affect net revenue in production and resource-oriented enterprises of different scales
under macroeconomic instability, and to formulate practical recommendations for improving the
effectiveness of capital investment decisions.
To achieve this objective, a representative dataset of financial statements of Ukrainian
production and resource-oriented enterprises was compiled for 2020 (the pre-war period) and 2023
(the period under martial law). The sample includes 12,294 enterprises for 2020 and 10,690
for 2023 [2]. All balance sheet and income statement indicators were converted into constant 2020
prices and transformed into relative structural ratios (standardized with respect to total assets) to
ensure comparability over time. During initial data preparation (ETL), MS Excel Power Query was
used to clean, reconcile, and aggregate raw data. To obtain homogeneous groups by scale, enterprises
were ranked by total balance sheet assets and then split into three equal-sized groups (approximately
the same number of firms in each), forming "large", "medium", and "small" clusters. This approach
keeps the clusters comparable and analytically consistent. By contrast, dividing firms into clusters by
equal asset-value intervals would be misleading: due to the strongly skewed distribution of assets,
most firms would fall into the smallest interval, while the "large" cluster would contain only a few
outliers ("titans"), biasing the results.
The core modeling tool was a multivariate regression specified in a double-log (log–log) form.
Log-transforming both the dependent and independent variables makes the estimated coefficients
interpretable as elasticities and typically mitigates heteroskedasticity while bringing distributions
closer to normality. Given the high dimensionality of the model, multicollinearity among regressors
was diagnosed and addressed using the Farrar–Glauber approach, which relies on a system of χ², F,
and t criteria to evaluate correlation structure and detect problematic dependencies.
Heteroskedasticity was tested using White’s general test, which does not require a priori assumptions
about the functional form of the error variance. Econometric computations were performed in Python
using pandas, statsmodels, scikit-learn, and SciPy [2]. A full search over all possible combinations of
explanatory variables was implemented – i.e., up to 2n candidate specifications for each cluster and
year—evaluating each model using R² and RMSE while simultaneously tracking the outcomes of
diagnostic tests. For each specification, an integral quality measure (W-score) was computed as a
weighted aggregation of model fit and diagnostic indicators, enabling the selection of the optimal
models for each cluster-year setting:

THE ARTIFICIAL INTELLIGENCE IN MODELING ECONOMIC PROCESSES

Iryna Kovova — 2025-12-24

In the context of a constantly changing market environment, artificial intelligence acts as a tool
that fundamentally changes the approaches to analyzing and forecasting economic processes. The
prospect of integrating modern machine learning algorithms into business models opens new horizons
for increasing the accuracy, adaptability, and speed of decision-making, and optimizing their
resources.
The use of methods such as machine learning, neural networks, deep learning, and evolutionary
algorithms allows for modeling complex non-linear relationships, identifying hidden patterns and
trends in economic data. We will systematize the directions of application for the main
methodological approaches of artificial intelligence in the modeling of economic processes, which
are currently gaining widespread use in fig. 1.
Among the technical aspects of applying artificial intelligence in modeling economic processes,
several critical directions can be identified that highlight both methodological depth and practical
applicability. First, the implementation of models on Python-based platforms such as TensorFlow,
PyTorch, and Scikit-learn provides a flexible environment for constructing, training, and deploying
machine learning algorithms, enabling researchers and practitioners to address complex economic
problems with scalable solutions. Second, the application of Natural Language Processing (NLP)
17
methods facilitates the analysis of economic texts, policy documents, and financial news, thereby
enriching models with qualitative insights and improving the accuracy of forecasts in dynamic
information environments. Third, the utilization of cloud services ensures access to substantial
computational power, which is indispensable for processing large-scale datasets and conducting realtime simulations of economic scenarios. Finally, the application of rigorous model quality evaluation
metrics – including Mean Absolute Error (MAE), Root Mean Square Error (RMSE), classification
accuracy, and the F1-score—provides a systematic framework for assessing the reliability and
robustness of AI-driven models. Collectively, these technical components establish a foundation for
integrating artificial intelligence into economic modeling, enhancing the precision, adaptability, and
strategic relevance of decision-making processes in both corporate and governmental contexts.

METHODS AND MODELING OF INFORMATION ASYMMETRY IN THE INNOVATION PROCESS

Mykyta Mazurenko — 2025-12-24

The subject of the innovation and its realization have been substantial in the ongoing
configuration of the economic growth, foremost last 3 centuries. The results of this are showing in
the pace of technological progress and changes in social structures, like arise of working and stratum
from the middle of 19 century.
Conventionally, the main theoretical and practical framework of the realization of innovation
phenomena is innovation process as the specific system of transformation and changes of scientific
ideas to market goods. The scientific community through the evolution of subject discourse has
produced and proposed different variations of this process description. These inquiries had started
from simple demand (push) or supply (pull) driven models and has been continuing to extend to
nonlinear and network-based open innovation theory.
However, comparable reinforcement of theoretical concepts by suitable mathematical apparatus
has been weakly developed nowadays. Especially, there is a leak of the general toolkit of methods to
characterize the innovation process in different circumstances as mathematical objects in the strict
notation. Moreover, it could be stated the absence of at least one comprehensive theory to
mathematical analysis of innovation process, like the neoclassical Solow-Swen growth model for
description of the economic growth.
In our case, the subject of interest is possibility of modelling information asymmetry for the
context of the innovation realization. There is similarity between classical presented cases of
information asymmetry and its conceptual usage for innovation: unknown characteristics and
uncertain result. It could not be predicted the productivity of certain employee, the state of insured
object and the real value of financial asset. Similarly, it could not be defined and known the value of
the result of specific innovation process.
Although in the case of innovation from its nature, its result is information on the specific stages
before its commercialization, as stated in Arrow information paradox (the value for the buyer of
technology/information exists until the sense and details of it is veiled). The one possible consequence
of this is necessity of transaction category inclusion in the description of every model that aim
comprehensive view on the object. For example, this paradox drives the logic of classical patent
systems, which attempt to solve the disclosure problem by trading a temporary monopoly for the
public revelation of knowledge. However, as models of "open innovation" reveal, the reliance on
secrecy versus disclosure remains a continuous strategic tension, often modeled as the paradox of
openness.
From the time of information asymmetry occur situations could be classified as adverse
selection (ex-ante) and moral hazard (ex-post). Therefore, the adverse selection situation describes
the form of market relationships, in contrast to moral hazard which is the case of principal-agent
problem. This could stipulate the specific methodological prerequisites on the modelling framework.
For innovation field, adverse selection is proceeding when financing of novations take place.
The acquisition and learning of information hidden in the market could be done by typical
instruments like screening and signaling. In the case of the innovation screening is constituted by the
21
formal procedures like external. However, when direct verification (screening) is too costly or
impossible, the market relies on signaling games. Research identifies several specific actions that
function as valid economic signals in the innovation process. While patents provide legal protection,
their secondary economic function is signaling. A patent application reveals technical details and
certifies "novelty" as value too. Also, an entrepreneur investing their own wealth or forgoing a market
salary is a powerful signal, costly to mimic. Finally, social ties and affiliation could be characterized
as information conduits in. A referral from a trusted network node acts as a certification, which valued
by social capital.

RISK-ORIENTED DECISION-MAKING MODELS IN PROJECT MANAGEMENT SYSTEMS

Bohdan Mitiushkin — 2025-12-24

Modern global challenges (climate change, resource depletion, biodiversity degradation, social
inequality) require new approaches to economic development. In this context, the green economy
emerges as a model that combines economic growth, social justice and environmental sustainability.
Its implementation is considered a crucial step for the implementation of the UN Sustainable
Development Goals. The purpose of the study is to analyze the conceptual foundations of the green
economy and its connection with the goals of sustainable development, as well as to study global
practices and prospects for further development of the green economy, considering current global
trends. We assume that the implementation of "green" technologies and modernization of the energy
sector will contribute to the coordination of economic growth with environmental and social
priorities. The theoretical basis of the work was the provisions of the theory of sustainable
development and the concept of "green growth", including the provisions of the Agenda 2030 and
"green" strategies of various countries [1].
It has been confirmed that the transition to a green economy is closely related to the reform of
traditional development models. Thus, the need to consider environmental risks was caused by the
crisis of 2008-2009, which laid the foundations of the concept of a "green economy" [2]. In 2015, the
adoption of the Sustainable Development Goals led to the integration of social, economic and
environmental tasks into a single development program. It has been established that the green
economy is becoming a key component of global economic growth in the face of modern
environmental threats. However, this transition faces a number of challenges: in particular, global
environmental risks, the need for radical (and not just gradual) technological changes, "green
capitalism" in the face of uncertain business climate, the role of the state and the optimal combination
of policy instruments, as well as distributive social issues. To solve these problems, it is necessary to
combine technical innovations with adequate political support, and to ensure public and private
financing of investments in "green" projects [2, 3].
Digitalization significantly advances sustainable development by fostering innovation and
"green" technologies through AI, blockchain, and related tools. It enables knowledge exchange, cost
reduction, and environmentally friendly modernization of production, while overcoming spatial and
temporal constraints to enhance resource integration and efficiency, thereby supporting long-term
growth [4]. Digitalization also promotes new resource management approaches, notably circular
economy models, which are crucial for resource-limited countries. However, weaknesses in digital
infrastructure and legal frameworks remain challenges requiring further research and policy
refinement [4]. A core element of the green economy is effective environmental regulation that
balances economic incentives with ecological priorities. Instruments such as carbon taxes, emissions
trading, green procurement, and product labelling, when combined with stricter standards, accelerate
eco-friendly technologies and stimulate enterprise innovation. Their success depends on transparent
governance, financing access, and international coordination, particularly in addressing global
environmental threats and climate goals.
23
Energy transition and security are key dimensions of the green economy. Expanding renewable
energy strengthens national independence and reduces emissions [1]. The green economy contributes
to SDGs through resource conservation, renewable energy, and "green" employment [3]. Strategies
differ: developed economies emphasize innovation, efficiency, and circularity, while developing
countries prioritize clean energy access and ecosystem restoration [3]. Success depends on policy,
international cooperation, and financing [3]. Scientific recommendations stress new political and
financial mechanisms, integrating regulation with incentives, and assessing the impact of "green"
investments and digital technologies on productivity and innovation [2, 4].
The energy transition and related security are central to the green economy. Expanding
renewable energy enhances state independence and reduces greenhouse gas emissions [1]. Research
confirms that the green economy supports the SDGs, particularly through resource conservation,
renewable energy development, and the creation of "green" jobs [3]. National practices vary:
developed economies emphasize technological innovation, energy efficiency, and circular models,
while developing countries prioritize clean energy access and ecosystem restoration [3]. The
effectiveness of this transition depends on public policy, international cooperation, and financing of
"green" projects [3]. Scientific recommendations highlight the need for new political and financial
mechanisms, combining environmental regulation with economic incentives, and evaluating the
impact of "green" investments and digital technologies on productivity and innovation [2, 4].

CHALLENGES AND SCIENTIFIC GUIDELINES OF THE GREEN ECONOMY IN THE CONDITIONS OF SUSTAINABLE DEVELOPMENT

Mykola-Bohdan Pankrad — 2025-12-24

Modern global challenges such as climate change, resource depletion, biodiversity degradation,
and social inequality necessitate the adoption of innovative approaches to economic development that
transcend traditional growth paradigms. Within this context, the green economy emerges as a
comprehensive model that integrates economic growth, social justice, and environmental
sustainability, thereby offering a balanced framework for addressing systemic risks while fostering
long-term resilience. Its implementation is increasingly recognized as a crucial pathway for achieving
the United Nations Sustainable Development Goals, particularly in areas related to energy transition,
resource efficiency, and inclusive employment. By aligning environmental imperatives with
24
economic incentives, the green economy provides a strategic foundation for reorienting development
trajectories toward sustainability, equity, and global competitiveness.
The purpose of the study is to analyze the conceptual foundations of the green economy and its
connection with the goals of sustainable development, as well as to study global practices and
prospects for further development of the green economy, considering current global trends. We
assume that the implementation of "green" technologies and modernization of the energy sector will
contribute to the coordination of economic growth with environmental and social priorities. The
theoretical basis of the work was the provisions of the theory of sustainable development and the
concept of "green growth", including the provisions of the Agenda 2030 and "green" strategies of
various countries [1].
It has been confirmed that the transition to a green economy is closely related to the reform of
traditional development models. Thus, the need to consider environmental risks was caused by the
crisis of 2008-2009, which laid the foundations of the concept of a "green economy" [2]. In 2015, the
adoption of the Sustainable Development Goals led to the integration of social, economic and
environmental tasks into a single development program. It has been established that the green
economy is becoming a key component of global economic growth in the face of modern
environmental threats. However, this transition faces a number of challenges: in particular, global
environmental risks, the need for radical (and not just gradual) technological changes, "green
capitalism" in the face of uncertain business climate, the role of the state and the optimal combination
of policy instruments, as well as distributive social issues. To solve these problems, it is necessary to
combine technical innovations with adequate political support, and to ensure public and private
financing of investments in "green" projects [2, 4].
Digitalization of the economy contributes significantly to sustainable development. Recent
studies show that the rapid development of the digital economy (artificial intelligence, blockchain,
etc.) stimulates innovation and the development of "green" technologies: it accelerates the exchange
of knowledge in innovation networks, allows companies to use advanced technologies to reduce costs
and modernize production in an environmentally friendly way. In addition, digital technologies
overcome spatial and temporal constraints, integrate production resources and increase their efficient
use, which ensures long-term economic growth and supports sustainable development. At the same
time, digitalization allows for the formation of new approaches to resource management, in particular
through circular economy models, which is an important factor for countries with limited resources.
However, the shortcomings of the digital infrastructure and the inconsistency of the legal environment
remain a problem, which requires further research and improvement of policies [3]. An important
component of the development of a green economy is the formation of an effective system of
environmental regulation that is able to reconcile economic incentives with long-term environmental
priorities. Such instruments include carbon taxes, emissions trading systems, green public
procurement and environmental labelling of products. World experience shows that combining
market instruments with stricter environmental standards promotes faster implementation of
environmentally friendly technologies and increases innovative activity of enterprises. At the same
time, the success of regulatory mechanisms depends on the transparency of state policy, business
access to financing and the level of international coordination, which is especially important in the
context of global environmental threats and the need to achieve climate goals.
One of the most important aspects of the green economy is the energy transition and the related
energy security. The development of renewable energy sources increases the energy independence of
states and reduces greenhouse gas emissions [1]. The analysis has shown that the green economy is
an effective tool for achieving the SDGs, especially in terms of resource conservation, the
development of renewable energy and the creation of "green" jobs [4]. Practices in different countries
indicate a variety of strategies: developed economies focus on technological innovation, energy
efficiency and circular economy, while developing countries focus on ensuring the availability of
clean energy and restoring ecosystems [4]. It has been found that the success of the transition to a
green economy largely depends on public policy, international cooperation and financing of "green"
projects [4]. Scientific guidelines include the search for new political and financial mechanisms to
25
stimulate green development. In particular, it is necessary to explore the effective combination of
environmental regulations with economic incentives and assess the impact of "green" investments
and digital technologies on the productivity and innovativeness of the economy [2, 3].
One of the most important aspects of the green economy is the energy transition and the related
energy security. The development of renewable energy sources increases the energy independence of
states and reduces greenhouse gas emissions [1]. The analysis has shown that the green economy is
an effective tool for achieving the SDGs, especially in terms of resource conservation, the
development of renewable energy and the creation of "green" jobs [4]. Practices in different countries
indicate a variety of strategies: developed economies focus on technological innovation, energy
efficiency and circular economy, while developing countries focus on ensuring the availability of
clean energy and restoring ecosystems [4]. It has been found that the success of the transition to a
green economy largely depends on public policy, international cooperation and financing of "green"
projects [4]. Scientific guidelines include the search for new political and financial mechanisms to
stimulate green development. In particular, it is necessary to explore the effective combination of
environmental regulations with economic incentives and assess the impact of "green" investments
and digital technologies on the productivity and innovativeness of the economy [2, 3].

MODELING CONSUMER CHOICE PATHS WITH DECISION TREES

Valeriia Peliak — 2025-12-24

ANALYSIS OF THE IMPACT OF DIGITALISATION ON HUMAN RESOURCE MANAGEMENT PROCESSES IN ENTERPRISES

Viktoriia Pliekhova — 2025-12-24

In recent years, digitalisation has had an increasingly significant impact on businesses, most
notably in the area of human resource management. Processes that were previously performed
exclusively by hand are now being digitised. Recruitment, training, evaluation, and even the
onboarding of new employees are gradually being transformed, becoming more streamlined and
faster. Numerous international reviews emphasise that such changes enhance the competitiveness of
companies, especially in countries whose economies have experienced severe shocks and require
revitalisation [3].
In modern scientific literature, human resources are interpreted as a system that encompasses
the planning of employee needs, professional development, performance evaluation, and motivation
maintenance. In the digital environment, this system is undergoing substantial transformations driven
by the introduction of information and communication technologies, cloud services, HRM systems,
predictive analytics tools, and web platforms that improve the efficiency of HR processes and
optimise managerial decision-making.
An analysis of the current state of HR digitalisation based on official statistics from the State
Statistics Service indicates that the level of use of information and communication technologies (ICT)
in human resource management remains uneven and is declining in certain areas. The share of
enterprises that employ ICT specialists has decreased from 22,3% in 2018 to 17,7% in 2023,
signalling a reduction in the human resource capacity of businesses to support digital transformation
[1]. The use of cloud services has remained relatively stable at 9,8–10,3%, mainly for email, office
software, file storage, and database hosting, whereas the implementation of specialised HRM
solutions remains limited. For example, in 2022, only 5,9% of enterprises used ERP systems, 3,0%
used CRM systems, and the adoption of LMS solutions is reflected only indirectly in the statistics.
External comparative data reveal similar trends. Small and medium-sized enterprises dominate
the Ukrainian business landscape, yet their level of digitalisation lags considerably behind that of
large enterprises. Only 30% of small businesses and 47% of medium-sized enterprises have a website,
compared to 70% among large enterprises. Online processes, such as digital recruiting and ecommerce, remain underdeveloped for SMEs; according to official data, only 4,2% of small
enterprises engage in online sales [3]. Despite this, government initiatives – including the
development of the Diia app and the digitalisation of administrative services – are expanding
opportunities for the digital transformation of HR processes.
Digital technologies have a profound impact on HR functions. Global estimates indicate that
the use of applicant tracking systems (ATS) and algorithmic pre-selection significantly reduces
recruitment duration. Time-to-hire can decrease by 50–60%, and up to 75% of resumes are processed
automatically without direct recruiter involvement [2]. Companies using ATS report lower cost-perhire, more accurate initial screening, and more predictable recruitment outcomes. Thus, the
digitalisation of recruitment entails a transition from manual processing to algorithm-driven
workflows, where analytics and automation play a central role.

TRANSFORMATION OF THE SOCIO-ECONOMIC ENVIRONMENT OF CHINA AT THE END OF THE 20TH CENTURY

Vladislav Sadovoi — 2025-12-24

At the present stage, China stands out as one of the most convincing examples of successful
economic development. Since the 1990s, annual gross domestic product (GDP) growth rates have
consistently exceeded 8% and maintained this momentum until the early 2010s. In 2020, under the
influence of the COVID-19 pandemic, there was a temporary slowdown in growth to approximately
2%, but in the following years, GDP again showed growth of more than 5% (fig. 1), which is
consistent with World Bank statistics (The World Bank, n.d.) [1]. The sustained economic upturn
contributed to a historically unprecedented improvement in living standards, a reduction in poverty
and an increase in social welfare. At the same time, half a century ago, the People’s Republic of China
remained a predominantly agrarian and economically closed country, where more than half of the
population lived below the poverty line. Over the past 40 years, the country has undergone a profound
structural transformation, transforming itself from a developing country into the world’s second
largest economy. The basis for this transition was the phenomenon of the "Chinese economic miracle"
– a set of profound socio-economic reforms initiated by Deng Xiaoping [2].

Socio-economic renewal began after the third plenum of the 11th Central Committee of the
Communist Party of China (18–22 December 1978), which marked the beginning of a large-scale
transformation programme. The first stage of reforms covered agriculture, where a policy of
decollectivisation was implemented. Land was leased to farmers, subleasing and individual labour
activities were allowed, and producers were given the right to keep part of their additional income.
These changes created effective incentives to work, increased productivity and contributed to the
country’s gradual emergence from economic stagnation [3].
In industry, the key direction of reform was the decentralisation of management: the role of
central authorities was weakened, enterprises were given more autonomy, and the private sector was
31
given opportunities to expand its activities. Enterprises were encouraged to increase profitability and
modernise production, which laid the foundation for the formation of a competitive environment.
In the foreign economic sphere, an "open door policy" was introduced, under which the state
opened the country to international trade and foreign direct investment. The creation of Special
Economic Zones (SEZs) – with preferential tax regimes, broad administrative autonomy, and minimal
state intervention – became one of the most successful tools for industrial breakthrough. The example
of Shenzhen is illustrative: from a small fishing village of 30,000 people in 1979, it has grown into a
metropolis of millions and a global centre of high technology, home to the headquarters of Huawei,
among others [3].
Socio-economic renewal began after the third plenum of the 11th Central Committee of the
Communist Party of China (18–22 December 1978), which marked the beginning of a large-scale
transformation programme. The first stage of reforms covered agriculture, where a policy of
decollectivisation was implemented. Land was leased to farmers, subleasing and individual labour
activities were allowed, and producers were given the right to keep part of their additional income.
These changes created effective incentives to work, increased productivity and contributed to the
country’s gradual emergence from economic stagnation [4].
In industry, the key direction of reform was the decentralisation of management: the role of
central authorities was weakened, enterprises were given more autonomy, and the private sector was
given opportunities to expand its activities. Enterprises were encouraged to increase profitability and
modernise production, which laid the foundation for the formation of a competitive environment.
Through a combination of market reforms, foreign investment and modernisation of production
facilities, China has achieved one of the world’s highest levels of sustainable economic growth.
Between 1979 and 2010, average annual GDP growth was around 10%, and more than 850 million
people were lifted out of poverty (fig. 2), as confirmed by World Bank statistics [1]. The combination
of reforms has transformed the PRC from a predominantly agrarian state into a global economic
leader.

THE IMPACT OF AUTOMATION ON MODELING THE ECONOMIC DEVELOPMENT OF MODERN MANUFACTURING ENTERPRISES

Natalia Skorobogatova — 2025-12-24

In the modern world, the economy is rapidly changing under the influence of digital
technologies and automation. Enterprises face the need to increase productivity, reduce costs, and
improve product quality, which makes automation a key factor in shaping the competitiveness of
manufacturing enterprises. The automation of production processes has become a crucial factor in the
competitiveness of enterprises in the modern economy. The implementation of automated systems
fundamentally changes approaches to modeling and forecasting the economic development of
production structures.
Automation encompasses various areas such as production processes, resource management,
logistics, finance, and HR processes [1]. The use of robotic systems and software for business process
automation allows for the reduction of human error, increases the accuracy and speed of operations,
and enables more flexible adaptation to market changes. Automation allows for the optimization of
resource utilization, reduction of production cycles, and improvement of product quality. This creates
new parameters for economic modeling, where traditional labor productivity indicators are
complemented by machine time efficiency metrics and automation coefficient calculations. The
implementation of automation tools changes the ratio of fixed and variable costs of an enterprise,
while also increasing capital investments in equipment and software with simultaneous reduction of
operational labor costs. In turn, this requires a revision of classical break-even and profitability
models. Automated data collection and analysis systems provide more accurate modeling of
economic processes. Big Data and real-time systems enable the creation of dynamic models that
account for the variability of market conditions.
The economic efficiency of implementing automation measures is manifested in increased labor
productivity, reduced production costs, and improved product quality [1, 3, 4]. For example, the
implementation of automated production management systems (MES, ERP) allows enterprises to
more accurately plan resource requirements and optimize logistics processes [2]. It is also important
to note the social and economic consequences of business process automation at manufacturing
enterprises. On one hand, automation may reduce the number of low-skilled jobs, but on the other
hand, it creates demand for highly qualified specialists and enables enterprises to invest resources in
the development of new technologies and new business models [1, 2]. Thus, the necessity of studying
the economic effects of automation and digital transformation, as well as developing strategies for
integrating modern technologies into enterprise business processes, is an extremely important issue
for contemporary manufacturing enterprises.
The aim of this study is to determine the economic effects of implementing automation tools at
enterprises and to formulate practical recommendations for the optimal integration of automated
systems.
The research objectives are as follows: (1) to analyze modern automation technologies in
industry and business, including ERP, MES, and robotic systems [2]; (2) to identify the economic
benefits (cost reduction, increased productivity, competitiveness) and risks (initial investments,
changes in the labor market) of implementing automation [3, 4]; (3) to assess the impact of
automation on the labor market and employment structure; (4) to develop recommendations for
33
enterprises regarding the phased implementation of automation and the evaluation of economic
effects. Automation in manufacturing currently involves the implementation and use of robotic
assembly lines and automated production systems to increase productivity. At the same time, ERP
and MES systems allow for the optimization of resource planning, inventory management, and
production process control [3]. An example of successful automation implementation can be noted in
the experience of the company "Nova Poshta". The application of an ERP system at "Nova Poshta"
led to a 30% reduction in cargo storage time at warehouses, a 20% decrease in delivery times to
customers, and a 15% reduction in warehouse logistics management costs [2].
Research by domestic scholars confirms the significant impact of automation on enterprise
performance efficiency. The implementation of digital platforms and automated management systems
increases the efficiency of enterprises, especially in the manufacturing and IT sectors [4]. Under
martial law conditions, automation has become a strategic response to workforce challenges, allowing
companies to compensate for labor shortages and increase the productivity of production processes
[1, 5, 6]. Successful examples of digital transformation are demonstrated by Ukrainian companies
such as Interpipe, Fozzy Group, and Silpo, which have implemented comprehensive ERP systems for
managing production and business processes [2].
At the same time, among the challenges of implementing automation tools for economic
modeling of further enterprise development, the following can be identified. The assessment of the
effectiveness of investments in automation requires consideration not only of direct financial results
but also of indirect effects such as increased production flexibility, speed of response to demand
changes, and improved product quality. Moreover, the rapid development of technologies creates
additional risks of equipment obsolescence, which complicates long-term planning and modeling of
enterprise development. The automation of production processes affects the employment structure at
enterprises and requires staff retraining, which must be taken into account in comprehensive
enterprise development models. Thus, modern modeling of enterprise economic development
requires the integration of classical economic models with cutting-edge digital tools. Traditional
financial analysis methods, such as discounted cash flow, net present value, and internal rate of return,
must be complemented by dynamic models that account for the specifics of automated production.
The system dynamics methodology allows for the representation of complex cause-and-effect
relationships between the level of automation, productivity, costs, and the financial results of an
enterprise. The use of specialized software environments enables the creation of simulation models
that reflect the feedback loop between investments in production process automation and the technical
and economic indicators of the enterprise.
It should be noted that the agent-based approach is particularly effective for modeling
decentralized production systems with a high level of automation. In this approach, each agent
(machine tool, workstation, automated line) is modeled as an autonomous unit with its own behavioral
rules. This allows for the analysis of specific system properties, optimization of equipment utilization,
and prediction of production bottlenecks. The implementation of machine learning algorithms
expands the possibilities for economic modeling. Regression models, neural networks, and other
methods are capable of identifying non-linear dependencies between the level of automation and
economic results based on historical data. Predictive models allow for demand forecasting,
optimization of production schedules, and anticipation of equipment maintenance needs.
Mathematical optimization methods (linear, non-linear, integer programming) are applied to
determine the optimal level of enterprise automation considering budget constraints, technological
capabilities, and market conditions. Multi-criteria optimization allows for finding a compromise
between alternative objectives: cost minimization, productivity maximization, ensuring production
flexibility, and so on.
We believe that given the rapid technological changes and instability of the market
environment, the application of scenario planning methods is critically important. Modeling various
development scenarios (optimistic, pessimistic, baseline) using the Monte Carlo method allows for
the assessment of automation investment risks and the development of strategies to minimize them.

THE POTENTIAL OF USING AI TECHNOLOGIES TO ENHANCE ENTERPRISE OPERATIONAL EFFICIENCY

Svitlana Turlakova — 2025-12-24

In the current conditions of a rapidly changing external environment, enterprises across various
sectors of the economy are finding it increasingly difficult to maintain optimal modes of operation
and development and to ensure operational efficiency. Today, within the context of the development
of new industrial paradigms (Industry 4.0, Industry 5.0, etc.), maintaining such optimal modes and
improving enterprise operational efficiency is based on the implementation of rapidly developing
technologies corresponding to new industries. Indeed, a company’s ability to achieve its objectives
while minimizing costs (time, money, effort) and maximizing outcomes – namely, product and
35
service quality and profitability – through process optimization, efficient resource utilization,
flexibility, and the adoption of new technologies has become the foundation of enterprise
competitiveness. At the same time, one of the most promising modern technologies in terms of
generating a systemic effect from business processes is the potential of implementing artificial
intelligence (AI) [1, 2] at enterprises to enhance their operational efficiency, in particular through:
models of the functioning of process units and equipment; models for data and signal processing and
transformation; models for optimizing resource use processes; full or partial execution of routine tasks
performed by production personnel and managers (competences and professional activities), among
others.
In particular, the main areas of application of AI technologies at enterprises include, first,
visualization and clear presentation of aggregated data to support decision-making. Second,
knowledge extraction from data (for predicting work and generation of control actions) using methods
of mathematical statistics (regression, analysis of variance, discriminant, cluster, factor, and other
types of analysis) and machine learning (construction of rule bases, decision trees, application of
support vector machines, learning of association rules, etc.) [3, 4], which rely on the results of
modeling obtained using traditionally defined artificial intelligence methods [2]: biological processes
underlying human thinking (artificial neural networks), logical processes underlying human
reasoning (fuzzy inference systems), and evolutionary processes (swarm intelligence, genetic
algorithms, etc.).
At the same time, among the main tasks solved at enterprises through the application of AI
technologies to improve operational efficiency, the following can be identified:
- Automation of repetitive tasks – automation of routine processes, standardized and repetitive
operations, and the release of human resources for strategic initiatives as well as more complex and
creative tasks with higher added value;
- Real-time analytics – AI solutions enable the processing and analysis of large volumes of data
in real time, allowing enterprises to respond promptly to process changes, detect deviations from
standard operating conditions, and make timely management decisions;
- Predictive analytics and planning – enables forecasting of future values of key enterprise
performance indicators, product demand, and equipment failures, as well as efficient resource
allocation, thereby increasing the validity of decision-making and reducing costs, losses, and risks;
- Intelligent Process Automation (IPA) – IPA combines traditional robotic process automation
(RPA) with AI elements, enabling the automation of not only formalized but also partially
unstructured business processes that require data analysis, pattern recognition, or decision-making;
- Data-driven decision-making – in-depth data analysis aimed at identifying hidden patterns
and insights and generating recommendations, which reduces decision-making subjectivity and
increases accuracy and validity;
- Supply chain optimization – optimization of logistics processes, inventory management,
demand forecasting, and selection of optimal supply routes, which reduces costs, increases supply
reliability, and ensures continuity of production processes;
- Predictive maintenance – based on the analysis of sensor data, equipment parameters, and
failure history, AI systems are capable of predicting potential malfunctions before they occur,
enabling a transition from preventive to condition-based maintenance and reducing downtime and
repair costs;
- Personalization of workflows and customer experience – adaptation of processes to the
individual characteristics of users, employees, or customers;
- Energy management – AI systems analyze energy consumption in real time, forecast peak
loads, and recommend optimal equipment operating modes, contributing to reduced energy costs and
improved environmental sustainability of enterprises;
- Quality control using computer vision – automation of quality control processes through the
analysis of images and video streams, ensuring rapid and accurate defect detection, improving quality
consistency, and reducing losses;
36
- Innovation in products and services – the use of artificial intelligence creates opportunities
for developing new products and services and improving existing ones; AI enables faster hypothesis
testing, analysis of customer needs, and reduced time-to-market for innovations;
- Market research – AI technologies are used to analyze large volumes of marketing data,
consumer behavior, feedback, and social media content, enabling deeper understanding of market
trends, customer preferences, and the competitive environment.
Thus, AI technologies have powerful capabilities and significant potential to substantially
improve enterprise operational efficiency. The use of AI technologies makes it possible to extract
models of domain-specific functioning from data, visualize and generalize them, and generate
recommendations, thereby supporting decision-making aimed at operational optimization and
achieving a greater systemic effect from business processes to enhance operational efficiency.
A promising area for further research is the study and consideration of the limitations of AI
technologies in enterprises across various sectors of the economy.

SYNERGY OF CLASSICAL METHODS AND DIGITAL TECHNOLOGIES: NEW APPROACHES TO MODELING UNCERTAINTY AND STRUCTURAL SHIFTS IN THE ECONOMY

Stanislav Voitsehovskyi — 2025-12-24

This paper explores the evolution of economic modeling. Models today face two key
challenges: rising economic uncertainty and major structural shifts from digitalization. We argue that
the future of effective modeling is not a choice between classical models (like DSGE or CGE) and
new digital tools (like ML or NLP), but rather their deep synergy.
Modern economic processes are very complex. This creates a challenge for traditional modeling
methods. We see two main problems: First, digitalization is creating new markets and new types of
business (like the "digital economy"), which are difficult to describe with standard models. Second,
high economic uncertainty has become a key factor that influences investment and growth. However,
uncertainty itself is difficult to measure and put into a model [2]. Classical economic tools, especially
DSGE (Dynamic Stochastic General Equilibrium) and CGE (Computable General Equilibrium)
models are still the standard "workhorses" for policy analysis. DSGE models give us a strong
37
theoretical base to analyze monetary and fiscal policy. The model for a small open economy is a
perfect example [3]. CGE models are very useful for analyzing trade and connections between
different industries. Researchers are already adapting CGE models to study the new digital sector.
However, digital technologies now offer tools to help solve the limits of these classical models.
We focus on two key areas. For a long time, "uncertainty" was just an idea. It was hard to use in an
empirical model. But new digital tools like NLP (Natural Language Processing) and Big Data analysis
have changed this. Researchers can now analyze millions of newspaper articles to create objective,
real-time data, like the Economic Policy Uncertainty (EPU) index [2]. This index can be directly
integrated into DSGE models [3] to test how uncertainty shocks affect investment and growth in an
open economy. ML (Machine Learning) is not just for forecasting. As Susan Athey (2019) explains,
ML is also a powerful new method for causal analysis and for finding patterns in very large, complex
datasets [1]. For structural models, this is very important. For example, ML can help us move beyond
the simple idea of a single "representative agent" and build models that are more realistic.
To model the modern economy, we need a hybrid approach. We should not choose between
"theory" (classical models) and "data" (digital tools). Instead, we must focus on their synergy. The
future of economic modeling is in integrated models. These models will use the structure from
classical theory (DSGE/CGE) but will be powered by new data from NLP (like uncertainty indexes)
and analyzed with new methods from ML. This will help us create more realistic models for an
economy that is always changing.

ECONOMETRIC MODELING OF THE IMPACT OF DIGITAL TRANSFORMATION ON THE ECONOMIC DEVELOPMENT OF EU COUNTRIES

Alexandra Wnukowska — 2025-12-24

THE MONETARY POLICY, THE REAL ESTATE MARKET, AND THE STRUCTURAL EVOLUTION OF CHINA’S MACROECONOMIC FLUCTUATIONS ACROSS CRISIS PERIODS (2008-2024)

Jiaying Zhang — 2025-12-24

Since 2008, China has faced several major economic shocks, from the global financial crisis to
the buildup of domestic financial risks after 2012, and more recently the combined effects of the
pandemic and the real estate downturn starting in 2020. These events have sparked questions about
whether China’s macroeconomic transmission mechanisms still operate reliably or whether their
internal structure has shifted under different crises. Rising policy uncertainty tends to increase
fluctuations in real estate prices and undermines the stability of monetary policy [1]. Studying how
these mechanisms change over time is essential for improving economic forecasts and making policy
interventions more effective.
This study examines how China’s macroeconomic transmission structure has evolved across
three crisis periods from 2008 to 2024. It uses annual data and a VAR model to explore the
interactions among M2 money supply (M2), loan interest rates (R), house prices (HP), GDP,
household final consumption expenditure (CE), and fixed asset investment (V). Granger causality
tests, impulse response analysis, and variance decomposition compare the full sample with three
distinct phases: the 2008 global financial crisis, the 2012–2019 rebalancing period, and
the 2020–2024 period, which experienced the combined impact of the pandemic and the real estate
market downturn (fig. 1).
The empirical results reveal clear changes in China’s transmission structure. During the 2008
crisis, monetary expansion and the real estate sector played central roles in stabilizing the economy.
From 2012 to 2019, the effect of monetary policy weakened, and the economy gradually rebalanced,
with household consumption gaining importance. After 2020, the transmission pattern shifted again:
quantitative monetary tools regained influence, the real estate sector’s role dropped sharply [3], and
consumption became a main driver of economic fluctuations. Throughout all periods, the interest rate
channel stayed relatively weak, reflecting persistent structural rigidities, while fixed asset investment
consistently responded to shocks rather than driving them

ЗАСТОСУВАННЯ МОДЕЛЕЙ ARIMA ДЛЯ ПРОГНОЗУВАННЯ ВВП УКРАЇНИ

Василь Бєлозерцев — 2025-12-24

Валовий внутрішній продукт виступає основним узагальнюючим індикатором стану
національної економіки, на якому базується формування бюджетної, боргової, монетарної та
інвестиційної політики держави. Для суб’єктів публічної влади – Кабінету Міністрів України,
Міністерства економіки, Міністерства фінансів, Національного банку України, а також
регіональних органів управління – достовірні прогнози ВВП є ключовим інструментом
обґрунтування управлінських рішень щодо розподілу ресурсів, підтримання макрофінансової
стабільності та забезпечення належного рівня економічної безпеки. В умовах воєнного стану,
зростання зовнішньополітичних і безпекових загроз та структурної перебудови економіки
роль якісного прогнозування ВВП істотно зростає, оскільки помилки в оцінюванні динаміки
виробництва можуть породжувати значні фіскальні й соціальні ризики.
Еволюція ВВП України за останні десятиліття характеризується значною мінливістю,
глибокими фазами спаду та неповним відновленням у періоди післякризового зростання. За
даними Державної служби статистики України, після відносно стабільного економічного
піднесення на початку 2000-х років відбулося різке скорочення ВВП у період світової
фінансової кризи 2008–2009 рр., подальший спад у 2014–2015 рр., пов’язаний із військовою
агресією та втратою частини промислового потенціалу, а також шок 2022 року внаслідок
повномасштабного вторгнення [4]. За таких умов класичні детерміністичні підходи до
прогнозування виявляються недостатньо ефективними, що підсилює актуальність
використання сучасних стохастичних моделей часових рядів у системі державного управління
та стратегічного планування.
Одним із базових інструментів аналізу та прогнозування економічних часових рядів у
вітчизняній науковій традиції є моделі ARIMA (Autoregressive Integrated Moving Average), що
належать до класу лінійних стохастичних моделей і реалізують підхід Бокса–Дженкінса. У
загальному випадку модель ARIMA(p, d, q) включає авторегресійну складову порядку p,
інтегрувальну частину у вигляді різницювання порядку d для досягнення стаціонарності ряду,
а також компоненту ковзного середнього порядку q. Для урахування сезонної поведінки,
притаманної квартальним рядам ВВП, застосовуються моделі SARIMA(p, d, q)(P, D, Q)s із
сезонним періодом s = 4. У методичних розробках з прикладної економетрики ARIMA-моделі
розглядаються як базовий інструмент коротко- та середньострокового прогнозування
макроекономічних показників.
Побудова ARIMA-моделей здійснюється за послідовною процедурою, що охоплює етапи
ідентифікації структури моделі, оцінювання параметрів, діагностичного аналізу та побудови
43
прогнозів. На стадії ідентифікації дослідник вивчає графік вихідного ряду, аналізує
автокореляційну та часткову автокореляційну функції, застосовує тести на стаціонарність
(зокрема тест Дікі–Фуллера), визначаючи необхідність і порядок різницювання. Далі, за типом
згасання автокореляційної та часткової автокореляційної функцій, а також за значеннями
інформаційних критеріїв AIC та BIC формується перелік прийнятних специфікацій ARIMA
або SARIMA [2]. Після оцінювання параметрів, зазвичай методом максимальної
правдоподібності, здійснюється аналіз залишків: перевіряється відсутність автокореляції,
приблизна нормальність розподілу та сталість дисперсії. До прогнозування доцільно залучати
лише ті моделі, які відповідають цим вимогам; якість прогнозів оцінюється із використанням
показників RMSE, MAPE тощо.
Специфіка часових рядів ВВП України зумовлює додаткові вимоги до ARIMAмоделювання. У статистичних виданнях «Квартальні розрахунки валового внутрішнього
продукту України» наведено квартальні оцінки ВВП за трьома методами в поточних і
постійних цінах, а також сезонно скориговані показники. Аналіз цих даних виявляє наявність
стійкого довгострокового тренду, виразної квартальної сезонності та кількох суттєвих
структурних зламів, пов’язаних із фінансовими, політичними та безпековими кризами. Для
коректного застосування ARIMA-моделей у таких умовах зазвичай використовують
попереднє логарифмування ряду реального ВВП у постійних цінах, різницювання для
усунення тренду, сезонне різницювання для врахування квартальних коливань, а також
інтервенційний аналіз із включенням фіктивних змінних для кризових кварталів [1, 2, 4].
Практика прогнозування інтегральних індексів інвестиційної безпеки, показників зовнішньої
торгівлі [1] та інфляції демонструє ефективність поєднання ARIMA-підходу зі спеціальним
урахуванням структурних шоків.
Українські наукові дослідження з макроекономічного прогнозування підтверджують
широкий спектр можливостей застосування ARIMA-моделей. Зокрема, для наукастингу
квартального ВВП України використовують комбінацію ARIMA-моделювання з динамічними
факторними моделями та календарем оприлюднення статистичних показників, що сприяє
підвищенню оперативності оцінювання поточного стану економіки та посиленню
аналітичного потенціалу органів публічної влади [1]. Під час прогнозування інтегральних
індексів інвестиційної безпеки ARIMA-моделі слугують базою для прогнозів первинних
індикаторів, на основі яких обчислюється комплексний індекс, що безпосередньо підтримує
ухвалення рішень у сфері інвестиційної політики та економічної безпеки. У контексті
зовнішньої торгівлі ARIMA-моделі застосовують для прогнозування обсягів експорту та
імпорту товарів, з урахуванням сезонних коливань та впливу кризових подій, що важливо для
оцінки зовнішньоекономічних ризиків [2]. Подібні методи використовуються й для аналізу та
прогнозування інфляційних процесів, де ARIMA забезпечує короткострокові прогнози,
необхідні для реалізації монетарної політики.
Отримані результати мають безпосереднє прикладне значення для публічного
управління. Прогнози ВВП, сформовані на основі ARIMA-моделей, можуть бути інтегровані
у систему макроекономічних припущень під час підготовки проєктів Державного бюджету
України, програм управління державним боргом, стратегій післявоєнного відновлення та
довгострокового розвитку інфраструктури. З позицій економічної безпеки використання
ARIMA для прогнозування ВВП дає змогу формувати систему раннього попередження
можливих спадів економічної активності, завчасно оцінювати ризики недонадходжень до
бюджету, зростання боргового навантаження та погіршення соціально-економічної ситуації.
У працях, присвячених використанню ділових очікувань для короткострокового
прогнозування економічної активності, підкреслюється важливість поєднання опитувальних
індикаторів із формальними моделями часових рядів, що також може бути реалізовано в межах
ARIMA-підходу [3].

МЕТОДИКА ОЦІНКИ ЕКСПЛУАТАЦІЙНОЇ СТІЙКОСТІ ПРОКАТНИХ ВАЛКІВ, ЩО ІМПОРТУЮТЬСЯ З РІЗНИХ КРАЇН СВІТУ, ІЗ ЗАСТОСУВАННЯМ ПАРАМЕТРІВ РОЗПОДІЛІВ ЙМОВІРНОСТЕЙ

Сергій Биткін — 2025-12-24

Вимоги світового ринку до якості плаского прокату чорних металів обумовлюють
необхідність збільшення частки виробництва металу товщиною ≤ 2 мм в загальному обсязі
45
виробництва гарячого прокату. Виникла необхідність у використанні валків з особливими
фізико-механічними характеристиками, що виготовляються вертикальним відцентровим
литтям [1]. Широкий діапазон концентрацій легуючих елементів у поєднанні зі складними
режимами термічної обробки призводять до немонотонної зміни фізико-механічних
властивостей матеріалу та високих залишкових напружень, що сприяють руйнуванню виробу
під навантаженням (рис. 1)

Аналіз даних, приведених в [2], показує, що якість валків, виготовлених як в Україні, так
і в різних країнах світу, суттєво відрізняється, створюючи для імпортера значний ризик
помилки при виборі постачальника технологічної оснастки, що суттєво знижує рівень
економічної безпеки при укладанні зовнішньоторговельної угоди. Використаємо наведені у
цій роботі експериментальні дані по критерію "напрацювання на відмову", тобто за кількістю
виготовленого металопрокату з застосуванням конкретного валка до його руйнування (Amount
of rolled metal before of the roll breaking down ≡ Var, unit of measurement: thousands of tons). Дані
виробничо-технологічного експерименту представлені у вигляді гістограм розподілів
кількості виведених з експлуатації через знос або пошкодження чавунних відцентрововиливних валків, виготовлених, наприклад, в Україні, Індії, (рис. 2), Чехії та Італії.
Безпосереднє використання гістограм для порівняння технологічного оснащення,
виготовленого в різних країнах, не уявляється можливим через різну кількість тестуємої
продукції, специфіки різних постачальників (технологія, закупівля на внутрішньому або
зовнішньому ринку), необхідність уніфікації базисних умов поставки, оплати, договірних та
інших зовнішньо-економічних особливостей запланованої угоди (ризики, ділова репутація
експортера тощо)

МОДЕЛЮВАННЯ ЦИФРОВИХ ІННОВАЦІЙНИХ ПРОЦЕСІВ З УРАХУВАННЯМ ІНФОРМАЦІЇ, КОМУНІКАЦІЇ ТА ЗНАНЬ

Назарій Бідник — 2025-12-24

У сучасних умовах цифрової економіки моделювання інноваційних процесів стає
ключовим інструментом формування конкурентних стратегій та механізмом прийняття
управлінських рішень. Стрімке зростання обсягів різнорідних даних, глобальне проникнення
комунікацій в усі сфери діяльності людини, розвиток штучного інтелекту та цифрових
платформ створюють нові можливості для інноваційних процесів практично в усіх галузях
економіки. Вітчизняні дослідження підтверджують, що цифрова трансформація вже формує
нову економічну парадигму, де дані виступають основним ресурсом розвитку [1, 2].
Для розуміння цих інноваційних змін важливо розуміння впливу цифровізації. Для цього
спробуємо розглянути ситуацію через взаємодію трьох базових елементів – інформації,
48
комунікації та знання, які утворюють своєрідну основу-тріаду розвитку цифрових
перетворень.
Така тріада формує фундамент цифрової організації, здатної адаптуватися до змін та
ефективно функціонувати в сучасних умовах цифрової економіки. Електронна інформація
спонукала розвиток традиційних автоматизованих технологій обробки даних. Еволюція
мережевих комунікаційних технологій забезпечила доступ до електронних даних в будь-якій
точці земної кулі в заданий час. Нарощування можливостей щодо створення і оброблення
знань призвели до значного прогресу технологій штучного інтелекту.
Інформація постачає «сировину» – дані, які набувають сенсу завдяки обробці. У
цифровій економіці дані перетворилися на стратегічний ресурс, що формує основу для
аналітики та прогнозування. Українські автори підкреслюють, що інформаційні ресурси
стають фундаментом конкурентоспроможності підприємств [3]. У фінансовому секторі
застосування електронних даних дозволяє підвищити точність прогнозів та покращити якість
управлінських рішень [4]. Зокрема можемо порівняти як технології з часом змінили підхід до
обробки даних. Традиційна автоматизована обробка даних працює за жорстко визначеними
правилами та алгоритмами, тоді як обробка з використанням елементів штучного інтелекту
здатна адаптуватися, навчатися на нових даних і приймати рішення в умовах невизначеності.
Традиційна автоматизована обробка даних:
● використовує заздалегідь визначені алгоритми та правила:
● застосовується для повторюваних, рутинних завдань (наприклад, сортування,
фільтрація, базові розрахунки);
● не може адаптуватися до нових умов без ручного втручання;
● залежить від людського програмування та чітких інструкцій.
Обробка даних з використанням елементів штучного інтелекту:
● використовує машинне навчання та моделі ШІ, які здатні навчатися на даних;
● може виявляти закономірності, прогнозувати та приймати рішення без прямого
програмування;
● застосовується для складних, динамічних завдань (наприклад, прогнозування ринку,
аналіз медичних 3D-зображень);
● має здатність адаптуватися до нових даних і вдосконалювати точність з часом.
Комунікація забезпечує обмін цими даними в мережах, створюючи нові взаємозв’язки.
У фінансовому секторі застосування даних дозволяє підвищити точність прогнозів та
покращити якість управлінських рішень [4]. Цифрові комунікації, мережеві платформи та
інтегровані інформаційні системи забезпечують циркуляцію даних у режимі реального часу.
Вітчизняні дослідження показують, що ефективна цифрова комунікація є передумовою
модернізації виробничих систем та впровадження технологій Індустрії 4.0 [5].
Паралельно до змін обробки даних, кардинально трансформувалась і комунікація в
економічних системах. Традиційні системи були статичними, повільними та організаційно
обмеженими, тоді як сучасні цифрові мережі формують динамічні, інтегровані середовища в
реальному часі. Традиційна комунікація – передає інформацію, в той час як цифрова
комунікація – створює інформаційні потоки, синхронізує поведінку та формує взаємопов’язані
економічні системи.
Традиційна комунікація в економічних системах характеризується:
● лінійним рухом інформації: верх-вниз або по горизонту між окремими підрозділами;
● обмежена швидкість обміну (телефон, паперові документи, пошта);
● фрагментованістю інформації - кожен підрозділ формує власну ізольовану систему;
● відсутністю єдиного інформаційного простору;
● високою залежністю від людського фактору, ручної передачі інформації;
● орієнтуванням на факт передачі, а не на швидкість реакції чи синхронізацію.
Цифрова комунікація базується на інтеграції мережевих платформ і характеризується
такими показниками:
● миттєвий обмін даними через хмарні сервіси, API, корпоративні платформи;
● інтеграція систем (CRM–ERP–MES–BI) у єдине інформаційне середовище;
● комунікація в режимі реального часу;
● використання інтернет речей, коли дані передають не люди, а пристрої;
● зменшення затримок та помилок завдяки автоматизованій синхронізації;
● комунікація стає процесом створення цінності, а не просто передачею даних.

МОДЕЛЬ СОЛОУ ЯК ІНСТРУМЕНТ АНАЛІЗУВАННЯ ДОВГОСТРОКОВОГО ЕКОНОМІЧНОГО ЗРОСТАННЯ ТА СТРУКТУРНИХ ТРАНСФОРМАЦІЙ

Максим Бобух — 2025-12-24

ПРО МАТЕМАТИЧНУ МОДЕЛЬ ЖИТТЯ ЛЮДИНИ

Євген Борисов — 2025-12-24

АНАЛІЗ ЗАСТОСУВАННЯ DIGITAL TWINS ДЛЯ ПОСИЛЕННЯ ПРОАКТИВНОГО УПРАВЛІННЯ ПРОЄКТАМИ

Дар’я Борисова — 2025-12-24

Постійне зростання складності та масштабу сучасних проєктів, зокрема будівельних,
інфраструктурних і високотехнологічних, формує нові вимоги до ефективності управління та
зниження ризиків. Традиційна реактивна парадигма, що орієнтується на коригування
56
відхилень після їх виявлення, вже не забезпечує виконання проєктів у строк, у межах бюджету
та з очікуваною цінністю. У таких умовах виникає нагальна потреба у впровадженні
проактивного управління, що базується на здатності передбачати, моделювати та запобігати
потенційним проблемам до їх появи. Одним із ключових інноваційних інструментів у цьому
процесі є технологія Digital Twin (DT). DT це динамічна цифрова модель фізичного активу чи
процесу, що оновлюється в реальному часі та підтримує прийняття управлінських рішень
упродовж усього життєвого циклу проєкту.
Впровадження DT змінює традиційні підходи до управління інноваційними проєктами
та забезпечує проактивність у всіх доменах (сферах) ефективності управління (Project
Performance Domains). DT інтегрує дані, симуляцію та предиктивну аналітику в усі вісім сфер
ефективності проєкту (табл. 1). У домені зацікавлених сторін (Stakeholders) і командної
взаємодії (Team) DT підвищує прозорість комунікацій через віртуальні інтерактивні огляди
(Virtual Reality, VR / Augmented Reality, AR) та забезпечує централізацію даних у спільному
середовищі (Common Data Environment, CDE). У сферах планування (Planning), проєктної
роботи (Project Work) та постачання (Delivery) DT дає змогу застосовувати 5D-моделі,
здійснювати моніторинг у реальному часі, автоматизувати контроль якості та підтримувати
перехід до експлуатаційної фази (Enterprise Asset Management, EAM / Computerized
Maintenance Management System, CMMS). У доменах невизначеності (Uncertainty) та
вимірювання (Measurement) DT формує середовище для використання предиктивної аналітики
та What-If Analysis. Це створює системи раннього попередження (Early Warning System, EWS),
що дозволяють проактивно управляти ризиками та прогнозувати відхилення.

ОЦІНЮВАННЯ ТРУДОМІСТКОСТІ РОЗРОБКИ ІТ ПРОЄКТУ: ПРИКЛАД ЗАСТОСУВАННЯ МЕТОДУ PLANNING POKER

В’ячеслав Буряк — 2025-12-24

Успішне планування та реалізація ІТ проєктів значною мірою залежить від точності
оцінювання їх трудомісткості. Невірні або неточні оцінки призводять до перевитрат ресурсів,
порушення строків, зниження якості програмного продукту та зростання ризиків для
замовника й команди розробників. Саме тому вибір ефективних підходів до оцінювання зусиль
є критично важливим елементом проєктного менеджменту. Метод Planning Poker широко
застосовується в гнучких методологіях розробки (зокрема, Scrum), зокрема як інструмент
колективного, швидкого й відносно точного визначення складності завдань [1]. Його перевага
полягає в поєднанні експертного досвіду, інтерактивної взаємодії команди та мінімізації
впливу когнітивних упереджень. Водночас ефективність застосування Planning Poker в
реальних умовах залежить від низки факторів: складу команди, рівня компетентності
учасників, специфіки продукту та організаційної культури.
ІТ проєкти, орієнтовані на користувачів із порушеннями здоров’я, мають високий рівень
унікальності, оскільки виходять за межі традиційних підходів до розробки [2, 3]. Наприклад,
створення мобільного застосунку для внутрішньої голосової навігації користувачів із
порушеннями зору, поєднує вимоги програмної інженерії, ергономіки, універсального
дизайну, доступності та поведінкових особливостей взаємодії користувача з навколишнім
простором. Крім того, значний вплив мають апаратні обмеження технологій позиціонування,
мінливість характеристик середовища (наявність перешкод, сигналів, акустика приміщень) та
необхідність ретельного тестування в реальних просторових умовах. Тому оцінювання
трудомісткості таких проєктів потребує участі фахівців із різних галузей [4]. До команди мають
бути включені не тільки розробники та тестувальники, але й експерти з інклюзивного дизайну,
фахівці, які володіють технологіями Bluetooth Low Energy (BLE), методами позиціонування, а
також представники цільової аудиторії – люди з порушеннями зору, які здатні надати зворотний
зв’язок щодо реальної складності, логіки та корисності функціоналу. Такий
мультидисциплінарний підхід дозволить уникнути недооцінки складних задач, пов’язаних із
навігаційними алгоритмами, голосовими підказками, стабільністю передачі сигналів або
зручністю інтерфейсу для скрінрідерів

ІНФОРМАЦІЙНА БЕЗПЕКА БУХГАЛТЕРСЬКИХ СИСТЕМ: ЗАХИСТ ФІНАНСОВИХ ДАНИХ У ЦИФРОВОМУ СЕРЕДОВИЩІ

Вікторія Васько — 2025-12-24

У сучасних умовах цифрової трансформації бізнес-процесів бухгалтерські системи
відіграють ключову роль у забезпеченні прозорості фінансового обліку. Проте перехід
підприємств на електронні форми ведення документації, використання хмарних сервісів,
інтеграцію облікових програм із банківськими платформами супроводжується зростанням
кількості ризиків. Фінансова інформація є одним із найбільш цінних активів підприємства, а
тому стає пріоритетною ціллю для кіберзлочинців, які використовують широкий спектр
технічних і соціальних методів для незаконного отримання доступу до цифрових ресурсів.
Найпоширеніші проблеми захисту цифрових даних в обліку є:
1. Витік даних. Однією з найсерйозніших небезпек є можливість витоку фінансових
даних, до яких зловмисники отримують доступ через прогалини у системі захисту або через
неправомірний вхід до баз даних. Уразливості в налаштуваннях доступу, слабкі паролі або
використання нелегальних програм можуть призвести до того, що сторонні особи отримають
доступ до балансів, звітності чи даних про господарські операції.
2. Атаки на програмне забезпечення. Бухгалтерські програми можуть містити технічні
недоліки або уразливі компоненти, якими користуються зловмисники, а саме помилки в
алгоритмах шифрування, протоколах обміну даними чи механізмах автентифікації.
Експлуатація таких недоліків дає змогу зловмисникам проникати в систему, змінювати чи
блокувати дані та порушувати роботу програмного забезпечення.
3. Фішингові атаки та соціальна інженерія. Працівники бухгалтерії можуть стати
мішенню для маніпуляцій, спрямованих на отримання їхніх облікових даних. Фішингові
повідомлення та підроблені вебсторінки часто імітують офіційні сервіси, змушуючи
користувача самостійно розкрити логіни, паролі або іншу конфіденційну інформацію. Такий
тип атак є особливо небезпечним, оскільки використовує людський фактор, а не технічні
вразливості.
4. Впровадження шкідливого програмного забезпечення. Віруси, шпигунські програми
чи трояни можуть проникати в бухгалтерські системи через заражені файли, інфіковані
посилання чи електронні листи. Потрапивши до системи, вони здатні непомітно змінювати,
копіювати або видаляти інформацію в облікових базах. У деяких випадках шкідливі програми
шифрують дані з вимогою викупу, що може повністю паралізувати роботу підприємства [1].
У зв’язку з наявністю таких загроз підприємства повинні запроваджувати комплексні
заходи кіберзахисту, спрямовані на мінімізацію ризиків втрати або компрометації фінансових
даних. Ефективний захист бухгалтерських систем передбачає поєднання технічних,
організаційних та процедурних рішень, які охоплюють усі етапи роботи з цифровою
інформацією. На рис. 1 виділено найважливіші заходи захисту фінансових даних у цифровому
середовищі [2]

ЦИФРОВА ТРАНСФОРМАЦІЯ ЛОГІСТИКИ В УМОВАХ СТАЛОГО РОЗВИТКУ

Тетяна Войченко — 2025-12-24

У сучасних умовах глобальної конкуренції та зростання обсягів міжнародної торгівлі
транспортно-логістичні підприємства стикаються з необхідністю глибокої модернізації систем
управління, операційних процесів і взаємодії з учасниками ланцюгів поставок. Вирішальним
фактором цієї модернізації стала поява та розвиток єдиного цифрового простору, який
створює принципово нові можливості для управління матеріальними, інформаційними та
фінансовими потоками. Цифрові технології дозволяють забезпечити прозорість логістичних
операцій, мінімізувати адміністративні витрати, підвищити точність планування та посилити
екологічну відповідальність бізнесу в контексті сталого розвитку [4].
На тлі активного розвитку цифрової економіки формується нова парадигма логістичного
управління, що передбачає інтеграцію інтелектуальних систем, хмарних технологій, аналітики
даних і цифрових платформ у всі етапи руху вантажів. Глобальні ланцюги поставок стають
значно складнішими, а масштаби міжнародної торгівлі продовжують зростати, що вимагає від
логістичних провайдерів більшої гнучкості, оперативності та здатності до швидкої адаптації.
У цих умовах цифровізація виступає не лише інструментом оптимізації, а й стратегічним
напрямом розвитку, який визначає конкурентоспроможність підприємств на багато років
уперед.
Розгортання цифрової інфраструктури логістики сприяє формуванню інтегрованого
середовища, у якому ключові учасники логістичних процесів – транспортні компанії,
термінальні оператори, митні органи, банківські установи, постачальники та споживачі –
отримують можливість працювати в єдиній інформаційній мережі. Це дозволяє ліквідувати
дублюючі адміністративні функції, зменшити кількість паперових документів, прискорити
обробку інформації та підвищити якість управлінських рішень [1]. Для логістичних
підприємств це означає оптимізацію витрат, зменшення ризиків, скорочення часу обробки
вантажів і підвищення конкурентоспроможності на глобальному ринку.
Особливе значення у цифровій трансформації логістики має використання великих
масивів інформаційно-аналітичних даних. Big Data, системи машинного навчання та штучного
інтелекту дозволяють аналізувати поведінку споживачів, прогнозувати попит, оптимізувати
транспортні маршрути, скорочувати простої транспорту та автоматизувати контрольні
функції. Це створює передумови для зменшення енергоспоживання, ресурсозатратності
логістичних операцій і зниження негативного впливу на довкілля. Таким чином, цифровізація
стає одним із ключових інструментів реалізації корпоративних ESG-стратегій у логістичному
секторі [2].
У країнах Європейського Союзу цифровізація логістики відбувається в рамках
наддержавних програм розвитку цифрової економіки. ЄС активно впроваджує моделі єдиних
цифрових транспортних екосистем, які забезпечують гармонізацію стандартів щодо
доступності, сумісності та безпеки логістичних даних. Особливу роль відіграє створення
цифрових коридорів та інтегрованих платформ обміну інформацією між залізничними,
автомобільними, морськими та авіаційними операторами. У результаті логістичним
65
підприємствам забезпечується доступ до модульних сервісів відстеження вантажів,
електронних транспортних документів, екологічних індикаторів та автоматизованого
контролю відповідності нормативам.
Ці технології дозволили європейським логістичним компаніям суттєво посилити
економічну та екологічну безпеку операцій. Партнерство фінансових установ, транспортних
операторів і цифрових платформ сприяє реалізації інноваційних проектів, спрямованих на
скорочення викидів, підвищення енергоефективності та оптимізацію логістичних мереж.
Такий підхід забезпечує формування стійкої транспортної інфраструктури, що відповідає
принципам циркулярної економіки та підтримує переходи до кліматично нейтральних
моделей перевезень.
Надзвичайно показовим є досвід Об’єднаних Арабських Еміратів, які за короткий час
сформували одну з найбільш технологічно розвинених логістичних екосистем світу [3]. У
країні створені цифрові платформи, що забезпечують інтегроване управління
вантажопотоками, митними процедурами, фінансовими операціями та сервісами для бізнесу.
Автоматизація адміністративних процесів, електронний документообіг, блокчейн-технології
та штучний інтелект дозволили забезпечити максимальну прозорість і швидкість
обслуговування. Ця модель стала ефективним інструментом підтримки інвестиційних та
логістичних проектів сталого розвитку, сприяючи прискоренню обробки вантажів,
скороченню витрат і зміцненню позицій країни як глобального логістичного хабу.
Сучасні цифрові технології створюють умови для адресної підтримки інноваційних
логістичних проектів, зокрема:забезпечення доступності аналітичних даних для підприємств
малого й середнього бізнесу; розбудова інтегрованих мереж взаємодії логістичних компаній,
банків та державних органів; впровадження єдиної системи цифрових підписів та кіберзахисту
документів; електронне архівування й автоматизація документальних операцій.
Цифровізація логістики є не лише технологічною тенденцією, а й стратегічною
необхідністю, яка визначає конкурентні позиції підприємств у найближчому майбутньому.
Вона формує нову логіку управління транспортно-логістичними системами, орієнтовану на
прозорість, інноваційність та відповідальне використання ресурсів. Цифрова трансформація
логістики є ключовим чинником підвищення ефективності, прозорості та стійкості
міжнародних ланцюгів поставок.
Для України та національних транспортно-логістичних підприємств цифровізація є не
просто інноваційним трендом, а стратегічною необхідністю. Саме вона визначає здатність
підприємств адаптуватися до глобальних викликів, інтегруватися у міжнародні транспортні
коридори та нарощувати конкурентний потенціал в умовах динамічного розвитку світового
ринку. Впровадження цифрових рішень має спиратися на багаторівневу взаємодію бізнесу,
держави та наукових інституцій, що дозволить забезпечити системну модернізацію
логістичної інфраструктури.

ЗАДАЧА ЦИФРОВІЗАЦІЇ ЛОГІСТИЧНИХ ПРОЦЕСІВ В АГРАРНОМУ СЕКТОРІ

Марія Галик — 2025-12-24

Цифровізація логістичних процесів в аграрному секторі набуває критичної актуальності,
оскільки традиційні підходи до управління транспортними потоками, засновані на ручній
координації та паперовому документообігу, виявляються неефективними в контексті сучасних
вимог до швидкості, прозорості та витратоефективності ланцюгів постачання. Замість того
щоб покладатися на досвід диспетчерів і нескоординовані дані, цифрові інструменти
забезпечують безперервний потік інформації, автоматизоване планування маршрутів,
моніторинг у реальному часі та аналітику, що дозволяє суттєво зменшити втрати від затримок,
порожніх рейсів та невиправданих витрат на пальне [3].
Концепція цифрової логістики в аграрному секторі охоплює набагато ширший спектр
трансформацій, ніж просто автоматизація управління процесами. Це комплексна система
організації всього ланцюга постачання, де традиційні інструменти транспортної оптимізації
переплітаються з можливостями різних цифрових технологій. У цьому контексті цифровізація
логістичних процесів стає не просто засобом зниження витрат на перевезення, а інструментом
якісної трансформації управління даними, посилення прозорості ланцюгів постачання та
сприяння «зеленій» трансформації виробництва [2]. Було проаналізовано, які саме цифрові
технології використовуються для сільського господарства або є перспективи на їх
використання. Найпоширенішими технологіями, включеними до визначень цифрового
сільського господарства, були «великі дані» (або аналітика великих даних) та сенсори [4].
Формулювання задачі цифровізації логістичних процесів потребує концептуального
розуміння того, які саме параметри змінюються під впливом цифровізації. На практиці, як
демонструє аналіз діяльності SOUFFLET Agro Ukraine, логістична мережа характеризується
мережею постачальників (фермерських господарств) та пунктів призначення (елеваторів), між
якими здійснюється регулярне перевезення сільськогосподарської продукції. Структура
розміщення господарств і елеваторів, описана таблицею відстаней, формує фізичну основу для
розрахунків. Відстані між фермерськими господарствами та елеваторами компанії можна
розрахувати за допомогою мапи або відповідних цифрових додатків. На цій основі будується
матриця базових витрат на перевезення, що відображає стан системи без використання
цифрових рішень. Базові витрати на 100 км розраховуються за допомогою офіційних джерел,
використовуючи середні витрати на перевезення в Україні. Однак оскільки залучення
цифрових інструментів змінює як саму структуру витрат, так і їх величину, традиційний підхід
до постановки транспортної задачі стає недостатнім. Виникає необхідність розширення моделі
за рахунок врахування змін у змінних витратах та введення нових елементів капітальних та
операційних видатків, специфічних для цифровізації [1].
Ключовим методичним аспектом є усвідомлення того, що цифровізація логістики
приносить як додаткові витрати, так і суттєву економію. З одного боку, впровадження
телематичних систем на транспорті, розгортання TMS та CRM, забезпечення електронного
документообігу вимагають капітальних видатків (CAPEX), а також регулярних видатків на
67
підписки, хмарні сервіси, навчання персоналу (OPEX). Капітальні та операційні витрати на
цифровізацію розраховуються залежно від обсягу впроваджених цифрових змін та їх терміну
експлуатації. Також CAPEX та OPEX можна розглядати в розрізі елементу витрат: витрати на
цифровізацію транспортних процесів; витрати на цифровізацію бізнес-процесів контрагентів.
Така методологія уможливлює розподіл витрат за функціональними ділянками логістичної
системи, що служить основою для кількісної та якісної оцінки економічного ефекту від
впровадження цифрових рішень у логістику аграрного сектору.

ШІ-ОПТИМІЗАЦІЯ РЕКЛАМНИХ КАМПАНІЙ ТА РОЛЬ ПЕРФОРМАНСМАРКЕТИНГУ

Антон Галушко — 2025-12-24

Стрімка цифровізація економіки та розвиток технологій штучного інтелекту (ШІ)
зумовлюють фундаментальну трансформацію підходів до управління рекламними
кампаніями. Традиційні інструменти медіапланування та оптимізації вже не забезпечують
необхідного рівня точності, швидкості та персоналізації, що знижує ефективність
маркетингових інвестицій у висококонкурентному середовищі. У цих умовах ШІ стає
ключовим драйвером розвитку перформанс-маркетингу, адже дозволяє автоматизувати
рутинні операції, прогнозувати поведінку користувачів, формувати релевантні аудиторні
сегменти та підвищувати ROI рекламних активностей у реальному часі.
Застосування алгоритмів машинного навчання, агентного ШІ та багатоканальних
моделей атрибуції відкриває нові можливості для динамічної оптимізації ставок, адаптації
69
креативів і підвищення точності таргетингу. Водночас зростає роль перформанс-маркетингу
як інструменту, що безпосередньо пов’язує маркетингові рішення з бізнес-результатами та
дозволяє забезпечити вимірюваний вплив кожної дії на воронку продажів.
Незважаючи на активне поширення ШІ-рішень у рекламі, існує низка викликів:
інформаційна асиметрія між платформами та рекламодавцями, ризики алгоритмічної
непрозорості, проблема правильного розподілу бюджетів, залежність від якості даних, а також
питання етичності персоналізації. Тому дослідження механізмів ШІ-оптимізації та оцінювання
їхнього впливу на ефективність перформанс-маркетингу є надзвичайно актуальним.
ШІ-оптимізація не є лише автоматизованою рекламою. Це сукупність моделей
машинного навчання, які працюють на основі поведінкових сигналів користувачів, аналізу
історичних даних та прогнозування конверсій. Вона охоплює такі аспекти: прогнозування
ймовірності покупки або підписки; динамічне коригування ставок на аукціонах у реальному
часі; виявлення латентних патернів поведінки користувачів; постійне самонавчання на основі
зворотного зв’язку.

АНАЛІТИЧНЕ МОДЕЛЮВАННЯ СПОЖИВАННЯ ЕЛЕКТРОЕНЕРГІЇ ПІДПРИЄМСТВАМИ НА ОСНОВІ ЦИФРОВИХ ТЕХНОЛОГІЙ ПРОГНОЗУВАННЯ

Тимофій Герасімов — 2025-12-24

Інноваційний потенціал є критичним для економічної стійкості та відновлення країни під
час війни. Україна демонструє значний науковий та технологічний потенціал, але реалізація
цього потенціалу стикається з перешкодами, які потребують аналізу та вирішення [1].
Стан енергетичної системи України сьогодні визначається високою нестабільністю,
зумовленою руйнуванням критичної інфраструктури, повторюваними ракетними ударами,
порушенням роботи генерації та розподільчих мереж. За останні роки масштабні
пошкодження ліній електропередач, підстанцій, теплових та гідроелектростанцій створили
нові виклики для енергетичного сектору, що потребують сучасних підходів до управління
навантаженнями. Від того, наскільки точно підприємства зможуть прогнозувати власне
споживання електроенергії, сьогодні залежить не лише їхня економічна ефективність, а й
стабільність усієї енергосистеми держави.
Сучасна електроенергетична галузь України являє собою розгалужену мережу
підприємств та установ. Підприємства з генерування віддають ресурс у загальну мережу, через
яку вона потрапляє до кінцевого споживача [2]. На сьогодні, нажаль, інфраструктура
енергетичної сфери в Україні зазнає цілеспрямованих руйнувань. Війна росії в Україні
обумовлює проблеми, які вимагають надзвичайних зусиль відповідних служб для відновлення
пошкоджень та функціонування енергетичної галузі. Забезпечення можливостей
безперебійного функціонування галузі також ускладнюється через зниження платіжної
спроможності населення України, зростання заборгованості споживачів за спожиту енергію [3].
Коректний прогноз електроспоживання дає можливість забезпечити більш точне балансування
енергосистеми, оптимально розподіляючи електроенергію між генеруючими потужностями та
розподільчими мережами. Це допомагає уникати перевантажень у критичних точках, знижувати
ризики аварійних відключень, а також забезпечує ефективніше використання доступної
генерації. Наприклад, у багатьох випадках через неправильне прогнозування частина
генеруючих потужностей змушена працювати в режимі розвантаження, тоді як інші мережеві
ділянки, навпаки, перевантажені. У воєнний період це призводить до додаткового зносу
обладнання, поглиблює дисбаланси та збільшує ймовірність системних відмов. Крім того, точне
прогнозування є необхідною умовою зниження обсягів небалансів для постачальників
72
електроенергії. У ринкових умовах небаланс – це суттєвий фінансовий чинник, адже різниця
між прогнозним та фактичним споживанням напряму відображається на загальних витратах як
підприємства-постачальника, так і підприємства-споживача. За умов постійних коливань
ринкових цін, частих аварій та зростання попиту на електроенергію точність прогнозу стає
ключовою складовою економічної стійкості будь-якого бізнесу.
Проблематика традиційних підходів до прогнозування. Попри високу важливість цього
завдання, значна частина українських підприємств і досі використовує прості табличні методи
прогнозування, здебільшого на основі Microsoft Excel або Google Sheets. У таких моделях
прогноз будується шляхом: усереднення даних минулих періодів, простого додавання типових
добових або тижневих графіків; використання стандартних формул та базових лінійних
трендів. Подібні інструменти мають низку відомих переваг: доступність, простоту
використання, швидке отримання результатів, зручну інтеграцію у внутрішні системи
підприємств. Проте обмеження табличних методів стають критичними в сучасних умовах,
оскільки вони не здатні якісно враховувати складні закономірності електроспоживання.
Споживання електроенергії суттєво змінюється залежно від пори року – взимку через
опалення та роботу додаткових систем теплопостачання, влітку через кондиціонування та
вентиляцію. Табличні методи, як правило, не дозволяють гнучко відслідковувати та коректно
враховувати такі зміни. Більшість підприємств мають усталені виробничі цикли – зміни,
технологічні перерви, добові та тижневі коливання навантаження. Прості прогностичні моделі
не здатні враховувати циклічні структури даних або оперативно адаптуватися до їх змін. На
енергоспоживання значно впливають температура повітря, характер виробничого
навантаження, дні тижня, святкові чи неробочі дні, виконання окремих виробничих замовлень.
В Excel практично неможливо врахувати такі фактори без складних багаторівневих формул та
ручних налаштувань. Періодичні відключення, зміни режиму роботи підприємств, коливання
цін на ринку «на добу наперед» та внутрішньодобовому ринку призводять до викривлень в
історичних даних, які базові моделі не здатні обробити коректно. Як наслідок, просте
усереднення або підсумовування минулих графіків призводить до суттєвих похибок.
Фактичне споживання відхиляється від прогнозного, а це – прямі економічні втрати на
небалансах, що за воєнних умов можуть бути критичними. У цьому контексті необхідним стає
перехід до методів глибшої аналітики, здатних працювати з багатофакторними та
нестабільними даними. Для сучасного можлива розробка спеціалізованого ПЗ на основі,
наприклад мови програмування Python, що реалізує сучасні методи аналітичного
моделювання споживання та дає змогу провести комплексне порівняння статистичних та
машинних моделей. Для модельного експерименту варто обрати такі моделі (табл. 1).

ВИКОРИСТАННЯ ЕЛАСТИЧНІСНОГО АНАЛІЗУ ТА КОГНІТИВНОГО ВІДОБРАЖЕННЯ У МОДЕЛЮВАННІ ЕКОНОМІЧНИХ ПРОЦЕСІВ ПІДПРИЄМСТВА

Олександра Гладишева — 2025-12-24

ЦИФРОВІЗАЦІЯ ЯК ДРАЙВЕР СТРУКТУРНОЇ ТРАНСФОРМАЦІЇ ІННОВАЦІЙНОГО ПОТЕНЦІАЛУ ПРОМИСЛОВИХ ПІДПРИЄМСТВ

Наталя Гришко — 2025-12-24

Сучасний етап розвитку промисловості характеризується швидким поширенням
цифрових технологій, що докорінно змінюють умови формування та реалізації інноваційного
потенціалу підприємств. Під впливом цифровізації трансформуються виробничі процеси,
системи управління, характер трудових відносин, а також способи взаємодії із зовнішнім
ринковим середовищем. У таких умовах інноваційний потенціал набуває нового змісту,
відображаючи не лише наявність ресурсів для здійснення інновацій, але й спроможність
підприємства формувати внутрішнє та зовнішнє середовище, сприятливе для довгострокового
інноваційного розвитку.
Цифрові технології, такі як Інтернет речей, великі дані, штучний інтелект, хмарні
рішення, формують нові вимоги до організації інноваційних процесів. Їх інтеграція в
діяльність промислових підприємств не лише оптимізує виробничі операції, але й підвищує
швидкість впровадження новацій, збільшує варіативність технічних та управлінських рішень.
Цифрова трансформація впливає на інноваційний потенціал у трьох ключових
вимірах [1, 2]:
1) Інформаційно-аналітичний вимір. Доступ до великих масивів даних, потужних
інструментів аналітики та хмарних обчислень перетворюється на критичний чинник
інноваційної діяльності. Здатність підприємства працювати з даними визначає швидкість
прийняття рішень, точність прогнозування та ефективність розробки нових продуктів.
2) Технологічний вимір. Цифровізація розширює можливості технологічного оновлення.
Підприємства можуть обирати різні комбінації технологічних рішень для досягнення
однакових цілей, враховуючи бюджет, строки та потреби ринку. Гнучкість технологічних
траєкторій стає важливою конкурентною перевагою.

МОДЕЛЮВАННЯ ЕКОНОМІЧНОГО ЕФЕКТУ ВІД ВПРОВАДЖЕННЯ ЕЛЕКТРОМОБІЛІВ У МІСЬКОМУ ТРАНСПОРТІ

Валерія Давиденко — 2025-12-24

Сучасні міста дедалі активніше переходять до екологічно чистого громадського
транспорту, зокрема електробусів. Така тенденція зумовлена одночасним зростанням цін на
паливо, підвищенням витрат на технічне обслуговування традиційних автобусів, посиленням
екологічних вимог і запровадженням штрафів за перевищення норм забруднення, а також
формуванням загального світового тренду декарбонізації та «зеленої» економіки.
Асоціація європейських виробників автомобілів (ACEA) зазначає, що з січня по вересень
2025 року в ЄС було зареєстровано 6 444 електробуси, що на 49% більше, ніж за аналогічний
період 2024 року (з врахуванням Великої Британії та країн ЄАВТ – 9 346 одиниць) [1].
Проте оновлення міського автопарку вимагає значних початкових інвестицій, що ставить
перед органами місцевого самоврядування питання про доцільність впровадження таких
проєктів. Важливим етапом впровадження є визначення економічного ефекту, який може
отримати місто від використання електробусів, і за яких значень витрат, тарифів та
експлуатаційних особливостей ця інвестиція стане виправданою.
Економічна оцінка ефективності електротранспорту ґрунтується на порівнянні
структури витрат традиційних автобусів та електробусів. Для дизельного транспорту
основними компонентами є вартість палива, технічне обслуговування та ремонт, а також
витрати на амортизаційні відрахування. Сукупні експлуатаційні витрати дизельного автобуса
можна подати у вигляді:

ПРОГНОЗУВАННЯ ВАРТОСТІ ЗА ЛІД (CPL) ЗА ДОПОМОГОЮ МОДЕЛІ SARIMA НА B2B-ПІДПРИЄМСТВІ

В’ячеслав Клюшке — 2025-12-24

В умовах цифрової трансформації економіки, digital-маркетинг стає ключовим
інструментом лідогенерації для підприємств, що працюють у секторі Business-to-Business
(B2B) [1]. Через високу конкуренцію в цифрових каналах (Google Ads) та зростання вартості
залучення клієнта, ефективність управління маркетинговими інвестиціями напряму залежить
від точності планування. Вартість за лід (CPL) є одним з ключових операційних показників
(KPI) для B2B-маркетологів.
Однак на практиці більшість підприємств стикається з проблемою реактивного
управління: планування бюджетів та постановка KPI базуються не на науковому прогнозі, а
на інтуїції та простій екстраполяції минулих періодів («минулий рік + 10%»). Такий підхід не
враховує складну структуру даних: довгостроковий тренд (поступове здорожчання реклами)
та сильну B2B-сезонність (спади ділової активності взимку/влітку та піки навесні/восени).
81
Відсутність достовірного прогнозу CPL призводить до неефективного бюджетування
(втрата попиту у високий сезон через брак бюджету, або «злив» грошей у низький сезон) та
неможливості об’єктивно оцінити ефективність поточних дій. Таким чином, метою даного
дослідження є розробка та апробація економіко-математичної моделі для короткострокового
прогнозування динаміки CPL на B2B-підприємстві, що дозволить перейти до проактивного
управління.
Для досягнення поставленої мети було обрано аналіз часових рядів [2]. На відміну від
регресійних моделей, що шукають факторні зв’язки, моделі часових рядів дозволяють
прогнозувати показник, базуючись виключно на його минулій поведінці, що є ідеальним для
оперативного прогнозування KPI.

ВИКОРИСТАННЯ ШТУЧНОГО ІНТЕЛЕКТУ ТА ЧАТ-БОТІВ У КЛІЄНТСЬКИХ КОМУНІКАЦІЯХ

Валерія Корсун — 2025-12-24

Сучасний бізнес функціонує в умовах постійно зростаючої конкуренції та вимогливості
споживачів, які очікують миттєвої, персоналізованої та безперебійної підтримки 24/7. У цьому
контексті штучний інтелект (ШІ) та його найпоширеніша форма застосування – чат-боти –
перестали бути футуристичною концепцією і перетворилися на критично важливий
інструмент для оптимізації та трансформації клієнтських комунікацій. Інтеграція ШІ у фронтофісні операції являє собою фундаментальний зсув від традиційних, ресурсоємних моделей
взаємодії до високоавтоматизованих, масштабованих та інтелектуальних систем, які здатні не
лише відповідати на запитання, але й прогнозувати потреби клієнтів.
В основі цієї трансформації лежить здатність ШІ обробляти величезні масиви даних,
розпізнавати природну мову (NLP) та машинне навчання (ML). Чат-боти, побудовані на цих
технологіях, виконують роль першої лінії підтримки, беручи на себе до 80% рутинних запитів.
Це звільняє людських операторів від монотонної роботи, дозволяючи їм зосередитися на
складних, нетипових проблемах, що вимагають емпатії, креативності та глибокого аналізу.
Такий розподіл праці підвищує загальну ефективність відділів обслуговування, скорочує час
очікування відповіді (AHT) та значно покращує показники задоволеності клієнтів (CSAT).
Чат-боти забезпечують миттєву реакцію незалежно від часового поясу чи завантаженості
системи, що є неможливим для традиційних кол-центрів.
Перш ніж впроваджувати AI‑підтримку в клієнтські комунікації, важливо чітко
визначити завдання, яких очікують від автоматизації. Це може бути миттєва відповідь на
прості запити, попередня ідентифікація клієнта, збір і категоризація звернень, допомога у
оформленні замовлень або навігація по послугам. Різниця між простим правило‑орієнтованим
чат‑ботом і системою на основі машинного навчання чи генеративних моделей суттєва:
перший добре працює зі структурованими, передбачуваними сценаріями, другий – обробляє
природну мову гнучкіше, розпізнає наміри користувача і може вести більш природну розмову.
Найуспішніші проєкти часто комбінують підходи: шаблонні сценарії для стандартних
випадків і модель із контекстним розумінням для більш складних чи нетипових звернень, із
плавною передачею на оператора‑людину, коли це необхідно

МОДЕЛЮВАННЯ КОНКУРЕНЦІЇ ТА ЦІНОУТВОРЕННЯ В УМОВАХ ДВОСТОРОННІХ РИНКІВ ЦИФРОВИХ ПЛАТФОРМ

Ангеліна Лебеденко — 2025-12-24

Актуальність дослідження двосторонніх ринків (ДР) зумовлена домінуванням цифрових
платформ (наприклад, Uber, Visa, App Store), економічна поведінка яких визначається
унікальною структурою – перехресними мережевими зовнішніми ефектами [1]. Цифрова
платформа виступає посередником, що з’єднує дві різні групи користувачів, які взаємодіють
через цю платформу. Цінність платформи для однієї групи користувачів (наприклад,
розробників додатків) зростає зі збільшенням кількості користувачів на іншій стороні
(споживачів) і навпаки. Ця взаємозалежність формує індивідуальні та групові стимули до
участі та вимагає відходу від традиційних моделей ціноутворення [2], оскільки плата, стягнена
з однієї сторони, впливає не лише на її попит, але й опосередковано на попит іншої сторони.
Це призводить до необхідності стратегічного балансування цін для залучення та утримання
обох груп користувачів, забезпечуючи реалізацію транзакцій. Ми пропонуємо математичну
модель, що пояснює оптимальну асиметричну цінову структуру та рівновагу конкуренції в
умовах двосторонніх ринків цифрових платформ.
Теоретична основа моделювання ДР закладена у роботах Ж.-Ш. Роше та Ж. Тіроля [2], які
встановили, що ключовим рішенням платформи є не лише загальний рівень плати, а її розподіл
між двома сторонами. На відміну від класичної економіки, де важливою є лише сумарна ціна
(теорема Коуза), на ДР розподіл плати впливає на обсяг транзакцій, оскільки сторони мають
різну чутливість до цін та мережевих ефектів. Це явище отримало назву ефекту «гойдалки»
(seesaw effect). Механізм ефекту полягає в тому, що субсидування однієї сторони (встановлення
ціни нижче граничних витрат, або навіть негативної ціни, наприклад, безкоштовний доступ для
кінцевих споживачів) компенсується вищою платою для іншої сторони (наприклад,
рекламодавців або продавців). Таке субсидування спрямоване на залучення «критичної маси»
користувачів [1], яка генерує сильніший позитивний мережевий ефект.

МОДЕЛЮВАННЯ ФАКТОРІВ, ЩО ВПЛИВАЮТЬ НА RETENTION КОРИСТУВАЧІВ У ЦИФРОВОМУ ПРОДУКТІ

Тетяна Леонова — 2025-12-24

Сучасна цифрова економіка характеризується високою конкуренцією та швидкою
динамікою зміни поведінки користувачів. Таким чином проблема утримання клієнтів
(Retention) стає однією з ключових задач для успішного функціонування ІТ-компаній.
Постійний користувач генерує не лише стабільний дохід, але й суттєво підвищує
рентабельність продукту. За оцінками міжнародних досліджень - збільшення Retention всього
на 5% здатне підвищити прибутковість компанії на 25–95% [1, 4]. При цьому собівартість
залучення нових користувачів (CAC) у багатьох сегментах зростає щороку на 12–27% [3].
Саме тому економічне моделювання факторів, що впливають на 30-денний retention, стає
критично важливою складовою аналітики цифрових продуктів.
Авторами запропоновано модель із застосуванням синтетичного датасету з
1200 користувачів, який сформовано на основі наближених до реальних поведінкових
патернів. Він включає такі змінні як: канал залучення (organic, ads, referral, email),
проходження або непрходження онбордингу (0/1), кількість сесій за перші 7 днів (від 0 до 12,
середнє 3,1), середню тривалість сесії (1–60 хвилин), activation time (0–12 годин), кількість
push-нотифікацій, платіжну активність, демографічні характеристики та змінну цільового
показника - 30-денний retention.
88
На першому етапі проводиться когортний аналіз Retention за місяцем реєстрації.
Середній рівень Retention показав коливання в межах від 0,31 до 0,44, що свідчить про
істотний вплив зовнішніх умов та різної якості користувацьких потоків (рис. 1)