Моделювання та прогнозування економічних процесів

ПРОГНОЗНА АНАЛІТИКА В HR

Христина Бортник — 2025-03-20

У сучасному світі бізнесу дані є однією з ключових складових прийняття ефективних
управлінських рішень. Використання прогнозної аналітики дозволяє організаціям не лише
аналізувати минулі події, а й передбачати майбутні тенденції. У сфері управління людськими
ресурсами прогнозна аналітика стає важливим інструментом для мінімізації ризиків плинно-
сті кадрів та розробки стратегій утримання персоналу.

АНАЛІТИКА ВИРОБНИЧО-ЕКОНОМІЧНОЇ ДІЯЛЬНОСТІ ПІДПРИЄМСТВА ЗА МОДЕЛЛЮ ЛЕОНТЬ

Юлія Бородіна — 2025-03-20

З метою надання висновків щодо доцільності функціонування підприємства і отриман-
ня більшого прибутку за рахунок збільшення попиту проведемо аналітику виробничо-
економічної діяльності підприємства кисломолочної продукції. Для цього виконаємо наступ-
не:
- складемо міжструктурний матеріальний баланс на основі моделі Леонтьєва,
- розрахуємо нове планове завдання випуску кінцевої продукції,
- визначимо ціни та врівноважених ціни продукції,
- розрахуємо валові випуски для структурних одиниць підприємства.

ПРОГНОЗУВАННЯ ПОПИТУ НА IT-КОНСАЛТИНГ У РІЗНИХ ЧАСОВИХ ГОРИЗОНТАХ

Анастасія Грекул — 2025-03-20

У сучасному цифровому середовищі попит на IT-консалтингові послуги постійно зрос-
тає, оскільки підприємства інтегрують новітні технології для підвищення ефективності біз-
нес-процесів та конкурентоспроможності. Прогнозування попиту є критичним для компанії
«Адаптив Маркетинг Солюшенз», оскільки дозволяє оптимізувати ресурси, покращити біз-
нес-процеси та знижувати ризики.
Точний прогноз попиту дає можливість адаптувати пропозицію до змін на ринку, під-
вищуючи конкурентоспроможність і виявляючи нові можливості для розвитку. Для цього
будуть використані різні методи прогнозування, включаючи традиційні та сучасні техніки.

ПРОГНОЗУВАННЯ ТА НАПРЯМИ ЕНЕРГЕТИЧНОГО ПЕРЕХОДУ ЗА КОНЦЕПЦІЄЮ 3D: ВИКЛИКИ ТА МОЖЛИВОСТІ ДЛЯ УКРАЇНИ

Вікторія Дергачова — 2025-03-20

Енергетичний перехід є ключовим глобальним процесом, який не тільки змінює тради-
ційні підходи до виробництва й споживання енергії, але й впливає на економічну, екологічну
та соціальну стабільність країни. Для України цей процес набуває особливого значення, пот-
ребує адаптації до міжнародних стандартів, впровадження інновацій та забезпечення еконо-
мічної безпеки в умовах трансформації енергетичної системи, задля чого окреслено виклики,
які стоять перед українським енергетичним сектором, а також можливості, що відкриваються
в контексті глобального переходу до сталих джерел енергії.
Енергетичний перехід – це сучасний світовий тренд, який передбачає глобальну модер-
нізацію енергетичної системи з акцентом на концепцію 3D, яка охоплює декарбонізацію,
деджіталізацію та децентралізацію. Основою таких змін є розвиток альтернативних джерел
енергії, впровадження новітніх технологій та цифрових рішень, що забезпечують зниження
витрат і підвищення ефективності.

ТРАНСФОРМАЦІЯ ПІДПРИЄМСТВ ЧЕРЕЗ ВПРОВАДЖЕННЯ ЦИФРОВИХ ІННОВАЦІЙ: ЕКОНОМІЧНІ ВИГОДИ ТА РИЗИКИ

Андрій Калюжний — 2025-03-20

Сьогодні світ переживає трансформації, пов’язані з реалізацією Індустрії 4.0 — глоба-
льної ініціативи, ухваленої на Всесвітньому економічному форумі в 2014 році. Вона спрямо-
вана на прискорення технологічних перетворень, інтеграцію виробництва та зменшення ви-
трат управління. Перехід до Індустрії 4.0 вимагає модернізації промислових систем за допо-
могою інноваційних, стійких рішень. За останні роки цифрові технології, такі як Інтернет
речей, великі дані, робототехніка, блокчейн, штучний інтелект, доповнена реальність і швид-
кісне прототипування, активно впроваджуються у виробничі процеси провідних країн.

РОЗРОБКА СИСТЕМИ МОТИВАЦІЇ ПРАЦІВНИКІВ НА ПІДПРИЄМСТВІ INNOMOS GMBH

Олексій Козлов — 2025-03-20

Питання удосконалення систем мотивації працівників в it-галузі є доволі актуальним
адже, більшість компаній, зокрема іINNOMOS GmbH, визначають як тенденцію міграцію
висококваліфікованих спеціалістів, що призводить до збільшення витрат на заміщення, залу-
чення та адаптацію нових фахівців, і як наслідок впливає на продуктивність персоналу і ефе-
ктивність діяльності підприємств в цілому [1]. Для запобігання таких ризиків, було вирішено
провести аналіз існуючої системи мотивації працівників, виявити недоліки та запропонувати
вирішення цієї проблеми.

АНАЛІТИКА ТА ПРОГНОЗУВАННЯ ЕКОНОМІЧНИХ АГЕНТІВ

Юрій Лозан — 2025-03-20

У сучасних економічних умовах інноваційні підходи до аналітики та прогнозування
стають важливим інструментом оптимізації стратегій економічних агентів. Зростаюча неви-
значеність ринків, вплив технологій і глобалізація вимагають точного прогнозування та ви-
користання цифрових технологій.
Аналітика та прогнозування поведінки економічних агентів є ключовим інструментом
для розуміння і впливу на економічну динаміку в сучасному світі. Складність економічних
процесів вимагає застосування інноваційних підходів для дослідження та моделювання по-
ведінки споживачів, підприємств, фінансових інститутів та інших учасників ринку.
Оцінка ефективності інвестиційної діяльності відіграє вирішальну роль в обґрунтуванні
та виборі можливих цілей інвестування. Від того, наскільки об'єктивно зроблена ця оцінка,
залежить правильне інвестиційне рішення, терміни повернення інвестицій, розвиток компа-
нії, галузі, регіону, суспільства. Оптимізація управлінських рішень у сфері довгострокового
інвестування вимагає пильної уваги до фінансово-економічної оцінки інвестицій та прогно-
172
зування майбутніх грошових потоків. Об'єктивність і достовірність оцінки інвестицій знач-
ною мірою визначаються використанням сучасних методів економічного обґрунтування ін-
вестиційної діяльності [1]. Це підкреслює важливість точної оцінки ефективності інвестицій
для прийняття обґрунтованих рішень. Від якості такої оцінки залежить вибір інвестиційних
цілей, швидкість повернення вкладених коштів і позитивний вплив на розвиток бізнесу, га-
лузі та суспільства. Для довгострокового інвестування важливо застосовувати сучасні мето-
ди прогнозування, що враховують майбутні фінансові потоки. Об'єктивність цих оцінок за-
безпечується комплексним використанням економічного аналізу та новітніх інструментів.

ІНТЕГРАЦІЯ ЛАНЦЮГІВ ВАРТОСТІ ПРОДУКЦІЇ ПЕРЕРОБНОЇ ПРОМИСЛОВОСТІ В ГЛОБАЛЬНІ ЛАНЦЮГИ

Андрій Саченко — 2025-03-20

Тенденція до енергозбереження та популярність зеленого будівництва створює потен-
ційний ринок для українських підприємств. Українські підприємства скляної галузі можуть
інтегруватися в такі перспективні товарні групи, як енергоефективне скло для будівництва,
враховуючи зростання урбанізації та популярність енергоефективних технологій у будівниц-
тві [ 1].
Розглянемо інтеграцію ланцюгів вартості продукції переробної промисловості в глоба-
льні ланцюги на прикладі створення ланцюга вартості енергозберігаючого скла включає
різні етапи, від постачання ресурсів до утилізації скла. Виробничий ланцюг включає поста-
чання ресурсів, виробництво скла, переробка та виготовлення продукції, контроль якості,
зберігання та доставка, оптова та роздрібна торгівля, експорт, збірка скляних виробів, про-
мислова переробка скла, утилізація. Ключові учасники цього ланцюга включають компанії,
які постачають електроенергію та газ, постачальників сировини, постачальників хімікатів,
постачальників логістичних послуг, компанії, що надають технічну підтримку та технічне
обслуговування обладнання, компанії, що постачають технології та інновації, банки та інші
фінансові установи, торгово-промислові палати, науково-дослідні інститути, а також компа-
нії з промислової переробки енергозберігаючого скла.
Ці суб’єкти працюють в еко-індустріальних парках, щоб забезпечити ефективне та стале
виробництво енергозберігаючого скла, беручи до уваги якість, економічну ефективність та
екологічні аспектиСлабкі сторони у виробництві енергозберігаючого скла в Україні поляга-
ють у тому, що високий рівень необхідних початкових інвестицій на етапі будівництва заво-
дів ускладнює виходження на ринок національних виробників. Доступність кредитних ресу-
рсів та інвестиційного клімату країни визначають успіх залучення іноземних інвестицій. Ук-
раїна поки що не має механізмів страхування військових ризиків для промислових підпри-
ємств, що ускладнює привабливість країни для інвесторів. Наразі проводиться робота над
використанням міжнародного агентства MIGA для залучення інвестицій для будівництва
заводів в Україні, проте цей процес ще не має широкого розгляду та підтримки [3].
Потенціал та можливості розвитку ринку енергозберігаючого скла в Україні полягають у
зростанні попиту на цей вид продукції. Підвищення уваги до збереження енергоефективності
та сталий розвиток економіки створює сприятливе середовище для використання енергозбе-
рігаючих технологій. Розвиток нових технологій та постійна інноваційна діяльність в галузі
можуть стимулювати попит на енергозберігаюче скло. Окрім того, перегляд асортименту та
184
номенклатури товарів та використання новітніх технологій виробництва скляної продукції
посилюють конкурентоспроможність вітчизняних виробників на міжнародному ринку [2].
Стратегія інтегрування. Стратегія інтегрування для виробництва енергозберігаючого
скла в Україні та інтеграції у глобальні ланцюги включає низку ключових етапів, які мають
на меті: (1) ефективне впровадження технологій, (2) технічне забезпечення; (3) будівництво
склозаводу з виробництва енергозберігаючого скла (4) створення мережі дистриб'юторів для
забезпечення успішного виходу на ринок

ІННОВАЦІЙНІ ТЕХНОЛОГІЇ ДЕКАРБОНІЗАЦІЇ: ПЕРСПЕКТИВИ ІНТЕГРАЦІЇ ШТУЧНОГО ІНТЕЛЕКТУ В ЕНЕРГЕТИЧНИЙ СЕКТОР

Ігор Бердник — 2025-03-20

Декарбонізація є фундаментальним процесом трансформації економічної системи,
спрямованим на радикальне зниження вуглецевої інтенсивності та досягнення принципово
нової моделі сталого розвитку. Ключовий аспект цього процесу полягає в комплексній
якісній трансформації існуючої енергетичної інфраструктури, що передбачає поступове
витіснення викопних енергоносіїв та масштабну електрифікацію різних секторів економіки.

ВИКОРИСТАННЯ BI-ІНСТРУМЕНТІВ ДЛЯ АНАЛІЗУ КЛЮЧОВИХ МЕТРИК ІННОВАЦІЙНОЇ ДІЯЛЬНОСТІ ПІДПРИЄМСТВ

Ігор Бех — 2025-03-20

В сучасних умовах продуктивна спроможність підприємств на інноваційних засадах –
це здатність забезпечувати стійке зростання, яке керується не економічною ефективністю, а
ідеями, інтелектуальними знаннями, які втілюються в нові продукти (послуги) все більш ви-
сокої якості з меншими витратами. Забезпечення стійкого зростання з року в рік, особливо на
тлі широкомасштабної війни і нестабільної економіки, є однією із складних задач.

ВИКОРИСТАННЯ МЕТОДІВ МАШИННОГО НАВЧАННЯ ДЛЯ МОДЕЛЮВАННЯ ЛОГІСТИЧНИХ ПОТОКІВ У КРИЗОВИХ УМОВАХ

Денис Бойко — 2025-03-20

Логістика відіграє критичну роль у забезпеченні ефективного функціонування еко-
номічних і гуманітарних процесів, особливо в умовах кризи. Під час воєнних конфліктів,
природних катастроф або глобальних пандемій, як це стало очевидним у випадку COVID-19,
логістичні ланцюги стикаються з низкою викликів, зокрема порушенням транспортної ін-
фраструктури, дефіцитом ресурсів та різким зростанням потреб у гуманітарних поставках.
Традиційні методи управління логістичними потоками в таких умовах часто виявляються
недостатньо гнучкими або ефективними для реагування на швидко мінливі обставини. У
цьому контексті машинне навчання (ML) та інші інноваційні підходи до моделювання
логістичних операцій стають все більш актуальними.

ВИКОРИСТАННЯ АВТОМАТИЗОВАНИХ ЗАСОБІВ ДЛЯ ВИРІШЕННЯ ПРОБЛЕМИ ВРАХУВАННЯ ГЕТЕРОСКЕДАСТИЧНОСТІ ПІД ЧАС ДОСЛІДЖЕННЯ ЕКОНОМІЧНИХ СИСТЕМ В УМОВАХ ПІДВИЩЕНОГО РИЗИКУ

Олена Бондаренко — 2025-05-29

РОЛЬ БЛОКЧЕЙНУ В МОДЕРНІЗАЦІЇ ФІНАНСОВИХ СИСТЕМ ТА ЙОГО ВПЛИВ НА ЕКОНОМІЧНЕ МОДЕЛЮВАННЯ

Ірина Грень — 2025-05-27

На сучасному етапі розвитку світової економіки відбуваються безпрецедентні техно-
логічні трансформації, серед яких особливе місце займає технологія блокчейн, оскільки її
вплив на модернізацію як фінансової системи, так і економічного моделювання неможливо
переоцінити через зміну усталених протягом тривалого часу парадигм у фінансових інститу-
тах та механізмах економічної взаємодії. На наш погляд, саме блокчейн-технології стануть
каталізатором революційних змін у фінансовій сфері та відкриють широкі можливості для
підвищення ефективності, прозорості та безпеки фінансових операцій.
Глибокий аналіз тенденцій, які відбуваються у фінансовому секторі, дозволяє ствер-
джувати, що впровадження блокчейну призводить до формування якісно нової архітектури
фінансових систем. У той час як традиційні, сильно централізовані моделі втрачають свою
актуальність, децентралізовані системи дають більш високий рівень довіри та ефективності.
Я також вважаю важливим, що блокчейн відкриває можливості для демократизації фінансо-
вих послуг, роблячи їх більш доступними як для широких верств населення, так і для малого
бізнесу. Згідно з дослідженням, інтеграція блокчейн-технологій у фінансовий сектор відбу-
вається наступним чином. По-перше, це трансформація платіжних систем та механізмів
міжнародних переказів. Так, за допомогою блокчейну вартість транскордонних платежів
може бути знижена в рази, а час на їх здійснення - скоротитися з декількох днів до декількох
хвилин. По-друге, з розвитком DeFi відбувається революція в управлінні активами та інве-
стиціями. Я вважаю, що в найближчі роки більшість інновацій у фінансовому секторі будуть
обумовлені саме DeFi-платформами. [1]
Окремої уваги заслуговує вплив блокчейну на зміни в процесі створення економічних
моделей. Можна стверджувати, що традиційні економетричні моделі за своєю суттю потре-
бують глибокого переосмислення на тлі децентралізованих фінансів. Блокчейн відкриває
абсолютно нові можливості для збору та аналізу інформації про фінансові операції в режимі
реального часу, що створює умови для найбільш адекватних економічних прогнозів і ефек-
тивного управління ризиками.
Першим прикладом є вплив технологій блокчейн на монетарну політику та діяльність
центральних банків. Виявлено, що створення блокчейн-центробанків може призвести до
різкої зміни механізмів монетарного регулювання. Очікується, що в наступному десятилітті
більшість розвинених країн запровадять свої національні CBDC, що відповідно створить по-
требу в розробці нових підходів до монетарного регулювання та управління фінансовою
стабільністю.
Аналізуючи практичний досвід впровадження блокчейн-рішень у фінансовому секторі,
можна простежити низку тенденцій. Перш за все, це стрімке зростання кількості успішних
проектів у сфері міжбанківських розрахунків і торгового фінансування. Банки та фінансові
установи все частіше звертаються до технологій блокчейн для оптимізації своїх операційних
процесів з метою скорочення витрат. Крім того, активно розробляються нові бізнес-моделі та
фінансові продукти, засновані на використанні смарт-контрактів і токенізації активів.
22
Особливо важливим, на нашу думку, є вплив блокчейну на розвиток систем управління
ризиками у фінансовому секторі. Прозорість і незмінність даних, які забезпечує технологія
блокчейн, дозволяють створювати більш ефективні механізми моніторингу та контролю
фінансових ризиків, що особливо актуально в умовах зростання кількості кіберзагроз та
необхідності забезпечення високого рівня безпеки фінансових операцій.
Таблиця 1-Ввплив технологій блокчейну у фінансовому секторі
Сфера впливу Опис змін Очікувані результати Приклади впровадження
Платіжні системи Оптимізація транскордон-
них переказів, зниження
витрат та часу на виконання
операцій
Скорочення часу платежів
з днів до хвилин, зниження
комісій
Ripple, Stellar
Децентралізовані
фінанси (DeFi)
Впровадження платформ
для управління активами та
інвестиціями
Зниження ролі посеред-
ників, зростання доступ-
ності фінансових послуг
Uniswap, Aave
Монетарна
політика
Введення цифрових валют
центральних банків (CBDC)
Підвищення ефективності
монетарного регулювання,
зростання прозорості
фінансових операцій
Експерименти з CBDC у
Китаї, Європейському Со-
юзі
Управління
ризиками
Прозорий моніторинг
фінансових ризиків за раху-
нок незмінності даних у
блокчейні
Підвищення рівня безпеки,
зменшення кіберзагроз
Chainalysis, блокчейн-
рішення у сфері регулю-
вання
Інклюзивні
фінансові послуги
Надання доступу до фінан-
сових інструментів для
незабезпечених верств насе-
лення
Зниження фінансової
нерівності, розширення
фінансової інклюзії
Проєкти з мікрофінансу-
вання у країнах Африки
Економічне
моделювання
Використання даних у ре-
жимі реального часу для
прогнозування та аналізу
Підвищення точності еко-
номічних прогнозів, зни-
ження ризиків
Дослідження World Bank
про вплив блокчейну на
економічне управління
Джерело: складено автором на основі [1]
Впровадження технологій блокчейн також відкриває нові можливості для розвитку
інклюзивних фінансових послуг. Децентралізовані фінансові платформи можуть стати ефек-
тивним інструментом подолання фінансової нерівності та забезпечення доступу до фінансо-
вих послуг для людей, які не мають банківських рахунків, обумовлене актуальністю для
країн, що розвиваються, де значна частина населення не має доступу до традиційних
банківських послуг. За допомогою новітніх інструментів технологій блокчейн, можливо зро-
бити переворот в економічних системах. Наприклад, агентне моделювання, яке дозволяє мо-
делювати поведінку окремих учасників мережі і вивчати їх взаємодію; мережевий аналіз, що
використовується для вивчення взаємозв'язків між учасниками блокчейн-мереж; машинне
навчання, яке застосовується для аналізу великих обсягів даних з блокчейну і прогнозування
майбутніх трендів; теорія ігор, яка може бути використана для моделювання стратегічної
поведінки учасників блокчейн-систем, а також спеціалізовані програмні платформи, що ро-
зроблені спеціально для аналізу блокчейн-даних.
Отже, аналіз впливу блокчейну на економічне моделювання свідчить про необхідність
нових методичних підходів та інструментів аналізу. Традиційні економетричні моделі, що
базуються на історичних даних та централізованих джерелах інформації, мають бути адапто-
вані до умов децентралізованої економіки. Пропонується розробити нові підходи до еко-
номічного моделювання з урахуванням специфіки блокчейн-систем та можливостей аналізу
даних у режимі реального часу. З цього випливає, що блокчейн-технології все більше пере-
творюються на один із драйверів змін у фінансовому секторі та економічному моделюванні,
а їх поява вимагає переосмислення традиційного підходу до організації фінансових систем та
розробки нових методів економічного аналізу.

MODELING OF ENTERPRISE ACTIVITIES IN CONDITIONS OF UNCERTAINTY

Єлизавета Гродзь — 2025-05-27

Modern enterprises operate in an extremely complex environment, where uncertainty becomes
a constant condition of their existence. As a result of the full-scale military invasion of the
Russian Federation into Ukraine, Ukrainian enterprises faced physical destruction of assets, forced
relocation, labor shortages, and logistical constraints. Security threats and financial and economic
risks of enterprise activity are a challenge for the functioning of business in Ukraine. Under these
conditions, it is important to additionally involve economic and mathematical modeling tools that
allow taking into account factors of uncertainty of the external environment and are the basis for
making further management decisions.
Modeling of enterprise activity is becoming an important tool for forecasting, adapting, and
making effective management decisions. The use of economic and mathematical models allows
enterprises [1]:
- to assess the impact of external factors, such as demand fluctuations, currency risks, and
changes in legislation;
- to form alternative scenarios for business development depending on the development of the
situation;
- optimize internal processes, including resource and financial management, to minimize costs
and maximize efficiency.
Thus, in a period of global turbulence, companies that are able to effectively use modeling of
their activities have a higher chance of survival and development in conditions of uncertainty.
Table 1 shows the financial indicators of the company "SEVENPORT" LLC for the period
2022-2024. This company provides comprehensive services in the field of international cargo transportation
and customs clearance. Given the constant changes in the industry, high level of competition
and conditions of uncertainty, the company actively analyzes the market situation and seeks
new opportunities to adapt to changing conditions and ensure sustainable development. Modeling
using the logit model allows you to identify key factors that determine the company's success in the
market, as well as assess risks and opportunities for further development.
Table 1 – Dynamics of the company's financial indicators “SEVENPORT” LLC for the period
2022–2024

ЕКСПЕРТНЕ ОЦІНЮВАННЯ ПІДПРИЄМНИЦЬКИХ РИЗИКІВ

Лідія Гур’янова — 2025-05-27

Сучасні умови функціонування українських підприємницьких структур (ПС) характе-
ризуються макроекономічною нестабільністю, високим рівнем енергетичних загроз та ін. Це
призводить до погіршення фінансового стану ПС, збитковості діяльності, зниження рівня
ділової активності. Тому актуальним науково-дослідним завданням є оцінювання ризиків ПС
різних типів з метою застосування превентивних механізмів фінансової стабілізації.
При опитуванні менеджменту 33 підприємств різних регіонів була запропонована кла-
сифікація ризиків на безпекові (пов’язані з веденням бойових дій і гібридної війни), еко-
номіко-політичні (зовнішні, спричинені змінами ринкової кон’юнктури чи політичними
рішеннями) та операційні (впливають на стабільність роботи бізнесу). Слід зазначити, що
результати експертного оцінювання ризиків ПС показали, що сприйняття ризиків суттєво
відрізняється у компаній різних галузей та регіонів.
В ході дослідження були отримані наступні результати. За географічним принципом
ризик «руйнування внаслідок обстрілу та окупація підприємства» є домінантним ризиком
для підприємств областей, на території яких ведуться бойові дії (крім Миколаївської об-
ласті). Однак, наприклад для підприємств Дніпропетровського регіону ризик руйнування має
однаковий ранговий пріоритет з ризиком нестачі кадрів, незважаючи на те, що цей регіон
межує із прифронтовими: Донецькою та Запорізькою областями (рис 1).

ПРОГНОЗУВАННЯ ДИНАМІКИ РИНКУ КРИПТОВАЛЮТ НА ОСНОВІ ДАНИХ СОЦІАЛЬНИХ МЕРЕЖ

Лідія Гур’янова — 2025-05-27

У сучасній економіці дослідження на основі даних із соціальних мереж набувають все
більшої популярності. Інтерактивні платформи, такі як тікток, фейсбук, інстаграм, ікс (твіт-
тер), лінкедин та інші, генерують велику кількість даних, які можуть бути використані для
аналізу поведінки користувачів. Обробка великих обсягів інформації вимагає розробки ефек-
тивних інструментів їх збору та аналізу. Прикладний програмний інтерфейс (API) є одним з
ключових методів, який забезпечує доступ до даних у реальному часі. Прикладний програм-
ний інтерфейс дозволяє науковцям автоматизувати процес збору інформації, налаштовувати
запити за різними критеріями та отримувати структуровані дані для подальшого аналізу.
Науковці активно досліджують використання API соціальних мереж для збору та
аналізу даних, прогнозування динаміки ринку криптовалют за допомогою методів інтелек-
туального аналізу даних. Так, Poudel, Weninger аналізували проблеми пов’язані з доступом
до соціальних мереж [1]. Розробка та керування прикладним програмним інтерфейсом при-
вертає значну увагу розробників програмного забезпечення [2]. Публікація “Advances in Intelligent
Data Analysis and Its Applications” Zhang, C., Li, W., Zhang, H., & Zhan, T. містить
огляд теоретичних основ методів інтелектуального аналізу даних і пропонує практичні реко-
28
мендації для підвищення точності та швидкості аналізу [3]. У дослідженні Mudassir, M.,
Bennbaia "Time-series forecasting of Bitcoin prices using high-dimensional features: a machine
learning approach" автори прогнозують ціну на біткоїн за допомогою моделей машинного
навчання, визначають точність прогнозування для короткострокового та середньострокового
періоду упередження [4].
Метою дослідження є проведення комплексного аналізу моделей для прогнозування
динаміки ринку криптовалют за даними соціальних мереж. Відповідно до мети дослідження
основними завданнями є:
- зібрати базу даних про активність користувачів у соціальних мережах;
- виконати обробку, агрегацію даних;
- побудувати моделі прогнозування на основі поліноміальної регресії, а також методів
машинного навчання (Random Forest, Decision Tree) та Prophet;
- оцінити точність та ефективність моделей за допомогою метрик Mean Squared Error та
Mean Absolute Error.
Збір інформації з соціальних мереж включав формування тематичних запитів. Вико-
ристання структурованих запитів дозволило ефективно вилучати дані, релевантні до до-
сліджуваної теми, чим забезпечило репрезентативність вибірки для аналізу.
Парсинг включав перетворення необробленої інформації на структуровані формати,
придатні для подальшого аналізу. Коректність обробки даних забезпечується застосуванням
сучасних бібліотек Python, таких як requests та json.
Код для обробки включав адаптацію алгоритмів збору інформації до специфіки кож-
ної соціальної мережі. Наступний етап - формування термінологічних баз із ключових слів,
фраз та синонімів. Розробка програмного забезпечення для автоматизації створення запитів
до API здійснювалась із застосуванням HTTP-методу POST. Розробка скриптів для перевірки
статусу та результатів виконання запитів, зроблених до API, здійснювалась з використанням
HTTP-методу GET. Зроблено автоматизацію перенесення даних із хмарної бази PostgreSQL
(через PGAdmin) до локальних файлів формату CSV для подальшої обробки. Далі - оп-
тимізація циклічного виконання запитів із врахуванням обмежень швидкості API та розробка
алгоритмів для регулювання частоти запитів із використанням таймерів (time.sleep) або черг
завдань для забезпечення відповідності правилам використання API. Реалізація скриптів для
обробки, візуалізації та аналізу даних кожної соціальної мережі окремо включає методи ча-
стотного аналізу та аналізу настроїв із використанням бібліотек Python (NLTK, scikit-learn,
matplotlib).
Система моніторингу збору даних дозволяє інтегрувати отримані дані в аналітичні та
дослідницькі процеси. Така універсальність даної системи є перспективною для подальшого
використання в бізнесі, науці та освіті. Досліджено варіанти інтеграції отриманих даних для
описового аналізу, кількісного аналізу, лінгвістичного аналізу, аналізу часових рядів, мере-
жевого аналізу, семантичного аналізу. Слід також зазначити, що отримані таким чином дані
дозволяють здійснити детальний контент-аналіз на кшталт визначення найпопулярніших
тегів, топ-постів по окремим соціальним мережам, топ найпопулярніших емодзі. Ефективним
є їх використання для категоризації та візуалізації медіа-контенту.
Серед моделей прогнозування динаміки криптовалют саме модель дерева рішень про-
демонструвала хорошу точність. MSE становить 2,532,048.20, що свідчить про порівняно
низький рівень розбіжностей між прогнозованими та фактичними значеннями. Коефіцієнт
детермінації R² підтверджує, що 79.3% варіації ціни біткоїна пояснюється побудованою мо-
деллю, що свідчить про її адекватність моделі та доцільність врахування даних соціальних
мереж під час прогнозування ринку криптовалют.
Побудована модель дерева рішень продемонструвала певний успіх у прогнозуванні
цін на біткоїн, проте зросли відхилення у прогнозах з часом. Тому в ході дослідження ро-
зроблено модель випадкового лісу для врахування більш складних взаємозв'язків між
змінними (рис. 1).

ЗАСТОСУВАННЯ МЕТОДІВ КЛАСТЕРНОГО АНАЛІЗУ ДЛЯ ОЦІНКИ РИЗИКІВ ПІДПРИЄМНИЦЬКИХ СТРУКТУР

Лідія Гур’янова — 2025-05-27

Сучасні умови функціонування українських підприємницьких структур
характеризується значним ступенем ризику, пов’язаним з низьким рівнем стійкості
енергетичної системи, інфляційними процесами, зниженням платоспроможного попиту та ін.
Фактори ризику оказують асиметричний вплив на діяльність підприємницьких структур
(ПС) різних регіонів, масштабу бізнесу, сфер діяльності. Тому цікавим науково-дослідним
завданням є оцінка такого асиметричного впливу ризиків на ПС різного типу, що дозволяє
визначити найбільш вразливі сфери діяльності та застосувати превентивні механізми
фінансової стабілізації галузі.
Для розробки моделі класифікації використовувались методи ієрархічної
агломеративної кластеризації (метод Уорда) та ітеративної кластеризації (метод k-means).
Інформаційною базою дослідження є фінансові дані українських підприємств за такими
показниками, як прибуток, рентабельність активів, коефіцієнт поточної ліквідності, рівень
заборгованості та ін., а також класифікаційні ознаки ПС: масштаб бізнесу, регіональне
розташування та відстань до зони бойових дій та ін. Під час побудови моделі кластерного
аналізу дані були стандартизовані.
Дендрограма кластеризації за методом Уорда (рис. 1), графік «ліктя» та інші критерії,
що дозволяють досліджувати зміну функціоналів якості класифікації в залежності від
кількості кластерів, яка враховується в моделі класифікації, дозволили зробити висновок про
наявність 7 груп в досліджуваній сукупності.

МЕТОДИ УПРАВЛІННЯ МОТИВАЦІЄЮ ПРАЦІВНИКІВ ПІДПРИЄМСТВ ІНЖЕНЕРНИХ СПРЯМУВАНЬ В УМОВАХ ВІЙСЬКОВОГО СТАНУ В УКРАЇНІ

Дмитро Гуров — 2025-05-27

Військовий стан в Україні змусив людей змінити пріоритети не тільки у звичайному
житті, але і у професійній сфері. Це створює необхідність переосмислити традиційні методи
мотивації та впроваджувати нові, адаптовані до сучасних умов.
Для початку розглянемо традиційні методи мотивації та проаналізуємо їх ефективність
у контексті роботи інженерного підприємства.
Таблиця 1 — Традиційні методи мотивації працівників інженерного підприємства
Метод
мотивації
Опис методу для інженерно-
го підприємства
Переваги Недоліки
1 2 3 4
Додаткові
грошові
виплати
Премії за виконання склад-
них задач, грант на про-
фесійне навчання студентів
на підприємстві.
Мотивує виконувати
складні задачі, при-
вертає нові кадри.
Сприяє зросту конкуренції між
працівниками, що деморалізує
командний настрій.
Індиві-
дуалізація
оплати праці
Гнучкі тарифи заробітної
плати, які відповідають
складності проєктів та
відпрацьованому часу.
Забезпечує відчуття
справедливості та
забезпечує професій-
ний ріст .
Потребує знаного часу для
впровадження системи.
Публічне
визнання
досягнень
Нематеріальні нагороди за
професійні досягнення у
вирішенні інженерних задач.
Мотивує підтримува-
ти та покращувати
професійні навички
Підходить не для всіх
спеціалістів; може не моти-
вувати працівників, які
націлені на матеріальні цін-
ності.
33
1 2 3 4
Адміністра-
тивний влив
Суворий чи додатковий кон-
троль за виконанням інже-
нерних задач шляхом
звідності та постійного
нагляду
Забезпечує швидкість
виконання завдань,
якість продуктів у
кризових ситуаціях.
Може демотивувати
кваліфікаційних працівників та
сприяти відтоку професіональ-
них кадрів.
Автономія Надання інженерам змоги
самостійно вирішувати ін-
женерні питання та постав-
ленні задачі.
Зростає відповідаль-
ність та ініціатив-
ність працівників.
Працівники повинні бути ви-
сококваліфікованими, щоб
забезпечити якісне виконання
роботи.
Гейміфікація
процесів
Введення в робочі процеси
ігрових форм, які зможуть
допомогти у вирішенні задач
(наприклад, рейтингові таб-
лиці, нагороди, тощо)
Підвищує залученість
співробітників до
вирішення інженер-
них задач та робочих
процесів.
Більшість працівників інже-
нерного профілю не сприйма-
ють гейміфікацію серйозно та
можуть не долучитися до «зма-
гання».
Гнучкий
графік
роботи
Працівники мають змогу
працювати віддалено або за
гнучким графіком.
Сприяє комфортному
робочому процесу
працівників.
Складно контролювати ефек-
тивність робочої діяльності
працівників.
Професійний
розвиток
Організація тренінгів для
підвищення кваліфікації,
курсів з професійного
навчання, тощо.
Сприяє підвищенню
рівня кваліфікації
персоналу
Потребує значних фінансових
витрат та часу.
Соціальні
пакети
Надання відпустки, додатко-
вих вихідних, медичне
страхування.
Забезпечення певного
рівня безпеки, змен-
шення рівня стресу.
Потребує додаткових
фінансових витрат.
Джерело: складено автором на основі [1], [2], [3].
Війна створила безпрецедентні виклики для управління мотивацією працівників, що є
критично важливим для збереження продуктивності та функціонування підприємств. Розгля-
даючи компанії, що працюють в інженерних напрямах, серед основних проблем, які безпосе-
редньо впливають на рівень мотивації співробітників, можна виділити наступні:
1. Втрата ключових співробітників через мобілізацію та міграцію. Мобілізація значної
частини працездатного населення призводить до дефіциту кваліфікованих кадрів. Еміграція
спеціалістів за кордон через небезпеку та економічну нестабільність у країні змушує
підприємства оперативно адаптувати кадрову політику.
2. Психологічна нестабільність працівників. Постійний стрес, тривожність і страх за
життя своїх близьких знижують залученість до робочого процесу. Підвищення рівня виго-
рання через емоційне виснаження та необхідність працювати у складних умовах.
3. Складнощі у створенні умов для ефективної роботи. Часті перебої з електроенергією
впливають на комфорт працівників і знижують їхню продуктивність. Руйнування інфра-
структури (доріг, мостів, транспортних вузлів) ускладнює доставку матеріалів, обладнання та
продукції.
4. Фінансові обмеження роботодавця. Складнощі з виплатами конкурентної заробітної
плати або премій через загальну економічну ситуацію знижують фінансову мотивацію пер-
соналу. Відсутність можливості інвестувати у додаткові програми навчання або нематеріаль-
ні бонуси.
5. Зростання потреби у персоналізованому підході. Працівники в умовах війни потре-
бують індивідуальної уваги, гнучких умов роботи та підтримки, що створює додаткове
навантаження на HR-служби та керівників. [4]
Серед розглянутих методів мотивації можна виділити кілька, які найкраще адаптуються
до умов військового стану та викликів, що постали перед інженерними підприємствами:
1. Матеріальні стимули. В умовах економічної нестабільності матеріальна підтримка
залишається ключовим фактором мотивації, оскільки допомагає працівникам забезпечити
базові потреби. Замість класичних премій можна запровадити разові виплати на нагальні
34
потреби (наприклад, компенсації на генератори або мобільний інтернет). Також грант на
професійне навчання допоможе залучити студентів працювати на підприємстві, що, в свою
чергу, сприятиме вирішенню кадрового голоду, викликаного дефіцитом професійних кадрів
(що підсилений мобілізацією, еміграцією працівників, тощо).
2. Гнучкий графік роботи. Такий метод забезпечує комфорт працівників у нестабіль-
них умовах, таких як перебої з електроенергією або транспортом, ракетні обстріли. Гнучкий
графік із чітким розподілом задач може допомогти уникнути зниження продуктивності, а
також забезпечити певного рівня безпеки.
3. Соціальні пакети. Додаткові гарантії (медичне страхування, транспортні витрати)
можуть підвищити лояльність працівників. У стресових умовах війни люди більше цінують
стабільність і турботу роботодавця.
4. Публічне визнання досягнень. Доступний та дієвий метод для підтримки морально-
го духу. В умовах обмежених фінансових ресурсів це є економічно вигідним способом моти-
вації.
5. Професійний розвиток. Професійний розвиток під час військового стану допомагає
працівникам відчувати стабільність і впевненість у майбутньому, оскільки демонструє тур-
боту компанії про їхній розвиток. Навчання сприяє самореалізації, адаптації до нових
викликів і зміцнює командний дух, що підвищує мотивацію та продуктивність.
Також, окрім традиційних методів мотивації, можна розглянути наступні методи:
1. Емоційна підтримка та корпоративна солідарність. Запровадження регулярних
зустрічей із психологами та організація ініціатив підтримки сімей мобілізованих працівників.
2. Волонтерські ініціативи. Створення можливостей для працівників долучатися до
допомоги ЗСУ або місцевим громадам у рамках роботи.
3. Стабільність та захист. Надання працівникам доступу до тимчасових укриттів на
підприємстві або сприяння їхній облаштованості вдома. Організація курсів (симуляційних
тренінгів) з надання першої домедичної допомоги в умовах війни.
4. Програми адаптації. Індивідуальні плани підтримки для працівників, які поверта-
ються після мобілізації, з акцентом на професійну реабілітацію.
Для ефективної мотивації в умовах військового стану необхідно комбінувати тра-
диційні методи (гнучкий графік, соціальні пакети) з новими підходами (емоційна підтримка,
волонтерство, антикризове навчання). Головний акцент слід робити на індивідуалізації під-
ходу до працівників, зберігаючи баланс між професійним та особистим життям. Це дозво-
лить не лише підтримувати високий рівень мотивації, але й забезпечити стійкість колективу
в умовах кризових ситуацій.

ПРОГНОЗУВАННЯ ЦІН НА ЯЙЦЯ КУРЯЧІ ЗА ДОПОМОГОЮ МОДЕЛІ ХОЛЬТА-ВІНТЕРСА ТА ЇХ ВПЛИВ НА СТАН ЕКОНОМІЧНОЇ БЕЗПЕКИ КРАЇНИ

Юрій Гуртовий — 2025-05-27

Курячі яйця є одним з продуктів харчування споживчого кошика, на основі вартісної
оцінки якого відбувається розрахунок прожиткового мінімуму. Протягом останніх років в
Україні спостерігається тенденція до зростання вартості яєць: якщо станом на 1 листопада
2020 року середньомісячна ціна становила 25,90 грн за 10 штук, то у 2024 році – 71,03 грн в
аналогічному періоді. Таке стрімке дорожчання спричиняє занепокоєння серед споживачів та
незахищених верств населення, які через фінансові труднощі досить чутливо реагують
зміною попиту на зміну ціни, обираючи або більш дешеву продукцію, або скорочуючи обсяги споживання яєць. Оскільки у бюджетній декларації на 2025-2027 рр. та державному бюджеті на 2025 рік не передбачено зростання таких соціальних показників, як прожитковий
мінімум та мінімальна заробітна плата, зростання цін на яйця, які є важливим джерелом
білка в раціоні населення, матиме негативний вплив на рівень продовольчої (зменшення обсягів споживання яєць та добової калорійності харчування людини) та соціальної безпеки
(зростання частки витрат на продовольчі товари в структурі споживчих витрат домогосподарств) України. З огляду на це, прогнозування їхньої ціни у середньостроковій перспективі
є актуальним завданням, що дозволяє оцінити ризики продовольчої доступності та зрушення
у структурі споживчих витрат.
Для здійснення прогнозу слід обрати модель, яка дозволяє врахувати сезонність, що характерна для більшості сільськогосподарських процесів. Одним із класичних підходів є прогнозування за допомогою методу Хольта-Вінтерса – трьохпараметричної моделі прогнозу,
яка складається із згладженого експоненційного ряду, лінійного тренду та сезонного компоненту, який поєднується з іншими компонентами адитивним або мультиплікативним способом. В даній моделі розмах сезонних коливань змінюється слабо, тобто, сезонність додається
до ряду динаміки, що візуалізовано за допомогою радіальної діаграми (рис.1).
На рис. 1 представлена динаміка цін на яйця «Квочка» агрохолдингу «Авангард» –
найбільшого виробника яєць як на українському ринку, так і орієнтованого на експорт. У
жовтні-грудні 2022 року причиною різкого стрибку в ряді динаміки є не мультиплікативний
вплив сезонності, а скорочення чи навіть припинення виробничої діяльності підприємств
через бойові дії та проблеми з логістикою. Ці фактори відносяться до випадкового компоненту, який включає ефекти від непередбачуваних подій, як-от природно-кліматичні аномалії, втрата виробничих потужностей внаслідок воєнних дій, часті відключення електроенергії тощо. Перевірка цього припущення здійснюється за допомогою методу сезонної декомпозиції часового ряду, реалізованого за допомогою IBM SPSS. Рис. 2 демонструє, що у
жовтні-грудні 2022 року стрімке зростання ціни було спровоковане як зростанням трендциклічної компоненти, так і накладанням одночасно сезонності і непередбачуваних (випадкових) подій. Подібна ситуація характерна і для поточного зростання, оскільки станом на 1
листопада 2024 року приріст цін на яйця складає 56,83% порівняно з ціною станом на 1 жовтня 2024 року, що становила 45,29 грн за десяток.

МОДЕЛЮВАННЯ ЕКОНОМІЧНОЇ ПОВЕДІНКИ УКРАЇНСЬКИХ ПІДПРИЄМСТВ У ІНВЕСТИЦІЙНІЙ ДІЯЛЬНОСТІ

Олександр Демідов — 2025-05-27

Розвиток виробничої бази через інвестиції в необоротні активи та фінансові інструменти залишається важливим навіть в умовах війни, оскільки це сприяє економічній стабільності
та відновленню країни. Така інвестиційна діяльність є не лише необхідною для загальної
економіки, але й критично важливою для забезпечення стійкості та конкурентоспроможності
самих підприємств [1].
Для дослідження були обрані великі українські підприємства, які репрезентують ключові галузі економіки України: ПрАТ «МХП», ТОВ «АТБ-Маркет», ТОВ «Нова Пошта».
Рисунок 1 – Чистий рух коштів від інвестиційної діяльності досліджуваних
підприємств по роках
Джерело: узагальнено та формалізовано авторами.
Аналіз даних показав, що у більшості підприємств у 2022 році відбувся спад в обсягах
інвестиційних коштів, що є логічною реакцією на повномасштабне вторгнення Росії в
39
Україну. Проте вже у 2023 році ці три компанії відновили висхідну тенденцію, що свідчить
про позитивний інвестиційний настрій та готовність до розвитку навіть у складних умовах.
Для оцінки впливу обсягу інвестиційних вкладень на фінансові-економічні показники
компаній було розраховано коефіцієнти кореляції та детермінації для доступних часових
рядів, що характеризують інвестиційну діяльність та фінансовий-економічний стан
підприємств. Коефіцієнт кореляції використано для визначення сили та напрямку зв'язку між
двома змінними, а коефіцієнт детермінації - для оцінки частини дисперсії, яку можна пояснити через регресійний зв'язок [2]. В економіці прийнятними вважаються значення
коефіцієнта кореляції вище 0,8 та коефіцієнта детермінації вище 0,6.
Після підрахунку коефіцієнтів кореляції та детермінації для вищезазначених фінансовоекономічних показників обраних компаній, робимо висновок, що значення чистого руху
коштів від інвестиційної діяльності мають найбільший зв’язок із показниками чистого доходу підприємств та загальною вартістю активів.
Таким чином, результати дослідження підтверджують доцільність інвестування українськими підприємствами у власний розвиток (зокрема, придбання необоротних активів) та
підвищення обсягів чистого руху коштів від інвестиційної діяльності. Навіть в умовах війни
це може позитивно впливати на прибутковість підприємства та загальну вартість його активів.
Подальший етап дослідження передбачав побудову динамічної моделі з використанням
лагових змінних для моделювання затримки впливу обсягу інвестиційних вкладень на обсяг
активів підприємства. Лагові змінні враховують те, що інвестиційні вкладення можуть не
мати негайного впливу на вартість активів або чистий дохід компанії; результат від інвестицій може проявлятися через певний час (наприклад, через рік або два).
Загальний вигляд моделі є таким:
Assetst = α + β ∙ Investmentt-n,
де α – базова вартість активів без впливу інвестицій, β – коефіцієнт, що показує вплив
інвестицій у попередньому t-n періоді на активи в поточному році; t – поточний період, n –
довжина лагу, тобто величина запізнення по часу.
Для ПрАТ «МХП» та ТОВ «АТБ-Маркет» дослідження проводилося з лагом 1 через
обмежену кількість статистичних даних. Для ТОВ «Нова Пошта» вдалося протестувати лаги
0, 1, 2 та 3 завдяки більшій доступності інформації.
Зсув по значеннях активів підприємств здійснювався на один період, тоді як значення
чистого руху інвестиційних коштів залишалися незмінними. Після цього розраховувалися
нові коефіцієнти кореляції та детермінації. Якщо ці коефіцієнти свідчили про тісніший
зв'язок між змінними, будувалася модель для впливу інвестицій на активи з відповідним лагом.
Для компанії ПрАТ «МХП» найвищі коефіцієнти кореляції та детермінації були отримані при нульовому лагу. Для ТОВ «АТБ-Маркет» лаг 1 показав вищі коефіцієнти, що дозволило побудувати модель з лаговою змінною:
Assetst = 50 000 000 000 ₴ + (- 1,791732053) ∙ Investmentt-1.
Для ТОВ «Нова Пошта» найвищі коефіцієнти кореляції та детермінації були отримані
при лагу 2, що дозволило побудувати наступну модель:
Assetst = 9 000 000 000 ₴ + 4,0399 ∙ Investmentt-2, (1)
Для моделювання значень вартості активів ТОВ «Нова Пошта» підставили значення
чистого руху коштів від інвестиційної діяльності за 2022 рік для прогнозування значення на
2024 рік, та значення за 2023 рік - для прогнозування значення на 2025 рік.
40
Після моделювання значення вартості активів на 2024 та 2025 роки, для визначення
співвідношення між величиною чистого доходу та вартістю активів, і співвідношення між
величиною чистого руху коштів від інвестиційної діяльності та чистим доходом підрахуємо
відповідні коефіцієнти.
Використовуючи прогнозоване за моделлю (1) значення вартості активів ТОВ «Нова
Пошта» та відповідні коефіцієнти майбутніх періодів, що припускалися експертами, визначили значення чистого доходу для ТОВ «Нова Пошта» у 2024 та 2025 роках і значення чистого руху коштів від інвестиційної діяльності у ці ж роки.
Таблиця 1 – Статистичні показники фінансово-економічної діяльності ТОВ «Нова Пошта» за 2018-2023 роки та прогнозовані показники

ВПЛИВ ЦИФРОВІЗАЦІЇ НА ЯКІСТЬ ВЕДЕННЯ БУХГАЛТЕРСЬКОГО ОБЛІКУ

Аліна Лунгул — 2025-05-27

Цифрові технології торкнулися абсолютно усіх систем інформаційного забезпечення
сучасного суспільства, не оминувши бухгалтерський облік. Трансформації зазнала система
обліку та звітності: змінилися підходи щодо збору, обробки та зберігання облікової інформації.
Тема впливу цифровізації на якість бухгалтерського обліку є основою досліджень таких
вчених, як: Головчак Ю. В., Карпенко Є. А., Писарчук О. В., Грабчук І. Л., Безручук С. Л.,
Харакоз Л. В., Скрипник А. О.
Більшість підприємств купують спеціалізоване програмне забезпечення, завдяки чому
фінансові звіти набувають точності. Окрім цього, фірмам, які мають високий рівень фінансового забезпечення, спеціалісти з ІТ розробляють власне програмне забезпечення відповідно
до особистих запитів замовника. Такі програмні продукти, як: MASTER, KBS, ISpro, UAБюджет та Дебет-Плюс дозволяють автоматизувати бухгалтерський облік [2].
Вплив цифрових трендів на якість бухгалтерського обліку розглянемо у наступній таблиці (табл. 1).
Таблиця 1 – Вплив цифрових трендів на якість бухгалтерського обліку

Цифровий тренд	Особливості	Вплив на якість обліку
Internet of things	Інтернет речей збирає величезні обсяги даних, які можна використовувати для прогнозування майбутніх фінансових ре зультатів.	Інтернет речей дозволяє швидко отримувати інформацію та усува ти помилки.
BigData	Збирання, зберігання та обробка даних дає змогу отримувати цінну інформацію.	BigData підвищує точність, ефек тивність та швидкість зібраної інформації.
Блокчейн	Блокчейн вважається сам собі бухгалте ром, адже відстежує всі фінансові операції в режимі реального часу.	Блокчейн повідомляє про всі зміни, що відбуваються, не допус каючи помилок та маніпуляцій з цифрами.

Джерело: узагальнено авторами на основі [3]
42
Трансформація системи бухгалтерського обліку на практичному рівні означає вивільнення робочого часу бухгалтера від рутинних завдань та переведення його на ненормований
графік віддаленої роботи [2]. Це дає можливість бухгалтеру брати участь в аналізі фінансової
інформації для прийняття майбутніх управлінських рішень та оцінки фінансового стану
підприємства, тобто зосередитись на складніших і важливіших видах діяльності.
Цифровізація сприяла інтеграції систем бухгалтерського обліку з іншими бізнесфункціями, що забезпечує взаємозв’язаний підхід до управління підприємством. До таких
бізнес-функцій може належати управління логістикою, людськими ресурсами, продажами.
Завдяки цифровим технологіям, сучасне програмне забезпечення дозволяє в автоматизованому режимі складати фінансову звітність, проводити аналіз та інтерпретувати для зручного користування отримані результати. Типові системи та програми для автоматизації
бухгалтерського обліку:
• Бухгалтерські програми спрощують ведення журналу, розрахунки податків, складання
звітів. Як приклад, до них належать QuickBooks та Sage Accounting.
• ERP-системи інтегрують управлінські функції, такі як управління запасами та
виробництвом. Наприклад, SAP ERP, Oracle ERP Cloud.
• HRM-системи призначені для управління людськими ресурсами: навчання, відпустки.
До них належать: BambooHR, ADP Workforce Now.
• Системи управління запасами забезпечують контроль запасами, допомагають відстежувати рух товарів. Приклади даних систем: TradeGecko, Fishbowl Inventory, inFlow
Inventory [4].
Для підприємств цифровізація бухгалтерського обліку є важливим процесом, адже для
керівництва завжди будуть доступні матеріали про діяльність підприємства з різними
графіками, аналітичними документами, які показуватимуть реальний фінансовий стан. Проте
як і в будь-якому процесі, для цифровізації обліку характерні як позитивні, так і негативні
фактори.
До переваг належать скорочення адміністративних витрат, зростання продуктивності
праці, через те, що бухгалтери зосереджені на питаннях аналітичного характеру, можливість
працювати дистанційно, що було особливо актуально під час пандемії та воєнного стану.
До недоліків можна віднести витрати на впровадження та оновлення програмного забезпечення, як наслідок необхідність підвищення кваліфікації бухгалтерів відповідно до програмних продуктів, з’являється потреба у встановленні захисту від зовнішнього втручання
[2].
Отже, цифровізація та автоматизація з кожним роком розширює свої можливості, таким
чином робить бухгалтерський облік робить більш гнучким та зручним у своїх процесах.
Цифрові технології надають можливість використовувати інформацію всіх систем для прийняття управлінських рішень.

КОМПОЗИЦІЙНА АНАЛІТИКА НАУКОВИХ ПОГЛЯДІВ НА ФІНАНСОВО-ЕКОНОМІЧНУ БЕЗПЕКУ

Ольга Іляш — 2025-05-27

Економічна безпека характеризує здатність підприємства до розвитку за рахунок
ефективного використання ресурсів, одночасно забезпечуючи подальше їх відтворення. Захист ресурсів від внутрішніх і зовнішніх загроз, наявність стабільного фінансового становища з одночасним довгостроковим безперервним зростанням визначає проактивну позицію
управління ризиками, забезпечуючи безпеку стратегічних інтересів та досягнення поставлених цілей.
Економічна безпека підприємства фундаментально підтримується різними інструментами, які сприяють безпеці бізнесу, порівняльному аналізі конкурентних переваг і стійкості
довгострокового підприємництва. Ці важливі компоненти охоплюють широкий спектр заходів, спрямованих на забезпечення комплексної оцінки безпеки та проактивне управління
ризиками. Зосередившись на цих сферах, компанії можуть ефективно підвищити загальну
безпеку та стійкість на ринку (Рис.1).
Рисунок 1 – Складові економічної безпеки підприємства
Джерело: складено автором на основі [7]
Огляд наявної літератури демонструє різні підходи до тлумачень терміну «Економічна безпека підприємства». З однієї сторони - це захист активів та здатність компанії адаптуватися до мінливих умов середовища. Найбільш всеосяжне трактування запропонував Т. Ва
44
сильців, згідно якого економічна безпека підприємства визначається сильною конкурентною
позицією підприємства на ринку та здатністюефективно протидіяти негативним внутрішнім і
зовнішнім факторам [6]. У таблиці 1 наведено композиційну аналітику наукових підходів до
визначення поняття «фінансово-економічна безпека» і дозволяє не лише краще оцінити аспектний характер безпеки, але й побудуватидовгострокові стратегій зниження ризиків.
Таблиця 1 – Аналіз і класифікація наукових поглядів щодо трактування поняття фінансово-економічна безпекаґ»

Науковці	Узагальнене визначення поняття
В.Є. Калинюк Калинюк В.Є. [2, c.221-228].	Економічна безпека підприємства розглядається як здатність стабілізувати, а також покращити свою діяльність шляхом належ ного управління ресурсами разом із збереженням майбутнього ро звитку.
О. Бондаренко, В. Сухецький Бондаренко О., Су хецький В. [3, c.5]	Фінансово-економічна безпека підприємства – це процес дій, що відповідають за стабільність платоспроможності, ліквідності, ефек тивність його діяльності та уникнення ризиків і загроз.
О.В. Іващенко Іващенко О.В. (2013). [4, c.143]	Економічна безпека підприємства – це захищеність ресурсів і потенціалу від внутрішніх і зовнішніх загроз, що забезпечує стійкий фінансовий стан і перспективу довгострокового розвитку.
О.М. Бандурка та ін. Бандурка О.М., Ду хов В.Є., Петрова К.Я., Червяков І.М. [5]	Економічну безпеку підприємства можна визначити як перебування організації в такому стані, який забезпечує захист її стратегічних інтересів від несприятливого впливу ризиків, що забезпечує її стале функціонування, розвиток і досягнення поставлених цілей.

Джерело: узагальнено автором
Багатовимірна концепція фінансово-економічної безпеки підприємства, як було підкреслено раніше, складається з безлічі елементів, які разом гарантують безперервність і виживання бізнесу. Така вразливість викриває велику різноманітність ризиків, небезпек і загроз, які можуть призвести до краху фінансової основи організації. Визначаючи конструкцію
ризику, виклику, загрози та небезпеки з точки зору таких її суттєвих частин, як категорії,
можна зазначити, що вони пов’язані з економічною безпекою підприємтсва [8, 9, 10]. Ризикологія фокусується на впливі дестабілізуючих факторів на стабільність економічної системи, що дозволяє вивести аналітичні інструменти для кластерного аналізу загроз і формування механізмів управління ризиками. Френк Найт запропонував розрізняти вимірну та
невимірну невизначеність, де перша відповідає ідеї «ризику», а друга дійсно є «невизначеністю».[11]
Рисунок 2 – Складові економічної безпеки
Джерело: складено автором на основі[1]
45
На Рис. 2 продемонстровано взаємопов’язані фактори ризику та небезпек, які часом
створюють не загрози, а можливості для розвитку. Це ідея «виклику» або того, яка мета
вирішення проблеми об’єднує усі елементи.
І, наостанок, додамо, що саме фінансовий ризик заслуговує на особливу увагу, оскільки він є важливою частиною всієї системи управління фінансово-економічною безпекою
підприємства. Фінансові ризики спричиняють можливу втрату грошових ресурсів через
наслідки макроекономічного впливу, як-от колапс ринку, коливання обмінного курсу або
регуляторні зміни. Моніторинг викликів та загроз, у поєднанні з системою управління ризиками, дозволить компанії забезпечити максимальну ефективність діяльності та постійну
стійкість у все більш динамічному економічному середовищі

ВДОСКОНАЛЕННЯ МОДЕЛЮВАННЯ ЕКОНОМІЧНИХ ПРОЦЕСІВ ТА ПРИЙНЯТТЯ УПРАВЛІНСЬКИХ РІШЕНЬ

Зоя Калініченко — 2025-05-27

Моделювання економічних процесів необхідне для однозначного формулювання та
вирішення складних проблем.
46
Всі аспекти економічного моделювання призначені для керівників вищих ланок управ-
ління, що приймають відповідальні рішення, а всі учасники у цьому процесі повинні лише
допомагати їм в цій діяльності.
Моделювання, як специфічний метод науки, застосовується для аналізу систем управ-
ління. Це пізнавальний спосіб, коли суб’єкт створює подібний допоміжний об’єкт – образ чи
модель, досліджує його, а отримані нові знання переносить на об’єкт-оригінал. Завдяки ак-
тивній ролі суб’єкта сам процес моделювання має творчий, активний характер.
Моделювання вступає у важливий етап розвитку, «вбудовуючись» у структуру так зва-
ного інформаційно-цифрового суспільства.
Проблеми впровадження на практиці моделювання економічних процесів використо-
вуються задля прийняття управлінських рішень; обґрунтування та визначення сутності
рішень, необхідності використання моделей у економічних сферах діяльності; для опису та
характеристики моделей; сценарного розгляду процесів.
Специфічність і складність процесу моделювання ставить певні проблеми, які намага-
ються вирішити в процесі дослідження, а саме:
- оцінка та визначення змісту досліджуваного об’єкту;
- прогнозування стану економічного об’єкту і зовнішнього середовища, в якому він
знаходиться;
- безпосереднє планування стану економічного об’єкту та інші актуальні проблеми
щодо моделювання.
Будь-яка соціально-економічна система є складною системою, в якій взаємодіють де-
сятки і тисячі економічних, технічних і соціальних процесів, що постійно змінюються під
впливом зовнішніх умов, в тому числі і науково-технічного прогресу. В таких умовах управ-
ління соціально-економічними і виробничими системами перетворюється в задачу обробки
масиву інформації, потребує ІТ-методів передбачення, прогнозування, моделювання.
Сутність методології моделювання полягає в заміні вихідного об’єкта його «образом» –
моделлю – і подальшим вивченням (дослідженням) моделі на підставі аналітичних методів
та обчислювально-логічних алгоритмів, які реалізуються за допомогою комп’ютерних про-
грам. Саме робота не із самим об’єктом (явищем чи процесом), а з його моделлю, дає мож-
ливість відносно швидко досліджувати його основні властивості та поводження за будь-яких
імовірних ситуацій. Водночас обчислювальні (комп’ютерні, симулятивні, імітаційні) експе-
рименти з моделями об’єктів дозволяють, спираючись на потужність сучасних математичних
та обчислювальних методів і технічного інструментарію інформатики, досить глибоко вив-
чати експериментально об’єкт у достатньо детальному вигляді, що недоступно суто теоре-
тичним підходам. Не дивно, що методологія математичного моделювання бурхливо розви-
вається, охоплюючи аналіз надзвичайно складних економічних, а також і соціальних про-
цесів [1].
Об’єктом моделювання в економіко-математичних моделях є економічні процеси, а са-
ма така модель відображає економічні взаємозв’язки та відносини, що існують у реальній
дійсності. Здійснюючи ідентифікацію та інтерпретацію економіко-математичних моделей,
використовують економічні показники [1].
Кожна модель реального явища характеризується: об’єктом моделювання; системним
описом об’єкта; цілями щодо побудови моделі; принципами та апаратом моделювання; спо-
собами ідентифікації та інтерпретації результатів. Для побудови моделі потрібно не просто
вказати найменування об’єкта, а й дати його опис у вигляді системи, тобто виявити суттєві
грані його взаємодії із зовнішнім середовищем, його структуру.
Моделі, що відображають один і той самий об’єкт з різних поглядів, слід вважати різ-
ними, а моделювання – процесом побудови, вивчення та застосування моделей[2].
Використання моделювання визначається тим, що багато об’єктів безпосередньо до-
сліджувати взагалі неможливо або це вимагає багато часу і коштів.
47
Процес моделювання включає три системоутворюючі елементи: суб’єкт дослідження
(аналітик); об’єкт дослідження; модель, яка опосередковує відносини між об’єктом, який
вивчається, та суб’єктом, який пізнає (аналітиком).
Побудова моделі включає чотири етапи:
1. формування системи економічних показників об’єкта моделювання;
2. дослідження діяльності підприємства;
3. формування знань про об’єкт. Знання про модель мають бути скорегованими з
урахуванням тих властивостей діяльності об’єкта дослідження.
4. практична перевірка одержаних за допомогою моделей знань та використання їх для
побудови об’єкта з метою управління.
На основі розглянутих етапів побудови моделей можемо зробити висновок, що моде-
лювання – це циклічний процес.
За ступенем агрегування моделі поділяють на макроекономічні та мікроекономічні.
З урахуванням чинника невизначеності моделі поділяють на детерміновані (в цих мо-
делях використовуються жорсткі функціональні зв’язки між змінними) й стохастичні (тут
існує чинник випадковості). При дослідженні цих моделей використовують методи теорії
ймовірностей та математичної статистики . Класифікація економіко-математичних моделей
досить різноманітна, що дозволяє використовувати їх для більш точного і ефективного мо-
делювання економічних процесів.
Наведемо приклад визначення стратегічної мети компанії.
Початковий етап роботи з оцінки конкурентоспроможності - це вибір стратегічної ме-
ти авіакомпанії. Щоб досягти своєї стратегічної мети, авіакомпанія повинна зробити пра-
вильний вибір трьох базових стратегій розвитку бізнесу (стратегія поведінки на ринку; кон-
курентна стратегія; стратегія конкурентних переваг) і зуміти направити всі свої ресурси на їх
реалізацію.
Конкурентний аналіз – це другий етап роботи, що включає такі підрозділи робіт:
1. PEST - аналіз З його допомогою оцінюються фактори зовнішнього середовища:
політичні (як держава може впливати на бізнес), економічні (як впливає на діяльність
авіакомпанії стан економіки країни), соціальні (як виглядає потенційний клієнт організації) і
технологічні (які інновації представлені на ринку і як вони відображаються на бізнесі
авіакомпанії). Можна також визначити основні загрози, ризики та можливості. Проведення
PEST-аналізу перед SWOT-аналізом допомагає прийняти адекватні реальній ситуації рішен-
ня про коригування стратегії.
2. Оцінка конкурентних сил галузі При оцінці конкуренції використовується модель
Майкла Портера, по якій конкуренція в будь-якій галузі є взаємодія п'яти конкурентних
складових: конкуренція серед існуючих в галузі фірм; потенційна загроза входу в галузь но-
вих конкурентів; підприємства галузей, що виробляють замінники; постачальники; спожи-
вачі.
3. Оцінка конкурентних позицій конкуруючих підприємств в галузі При оцінці конку-
рентних позицій визначаються стратегічні групи підприємств, що функціонують в галузі.
4. SWOT-аналіз Дозволяє отримати ясну оцінку сил підприємства і ситуації на ринку. В
процесі цього аналізу визначають сильні і слабкі сторони підприємства, а також можливості і
загрози, які виходять із його найближчого оточення (зовнішнього середовища).
5. SNW-АНАЛІЗ Являє собою сукупність складових: Strength (сильна сторона), Neutral
(нейтральна сторона) і Weakness (слабка сторона). Додавання при аналізі нейтральної сторо-
ни важливо, так як часто для перемоги в конкурентній боротьбі може виявитися достатнім
стан, коли дане конкретне підприємство відносно всіх своїх конкурентів за всіма, крім однієї,
ключовим позиціям знаходиться в стані N, і тільки по одному - в стані S.
3-й етап. Формулювання вимог до якості продукції компанії Один з основних підходів
при визначенні таких вимог - орієнтація на споживача. Вона повинна бути забезпечена ор-
ганізаційно, фінансово, методично і технічно.
48
4-й етап. Визначення номенклатури і розрахунок показників якості, що підлягають
оцінці Визначення ступеня впливу кожного з видів продукції компанії на загальну оцінку її
якості може бути виконано наступним чином: якісним - методом експертної оцінки; кіль-
кісним - методом приватних множників Лагранжа на основі статистичних даних і розрахова-
них коефіцієнтів парної кореляції між якістю окремих видів продукції і загальною оцінкою її
якості; комбінацією якісного і кількісного методів.
5-й етап. Розрахунок інтегрального показника якості
Для оцінки якості продукції компанії повинен застосовуватися інтегральний показник,
який має вигляд лінійної багатофакторної функції: Y =Σ ai × Xi,
де Y - інтегральний показник якості продукції;
аi - ваговий коефіцієнт якості i-ої складової якості продукції;
Xi - величина, що характеризує рівень якості i-ої складової продукції;
i - номер складової якості продукції компанії;
n - кількість складових якості продукції компанії.
Моделювання економіки та економічних процесів як науковий напрям сформувався у
60-ті роки ХХ століття, хоча має багату передісторію. У його основу, окрім економічних,
покладено низку фундаментальних дисциплін (математику, теорію ймовірностей, статисти-
ку, інформатику, теорію автоматичного управління та інші).На даному етапі економічного
розвитку світова практика переконує у високій ефективності застосування економіко-
математичного моделювання. Та процес економіко-математичного моделювання розвиваєть-
ся шляхом систематизації і узагальнення фактів економічної реальності [3].
Визначення сутності моделей та процесу моделювання дає підстави говорити про те,
що мистецтво побудови економіко-математичної моделі полягає в тому, щоб узгоджувати
якомога більшу лаконічність у її економіко- математичному описі з достатньою точністю
модельованого відтворення тих сторін аналізованої економічної реальності, які цікавлять
дослідника згідно із цілями та гіпотезами.
Для більш ефективного моделювання економічних процесів, та й взагалі економіки,
необхідно використовувати надійні та достовірні джерела інформації, змістовно описувати
об’єкт (явище, процес), що моделюється та відтворювати дані про природу (сутність)
об’єкта, його кількісні характеристики, характер взаємодії між складовими елементами,
місце та важливість даного явища у загальному процесі функціонування системи. Поряд із
змістовним описом необхідно формувати певні схеми у вигляді символів, графіків, таблиць
тощо для того, щоб якомога краще відтворити властивості об’єкта дослідження.
Ефективність бізнес-моделей забезпечується їх відповідністю зовнішнім і внутрішнім
можливостям, стратегічним цілям компанії та збалансованості між собою основних компо-
нентів моделі. Однією із особливостей бізнес-моделей є необхідність їх безперервного коре-
гування, як запорука забезпечення успішного розвитку бізнесу.

ДІДЖИТАЛІЗАЦІЯ БІЗНЕС-ПРОЦЕСІВ АГРОПРОМИСЛОВИХ ПІДПРИЄМСТВ

Юрій Калініченко — 2025-05-27

Діджиталізація є не лише актуальним, а й необхідним трендом у сучасних умовах.
Впровадження нових технологій в усіх сферах сприяє оптимізації бізнес-процесів (як з точки
зору їх якості, тривалості, ефективності, так і з точки зору вартості), їх осучаснення. Урахо-
вуючи загальні тренди до діджиталізації – цей процес іноді є не запорукою конкурентних
переваг, а навіть умовою виживання у конкурентному середовищі, яке побудоване на вико-
ристанні досягнень науки та техніки.
Сільськогосподарські підприємства мають враховувати багато некотрольованих фак-
торів, що суттєво впливають на їх діяльність – погодні умови, кількість опадів. Саме тому
впровадження у бізнес-процеси нових технологій формує певні можливості щодо передба-
чення та усунення негативних наслідків впливу таких факторів.
У першу чергу варто зазначити, що досить часто діджиталізація бізнес-процесів у нау-
кових дослідженнях зводиться до автоматизації – вважається, що діджиталізація дозволяє
саме автоматизувати процеси, робочі завдання. Однак це лише один з позитивних наслідків,
впровадження сучасних технологій дає набагато ширше переваг – оптимізація (у тому числі
реструктуризація бізнес-процесів, зміна порядку та формату їх протікання, вилучення непо-
трібних та застарілих бізнес-процесів), покращення взаємодії між окремими бізнес-
процесами та бізнес-елементами тощо. Часто процеси діджиталізації зачіпають і
взаємовідносини з постачальниками та клієнтами – як мінімум на рівні документообороту, як
максимум – на рівні формування спільних платформ, взаємної інтеграції бізнес-процесів. На
думку О.І. Гарафонової та Г.В. Жосан, різниця між автоматизацією та цифровізацією полягає
в складності другої концепції та різниці в цілях і головній спрямованості процесів [1, с. 165].
Діджиталізація може нести позитивний вплив на всі рівні бізнес-процесів підприємства.
Надалі розглянемо його, орієнтуючись на умовну кореневу модель бізнес-процесів
підприємства. Відповідно такої моделі виділяють:
1. Бізнес-процеси управління (управління фінансами, управління стратегічним
розвитком, управління операційною діяльністю тощо).
2. Основні бізнес процеси (постачання, виробництво, маркетинг, збут, логістика).
3. Забезпечуючі бізенс-процеси (найм та навчання персоналу, обслуговування та ре-
монт, енергозабезпечення, облік та звітність).
Діджиталізація, якщо не ототожнювати її виключно з впровадження ІТ-програм та
сервісів, а й враховувати технології типу VR/AR, 3D-друку, використання дронів тощо, може
впливати на всі перелічені рівні бізнес-процесів, у тому числі і виробництво.
Для економічних бізнес-процесів діджиталізація може проявлятись у [2, с. 135]:
50
• автоматизація фінансових процесів (виставлення рахунків, обробка рахунків, автома-
тизація платежів);
• управління ланцюжком поставок (управління запасами, управління складським гос-
подарством, автоматизація формування замовлень та їх передачі);
• управління взаємовідносинами із клієнтами (CRM);
• управління проєктами з використанням цифрових інструментів.
Сюди ж можна додати власне системи управління бізнес-процесами (BPM),
використання сучасних методів та засобів вимірювання продуктивності праці робітників, їх
навчання (у тому числі із застосуванням, наприклад, технологій VR/AR для навчання нових
робіників працювати із новою технікою). Впровадження ІоТ дозволяє прогнозувати та чітко
планувати ремонтні роботи, обслуговування, вчасно виявляти поломки та проблеми у роботі
обладання, формувати віртуальні моделі виробничих процесів для контролю їх протікання.
Таким чином, діджитал-технології дозволяють як автоматизувати, так і оптимізувати управ-
лінські та забезпечуючі бізнес-процеси, а також процеси постачання та збуту. У випадку
«синхронізації» застосовуваних технологій із постачальниками підприємства можуть фор-
мувати платформи для автоматичного пошуку постачальника, оформлення замовлення (а то і
передачі замовлень постачальнику у режимі реального часу), його оплати. Це формує мож-
ливості взаємної інтеграції і навіть цифрової трансформації діяльності. Така інтеграція може
бути результатом реінжинірингу бізнес-процесів із застосуванням сучасних технологій.
Щодо основних бізнес-процесів, то аграрні підприємства можуть діджиталізувати свої
бізнес-процеси шляхом:
1. Використання сучасних технологій для оптимізації посівів. Сюди може входити як
програмне забезпечення для планування кількості внесення добрив, насіння, часу посіву; так
і техніка, оснащена сучасним програмним забезпеченням – сучасні трактори з автопілотом,
GPS, сенсорні технології.
2. Використання дронів для внесення добрив, контролю стану полів, датчиків для
контрою стану грунту.
3. Використання штучного інтелекту для планування маршрутів перевезень зібраного
урожаю, його розподілу, наприклад, по зерносушильних установках, планування збору уро-
жаю та прогнозування урожайності.
4. У тваринництві – різноманітна техніка для автоматичного годування, поїння, кон-
троль мікроклімату у приміщеннях, планування надоїв.
Діджиталізація за такими напрямами дозволяє не лише оптимізувати власне бізнес-
процеси, зробити їх більш ефективними, зменшити кількість помилок , підвищити якість
продукції, підвищити урожайність, а й зробити більш прогнозованим облік через застосуван-
ня Big Data. Так, стає можливим планувати фінансові показники на основі, наприклад,
моніторингу ринкових цін на продукцію та прогнозу урожайності на початку збору урожаю
тощо. Таким чином, це підвищує стійкість бізнесу у цілому.
Звичайно, кожне удосконалення може мати негативні сторони та певні ризики:
несприйняття технологій персоналом, відсутність кваліфікованих кадрів, кібербезпека,
фінансові ризики (особливо в умовах війни), необхідність оновлення всього обладнання або
автопарку для забезпечення комплексного оновлення та діджиталізації. Саме тому кожне
окреме підприємство перед впровадженням діджитал-технологій повинне здійснювати
оцінку внутрішнього потенціалу, аналіз ризиків та обирати ступінь оновлення та глибину
інтеграції технологій у діяльність.

ФОРМУВАННЯ КОНЦЕПЦІЇ ПОБУДОВИ МОДЕЛІ УПРАВЛІННЯ ЕКОНОМІЧНОЮ БЕЗПЕКОЮ ПІДПРИЄМСТВ

Вероніка Командровська — 2025-05-27

В сучасних складних економічних умовах питання управління безпекою економічної
діяльності підприємств набуває все більшої актуальності внаслідок скорочення споживчого
попиту, зниження платоспроможності споживачів та жорсткої конкуренції. Особливої зна-
чущості дослідження набуває в умовах необхідності адаптації міжнародних стандартів до
специфічних умов українського ринку, який характеризується підвищеними ризиками війсь-
кового, політичного та економічного характеру. Складність операційного середовища, зумо-
влена військовою агресією, інфляційними процесами та зміною споживчих преференцій,
вимагає розробки інноваційних підходів до забезпечення економічної безпеки підприємства,
тому формування моделі управління економічною безпекою підприємств є актуальним пи-
танням.
Проблемі вивчення елементів управління економічною безпекою підприємств та фор-
мування відповідної моделі присвячено праці як іноземних так й українських вчених, таких
як вітчизняних та зарубіжних науковців, зокрема: концептуальні засади економічної безпеки
розглядали О. Ареф'єва, С.Ареф'єв, О. Барановський, В. Геєць, Є.Данилова, Ю.Коваленко,
В.Командровська, Т.Коритько, Н.Кравчук, В.Марченко, С.Пілецька, О.Попело, Т.Ткаченко,
С.Тульчинська, О.Овсак тощо [1, 2, 3].
Пропонований підхід до формування моделі управління економічною безпекою підпри-
ємства представляє собою комплексну систему взаємопов'язаних елементів, що функціону-
ють на трьох ієрархічних рівнях: стратегічному, тактичному та операційному. Кожен з цих
рівнів має власні цілі, завдання та інструменти реалізації, що в сукупності забезпечують фо-
рмування цілісної системи економічної безпеки підприємства.
На стратегічному рівні відбувається формування фундаментальних засад системи еко-
номічної безпеки. Цей рівень включає розробку довгострокової стратегії безпеки, що врахо-
вує як внутрішній потенціал підприємства, так і зовнішні умови його функціонування. Особ-
лива увага приділяється встановленню цільових показників та формуванню політики управ-
ління ризиками, що створює методологічну основу для подальших управлінських рішень.
Тактичний рівень забезпечує трансформацію стратегічних настанов у конкретні управ-
лінські дії через впровадження системи моніторингу загроз та оцінки ризиків. На цьому рівні
здійснюється розробка та реалізація конкретних заходів щодо забезпечення економічної без-
пеки, а також контроль їх ефективності. Важливим елементом тактичного рівня є система
раннього попередження загроз, що дозволяє своєчасно виявляти та нейтралізувати потен-
ційні ризики.
Операційний рівень представляє собою практичну реалізацію заходів забезпечення
економічної безпеки через функціональні складові, що охоплюють всі ключові аспекти
діяльності підприємства. Фінансова безпека забезпечує стабільність фінансових потоків та
ефективність використання ресурсів. Кадрова безпека спрямована на захист від загроз, пов'я-
52
заних з персоналом підприємства. Інформаційна та технологічна безпека забезпечують за-
хист інформаційних ресурсів та технологічних процесів. Правова та силова безпека гаранту-
ють захист законних інтересів підприємства.
Особливе значення в запропонованій моделі має система інструментів забезпечення
економічної безпеки, що включає організаційні, економічні, правові та технічні засоби. Їх
комплексне використання дозволяє досягти синергетичного ефекту в забезпеченні безпеки
підприємства. При цьому вибір конкретних інструментів здійснюється на основі оцінки їх
ефективності та доступності ресурсів.
Система показників економічної безпеки включає три групи індикаторів: показники по-
точного стану, що відображають наявний рівень безпеки; індикатори ефективності, що де-
монструють результативність впроваджених заходів; та порогові значення, що визначають
критичні рівні показників безпеки. Комплексний аналіз цих індикаторів дозволяє оцінювати
ефективність системи економічної безпеки та своєчасно вносити необхідні корективи.
Основним елементом моделі виступає система зворотного зв'язку, що забезпечує
постійний моніторинг ефективності впроваджених заходів та їх відповідності стратегічним
цілям підприємства. Це дозволяє здійснювати оперативне корегування як стратегії, так і так-
тики забезпечення економічної безпеки відповідно до змін у зовнішньому та внутрішньому
середовищі підприємства.
Ефективність функціонування запропонованої моделі значною мірою залежить від
якості інформаційного забезпечення, рівня компетенції персоналу, технологічної підтримки
та організаційної культури підприємства. Особливу роль відіграє здатність системи до адап-
тації та розвитку відповідно до нових викликів та загроз економічній безпеці. Впровадження
даної моделі має створити підґрунтя для формування ефективної системи управління еко-
номічною безпекою підприємства, що забезпечує своєчасне виявлення та нейтралізацію за-
гроз, оптимальне використання ресурсів та досягнення стратегічних цілей розвитку
підприємства.

КЛЮЧОВІ ПОКАЗНИКИ ЕФЕКТИВНОСТІ ІНТЕРНЕТ-ТЕХНОЛОГІЙ ДЛЯ ОСВІТНІХ УСТАНОВ

Інна Костенко — 2025-05-27

В умовах цифровізації суспільства та зростаючої конкуренції на ринку освітніх послуг
інтернет-технології відіграють ключову роль у забезпеченні ефективної взаємодії між закла-
дами освіти та цільовою аудиторією Інформаційні веб-портали є не лише інструментом для
надання інформації, а й засобом залучення абітурієнтів, підтримки іміджу закладу та забез-
печення прозорості у взаємодії. У світлі цього, важливою задачею є визначення та аналіз по-
казників діяльності таких веб-порталів, що відображають успішність освітніх установ у залу-
ченні та утриманні аудиторії.
Ефективність інтернет-технологій, зокрема веб-порталів, для освітніх установ у кон-
тексті сталого розвитку полягає в їхньому здатності забезпечувати доступність, інтерактив-
ність і адаптивність навчального процесу. Веб-портали служать важливим інструментом для
надання освітніх ресурсів широкому колу користувачів, що дозволяє знижувати бар'єри до-
ступу до якісної освіти, особливо в віддалених або недостатньо забезпечених
регіонах. Згідно з даними ЮНЕСКО, інтеграція інтернет-технологій в освіту може збільши-
ти охоплення навчання на 20-30%, що сприяє реалізації цілей сталого розвитку, пов’язаних із
забезпеченням рівного доступу до освіти. Крім того, веб-портали надають можливість ре-
алізації інноваційних методів навчання, таких як дистанційні курси, електронні бібліотеки та
платформи для спільної роботи, що підвищує мотивацію студентів і сприяє їх активній
участі у навчальному процесі.
Метою дослідження є визначення ключових показників ефективності інтернет-
технологій на прикладі інформаційних веб-порталів для закладів фахової передвищої освіти,
що дозволяють оцінювати їх функціональність та взаємодію з користувачами, сприяють оп-
тимізації процесу управління освітніми ресурсами на основі інтернет-маркетингових стра-
тегій. Досягнення цієї мети включає дослідження факторів впливу на відвідуваність та залу-
чення користувачів.
Вивченню ефективності веб-порталів закладів освіти приділяли увагу як вітчизняні, так
і зарубіжні науковці. Наприклад, В.І. Биков досліджував роль інформаційно-комунікаційних
технологій у навчальному процесі, а І.О. Зязюн — інтеграцію інноваційних технологій у
навчальний процес [1, 2]. Закордонні дослідники, зокрема P. Kotler, зосереджували увагу на
значенні цифрових інструментів у просуванні освітніх послуг та покращенні показників за-
лученості користувачів. P. Kotler у своїх дослідженнях зазначає, що інтернет-технології в
54
освіті дозволяють значно покращити конкурентоспроможність навчальних закладів, ство-
рюючи додаткову цінність для студентів та викладачів. Зокрема, такі KPI, як обсяг трафіку,
показник відмов, середній час перегляду сторінок та глибина прокручування сайту, слугують
індикаторами якості взаємодії користувачів із веб-порталом [3].
Інтернет-технології в освітніх установах використовуються для забезпечення доступ-
ності інформації, підтримки репутації закладу, залучення нових абітурієнтів та утримання
постійної аудиторії, в навчальних цілях тощо. Веб-портал освітнього закладу виконує ряд
ключових функцій: забезпечує інформаційну підтримку, дозволяє залучати нових студентів
та сприяє формуванню іміджу закладу. За допомогою таких метрик, як обсяг трафіку, показ-
ник відмов, час перебування на сторінці, можна зрозуміти, наскільки якісно сайт виконує ці
завдання.
У дослідженні використано кореляційний аналіз для оцінки впливу інтернет-технологій
на показники попиту освітніх установ. Інструменти Google Analytics, відкриті сервіси SimilarWeb,
MOZ, а також Power BI та надбудови для налаштування API для збору, обробки да-
них дозволяють моніторити поведінку споживачів в інтернеті і оптимізувати маркетингові
кампанії. Дослідження вказують, що інформаційні веб-портали абсолютно по-різному вико-
ристовуються в ТОП-50 ЗФПО за обсягом здобувачів третина закладів має місячний обсяг
відвідувачів на веб-портал менший за кількість здобувачів, що вказує на не зацікавленість їх
подіями, заходами закладу або нераціональне використання ресурсу ЗФПО, про це вказує і
коефіцієнт кореляції (0,11). Тісний зв’язок існує між кількістю відвідувачів веб-порталу та
кількістю переглянутих сторінок, що вказує, що на зацікавленість аудиторії впливає контент-
план про події, заходи та стратегічне бачення щодо використання, тому значну увагу ЗФПО
потрібно приділити саме формуванню контенту, що відповідав би очікуванням потенційної
аудиторії, адже на даний час виходячи з досліджень веб-портали ЗФПО виконують роль
скоріше звітності для державного апарату. Поряд з тим, порівняльний аналіз кількості здобу-
вачів та відвідувачів веб-порталів вказують на значний обсяг зовнішньої аудиторії 68%, а
отже існує зовнішній інтерес до ЗФПО, який потрібно врахувати, дослідити сегменти
цільової аудиторії, що цікавляться ЗФПО, представити потрібну інформацію їм тощо.
Таблиця 1 - Результати кореляційного аналізу для базових аудиторних та технічних
метрик веб порталів ЗФПО та кількості здобувачів освіти в них
Показник
Кількість
відвідувачів
веб-порталу
Інтегральна
оцінка
тех,показників
для моб версії
Кількість
відмов
Середньомісячна
кількість
переглянутих
сторінок
Кількість
здобувачів
ЗФПО
Кількість
відвідувачів веб-
порталу 1,00
Інтегральна
оцінка
тех,показників
для моб версії -0,15 1,00
Кількість відмов -0,12 -0,14 1,00
Середньомісячна
кількість
переглянутих
сторінок 0,93 -0,16 -0,20 1,00
Кількість
здобувачів
ЗФПО 0,11 0,17 -0,33 0,17 1,00
Джерело: складено авторами на основі даних з SimilarWeb, Google Page Speed.
55
Було проведено аналіз окремих закладів фахової передвищої освіти (далі - ЗФПО) на
основі ключових метрик для інтернет-технологій. Еталонні заклади обрано на основі попиту
на послуги закладів. Було виділено наступні показники: показник відмов, кількість перегляду
сторінок за сеанс, середній час перегляду сторінок, обсяг і джерела трафіку, швидкість за-
вантаження, гугл-відгуки, гугл-оцінка, кількість посилань, зв’язаних доменів тощо. Визначе-
но базові аудиторні та технічні метрики, на рис.1 середньомісячний трафік та показник
відмов. Відповідно до даних Google Analytics, SimilarWeb та Google відгуків обсяг трафіку з
органічних джерел та діректу є одними з основних джерел аудиторії для освітніх закладів. У
середньому, час перегляду сторінок для освітніх сайтів коливається в межах 3-5 хвилин, що
свідчить про високий рівень зацікавленості користувачів . Загальний обсяг трафіку корелює з
обсягами учасників освітнього процесу, тобто крім часового діапазону вступної кампанії,
трафік є внутрішнім. Швидкість завантаження є важливим фактором для SEO та може по-
кращити видимість сайту у пошукових системах, таких як Google, що у свою чергу впливає
на органічний трафік. Швидкість завантаження (близько 2-3 секунд) позитивно впливає на
утримання користувачів і знижує показник відмов. В свою чергу високий показник відмов
може сигналізувати про необхідність поліпшення дизайну або релевантності контенту.
Рисунок 1 – Середньомісячна кількість відвідувачів та показник відмов для окремих ЗФПО
Джерело: узагальнено та формалізовано авторкою на основі даних з SimilarWeb
Для освітніх установ такі показники як кількість перегляду сторінок та середній час пе-
регляду є індикаторами того, наскільки успішно сайт залучає та утримує аудиторію. Згідно з
дослідженнями, показники, що перевищують середні значення, свідчать про високу залу-
ченість та зацікавленість відвідувачів у контенті веб-порталу. Використання KPI (фор-
мування переліку ключових показників ефективності) сприяє підвищенню ефективності цих
процесів за рахунок виявлення вузьких місць та вдосконалення стратегії роботи з веб-
порталом. Особлива увага в КРІ приділяється відслідковуванню шляху користувача у во-
ронці залучення, що дозволяє виявляти етапи, на яких користувачі відмовляються від по-
дальшої взаємодії через показник СТА.
Використання інтернет-технологій та формування, моніторинг для них KPI в освітніх
установах сприяє покращенню ефективності управлінських рішень і підвищенню конкурен-
тоспроможності закладів на ринку освітніх послуг. Аналітика, що базується на метриках,
таких як трафік, конверсія, дозволяє не лише краще розуміти потреби аудиторії, а й опера-
тивно адаптувати стратегії розвитку, дає змогу вчасно виявляти слабкі місця. Важливим є
56
регулярне оновлення веб-порталів для підтримки відповідності сучасним стандартам і по-
требам цільової аудиторії. Для покращення роботи та оновлення важливі постійний моніто-
ринг конкурентного середовища та оптимізація користувацького досвіду. Оцінка конкурент-
них переваг дозволяє формувати ефективну стратегію для підвищення позицій веб-порталу,
поліпшення дизайну та навігації - зменшити показник відмов і підвищити залученість кори-
стувачів.

МОДЕЛЮВАННЯ ЕКОНОМІЧНОЇ ПОВЕДІНКИ ПІДПРИЄМСТВА В УМОВАХ ЦИФРОВОЇ ТРАНСФОРМАЦІЇ

Вероніка Кочерга — 2025-05-27

Цифрова трансформація на сьогоднішній день стала одним із найважливішим та
найбільш обговорюваних напрямків у світі бізнесу. Наразі вона перестає бути лише модним
трендом і перетворюється на ключовий елемент оптимізації процесів підприємства. Під циф-
ровою трансформацією мається на увазі введення цифрових технологій у робочий процес чи
в будь-яку іншу сферу діяльності підприємства, з метою підвищення ефективності, збіль-
шення продуктивності та загалом створення нових можливостей для розвитку. У сучасних
умовах ведення бізнесу запровадження цифрових технологій є не лише способом зменшення
витрат, а й способами адаптації до нових викликів ринку та створення конкурентних умов;
сприяє підвищенню прозорості бізнесу та підтримує розвиток інноваційних моделей управ-
ління. Водночас повільна цифровізація або її відсутність може стати причиною втрати кон-
курентоспроможності. У такому контексті запровадження цифрових технологій виступає
базовою умовою для виживання та зростання бізнесу в умовах цифрової трансформації еко-
номіки.
У той же час, важливе розуміння, як такі зміни впливають на економічну поведінку
підприємства, а також розробка моделей, що враховують відповідні трансформаційні проце-
си.
57
Одним із важливих аспектів є використання великих даних (Big Data), який допомагає
аналізувати надвеликі обсяги інформації, виявляти тренди, розуміти, чого потребують кори-
стувачі, та передбачати можливі події. Не менш важливим є використання інтернету речей
(IoT), що дозволяє компаніям за допомогою хмарним ресурсам більш ефективно управляти
даними. Дозволяє збирати їх у реальному часі, аналізувати, створювати нові продукти тощо
[1].
Особливу увагу зараз приділяють застосовуванню штучного інтелекту (ШІ), який мож-
на використовувати не тільки у власних цілях, але й для користі компанії. Штучний інтелект
знаходить широке застосування у виробничій сфері, аналітиці, агрономії, рекламі та багатьох
інших галузях. Його використання сприяє оптимізації діяльності підприємств, зниженню
залежності від людського фактору та підвищенню загальної ефективності роботи. Крім того,
технології ШІ активно впроваджуються для автоматизації та оптимізації бізнес-процесів,
забезпечуючи якісно новий рівень продуктивності та конкурентоспроможності. За даними
Forbes застосування ШІ може пришвидшити виробничі процеси на 50%, покращити якість
продукції на 60% та зменшити витрати на 20% [2].
Один із прикладів компаній є Amazon, яка інтегрувала штучний інтелект з метою про-
гнозування попиту та оптимізації запасів на складах. Це у свою чергу допомогло зменшити
витрати часу на доставку товарів до клієнтів та мінімізувати витрати на зберігання. Також
часто використовується такий вид ШІ, як чат-боти, що в режимі реального часу надають
підтримку клієнтам. Наприклад, компанія H&M впровадила чат-бот у Facebook і тепер клієн-
ти з легкістю можуть перевірити наявність потрібного розміру, дізнатися про наявність това-
ру в потрібному фізичному магазині та ще багато іншої інформації. Загалом вони розроблені
на технологіях машинного навчання, тому можуть досить швидко й точно розуміти та давати
відповіді на різноманітні запити.
Не буває «хорошого» або «поганого» ШІ, − бувають лише правильно та некоректно по-
ставлені задачі перед «машиною». Наприклад, компанія Netflix доволі успішно використовує
його для підбору персонального контенту користувачам. Це дозволяє покращити рекомен-
дації відповідно до вподобань користувачів, як наслідок збільшити їх кількість та примножи-
ти прибуток. Але також були й невдалі випадки використання ШІ. Дуже популярний
ChatGPT уже неодноразово призводив до вагомих бізнес-ризиків компанію Samsung. У 2023
році розробники вирішили перевірити написані комп’ютерні програми і не врахували той
факт, що всі дані, які були передані у базу, стають доступними кожному користувачу [3].
Для успішного впровадження штучного інтелекту потрібно розуміти принципи, знати
області його застосування, вміти правильно ставити задачу. Приклади коректного викори-
стання ШІ свідчать про те, що це хороший потенціал технології для багатьох галузей, який
може не лише допомагати людям в окремих процесах, а й повністю їх замінити. Проте
невдалі випадки змушують задуматися над необхідністю його залучення взагалі, а також над
потребою навчитися правильно формулювати поставлене завдання.
Важливо зазначити труднощі, із якими стикаються підприємства, наприклад, висока
вартість впровадження нових технологій, таких як введення ШІ у виробничий процес, опір
до змін із боку працівників, занизький рівень цифрової грамотності. У зв’язку з війною, коли
навпаки не вистачає робочої сили, штучний інтелект чи інші приклади цифрової трансфор-
мації дозволяють знизити потребу в людях і при цьому не втратити якість продукту чи по-
слуг.
Для аналізу впливу цифрової трансформації на економічну поведінку підприємства до-
цільно використати модель оцінки ефективності цифрової трансформації, яка враховує клю-
чові показники, такі як: рівень автоматизації процесів (HRA), ефективність процесів (PE),
витрати на трансформацію (TC), ефект від автоматизації (AE) та покращення якості про-
дукції (QI). Загальна ефективність підприємства представлена як зважена сума цих факторів:
58
E=1HRA+2AE+3PE+4TC+5QI, (1)
де i – вагові коефіцієнти, які відображають важливість кожного фактора.
Модель включає в себе наступні компоненти:
1. Рівень автоматизації процесів (HRA):
HRA=AP+ln⁡(AI+1)TP, (2)
де AP – кількість автоматизованих процесів, AI – кількість процесів із залученням ШІ,
TP – загальна кількість процесів.
2. Ефект від автоматизації (AE), враховуючи витрати на персонал (LC), час виконання
процесів (PT) і кількість помилок (ER), вагові коефіцієнти (і):
AE=1LC0-LC1LC0+2PT0-PT1PT0+3ER0-ER1ER0, (3)
3. Ефективність процесів (PE), враховує ефективність використання ресурсів (RP) і
швидкість виконання (SP), вагові коефіцієнти (і):
PE=1RP+2SP=1OutputResources+21Processing time, (4)
4. Витрати на трансформацію (TC), включає витрати на впровадження (IC), витрати на
підтримку (MC), витрати на навчання персоналу (NC):
TC=IC2+MC2+NC2, (5)
5. Покращення якості (QI), включаючи початковий рівень якості (QI0), коефіцієнти
впливу (α), рівень автоматизації (HRA), ефективність процесів (PE):
QI=QI0+PEHRA, (6)
Шлях вирішення полягає в тому, що для певного підприємства проходиться розраху-
нок показників за доступними даними. Потім на основі отриманих результатів проводиться
оцінка ефективності цифрової трансформації та виявляються сильні та слабкі сторони її ре-
алізації на тих чи інших проектах.
Отже, ігнорувати використання ШІ у бізнесі та виробництві неможливо, оскільки це
недосяжне майбутнє, яке вже стало нашою реальністю. Його можливості надають велику
кількість переваг, таких як потужна автоматизація, оптимізація процесів, підвищення рівня
безпеки та ще багато іншого для різних сфер економіки. Але при цьому підприємству голов-
не не втратити свою індивідуальність у погоні за новими технологіями для підвищення ефек-
тивності.

ПРОГНОЗУВАННЯ ПРИБУТКОВОСТІ ПІДПРИЄМСТВА ЗАЛЕЖНО ВІД ОБСЯГУ ІНВЕСТИЦІЙ

Діана Кузик — 2025-05-27

Економіка залежить від технологічного сектору, який впливає на наш суспільний ро-
звиток і на аспекти повсякденного життя. Такі відомі компанії Apple встановлюють техно-
логічні стандарти прогресу, показуючи, як стимулювати розвиток і змінювати ринок. До-
слідження впливу інвестицій на прибутковість підприємств показує складну взаємозалеж-
ність між обсягом капіталовкладень та фінансовими результатами. Зокрема, дослідження
"The Impact of R&D Expenditures on Corporate Performance" [1] підтверджує, що інвестиції в
дослідження та розробки забезпечують довгострокові конкурентні переваги, хоча їхній ко-
роткостроковий ефект може бути незначним.
Інвестори повинні розуміти фінансові характеристики цих підприємств. Співвідношен-
ня між важливими фінансовими показниками, зокрема чистим прибутком, капітальними вит-
ратами та витратами на дослідження і розробки (R&D), дає важливу інформацію про пер-
спективи зростання.
Актуальність дослідження обумовлена необхідністю ефективного управління інве-
стиційними ресурсами в умовах жорсткої глобальної конкуренції. Він спрямований на вдос-
коналення процесу інвестиційного планування через прогнозування прибутку, що дозволить
компаніям оптимально використовувати обмежені ресурси та забезпечити конкурентоспро-
можність
Метою цього дослідження було розробка моделі прогнозування прибутковості
підприємства на основі аналізу залежності між чистим прибутком і ключовими інвестицій-
ними змінними (R&D, CAPEX, грошовими потоками) з використанням даних компанії
Apple.
Прогнозування фінансових показників компанії є складним завданням, яке вимагає ви-
користання аналітичних методів і глибокого розуміння багатьох взаємопов’язаних змінних.
Враховуючи особливості діяльності інноваційної технологічної компанії, зокрема Apple, де
темпи технологічного розвитку та жорстка конкуренція визначають ринкову стратегію, клю-
чову роль в забезпеченні конкурентоспроможності та сталого розвитку відіграють інвестиції
у дослідження та розробки (R&D).
Варто зазначити, що кожного року Apple все більше виділяє грошей в інвестиційну
діяльність. Це певний стратегічний хід для підтримки конкуренції на ринку. Такі інвестиції
призвели до трансформаційних інновацій в таких продуктах Apple як iPhone, iPad, Apple
Watch, і передових технологій мікросхем, таких як процесори серії M. На графіку нижче
наведено динаміку вкладень R&D, протягом 2009-2023 років.
60
Рисунок 1– Динаміка вкладень компанії Apple в Research and Development, 2009 – 2023
роки [2]
У реальному світі фінансова ефективність компанії залежить не лише від інвестицій у
R&D, а й від інших показників, таких як CAPEX та грошові потоки. Використання всіх
змінних допомагає врахувати їхній кумулятивний ефект.
Для визначення взаємозв’язків між ключовими фінансовими показниками компанії
проведено кореляційний аналіз. Дослідження дозволяє виявити, які з показників мають
найбільший звʼязок та можуть бути використані для побудови прогнозної моделі. У до-
слідженні використано такі метрики як: Чистий дохід (Net income), R&D, Витрати на прид-
бання основних засобів (CAPEX) та Грошові потоки на інвестиційну діяльність. Для оцінки
ступеня залежності використовувався коефіцієнт кореляції Пірсона, що відображає силу та
напрямок лінійного зв’язку між двома змінними.
r= (x- x)(y- y)(x- x)2(y- y)2, (1)
,де x і y це дві змінні, які порівнюються; (x- x)(y- y)- сума добутків відхилень x від се-
реднього значення (x̄) та відхилень y від середнього значення (ȳ);
(x- x)2(y- y)2- квадратних коренів відхилення змінних
У дослідженні отримуємо пари змінних з такими кореляціями:
Таблиця 1 – Кореляційний звʼязок між змінними
Чистий прибуток ти R&D 0,94 Дуже сильний позитивний зв’язок
Capex та Чистий прибуток -0,68 Середній негативний зв’язок
Чистий дохід і Грошовий потік
в іноваційній діяльності
0,25 Слабкий позитивний зв’язок
Результати кореляційного аналізу показують, що найсильніший зв’язок існує між чи-
стим прибутком і витратами на R&D(r=0,94). Це підтверджує твердження, що розбрка до
дослідження відіграють ключову роль інновацій у формуванні прибутку компанії. Середній
від’ємний зв’язок з CAPEX (-0,68) вказує на те, що витрати на основні засоби мають менший
вплив на прибутковість.
Використовуючи лінійну регресію, дослідимо оцінку точності моделі та виведемо
рівняння регресі:
y= 4.86 + 2.78 *X1+ 1.22 *X2 + -0.17 * X3
Скориставшись побудованою моделлю, розрахуємо прогнозовані значення чистого
прибутку Apple на 2024-2026 роки.
61
Рисунок 2 – Результати прогнозування прибутку компанії Apple залежно від інвестицій
Розроблена регресійна модель використовується для прогнозування прибутковості
компанії на основі суми інвестицій у дослідження та розробки (R&D), капітальних витрат
(CAPEX) і грошових потоків, дозволила отримати цінне уявлення про фінансові результати
компанії. Модель показала задовільну точність із оціненим R²= 0,92, що вказує на те, що 92%
зміни чистого прибутку можна пояснити змінами в інвестиціях. Аналіз результатів показав,
що збільшення інвестицій у R&D та CAPEX позитивно впливає на чистий прибуток, що
підтверджує важливість стратегічних інвестицій для забезпечення сталого зростання ком-
панії.
Прогнозовані показники чистого прибутку на 2024-2026 роки вказують на потенційне
зростання, яке може досягти 113,50 мільйонів доларів США у 2026 році, якщо компанія про-
довжить інвестувати в ці ключові сфери. Ці результати підкреслюють необхідність
підприємству зосередитися на оптимізації інвестиційних стратегій, оскільки правильний
вибір напрямків інвестицій може суттєво вплинути на фінансові результати.
Проведений аналіз підтверджує, що стратегічне управління інвестиціями є критично
важливим для досягнення фінансових цілей підприємства. Отримані результати можуть слу-
гувати основою для подальшого планування та прийняття рішень, що стосуються інве-
стиційної політики компанії.

РОЗШИРЕННЯ МОЖЛИВОСТЕЙ МЕНЕДЖМЕНТУ: ВИКОРИСТАННЯ 3DМОДЕЛЮВАННЯ ДЛЯ ПРОГНОЗУВАННЯ ЕФЕКТИВНОСТІ УПРАВЛІНСЬКИХ РІШЕНЬ В ЛОГІСТИЦІ

Тетяна Кузнєцова — 2025-05-27

Сучасні умови управління вимагають швидких, обґрунтованих і стратегічно ефективних рішень. У цьому контексті 3D-моделювання стає ключовим інструментом для
візуалізації складних процесів і прогнозування наслідків управлінських рішень. Поєднання
цього підходу з можливостями генеративного штучного інтелекту (ШІ) дозволяє створювати
динамічні симуляції, які імітують реальні сценарії та допомагають менеджерам приймати
оптимальні рішення.
Розглянуто 3D-моделювання як інструмент прогнозування.
1. Візуалізація процесів. 3D-моделі дозволяють детально вивчати бізнес-процеси, виявляти вузькі місця та аналізувати їхній вплив на ефективність управління.
2. Моделювання сценаріїв. Використання 3D-технологій для створення альтернативних сценаріїв розвитку подій допомагає передбачити наслідки ухвалених рішень у
реальному часі.
3. Аналіз ризиків. Трирівневий підхід (негативний, базовий, позитивний сценарії) дозволяє зменшити невизначеність у процесі управління.
Систематизовано переваги використання 3D-моделювання у менеджменті.
- Гнучкість в ухваленні рішень. 3D-моделі дозволяють інтерактивно змінювати параметри системи, відразу оцінюючи їхній вплив на загальну ефективність.
- Миттєвий зворотний зв'язок. Моделі в реальному часі показують наслідки змін, дозволяючи виявляти недоліки стратегій на ранніх етапах.
- Залучення команди. Візуалізація сприяє командному розумінню проблем і спрощує
комунікацію між рівнями управління.

Виокремлено
інструментів.

виклики

впровадженні

3D-моделювання

за

допомогою

ШІ

- Висока вартість. Впровадження технологій вимагає значних інвестицій у програмне
забезпечення та навчання персоналу.
- Складність у використанні. Необхідність залучення експертів для роботи з даними та
адаптації моделей.
- Етичні аспекти. Забезпечення коректності прогнозів і відповідальності за рішення,
ухвалені на основі моделювання.
Кейс 1 «Використання 3D-моделі для оптимізації військової логістики»
Під час військових операцій необхідно оптимізувати доставку постачання до трьох
ключових баз у зоні бойових дій. Умови включають обмежений час, ризиковані маршрути та
варіативність потреб у ресурсах. Задача полягає в прогнозуванні оптимального маршруту,
часу доставки й розподілу ресурсів із мінімізацією ризиків.
63
Складові/параметри 3D-моделі:
- геопросторові дані: враховуються маршрути, їхня протяжність, складність місцевості
(рівнини, гори, річки) та ступінь безпеки.
- потреба баз у ресурсах: кількість і тип необхідного постачання (пальне, медикаменти,
боєприпаси).
- час доставки: час у дорозі залежить від типу транспорту, погодних умов і пропускної
спроможності доріг.
Рішення за допомогою 3D-моделювання:
- створення моделі місцевості: географічні дані інтегруються в 3D-модель, яка дозволяє
візуалізувати маршрути та визначити оптимальні шляхи;
- імітація постачання: генеративний ШІ аналізує варіанти розподілу ресурсів, моделює
кілька сценаріїв із врахуванням ризиків та змін у потребах баз;
- оптимізація маршрутів: використовується кореляційно-регресійний аналіз для оцінки
залежності між трьома параметрами (маршрут, потреба баз, час доставки) та визначення найефективнішого рішення.
Таблиця 1 – Дані для коефіцієнтів моделі Кейсу 1

База	Маршрут (км)	Потреба в ресурсах (т)	Час доставки (год)	Безпека маршруту (бал)
А	120	5	3	8
B	150	7	4	6
C	180	10	5	4

Мета: мінімізувати час доставки, враховуючи довжину маршруту та потребу в ресурсах, з урахуванням безпеки.
t=β0+β1⋅x1+β2⋅x2+β3⋅x3t = \beta_0 + \beta_1 \cdot x_1 + \beta_2 \cdot x_2 + \beta_3 \cdot x_3t =
= β0+β1⋅x1+β2⋅x2+β3⋅x3
де: t – час доставки; x1 – маршрут; x2 – потреба баз у ресурсах; x3 – безпека маршруту.
Прогноз = Результати моделювання
- Для бази A оптимальний маршрут забезпечує швидку доставку (3 години) з високим
рівнем безпеки (8 балів).
- Для бази B доцільно використовувати маршрут середньої довжини (150 км) із адаптацією вантажу (зниження до 6 тон).
- Для бази C необхідне розділення доставки на 2 етапи через низький рівень безпеки
маршруту (4 бали).
3D-моделювання дозволило прогнозувати оптимальне рішення для доставки ресурсів,
зменшити час транспортування й підвищити безпеку маршрутів. Інтеграція таких моделей у
військовий менеджмент сприяє підвищенню ефективності логістичних операцій.
Кейс 2 «Використання 3D-моделювання для оптимізації маршруту дронів
у військових операціях»
Військове командування планує розгорнути дрони для доставки розвідданих та медикаментів у три стратегічні точки, розташовані в зоні підвищеної небезпеки. Потрібно:
• оптимізувати маршрути дронів, враховуючи загрозу ППО (протиповітряної оборони);
• максимально скоротити час доставки;
• забезпечити збереження вантажу.
Складові/параметри 3D-моделі:
- висота польоту: залежить від рельєфу місцевості, наявності лісів, пагорбів, споруд та
зон дії ППО;
- дальність польоту: враховує запас енергії дронів і вагу вантажу;
- рівень ризику: визначається інтенсивністю ворожої активності в районі.
Рішення за допомогою 3D-моделювання:
- моделювання місцевості: 3D-модель місцевості створюється на основі даних геопросторових карт і розвідки. Вона враховує рельєф, небезпечні зони, потенційні укриття
для дронів;
64
- імітація польоту: генеративний ШІ прогнозує оптимальні траєкторії польотів,
уникаючи зон високого ризику;
- оптимізація параметрів дронів: аналізується зв'язок між висотою польоту, швидкістю
та витратою енергії для забезпечення максимальної ефективності доставки.
Таблиця 2 – Дані для коефіцієнтів моделі Кейсу 2

Точка доставки	Висота польоту (м)	Дальність польоту (км)	Час у польоті (хв)	Рівень ризику (бал)
А	300	10	15	2
B	500	15	20	4
C	200	8	10	3

Мета: мінімізувати час доставки, враховуючи висоту польоту, дальність і рівень ризику.
t=β0+β1⋅h+β2⋅d+β3⋅Rt = \beta_0 + \beta_1 \cdot h + \beta_2 \cdot d + \beta_3 \cdot Rt =
= β0+β1⋅h+β2⋅d+β3⋅R
де: t – час у польоті; h – висота польоту; d – дальність польоту; R – рівень ризику.
Прогноз = Результати моделювання
- Для точки A: найкращий маршрут проходить через середній рівень висоти (300 м), забезпечуючи швидкий політ (15 хв) з низьким ризиком (2 бали).
- Для точки B: рекомендовано високий рівень польоту (500 м), який мінімізує ризики (4
бали), хоча час у польоті зростає до 20 хв.
- Для точки C: мінімальна висота (200 м) забезпечує найшвидшу доставку (10 хв), але
необхідне врахування зон укриття.
3D-моделювання в поєднанні з генеративним ШІ дозволяє оптимізувати маршрути
дронів, знижуючи ризики та забезпечуючи ефективність операцій. Такий підхід підвищує
швидкість реагування та безпеку в умовах бойових дій, що є критично важливим у військовому менеджменті.
Це рішення може бути масштабоване для використання в інших сферах, таких як цивільна логістика або надзвичайні ситуації.
Розроблено висновки та рекомендації
3D-моделювання у поєднанні з генеративним ШІ є потужним інструментом для прогнозування ефективності управлінських рішень. Впровадження таких технологій дозволяє:
• знизити ризики невдалих рішень завдяки точному прогнозуванню;
• підвищити прозорість управлінських процесів через доступну візуалізацію;
• оптимізувати ресурси за рахунок інтеграції ШІ для автоматизації рутинного аналізу.
Для успішного впровадження рекомендується інвестувати в навчання персоналу, створення доступної інфраструктури й інтеграцію 3D-моделювання до існуючих управлінських
процесів. Це сприятиме підвищенню ефективності бізнесу та підготовленості до зовнішніх
викликів

АНАЛІТИКА ВИКОРИСТАННЯ ТЕХНОЛОГІЙ ШТУЧНОГО ІНТЕЛЕКТУ В ПРІОРІТЕТНИХ ГАЛУЗЯХ ЕКОНОМІКИ ТА ПІДПРИЄМСТВАХ

Аліна Куліковська — 2025-05-27

ШІ в промисловості – це використання алгоритмів і машинного навчання для автоматизації складних завдань, розпізнавання закономірностей і прогнозування.. Це передбачає
аналіз і обробку великих обсягів даних з машин і систем[1].
У сучасному світі ШІ широко використовується в різних сферах, таких як:
• автоматизація виробництва,
• обробка та аналіз даних,
• медична діагностика,
• автономні транспортні засоби,
• персональні асистенти (як-от Siri чи Google Assistant),
• рекомендаційні системи (Netflix, Amazon).
Використання ШІ підвищує ефективність, автоматизуючи рутинні завдання та
покращуючи виробничі процеси, що знижує витрати та помилки. ШІ допомагає покращити
якість продукції, обслуговування клієнтів через чат-ботів і рекомендаційні системи. Швидкий аналіз даних дає змогу приймати обґрунтовані рішення та прогнозувати тренди, що дає
конкурентні переваги. Крім того, ШІ оптимізує управління запасами, знижує ризики та
підвищує безпеку. Впровадження ШІ стимулює інновації та адаптацію до змін на ринку.
За розрахунками McKinsey&Company ШІ потенційно може додати близько 13
трильйонів доларів до глобальної економічної активності до 2030 року, що еквівалентно
приблизно 16% накопиченого ВВП вище поточного рівня[2]. Це становить близько 1,2% додаткового щорічного зростання ВВП. Якщо це буде досягнуто, вплив ШІ можна буде
порівняти з іншими універсальними технологіями в історії. Наприклад, парові двигуни в
1800-х роках збільшували продуктивність праці приблизно на 0,3% на рік, роботи у 1990-х
роках — на 0,4%, а інформаційні технології у 2000-х — на 0,6%.
Опишемо модель для пошуку максимального економічного ефекту від впровадження
ШІ з врахуванням певних обмежень:
Eecon =β*Sbase+Zopt+λ+Csupport-(IAi+Cmaint+Rrisk+Wwar), (1)
де Sbase – базовий рівень доходу, Zopt – оптимальний прибуток від інвестицій, Csupport –
підтримуючі витрати на ШІ, – коефіцієнт впливу базових доходів, – коефіцієнт впливу
витрат на підтримку, IAi – інвестиції в ШІ, Cmaint – витрати на обслуговування технологій
ШІ,
Rrisk – витрати пов'язані з ризиками (економічні, технічні), Wwar – витрати ов язані з
військовими діями.
Маємо наступні обмеження для оптимізації:
66
IAi ≤Imax, де Imax – максимально допустимий обсяг інвестицій
Zopt ≤Zbase, де Zbase – базовий рівень прибутку
Cmaint ≤Cbudget, де Cbudget – максимально допустимий бюджет на обслуговування
Rrisk ≤Rmax, де Rmax – максимально допустимий рівень ризиків
Wwar ≤Wbudget, де Wbudget – максимально допустимий військовій бюджет
Проаналізуємо результати моделювання на основі даних, взятих на підприємстві СУПЕРСВІТЛО. Оптимальні параметри мають бути більші або дорівнювати 0.1 млн грн.
Рисунок 1 – Оптимальні значення параметрів для максимізації доходу
Джерело: складено автором на основі власних розрахунків.
Оптимальна економічна ефективність складає 10.35 млн грн, що є суттєвим приростом
порівняно з поточними рівнями доходів у 10 млн грн. Це свідчить про те, що впровадження
ШІ може значно підвищити продуктивність і зменшити витрати, що робить підприємство
більш конкурентоспроможним.
Оптимальні значення показують, що підприємство "СУПЕРСВІТЛО" може досягти
максимального економічного ефекту при мінімальних витратах на інвестиції в ШІ, підтримку
технологій, а також на ризики та військові витрати. Інвестиції в ШІ та витрати на підтримку
технологій складають лише 0.1 млн грн, що свідчить про ефективне використання ресурсів
при невеликих витратах. Оптимальний прибуток від інвестицій досягає рівня базового прибутку, а витрати на ризики та військові дії мінімальні, що дозволяє зберігати фінансову
стабільність підприємства навіть в умовах зовнішніх викликів.

ЗАСТОСУВАННЯ МЕТОДІВ МАШИННОГО НАВЧАННЯ ДЛЯ РАННЬОГО ВИЯВЛЕННЯ ПРОБЛЕМНИХ КРЕДИТІВ

Катерина Кушнірова — 2025-05-27

У умовах сучасного банківського сектору раннє виявлення потенційно проблемних
кредитів є критично важливим для мінімізації кредитних ризиків. Застосування методів машинного навчання дозволяє автоматизувати цей процес: розробка та оцінка ефективності
моделей машинного навчання для раннього виявлення проблемних кредитів з використанням
сучасних аналітичних інструментів.
Актуальність даного дослідження обумовлена декількома ключовими факторами:
1. Зростання конкуренції на ринку банківських послуг, що вимагає вдосконалення механізмів оцінки кредитоспроможності, підвищення якості обслуговування клієнтів, мінімізації кредитних ризиків, оптимізації резервування коштів.
2. Необхідність автоматизації процесів, оскільки аналіз кредитоспроможності є
найбільш трудомістким процесом, традиційні методи оцінки часто не встигають за динамікою ринку, зростає обсяг даних, що потребують обробки, підвищуються вимоги до швидкості прийняття рішень
3. Важливість раннього виявлення проблемних кредитів для зменшення потенційних збитків банку, підвищення якості кредитного портфеля, оптимізації роботи з проблемною заборгованістю, покращення фінансової стійкості банку
4. Розвиток технологій машинного навчання, що надає нові можливості для автоматизації процесів, підвищення точності прогнозування, можливість обробки великих масивів даних, зниження впливу людського фактору.
5. Економічна ефективність впровадження, що забезпечує скорочення операційних витрат, оптимізацію використання людських ресурсів, підвищення якості
кредитних рішень, зменшення втрат від проблемних кредитів.
У сучасних умовах математичні та статистичні моделі вважаються найбільш ефективним інструментом визначення ймовірності дефолту позичальника [1]. Це обумовлено їх
здатністю:
- обробляти великі обсяги даних;
- враховувати множину факторів;
- виявляти неочевидні закономірності;
- надавати об'єктивні оцінки;
Використання сучасних аналітичних інструментів, таких як SPSS Statistics, дозволяє
реалізувати комплексний підхід до аналізу кредитних ризиків та впровадити ефективну
систему раннього виявлення проблемних кредитів. Таким чином, дослідження застосування
методів машинного навчання для раннього виявлення проблемних кредитів є актуальним
науково-практичним завданням, вирішення якого сприятиме підвищенню ефективності
банківської діяльності та стабільності фінансового сектору в цілому.
68
Кластеризація, або кластерний аналіз — це статистична процедура, задача якої полягає
в розбитті вибірки об'єктів на підмножини, що не перетинаються і називаються кластерами.
Кожен кластер має складається зі схожих об'єктів, а об'єкти різних кластерів мають істотно
відрізнятися один від одного. Задача кластеризації відноситься до статистичної обробки, а
також до широкого класу задач навчання без вчителя. Ще її можна описати через задачу класифікації.
Для забезпечення ефективності використання кластерного аналізу в скорингу необхідно забезпечити регулярний моніторинг та актуалізацію кластерів, проводити аналіз міграції клієнтів між сегментами, здійснювати валідацію скорингових моделей та навчання персоналу щодо інтерпретації результатів. При цьому основними викликами при впровадженні
кластерного аналізу є необхідність значного обсягу якісних історичних даних, складність
інтерпретації результатів, ризики перенавчання моделей та технічні обмеження інформаційних систем.
У дослідженні використано комплексний підхід, що поєднує:
- Метод K-means кластеризації для сегментації клієнтської бази
- Логістичну регресію для побудови скорингової моделі
- Інструментарій SPSS Statistics для аналізу та обробки даних
Вибірка дослідження включала 345 кредитних заявок, що містили наступні характеристики позичальників [1]:
- Соціально-демографічні показники
- Фінансові параметри
- Кредитну історію
- Поведінкові характеристики
У результаті проведеного аналізу виявлено 4 чітко диференційованих кластери позичальників, кожен з яких має власні характерні особливості та рівень кредитного ризику:
1. Кластер 1 (96 випадків) - "Стабільні позичальники середнього класу"
- Середній дохід: 62,773 грн/міс
- Середня сума кредиту: 275,355 грн
- Тривалий стаж роботи (14 років)
2. Кластер 2 (39 випадків) - "Преміум позичальники"
- Найвищий середній дохід серед масових кластерів: 82,765 грн/міс
- Найбільші суми кредитів: 456,717 грн
- Найдовший стаж роботи (16 років)
3. Кластер 3 (209 випадків) - "Масовий сегмент"
- Найнижчий середній дохід: 46,868 грн/міс
- Найменші суми кредитів: 106,838 грн
- Середній стаж роботи (17 років)
4. Кластер 4 (1 випадок) - "VIP клієнт"
- Аномально високий дохід: 675,000 грн/міс
- Відносно невелика сума кредиту: 127,500 грн
- Найменший стаж роботи (6 років)
Практичні рекомендації, надані відповідно для кожного кварталу, будуть наступні:
1. Диференційований підхід до моніторингу: щоквартальний моніторинг, піврічний
моніторинг, щомісячний моніторинг, індивідуальний підхід.
2. Специфічні індикатори ризику для кожного кластера: співвідношення платежу до доходу, зміна рівня доходу, платіжна дисципліна, індивідуальні тригери.
За результатами кластерного аналізу 345 кредитних справ було виділено чотири основні кластери позичальників, які представлені у таблиці 1.
Проведена кластеризація дозволила виявити чіткі сегменти позичальників з різними
профілями платоспроможності, що створює основу для розробки диференційованого підходу
до оцінки та моніторингу кредитних ризиків.
69
Таблиця 1 - Розподіл платоспроможності клієнтів відповідно до кластерів

Кластер	Середньомісячний дохід (грн)	Середня сума кредиту (грн)	Стаж роботи (років)	Частка в загальній вибірці (%)	Рівень платоспроможності
1	62 773	275 355	13,5	27,8 (96 осіб)	Середній
2	82 765	456 717	15,6	11,3 (39 осіб)	Високий
3	46 868	106 838	14,6	60,6 (209 осіб)	Нижче середнього
4	675 000	127 500	6,0	0,3 (1 особа)	Дуже високий

Кожен кластер має власні характерні особливості, які необхідно враховувати при розробці кредитної політики та системи управління ризиками.
Кластерний аналіз дозволив виявити чіткі сегменти позичальників з різними профілями
ризику, що дає можливість оптимізувати процес раннього виявлення проблемних кредитів
через застосування специфічних стратегій моніторингу для кожного сегмента. Запропонована модель машинного навчання демонструє високу ефективність у ранньому виявленні проблемних кредитів. Використання SPSS Statistics дозволяє ефективно реалізувати весь процес
від аналізу даних до впровадження моделі. Зокрема, встановлено чітку сегментацію
клієнтської бази на чотири кластери з унікальними характеристиками, що вимагають диференційованого підходу до моніторингу. Демографічний аналіз виявив значне переважання
бездітних позичальників, що може бути важливим фактором при розробці кредитних продуктів та оцінці ризиків.
Запропонована модель демонструє високу загальну точність (0,893) та помірну прогностичну здатність (AUC = 0,688), що свідчить про її практичну цінність для банківської установи. Запропонована система диференційованого моніторингу та специфічних індикаторів
ризику для кожного кластера дозволяє оптимізувати процес управління кредитним портфелем та мінімізувати ризики виникнення проблемної заборгованості. Подальше вдосконалення моделі та впровадження рекомендованих заходів сприятиме підвищенню ефективності
кредитної діяльності банку.

СУЧАСНЕ МОДЕЛЮВАННЯ ТА АНАЛІЗ ПЕРСПЕКТИВ ЛІСОВОЇ ГАЛУЗІ ТА МЕБЛЕВОГО РИНКУ УКРАЇНИ

Ірина Лазаренко — 2025-05-27

Лісова галузь і меблевий ринок України є стратегічно важливими секторами економіки,
що забезпечують експортні надходження, зайнятість населення та розвиток регіонів. Війна в
Україні створила нові виклики, зокрема обмеження в доступі до ресурсів, логістичні труднощі та падіння внутрішнього попиту. Водночас ці сектори мають значний потенціал для
економічного відновлення та сталого розвитку.
Україна входить до числа провідних експортерів меблів у Східній Європі. У 2021 році
меблева галузь забезпечила понад 2% ВВП країни, але після початку війни виробництво скоротилося на 20-30% [1]. Лісова галузь є важливим джерелом сировини для меблевого виробництва, однак через окупацію та руйнування інфраструктури доступ до ресурсів у багатьох
регіонах обмежений.
До війни меблевий експорт забезпечував понад $1,2 млрд на рік. У 2023 році цей показник скоротився на 15-20%, головним чином через складнощі з логістикою та втратою
північно-східних ринків [1].
Рисунок 1 – Динаміка і структура експорту України з країнами партнерами
Джерело: Українська Асоціація Меблевиків [1].
Через зниження виробничих потужностей лісова та меблева галузі втратили до 0,5%
національного ВВП. Зменшення обсягів експорту та внутрішнього споживання ще більше
71
посилюють економічний тиск. Інфляція та зростання цін на енергоресурси підвищили
собівартість меблів і виробництва деревини. Так, витрати на транспортування зросли в середньому на 25-30% [1]. Через зниження контролю та окупацію певних територій нелегальні
вирубки призводять до втрат у $150-200 млн щорічно, зменшуючи надходження до бюджету[1].
Меблевий ринок ЄС залишається стабільним. Підтримка експорту меблів і розвиток
сертифікації (наприклад, FSC) дозволять збільшити валютні надходження до $1,5 млрд у
2024-2025 роках.
Розвиток меблевих кластерів і впровадження цифрових технологій можуть створити
понад 10 тисяч нових робочих місць, збільшивши податкові надходження до бюджету. Запровадження моделей сталого розвитку зменшить екологічні ризики та підвищить прибутковість галузі. Наприклад, оптимізація логістики може скоротити витрати на 10-15%.
Застосування підходів сучасного моделювання до аналізу та перспектив лісової галузі
та меблевого ринку України дає можливість знайти оптимальні шляхи для подолання кризи,
залучення інвестицій, вихід на новий рівень економічного та сталого розвитку.
До аналізу та моделювання можна застосовувати низку алгоритмів, які розкриють різні
аспекти та сторони цього об’єкту дослідження.
Моделі часових рядів. Моделі ARIMA і ETS можна використовувати для прогнозування попиту в експортних регіонах. Наприклад, аналіз показав, що попит на меблі в
Німеччині залишився стабільним навіть під час воєнного стану. Модель SARIMA використовується для оцінки сезонних змін у постачанні деревини.
Машинне навчання. Можна проводити ідентифікацію регіонів із найменшою залежністю від логістичних перешкод і створення кластерів для оптимізації виробництва. Проводити прогнозування ймовірності зривів у постачанні через аналіз геополітичних ризиків, або
класифікацію споживачів за типами попиту для оптимізації маркетингових стратегій.
Системна динаміка. Проводити моделювання довгострокового впливу війни на лісові
ресурси та меблеву галузь, включаючи екологічні та економічні наслідки.
Оптимізаційні моделі. Наприклад, знаходити оптимальний план при мінімізації витрат
на транспортування в умовах дефіциту шляхів. Використовувати моделі змішаної цілочислової оптимізації для управління ланцюгами постачання.
Моделі сталого розвитку. У рамках такого підходу лісова галузь та меблевий ринок
можуть бути трансформовані для досягнення екологічної, соціальної та економічної стійкості. Шляхами досягнення можуть бути розробки сценаріїв, які включають FSCсертифікацію, яка гарантує, що деревина заготовлена відповідно до екологічних і соціальних
стандартів, впровадження замкнених циклів виробництва що зменшує вплив на екологію
тощо.
За підрахунками, меблевий сектор складає до 2.2% від загального обсягу експорту
України[2]. Успішне відновлення виробництва та розширення експортних можливостей
сприяють зростанню ВВП та залученню іноземної валюти. Розвиток галузі також підтримує
зайнятість у регіонах, постраждалих від війни та є стратегічно важливим для економічного
відновлення України. Інтеграція моделей сталого розвитку та сучасних аналітичних підходів
дозволить збільшити експорт і скоротити втрати. Інвестиції у відновлення інфраструктури та
боротьбу з нелегальними вирубками сприятимуть зростанню ВВП.
Застосування сучасних моделей аналітики допоможе українському лісовому та меблевому сектору відновити позиції на міжнародних ринках і забезпечити сталий економічний
розвиток.

ВИЗНАЧЕННЯ РІВНЯ ЦИФРОВОЇ ТРАНСФОРМАЦІЇ БІЗНЕС-ПРОЦЕСІВ ТНК ЗА ДОПОМОГОЮ ОСНОВНИХ ІНДЕКСІВ ЦИФРОВІЗАЦІЇ

Альона Леонтович — 2025-05-27

Успіх країни на світовому ринку залежить від рівня цифровізації її бізнес-структур,
який у свою чергу – від рівня розвитку країни. У цьому контексті необхідно проаналізувати
та класифікувати, якою мірою країни використовують та створюють цифрові технології, які
здатні трансформувати діяльність уряду, корпоративні бізнес-моделі та суспільство в цілому.
З огляду на економічний розвиток, малі та середні підприємства у менш розвинених країнах
та країнах, що розвиваються, як правило, працюють у секторах з обмеженими фінансовими
ресурсами та недостатнім інтелектуальним капіталом, а також не мають достатнього доступу
до новітніх ноу-хау.
Незважаючи на конкурентне бізнес-середовище, використання новітніх технологій допомагає компаніям створювати нові стратегії та закладати основи для довгострокового зростання і лідерства на ринку. Використання статистики та великих обсягів інформації про суспільство, споживачів та їхні потреби дозволяє створювати прибуткові бізнеси, а системи
управління взаємовідносинами з клієнтами (CRM) відкривають нові, дешевші канали комунікації та управління клієнтською базою [1]. Посилення цифровізації та автоматизації
внутрішніх операцій і процесів підвищує продуктивність та ефективність.
Зараз увага зміщується на виклики, пов'язані з реалізацією необхідних змін та з'ясуванням очікувань, що виходять за рамки переваг від впровадження. Наприклад, досягнення максимально можливої гнучкості та підвищення доступності продуктів і послуг, а також подальше зниження витрат, споживання ресурсів і впливу на навколишнє середовище. З іншого
боку, оцінка готовності базується на одному з двох підходів. Перший полягає у зборі великої
кількості даних з конкретного об'єкта оцінювання. Наприклад, національні показники готовності включають Індекс мережевої готовності (NRI), Глобальний інноваційний індекс (GII)
та Індекс глобальної конкурентоспроможності (GCI), а також Індекс цифрової трансформації
2020. Розглянемо докладніше кожен з цих індикаторів, щоб зрозуміти їхню природу (Таблиця 1).
Таблиця 1 - Види індексів цифровізації та їх характеристика

№ п/п	Назва індексу	Коротка характеристика	Рік останньої публікації та автор
1	2	3	4
1	The Network Readiness Index	Аналіз 134 економік. 4 категорії: Техно логія, Людина, Управління, Соціальний вплив. 12 підкатегорій, 60 показників	2023, Portulans Institute. Започатковано у 2002 році

1	2	3	4
2	World Digital Com petitiveness Ranking	Аналіз 64 економік. 3 категорії: Знання, Технології, Готовність до майбутнього.	2023, IMD World Competitiveness Cen ter
3	The Enabling Digital ization Index	Аналіз 115 економік. Оцінює спроможність та гнучкість країн у підтримці цифровізації економіки. 5 складових: регулювання, знання, взаємозв’язки, інфраструктура та розміри	2023, Euler Hermes, започатковано у 2017 році
4	The Digital Economy and Society Index (DESI)	Відстежує розвиток країн-членів ЄС за п’ятьма основними категоріями: зв’язок, людський капітал, використання Інтернету, інтеграція цифрових технологій, цифрові державні послуги.	2023, European Commision

Джерело: створено автором
Розглянемо докладніше перший з наведених вище індикаторів - "Індекс мережевої готовності" (табл. 2). До категорії "технології" входять індикатори, що оцінюють доступність
технологій, їхній зміст та рівень розвитку технологій у майбутньому – США, Швейцарія та
Китай. Друга категорія "люди" включає показники, пов'язані з окремими особами, організаційними структурами та урядом. До трійки лідерів у цій категорії увійшли Республіка
Корея, Ізраїль та Японія. Третя категорія "управління" включає довіру, регулювання та
інклюзивність – Фінляндія, Нідерланди та Данія. Четверта категорія, "соціальний вплив",
включає економіку, якість життя та сталий розвиток. Сінгапур, Фінляндія та Ірландія очолили список.
Таблиця 2 - ТОП-10 країн з найбільш розвиненою цифровою економікою на основі рейтингу
Індексу мережевої готовності (NRI) 2023 року [2]

Рейтинг	Країна	Оцінка	Напрямки
Технологія	Люди	Управління	Соц. вплив
1	США	76,91	1	4	7	23
2	Сінгапур	76,81	5	6	10	1
3	Фінляндія	76,19	10	7	1	2
4	Нідерланди	76,04	4	15	2	5
5	Швеція	75,68	9	9	5	4
6	Швейцарія	74,76	2	14	13	6
7	Південна Корея	74,48	17	1	18	11
8	Данія	74,06	11	11	3	8
9	Німеччина	74,00	6	8	14	10
10	Великобританія	72,75	8	10	16	9

На основі аналізу цього показника зробимо висновок, що інвестиції в технології самі по
собі не можуть гарантувати вищий рівень мережевої готовності в усіх типах економік. Нові
технології, обладнання та послуги вимагають від суспільства доступу до необхідних навичок. Здатність національних економік підтримувати зусилля, спрямовані на постійне підви
74
щення кваліфікації робочої сили та людських ресурсів, буде ключовим фактором їхнього
майбутнього успіху, а приклади країн, що очолюють рейтинги NRI, показують, що освіта є
ключовим фактором міжнародної конкурентоспроможності. Оскільки зайнятість продовжує
змінюватися, освіта повинна розглядатися як процес, що триває все життя. Навчальні програми та методи викладання повинні постійно оновлюватися і розширюватися.
Також у 2023 році Всесвітній центр конкурентоспроможності IMD опублікував сьоме
видання Всесвітнього рейтингу цифрової конкурентоспроможності IMD (World Digital Competitiveness Ranking (WDCR) (табл. 3), який вимірює спроможність та готовність 64 економік
прийняти та досліджувати цифрові технології для економічних та соціальних перетворень.
Таблиця 3 - ТОП-10 країн у Всесвітньому рейтингу цифрової конкурентоспроможності
(WDCR) 2023 [3]

Рейтинг	Країна	Фактори
Знання	Технології	Готовність до майбутнього
1	США	2	6	2
2	Нідерланди	7	5	4
3	Сінгапур	3	1	10
4	Данія	9	7	3
5	Швейцарія	1	10	6
6	Південна Корея	10	12	1
7	Швеція	5	11	8
8	Фінляндія	11	9	5
9	Тайвань	18	3	7
10	Гонконг	6	2	17

Розглядаючи підфактори рейтингу, можна сказати, що, незважаючи на високі позиції,
ці країни продовжують мати слабкі сторони в одному або декількох факторах або підфакторах, які потребують вирішення. У звіті також зазначається, що загальною тенденцією серед
країн першої десятки є ефективне використання цифрових можливостей, що відображає наявність технологічної інфраструктури та використання існуючих технологій.
Основні тенденції в цифровізації визначаються рейтингами EDI:
a) Зміни у зв'язку та інфраструктурі є односпрямованими. Можливим поясненням цього
є те, що обидва показники залежать від інвестицій в інфраструктуру та високошвидкісного
інтернету.
б) Зв'язок між розміром та покращенням у рейтингу регуляторних категорій. Прямо
пропорційний зв'язок. Можливим поясненням є те, що зростання населення призводить до
змін у законодавстві та регуляторних актах, що, в свою чергу, інтенсифікує процес діджиталізації.
в) Підвищення рейтингу категорії "Масштаб" пов'язане зі зниженням рейтингу категорії "Знання". Занадто велика кількість населення знижує рівень доступу до інформації або
знижується якість отриманої інформації. Все населення не може бути забезпечене доступом
до цифрових технологій.
Індекс цифрової економіки та суспільства (DESI) щорічно розраховується Європейською комісією для країн-членів ЄС. Індекс готується відповідно до рекомендацій Організації
економічного співробітництва та розвитку (ОЕСР). Індекс складається з п'яти категорій, які
мають різну вагу при розрахунку загального середнього індексу для кожної з аналізованих
країн. Зв'язок та людський капітал мають вагу 0,25, цифрова інтеграція - 0,2, використання
інтернет-послуг та цифрове урядування - 0,15, а загальна вага дорівнює 1 або 100% [4].
За період з 2017 по 2022 роки у всіх країнах членах ЄС спостерігалось покращення чи
погіршення значення індексу (рис. 1).
75
Рисунок 1 – Динаміка зміни DESI у 2017-2022 роках [4]
Більшість країн мають значення показника вище від загальноєвропейського. Країни зі
слабшою економікою мають значення індексу нижчі від загальноєвропейського (рис. 2).
Рисунок 2 – Характеристика DESI по країнах-членах у 2022 році [4]
Індекс також відтворює нерівномірність розвитку різних компонентів в аналізованих
країнах. У період між 2017 і 2022 роками частка користувачів інтернету зросла в кожній
країні з відповідним зниженням частки тих, хто ніколи не користувався інтернетом. Зросла й
кількість онлайн-покупців. Споживання відеоконтенту збільшилося на 17% за два роки, а
кількість відеодзвінків зросла на 25%. Частка соціальних мереж і новин залишилася незмінною.
Висновки. Існуючі методи розрахунку рівня цифровізації бізнес-структур ігнорують
низку параметрів, які мають бути враховані вже зараз. Це, наприклад, інформаційна безпека,
поглиблене вивчення ІТ-відділу, організаційної архітектури та ризиків, що виникають. Це
дозволяє зробити висновок, що при оцінці рівня цифровізації підприємств необхідно застосовувати комплексний підхід, який враховує значення показників, що характеризують країну
в цілому, а також значення моделей, які можуть оцінювати підприємства індивідуально.
Лі