Статья:

ВЛИЯНИЕ МАШИННОГО ОБУЧЕНИЯ, ЦИФРОВИЗАЦИИ И ИСКУССТВЕННОГО ИНТЕЛЛЕКТА НА КОРПОРАТИВНОЕ УПРАВЛЕНИЕ

Конференция: LXXXVIII Международная научно-практическая конференция «Научный форум: инновационная наука»

Секция: Экономика

Выходные данные
Казбекова З.Т., Муратова К.А., Асылбекова Б.С. ВЛИЯНИЕ МАШИННОГО ОБУЧЕНИЯ, ЦИФРОВИЗАЦИИ И ИСКУССТВЕННОГО ИНТЕЛЛЕКТА НА КОРПОРАТИВНОЕ УПРАВЛЕНИЕ // Научный форум: Инновационная наука: сб. ст. по материалам LXXXVIII междунар. науч.-практ. конф. — № 9(88). — М., Изд. «МЦНО», 2025.
Обсуждение статей состоится 03.10.2025
Мне нравится
на печатьскачать .pdfподелиться

ВЛИЯНИЕ МАШИННОГО ОБУЧЕНИЯ, ЦИФРОВИЗАЦИИ И ИСКУССТВЕННОГО ИНТЕЛЛЕКТА НА КОРПОРАТИВНОЕ УПРАВЛЕНИЕ

Казбекова Зарина Тлековна
студент, Казахстанско-Немецкий Университет (DKU), Казахстан, г. Алматы
Муратова Камила Алматовна
студент, Казахстанско-Немецкий Университет (DKU), Казахстан, г. Алматы
Асылбекова Баян Сыргабаевна
старший преподаватель, магистр финансов, Казахстанско-Немецкий Университет (DKU), Казахстан, г. Алматы

 

Аннотация. Современные цифровые технологии - машинное обучение, искусственный интеллект и цифровизация - активно трансформируют корпоративное управление. В статье рассматривается влияние на корпоративное управление на основе анализа трех современных исследований.

Abstract. Modern digital technologies such as machine learning, artificial intelligence and digitalization are actively transforming corporate governance. The article examines the impact on corporate governance based on the analysis of three modern studies.

 

Ключевые слова: машинное обучение; искусственный интеллект; цифровая трансформация; корпоративное управление; цифровизация.

Keywords: machine learning; artificial intelligence; digital transformation; corporate governance; digitalization.

 

Введение

Развитие цифровых технологий радикально меняет систему корпоративного управления. На сегодняшний день компании сталкиваются с необходимостью интегрировать машинное обучение, искусственный интеллект и инструменты цифровизации не только в операционную деятельность, но и в стратегическое управление. Эти технологии позволяют анализировать большие массивы данных, прогнозировать финансовые результаты и усиливать прозрачность управленческих процессов. В то же время их использование ставит перед бизнесом новые задачи: обеспечение этичности алгоритмов, защита данных и выработка механизмов регулирования. Цель статьи — показать, как именно цифровые технологии трансформируют корпоративное управление, и какие эффекты они оказывают на принятие решений и рыночную оценку компаний. В качестве базы анализа выбраны три актуальных исследования, каждое из которых отражает отдельный аспект изменений: применение машинного обучения для прогнозирования кредитных рейтингов, влияние искусственного интеллекта на структуру и процессы управления, а также роль цифровизации в росте капитализации компаний. Такой подход позволяет комплексно оценить стратегическое значение цифровых технологий для бизнеса.

Методология. Для анализа были выбраны три современные исследования следующих авторов Егорова А. и Гришунин С. «Comparative Analysis of the Predictive Power of Machine Learning Models for Forecasting the Credit Ratings of Machine-Building Companies»; Калкан Г. «The Impact of Artificial Intelligence on Corporate Governance»; Дроговоз П., Неврединов А., Федорова Е. «The Impact of Disclosing Digitalization Information on Corporate Financial Performance», каждое из которых иллюстрирует отдельный аспект влияния цифровых технологий на корпоративное управление. Методологический подход данной статьи основывается на сравнительном обзоре и синтезе их результатов.

Машинное обучение и кредитные рейтинги. Использовались данные о 109 машиностроительных компаниях за 2005–2016 годы. Авторы применили три модели прогнозирования: упорядоченную логистическую регрессию, Random Forest и Gradient Boosting. Метод включал сбор финансовых и макроэкономических показателей, очистку и нормализацию данных, обучение моделей и проверку их точности через кросс-валидацию.

Таблица 1.

Какие финансовые и макроэкономические показатели использовались в моделях

Explanatory variable

Description

UOM

Formula

Expected sign

Mean value

Standard deviation

Debt/Book Capitalization (BC)

Ratio between Liabilities and book value of capitalization

%

 

“ + ”
 

61.8

12.7

Debt/Market Capitalization (MC)

Ratio between Liabilities and company’s market capitalization

%

 

“ + ”

27.32

15.3

Cash ratio

Cash ratio

%

Cash ratio =

“ - ”

47.4

79.5

Retained cash flow (RCF) to net debt

Ratio of retained cash flow to net liabilities

%

 

“ - ”

75.2

23.2

Available RCF debt coverage

Retained cash flow available for settlement of debt

%

 

“ - ”

16.4

22.0

EBITDA Interest coverage

Ratio of EBITDA coverage

multiplier

 

“ - ”

8.6

11.5

Liquidity Indicators

Current ratio (CR)

Current liquidity ratio

multiplier

 

“ - ”

1.9

0.7

Quick ratio (QR)

Acid test ratio

multiplier

 

“ - ”

1.1

0.5

Macroeconomic Variables

Real GDP growth

GDP growth rate

%

Annual growth rate of real GDP in the country of operations

“ - ”

1.6

2.1

Inflation

Inflation

%

Annual consumer price index

“ ? ”

1.7

1.4

 

Таблица 2.

Какие финансовые и макроэкономические показатели использовались в моделях (продолжение)

Explanatory variable

Description

UOM

Formula

Expected sign

Mean value

Standard deviation

Economic downturn flag

Indicator of economic depression

1/10

Dummy variable equals 1 if there is an economic downturn in the year of observation, 0 - otherwise

“ + ”

-

  •  

Private company flag

Indictor of a private company

1/10

Dummy variable equals 1 if the company is private, 0 – if it is government – otherwise

“ + ”

-

  •  

Resident in developed country flag

Indictor of operations in developed economies

1/10

Dummy variable equals 1 if the company operates in developed markets, 0 - otherwise

“ - ”

-

  •  

Quality of fixed assets

Quality of assets

%

Amortization / Assets

“ + ”

8.1

3.5

Market value to sales multiple

Ratio of the market value to proceeds

multiplier

 

“ - ”

1.76

1.54

Market value to EBITDA multiple

Ratio of the market value to EBITDA

multiplier

 

“ - ”

7.3

5.8

Interest paid

Interest which has been paid

multiplier

Company’s annual interest costs

“ + ”

4.25

1.16

Profit indicators

Return on average equity (ROAE)

Return on average equity

%

 

“ - ”

13.7

30.4

EBITDA margin

Cost - effectiveness of EBITDA

%

 

“ - ”

15.0

6.0

Indicators of Debt

Net debt/ EBITDA

Debt load ratio

multiplier

 

“ - ”

2.9

4.5

 

Искусственный интеллект и корпоративное управление. Исследование Калкана [2] основано на качественном анализе литературы и теоретическом моделировании. Рассматривались сценарии интеграции ИИ в корпоративное управление, включая принятие решений, прозрачность и этические вопросы. Методология включает сравнительный анализ публикаций и экспертных концепций.

Цифровизация и рыночная капитализация. Авторы Федорова, Дроговоз и Неврединов [3] исследовали 70 крупнейших российских компаний за 2017–2021 годы. Использовался текстовый анализ годовых отчётов для построения индексов цифровизации и панельная регрессия с фиксированными эффектами для выявления влияния на рыночную капитализацию. В качестве контрольных переменных учитывались финансовые показатели и корпоративные характеристики.

Результаты. Исследования показывают, что методы машинного обучения, такие как Gradient Boosting и Random Forest, значительно повышают точность прогнозирования кредитных рейтингов машиностроительных компаний по сравнению с традиционной упорядоченной логистической регрессией. Наибольшее влияние на рейтинги оказывают финансовые показатели компаний — ликвидность, задолженность и рентабельность, тогда как макроэкономические факторы играют меньшую роль. Искусственный интеллект, в свою очередь, улучшает процессы принятия решений, обработку больших объемов данных и выявление скрытых закономерностей, повышает эффективность управления рисками, стратегического планирования и финансового прогноза, однако требует баланса с человеческим опытом, а также создания этических норм и прозрачности алгоритмов. Влияние цифровой трансформации на капитализацию компаний проявилось особенно в период пандемии: значимыми оказались процессные и организационные изменения, тогда как общий индекс цифровизации остался второстепенным. Наибольшее значение для инвесторов сохраняют такие показатели, как рентабельность капитала, оборачиваемость активов, а также эффективность конкретных трансформационных изменений, что подтверждается как регрессионным анализом, так и алгоритмами машинного обучения.

Обсуждение. Исследования подтверждают, что методы машинного обучения (Random Forest и Gradient Boosting) значительно точнее традиционной логистической регрессии при прогнозировании кредитных рейтингов. Наилучшие результаты показал Gradient Boosting [1] благодаря учёту сложных зависимостей и адаптивной корректировке ошибок. Финансовые показатели (ликвидность, задолженность, рентабельность) являются ключевыми факторами, тогда как макроэкономические данные вносят лишь незначительный вклад. Внедрение ML-моделей позволяет повысить точность и скорость анализа, учитывать широкий спектр факторов, но требует качественных данных и правильной настройки. Исследование Калкан Г. «The Impact of Artificial Intelligence on Corporate Governance» подчёркивает роль искусственного интеллекта в корпоративном управлении: он повышает эффективность управления рисками, стратегического планирования и обработки данных, однако требует прозрачности алгоритмов, этических норм и сохранения баланса с человеческим опытом, чтобы избежать чрезмерной автоматизации и рисков предвзятости. Третье исследование, представленное Дроговозовым П., Неврединовым А., Федоровой Е. «The Impact of Disclosing Digitalization Information on Corporate Financial Performance» показало, что цифровая трансформация стала значимой в период пандемии. Наибольшее влияние оказали процессные (автоматизация и цифровизация процессов) и организационные изменения (новые модели управления и работы), тогда как общий индекс цифровизации и бизнес-трансформация не имели значения. Инвесторы оценивают реальные технологические изменения выше формальных заявлений, а раскрытие информации о цифровизации снижает информационную асимметрию и положительно влияет на капитализацию.

Выводы. Современные цифровые технологии - машинное обучение, искусственный интеллект и цифровизация - становятся ключевыми инструментами в корпоративных финансах, управлении и прогнозировании. Анализ трёх статей подтверждает, что машинное обучение (Random Forest и Gradient Boosting) обеспечивает более точное прогнозирование кредитных рейтингов по сравнению с традиционными методами, позволяя аналитикам и инвесторам эффективнее оценивать риски. Вторая работа показывает, что искусственный интеллект способен повысить прозрачность корпоративного управления и взаимодействие со стейкхолдерами, но требует этического регулирования и примеров практического применения для усиления выводов. Третье исследование демонстрирует, что цифровизация положительно влияет на рыночную капитализацию, особенно в условиях пандемии, причём конкретные процессные и организационные трансформации оказываются важнее общих заявлений о цифровой стратегии. Несмотря на определённые ограничения исследований (ограниченность выборки, акцент на российских компаниях, отсутствие макроэкономического анализа), их результаты подтверждают растущую значимость цифровых технологий для повышения конкурентоспособности компаний и их инвестиционной привлекательности.

 

Список литературы: 
1. Egorova A., Grishunin S. Comparative Analysis of the Predictive Power of Machine Learning Models for Forecasting the Credit Ratings of Machine-Building Companies // Journal of Corporate Finance Research // Ref. Libr. 2022. Vol.16. №1. P.1-14.  [Электронный ресурс] // URL: https://cfjournal.hse.ru/article/view/12102/13661 (дата обращения: 25.09.2025)
2. Kalkan G. The Impact of Artificial Intelligence on Corporate Governance // Journal of Corporate Finance Research // Ref. Libr. 2024. Vol.18. №2. P.1-9. [Электронный ресурс] URL: https://cfjournal.hse.ru/article/view/19764/18856 (дата обращения: 25.09.2025)
3. Drogovoz P., Nevredinov A., Fedorova E. The Impact of Disclosing Digitalization Information on Corporate Financial Performance // Journal of Corporate Finance Research // Ref. Libr. 2024. Vol.18. №2. P.1-14   [Электронный ресурс] URL:  https://cfjournal.hse.ru/article/view/17944/18872 (дата обращения: 25.09.2025)