РАЗРАБОТКА СИСТЕМЫ ПРОГНОЗИРОВАНИЯ БЮДЖЕТА ПРЕДПРИЯТИЯ РАКЕТНО-КОСМИЧЕСКОЙ ОТРАСЛИ

DEVELOPMENT OF AN ENTERPRISE BUDGET FORECASTING SYSTEM FOR THE ROCKET AND SPACE INDUSTRY

Jansugurov Nurdaulet Bakhitovich

student of Moscow Aviation Institute (National Research University), Russia, Moscow

Zhanat Zhumatayeva

Academic advisor, Candidate of Sciences in Technologies, Associate professor, Branch "Voskhod" of the Moscow Aviation Institute in Baikonur, Kazakhstan, Baikonur

Аннотация. В работе рассматриваются причины возникновения ошибок при формировании бюджета предприятия и способ их устранения. В качестве альтернативы рассматриваются технологии искусственного интеллекта — прежде всего LSTM-сети и современные методы машинного обучения, которые умеют понимать сложную структуру финансовых данных, их нелинейность и многомерность. Предложена концепция системы прогнозирования бюджета на базе нейросетевой модели, включающая сбор данных, предобработку, выбор архитектуры и оценку точности.

Abstract. The study examines the causes of errors that occur during enterprise budget formation and ways to eliminate them. As an alternative, it considers artificial intelligence technologies—primarily LSTM networks and modern machine learning methods capable of understanding the complex structure, nonlinearity, and multidimensionality of financial data. A concept of a budget forecasting system based on a neural network model is proposed, including data collection, preprocessing, architecture selection, and accuracy evaluation.

Ключевые слова: бюджетирование, прогнозирование, искусственный интеллект, LSTM, машинное обучение, ракетно-космическая отрасль, финансовое планирование.

Keywords: budgeting, forecasting, artificial intelligence, LSTM, machine learning, aerospace industry, financial planning.

Финансовое планирование в ракетно-космической отрасли всегда связано с высокой неопределённостью: стоимость проектов велика, сроки растянуты, а влияние внешних факторов ощущается сильнее, чем в большинстве других сфер. В данной работе рассматривается деятельность «Отдела бюджетирования экономики-финансов», который отвечает за составление и контроль исполнения бюджета, анализ отклонений и подготовку расчётов.

В частности, на практике бюджет формируется преимущественно в среднем на основе данных последних трёх лет, после чего показатели корректируются экспертным мнением (финансовыми специалистами), с предполагаемым увеличением расходов на ~30 %. Такой подход рабочий, но явно недостаточный: он не учитывает долгосрочные циклы, влияние макроэкономических факторов и нерегулярные изменения структуры затрат. В результате отдельные статьи бюджета нередко отклоняются от прогноза на 15–25 %, что затрудняет принятие решений и снижает эффективность планирования.

Анализ существующей методологии показывает несколько ключевых проблем: малый объём данных, отсутствие учёта нелинейных зависимостей (финансовых показателей), ручное включение внешних факторов (инфляции, валютных колебаний, и т.п). Исследования последних лет также подтверждают, что статистические и линейные модели плохо справляются с такими задачами, тогда как методы машинного обучения дают значительно более стабильный результат. Именно поэтому в работе рассматривается возможность построения модели, способной анализировать многолетние данные и формировать более точные прогнозы.

Исследования Министерства финансов РФ (2023г.) показывают, что внедрение искусственного интеллекта в бюджетирование государственных структур снижает число ошибок на 40 %, а точность прогнозов увеличивает на 25 % [11]. Публикации 2020–2024 гг. также подтверждают, что ML-модели превосходят традиционные методы финансового прогнозирования [1; 3; 5; 7].

Таким образом, возникает необходимость внедрения нейросетевых методов в планирование бюджетирования доходов и расходов (БДР) и бюджета движения денежных средств (БДДС). Разрабатываемая система должна включать в себя следующие пункты:

1. Сбор данных: бюджет за 10–15 лет., макроэкономические индикаторы (ЦБ РФ, Росстат)., данные о производственной программе (число пусков, затраты по объектам).
2. Предобработка данных: очистка аномалий (выявление и удаление значений, которые резко отклоняются от нормального поведения данных)., заполнение пропусков (заполнение пустых данных путем подбора подходящих статистических методов)., нормализация (приведение всех показателей к единому масштабу)., построение дополнительных признаков (создание новых параметров из исходных данных).
3. Математическое ядро: рекуррентная нейронная сеть LSTM, возможность многовыходного прогноза (все статьи бюджета сразу), обучение на многомерных временных рядах.
4. Валидация модели: MAPE (Mean Absolute Percentage Error - средняя абсолютная процентная ошибка), RMSE (Root Mean Squared Error - показатель ошибки прогноза, сравнение с ARIMA, Prophet, линейной регрессией.
5. Выходные данные: прогноз бюджета на 1–3 года, графики и отчёты, сценарный анализ «что, если».

На практике LSTM может показать себя лучше остальных методов. Она “подхватывает” поведение ряда в тех местах, где обычные модели просто теряются — особенно при скачках или сезонных изменениях.  По данным исследований 2023–2024 гг., LSTM обеспечивает:

• снижение MAPE на 20–40 % относительно ARIMA [1; 3];
• возможность работы с сезонностью и аномалиями;
• обучение на последовательностях длиной 100+ временных шагов.

После внедрения системы оно может спрогнозировать:

• снижение ошибки MAPE с 15–25 % до 5–10 %;
• уменьшение перерасхода бюджета;
• ускорение формирования БДР (Бюджета доходов и расходов)/БДДС (Бюджета движения денежных средств) на 40–60 %;
• снижение зависимости от экспертного фактора;
• принятие решений на базе данных (data-driven).

Полученные выводы согласуются с результатами внедрения ИИ в финансовый сектор Министерством финансов РФ [11] и рядом исследований 2020–2024 гг. [1–9].

В ходе исследования была изучена проблема недостаточной точности бюджетного прогнозирования на предприятиях ракетно-космической отрасли и проведён анализ факторов, влияющих на качество расчётов. В основном сейчас используются методы линейной модели и экспертной оценки (оценки финансовыми специалистами). Которые в свою очередь отличаются от реальных изменений бюджета, и не учитывают большинство внешних обстоятельств. Обзор современных технологий показывает, что нейронные сети, особенно архитектуры LSTM, способны эффективнее работать с длинными и многомерными временными рядами.

Результаты анализа демонстрируют: при правильной настройке нейросетевая модель позволяет существенно уменьшить ошибку прогноза, сократить расчёты на основе экспертного мнения. Такая система может быть главной для внедрения более точного финансового планирования на предприятиях ракетно-космической отрасли, обеспечивая более надёжную основу при принятии решений.