Совершенствование методов и механизмов оценки финансовой устойчивости нефтегазовых компаний в периоды экономической нестабильности

Целью исследования стало изучение особенностей процесса поддержания и оценки финансовой устойчивости нефтегазовых компаний в условиях экономической нестабильности, а также выявление оптимальных для внедрения нейронных сетей этапов. Его практическая значимость заключается в формировании предпосылок для последующей разработки и внедрения нормативно-правовых актов и методического функционала с целью обеспечения финансовой устойчивости структурных предприятий. Потенциально это может служить инструментарием для развития экономики государства на макроэкономическом уровне. Результаты исследования могут быть использованы финансовыми аналитиками и государственными регуляторами при оценке и управлении отраслевыми рисками, а также инвесторами, кредитными организациями при изучении финансовой устойчивости предприятий энергетического сектора. Однако существуют ограничения для моделей, обученных на данных относительно развитых рынков (Россия, страны Персидского залива), а именно – вероятность их неточности при применении в развивающихся экономиках (например, Ангола).

1. Земляк С. В., ред. Анализ влияния цифровых технологий на финансовую устойчивость российских компаний. М.: Дашков и К; 2024. 146 с.

2. Капанадзе Г. Д. Построение модели комплексной оценки финансовой устойчивости экономического субъекта. Российское предпринимательство. 2013;(18):61–67.

3. Савина А. М., Буранова Е. А., Байдова Н. В. Механизм обеспечения финансовой устойчивости организации. Человек: преступление и наказание. 2022;30(2):216–224. DOI: 10.33463/2687-1238.2022.30(1-4).2.216-224

4. Wang F., Liao H. Unexpected economic growth and oil price shocks. Energy Economics. 2022;116:106430. DOI: 10.1016/j.eneco.2022.106430

5. Yang T., Zhou F., Du M., et al. Fluctuation in the global oil market, stock market volatility, and economic policy uncertainty: A study of the US and China. The Quarterly Review of Economics and Finance. 2023;87:377–387. DOI: 10.1016/j.qref.2021.08.006

6. Mousavi M. M., Gozgor G., Acheampong A. Do oil market shocks affect financial distress? Evidence from firmlevel global data. Journal of Commodity Markets. 2024;36:100436. DOI: 10.1016/j.jcomm.2024.100436

7. Khoja L., Chipulu M., Jayasekera R. Analysis of financial distress cross countries: Using macroeconomic, industrial indicators and accounting data. International Review of Financial Analysis. 2019;66:101379. DOI: 10.1016/j.irfa.2019.101379

8. Bouri E., Iqbal N., Klein T. Climate policy uncertainty and the price dynamics of green and brown energy stocks. Finance Research Letters. 2022;47B:102740. DOI: 10.1016/j.frl.2022.102740

9. Al Mamun A., Zenkri O., Madasthu S., et al. Outage data analytics for correlating resilience and reliability. In: 2023 North American Power Symposium (NAPS). (Asheville, NC, October 15–17, 2023). New York, NY: IEEE; 2023:1–6. DOI: 10.1109/NAPS58826.2023.10318656

10. Shetty S., Musa M., Brédart X. Bankruptcy prediction using machine learning techniques. Journal of Risk and Financial Management. 2022;15(1):35. DOI: 10.3390/jrfm15010035

11. Nyangarika A., Mikhaylov A., Muyeen S. M., et al. Energy stability and decarbonization in developing countries: Random Forest approach for forecasting of crude oil trade flows and macro indicators. Frontiers in Environmental Science. 2022;10:1031343. DOI: 10.3389/fenvs.2022.1031343

12. Johnson P. The financial stability of sustainable organisations. Journal of Business & Economics Research. 2011;9(10):65–74. DOI: 10.19030/jber.v9i10.7011

13. Singla A., Sukharevsky A., Yee L., et al. The state of AI in early 2024: Gen AI adoption spikes and starts to generate value. McKinsey & Company. May 30, 2024. URL: https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai-2024 (дата обращения: 07.04.2025).

14. Hao X. Import competition and pressure in the international crude oil trade: A network analysis. Resources Policy. 2023;82:103468. DOI: 10.1016/j.resourpol.2023.103468

15. Болотов Р. О. О применении нейронных сетей для оценки финансовой устойчивости компаний. Russian Journal of Management. 2020;8(1):106–110. DOI: 10.29039/2409-6024-2020-8-1-106-110

16. Lohmann C., Möllenhoff S., Ohliger T. Nonlinear relationship in bankruptcy prediction and their effect on the profitability of bankruptcy prediction models. Journal of Business Economics. 2022;93(9):1661–1690. DOI: 10.1007/s11573-022-01130-8

17. Mazur M. A step by step backpropagation example. March 17, 2015. URL: https://mattmazur.com/2015/03/17/a-step-by-step-backpropagation-example (дата обращения: 07.04.2025).

18. Altman E. I. Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. The Journal of Finance. 1968;23(4):589–609. DOI: 10.1111/j.1540-6261.1968.tb00843.x