10/31/2024 | News release | Distributed by Public on 10/31/2024 01:34
Ученые-экономисты Томского политехнического университета провели комбинированное исследование более двух тысяч российских компаний, переживающих застой или длительное падение выручки. Результаты показали, что использование алгоритмов машинного обучения повышает точность прогнозов потенциального роста этих компаний до 65-67 %. В то время как случайный выбор показывает успешность всего в 13-17 %.
Исследование выполнено при поддержке гранта Российского научного фонда (№ 23-28-01404).
Ученые анализировали показатели деятельности российских компаний добывающей и обрабатывающей промышленности с 2013 по 2021 годы. Они рассматривали в динамике возраст фирмы, размер основных фондов, объем продаж, количество кредитных средств, оборачиваемость и рентабельность активов. Прогнозирование фирм, способных перейти к росту после длительной стагнации, выполнялось с помощью моделей логистической регрессии и методов машинного обучения.
«Ранее большинство исследований было сосредоточено на молодых, быстрорастущих фирмах («газелях») или зрелых компаниях, рост которых был обусловлен масштабированием. Мы в своем исследовании обращаем внимание на фирмы, восстанавливающиеся после застоя или длительного падения выручки. Точное прогнозирование того, какие фирмы восстановятся и вернутся к росту, имеет решающее значение как для инвесторов, так и для политиков, особенно в глобальной экономике, отмеченной частыми кризисами и периодической стагнацией», - рассказывает один из авторов статьи, доцент Бизнес-школы ТПУ Владислав Спицын.
Ученые изучили два типа роста после стагнации: умеренный долгосрочный рост и быстрый рост. Умеренный долгосрочный рост показывают компании, демонстрирующие годовой темп роста продаж, превышающий 10 % в течение трех из четырех лет после стагнации, с общим ростом продаж за четыре года, превышающим 30 %.
Быстрый рост присущ компаниям, демонстрирующим общий темп роста продаж за четыре года, превышающий 60 %, что включает в себя быстрый долгосрочный рост (ежегодный рост на 20 % и более в течение трех из четырех лет) и быстрый краткосрочный рост (высокий рост всего за один-два года).
Расчеты показали, что алгоритм машинного обучения увеличивает точность прогнозов потенциального роста компаний до 65-67 %. В то время как успешность случайного выбора компаний составляет всего 13-17 %. Показатель, который оценивает полноту прогнозов, достигает значений 58-63 %. Это особенно ценно для крупных инвесторов и политиков, которые стремятся определить компании, готовые к возобновлению роста.
«Выявление таких фирм открывает значительные инвестиционные возможности, поскольку они представляют собой в значительной степени неиспользованную область экономических исследований. Сосредоточившись на этом малоизученном сегменте, мы предлагаем новые идеи о моделях экономического роста, которые имеют решающее значение в периоды экономической неопределенности», - поясняет Владислав Спицын.
Проведенные ранее исследования показали, что фирмы с быстрым возобновляемым ростом после стагнации существенно наращивают свою выручку, и она значительно превышает докризисный уровень. Следовательно, такие фирмы можно рассматривать как один из источников роста, цифровой и структурной трансформации экономики в условиях циклического развития и внешних шоков.
«Кроме того, наши результаты предлагают прогностические идеи, которые улучшают процесс принятия решений для фирм. Например, фирмы с ограниченными внутренними ресурсами или возможностями могут использовать передовые модели машинного обучения, предложенные в нашем исследовании, чтобы определить, какие внешние партнерства или инновационные стратегии с наибольшей вероятностью будут способствовать успешному возобновлению роста», - резюмирует ученый.
Результаты работы опубликованы в журнале Journal of Open Innovation: Technology, Market, and Complexity.