ТОМСК, 31 октября. /ТАСС/. Комбинированное исследование более 2 тыс. российских компаний, переживающих застой или длительное падение выручки, провели экономисты Томского политехнического университета (ТПУ). Результаты показали, что использование алгоритмов машинного обучения повышает точность прогнозов потенциального роста этих компаний до 65-67%, сообщили ТАСС в пресс-службе вуза.
"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", - сказали в пресс-службе.
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).
"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", - приводятся в сообщении слова одного из авторов статьи, доцента Бизнес-школы ТПУ Владислава Спицына.
По его словам, это и подобные исследования дают новые идеи о моделях экономического роста, которые имеют решающее значение в периоды экономической неопределенности. "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", - добавил Спицына.
Исследование выполнено при поддержке гранта Российского научного фонда. Результаты работы опубликованы в журнале Journal of Open Innovation: Technology, Market, and Complexity.
