XVIII Международная студенческая научная конференция Студенческий научный форум - 2026

Введение. Процесс внедрения инновационных технологий обработки информации в финансовый сектор характеризуется активным использованием методов анализа массивных данных и автоматизированных алгоритмов. По данным ведущих мировых консультационных организаций, объём рынка решений, основанных на интеллектуальных системах в финансовой сфере, будет расширяться со среднегодовым темпом 32,5%, достигнув объёма $64,03 млрд к концу текущего десятилетия. На территории Российской Федерации, согласно информации Центрального банка, подавляющее большинство (85%) кредитных учреждений применяют системы автоматической оценки кредитоспособности, а почти половина (43%) внедрили технологии на базе нейросетей для решения различных аналитических задач.

Одновременно в России происходит активный процесс сближения национальной системы бухгалтерского учёта с мировыми практиками. Начиная с 2020 года, вступили в действие обновленные государственные стандарты учёта (ФСБУ), которые значительно приблизили российский подход к международным нормам: ФСБУ 6/2020 (касающийся основного имущества), ФСБУ 25/2018 (регулирующий учёт арендных отношений), ФСБУ 5/2019 (определяющий порядок учёта товарно-материальных ценностей) и ряд других. Однако практический анализ показывает, что несмотря на формальное приближение методологий, между ними сохраняются существенные различия, вытекающие как из технических особенностей самих стандартов, так и из различных подходов к их применению на практике.

Системы автоматизированного анализа обучаются на основе исторических сведений, не различая, по какой методологии они были получены. Когда в одном наборе данных для обучения присутствуют показатели, рассчитанные по разным системам учёта, это создаёт скрытую ошибку, которая снижает способность системы делать точные предсказания. Хотя данная проблема имеет очевидную практическую значимость, в научных работах недостаточно внимания уделяется количественной оценке того, как именно эти различия влияют на результаты финансовых прогнозов.

Основная цель работы – определить наиболее важные области, где учётные системы расходятся, измерить, насколько эти расхождения влияют на точность финансовых прогнозных систем, и предложить способы снижения ошибок, вызванных использованием информации, подготовленной по разным методологиям.

Оригинальность предлагаемого подхода состоит в том, что авторы впервые количественно оценивают влияние учётных различий на работу автоматических прогнозирующих систем и разрабатывают методику приведения разнородной информации к единому стандарту для аналитических целей.

Основная часть. В последние годы процесс приближения российской системы к международным нормам ускорился. Учёные отмечают неоднозначный характер этого процесса: хотя новые государственные стандарты опираются на принципы, заимствованные из международной практики, в них сохраняется значительная специфика, характерная для России, что создаёт двойственную систему подходов к учёту.

Основные области, где наблюдаются различия:

• основные средства;

• учёт арендных обязательств;

• финансовые активы и обязательства.

Рассмотрим каждую область подробнее.

Новый ФСБУ 6/2020, хотя и близок по концепции к международному стандарту IAS 16, содержит важные отличия в том, как компании переоценивают свои активы после первоначального признания. Исследователи Плотников и Плотникова указывают на то, что российские компании гораздо реже используют переоценку активов в сравнении с тем, как это делается при подготовке отчётности по международным нормам.

Введение ФСБУ 25/2018 максимально приблизило методологию к IFRS 16. Однако исследования Дружиловской показывают, что в реальной практике существуют значительные отклонения: компании по-разному устанавливают пороговые значения, используют разные ставки для дисконтирования платежей и по-разному оценивают длительность арендных отношений, что приводит к различиям в признаваемых обязательствах, доходящим до 40%.

Наиболее значительные расхождения проявляются в банковском секторе. Анализ материалов Центрального банка показывает, что объёмы резервов, создаваемых банками под возможные убытки, существенно различаются. Это объясняется тем, что в России используется подход, основанный на убытках, которые уже произошли, тогда как международные нормы требуют резервировать средства под убытки, которые могут произойти в будущем, причём различия по совокупному портфелю достигают значительных размеров.

Эффективность систем машинного обучения в значительной степени зависит от того, насколько хороши исходные данные. Известный принцип "плохие данные – плохие результаты" особенно важен при работе с финансовой информацией. Исследователи подчёркивают, что успешное применение алгоритмов обучения к финансовым показателям зависит не только от количества доступной информации, но и от того, насколько эта информация методологически согласована.

Систематические искажения в данных представляют особенно серьёзную опасность, так как алгоритмы не только воспроизводят эти ошибки, но часто их усиливают. Когда финансовые показатели получены разными способами, но представлены как одинаковые, возникает скрытая ошибка, которую алгоритм воспринимает как реальную закономерность.

Имеющиеся исследования либо рассматривают различия между стандартами без оценки практического влияния на аналитику, либо изучают применение алгоритмов обучения в финансах без учёта проблемы неоднородности данных. Отсутствует научная оценка того, как именно различия в учётных подходах влияют на качество прогнозирующих систем в российском контексте, что определяет необходимость данного исследования.

Исследование основано на анализе открытой отчётности 85 крупных российских корпораций за пятилетний период (2020-2024 гг.), охватывающих пять основных направлений экономики: финансовые учреждения (24 организации), добыча и переработка углеводородов (15), производство металлов и изделий из них (14), связь и информационные технологии (16), розничная торговля и услуги (16).

Компании были отобраны на основе следующих критериев:

• наличие публичной отчётности как по РСБУ, так и по МСФО;

• годовой доход свыше 10 млрд рублей;

• полные данные за весь период.

Для каждой организации была собрана информация по 42 финансовым показателям в обоих форматах, включая статьи бухгалтерского баланса, элементы отчёта о доходах и убытках, а также вычисленные коэффициенты. Общий объём собранной информации составил 35 700 отдельных наблюдений.

Исследование было разделено на три этапа:

Этап 1: Измерение различий.

Для каждого показателя рассчитан показатель расхождения:

Была проведена статистическая обработка полученных расхождений с разбором по отраслям и временным периодам.

Этап 2: Оценка влияния на системы прогнозирования

Были разработаны две серии прогнозирующих систем для предсказания ключевых финансовых показателей (возврат на собственный капитал, оценка кредитоспособности):

• серия А (контрольная): системы без учёта различий стандартов;

• серия Б (модифицированная): системы, в которые введены дополнительные переменные, указывающие на применяемый стандарт учёта.

Применялись следующие алгоритмы: усиленное градиентное дерево решений (XGBoost), ансамбль случайных лесов (Random Forest), многоуровневые нейронные сети. Качество систем оценивалось через стандартные метрики: среднеквадратическая ошибка (RMSE), средняя абсолютная ошибка (MAE), коэффициент детерминации

Этап 3: Анализ устойчивости.

Была проведена оценка того, как системы ведут себя при изменении доли информации, подготовленной по разным стандартам, в наборе данных для обучения.

Анализ выявил следующие различия в отчётности по двум стандартам (таблица 1).

Таблица 1 - Масштаб расхождений между МСФО и РСБУ

№ п/п	Показатель	Среднее отклонение МСФО от РСБУ	Стандартное отклонение	Медиана
	Внеоборотные активы	+26,4%	18,7%	+23,1%
	Собственный капитал	+23,8%	16,3%	+21,5%
	Долгосрочные обязательства	+31,2%	24,5%	+27,8%
	Обязательства по аренде	+52,7%	38,4%	+48,3%
	Резервы (банки)	+41,3%	29,6%	+38,7%
	Выручка	+6,8%	12,4%	+4,2%
	Чистая прибыль	+18,5%	22,1%	+14,7%

Наиболее значительные различия обнаружены в следующих областях:

• обязательствах по аренде (+52,7%) – вследствие различий в ставках дисконтирования и оценке сроков аренды;

• резервах банковского сектора (+41,3%) – результат фундаментального различия между подходом, основанным на произошедших убытках, и подходом, основанным на ожидаемых убытках;

• долгосрочных обязательствах (+31,2%) – вызвано различиями в классификации и способах оценки.

Наибольшие различия характерны для нефтегазового сектора (+34,2% по совокупным активам) и энергетики (+32,8%), что связано с тем, что эти компании часто переоценивают свои основные средства. Наименьшие различия наблюдаются в IT-компаниях (+12,7%), где доля материальных активов невелика.

Вопреки ожиданиям, введение новых государственных стандартов не привело к сокращению различий. За пять лет (2020-2024) среднее расхождение возросло с 18,4% до 22,7%, что может быть объяснено периодом переходного приспособления и расширением применения профессиональных оценок компаниями. Сравнение двух серий систем показало существенное влияние неоднородности методологий на результаты прогнозирования (таблица 2).

Таблица 2 - Воздействие на качество прогнозирующих систем.

№ п/п	Алгоритм RMSE / MAE	Серия А (без учёта стандартов) RMSE / MAE	Серия Б (с учётом стандартов) RMSE / MAE	Улучшение RMSE / MAE
	XGBoost	4,12% / 3,21%	2,74% / 2,08%	−33,5% / −35,2%
	Random Forest	4,47% / 3,58%	3,08% / 2,46%	−31,1% / −31,3%
	Neural Network	4,23% / 3,34%	2,89% / 2,21%	−31,7% / −33,8%

Системы второй серии показали явное преимущество в точности: ошибка RMSE снизилась на 31-34%, MAE – на 31-35%. Коэффициент вырос с диапазона 0,68-0,72 (серия первая) до 0,84-0,87 (серия вторая).

Разложение ошибок показало, что на различия в учётных методологиях приходится:

• 36% ошибок при прогнозировании возврата на собственный капитал;

• 42% при оценке кредитоспособности банков;

• 28% при предсказании вероятности неплатежей нефинансовых компаний.

Наиболее критичными ошибками оказались различия в учёте резервов (38% от общей ошибки), аренды (31%) и основных средств (24%).

Анализ временной стабильности показал, что системы первой серии теряют качество быстрее. При применении к информации, полученной через два года после обучения:

• Системы серии А: рост RMSE на 89%;

• Системы серии Б: рост RMSE на 34%.

Таким образом, игнорирование методологических различий приводит не только к снижению текущей точности, но и к тому, что системы хуже приспосабливаются к новым условиям.

Анализ результатов и практические выводы

Полученные данные подтверждают предположение о том, что неоднородность методологий в данных критически влияет на качество прогнозирующих систем. Интересно отметить, что формальное приближение стандартов не устранило практических различий, а в некоторых случаях даже их увеличило. Причина в том, что новые государственные стандарты, будучи основанными на общих принципах, а не на жёстких правилах, дают компаниям большую свободу в применении своих оценок.

Исследование в данной статье охватило только крупные компании, чьи акции торгуются на бирже, поэтому результаты могут не применяться к малым и средним предприятиям. Период наблюдения включил сложные годы (2020 и 2022-2024), что могло повлиять на характер различий. Работа сосредоточена только на прогнозировании финансовых показателей влияние на другие задачи (выявление мошенничества, управление портфелем активов) требует дополнительного изучения.

Заключение. Проведённое исследование количественно доказало, что неоднородность методологий в финансовых данных существенно снижает качество прогнозирующих систем. Когда компании и аналитики не учитывают различия между российской и международной системами учёта, это приводит к снижению точности прогнозов на 28-35% и более быстрой потере эффективности систем с течением времени.

Хотя формально российская система приблизилась к международной, на практике различия остаются значительными, особенно в таких областях, как учёт аренды, создание резервов и переоценка активов, где расхождения достигают 40-50%. Это создаёт серьёзную проблему для аналитических систем, которые используют автоматизированные алгоритмы.

Предложенный подход к приведению разнородной информации к единому виду позволяет заметно повысить качество и надёжность прогнозирующих систем. Дальнейшие исследования должны быть направлены на разработку автоматических инструментов для преобразования данных между стандартами и оценку влияния методологических различий на другие типы аналитических задач.

Список источников

1. McKinsey Global Institute. The state of AI in 2023: Generative AI's breakout year // McKinsey & Company. 2023. URL: https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai-in-2023-generative-AIs-breakout-year (дата обращения: 15.01.2025).

2. Банк России. Обзор ключевых показателей профессиональных участников рынка ценных бумаг. IV квартал 2023 года. М.: Банк России, 2024. 52 с.

3. Плотников В.С., Плотникова О.В. Концептуальные основы реформирования российской системы бухгалтерского учёта // Учет. Анализ. Аудит. 2021. Т. 8. № 6. С. 6-19. DOI: 10.26794/2408-9303-2021-8-6-6-19.

4. Дружиловская Т.Ю., Дружиловская Э.С. Сравнительный анализ правил МСФО (IFRS) 16 «Аренда» и ФСБУ 25/2018 «Бухгалтерский учет аренды» // Международный бухгалтерский учет. 2020. Т. 23. № 4 (466). С. 364-383. DOI: 10.24891/ia.23.4.364.

5. Ковалёв С.М., Житлухина О.Г. Применение машинного обучения для анализа финансовых данных: возможности и ограничения // Вестник Санкт-Петербургского университета. Экономика. 2022. Т. 38. № 2. С. 234-256. DOI: 10.21638/spbu05.2022.203.

6. Ендовицкий Д.А., Любушин Н.П., Бабичева Н.Э. Финансовый анализ в условиях цифровизации экономики: вызовы и перспективы // Экономический анализ: теория и практика. 2021. Т. 20. № 3. С. 424-446. DOI: 10.24891/ea.20.3.424.

Код для цитирования: Скопировать