АЛГОРИТМ ОПТИМИЗАЦИИ ДЕНЕЖНЫХ ПОТОКОВ ИНВЕСТИЦИОННО-СТРОИТЕЛЬНОГО ПРОЕКТА В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ НА ОСНОВЕ МАШИННОГО ОБУЧЕНИЯ

EDN: OOFPKQ

DOI: https://doi.org/10.65891/2949-1983-2026-22-2-22-28

Авторы:

ЗИНЕВИЧ Николай Николаевич, КЛОК Роман Григорьевич

Аффиляция:

Образовательное учреждение профсоюзов высшего образования "Академия труда и социальных отношений" (ОУП ВО "АТиСО")

Аннотация.

В статье представлен авторский алгоритм оптимизации денежных потоков инвестиционно-строительного проекта, функционирующий в условиях неопределенности внешней и внутренней среды. Актуальность обусловлена высокой волатильностью цен на кабельно-проводниковую продукцию и электрощитовое оборудование (до ±60 % за квартал в 2022–2024 гг.), сбоями глобальных цепочек поставок импортных компонентов, ужесточением денежно-кредитной политики и необходимостью снижения кассовых разрывов, которые в среднем по отрасли электромонтажа достигают 10–15 % бюджета проекта. Научная новизна заключается в интеграции трех методов: машинное обучение (градиентный бустинг LightGBM и LSTM-сети) для прогнозирования стоимости кабеля, металлоконструкций и курсов валют; имитационное моделирование Монте-Карло (10 000 итераций) для оценки вероятностных распределений кассовых разрывов; генетический алгоритм оптимизации (популяция 200 особей, 50 поколений) для поиска субоптимального графика платежей. Апробация проведена на реальных данных ООО «Комплексные системные проекты» (специализация − электромонтажные работы для объектов промышленности и инфраструктуры) по проекту электроснабжения технопарка (18 месяцев, 1 450 транзакций, 53 контрагента, 12 видов ресурсов). Результаты: сокращение частоты кассовых разрывов с 33,3 % до 13,9 % недель (−19,4 п.п.), снижение потребности в краткосрочном заемном финансировании на 27%, уменьшение валютного риска (CVaR) на 35 %, экономический эффект 2,12 млн руб. за 4 тестовых месяца. Предложенный алгоритм может быть внедрен в корпоративные финансовые ERP-системы электромонтажных организаций.

Ключевые слова:

денежные потоки, инвестиционно-строительный проект, электромонтажные работы, неопределенность, машинное обучение, оптимизация, кассовые разрывы, градиентный бустинг, LSTM, симуляция Монте-Карло, генетический алгоритм, кабельная продукция, валютный риск

Список литературы:

1. Ильченко А.Н. Управление денежными потоками в строительных подрядных организациях: специфика электромонтажа // Экономика строительства. 2022. № 3. С. 45–52.
2. Минстрой РФ. Мониторинг цен на кабельно-проводниковую продукцию. 2022–2024. URL: https://minstroyrf.gov.ru (дата обращения: 15.03.2026).
3. Ассоциация «Росэлектромонтаж». Аналитический отчет «Импортозамещение в электротехнической отрасли». М., 2023. 112 с.
4. Центральный банк РФ. Доклад о денежно-кредитной политике. 2023. № 4. С. 22–35.
5. Национальное объединение строителей (НОСТРОЙ). Аналитический отчет «Финансовые риски в строительстве: сектор электромонтажа». М., 2023. 94 с.
6. Смирнов К.О. Управление денежными потоками подрядной организации: от статики к динамике // Корпоративные финансы. 2022. Т. 16. № 4. С. 33–47.
7. Малышев Е.А. Валютные риски при закупке импортного электрооборудования: методы оценки и хеджирования // Риск-менеджмент в строительстве. 2024. № 1. С. 21–29.
8. Никитина Т.С., Фролов Д.И. Бюджетирование электромонтажных проектов: современные подходы // Логистика сегодня. 2021. № 5. С. 40–48.
9. Ильченко А.Н. Адаптация модели Баумоля-Тобина для подрядных организаций в строительстве // Финансовый менеджмент. 2022. № 6. С. 55–63.
10. Федотов Д.В. Бюджетирование инвестиционно-строительных проектов в условиях санкционных рисков: сценарный подход для подрядчиков // Финансы и кредит. 2023. Т. 29. № 2. С. 112–127.
11. Gatti S. Project Finance in Theory and Practice: Designing, Structuring, and Financing Private and Public Projects. 4th ed. Academic Press, 2021. 498 p.
12. Smith J., Petrova M. Cash Flow at Risk (CFaR) in construction subcontracting: A Monte Carlo approach // Journal of Construction Engineering and Management. Vol. 148. No. 7. P. 04022045.
13. Lee D., Kim S., Park J. Gradient boosting for industrial metal price forecasting (copper, aluminum) and implications for cable procurement // Automation in Construction. Vol. 146. P. 104689.
14. Чжан Х., Кузнецов С.В., Петрова Е.А. Прогнозирование стоимости кабельно-проводниковой продукции с использованием ансамблевых методов машинного обучения на российском рынке // Прикладная эконометрика. 2024. № 1. С. 78–95.
15. Козырев А.В., Титов В.А. Генетические алгоритмы в задачах календарно-финансового планирования промышленных предприятий (на примере электромонтажных производств) // Бизнес-информатика. 2023. № 2. С. 55–69.
16. Williams R., Thompson L. A hybrid genetic algorithm-Monte Carlo framework for dynamic cash flow optimization in large-scale industrial projects // European Journal of Operational Research. Vol. 305. No. 2. P. 612–626.
17. Hochreiter S., Schmidhuber J. Long Short-Term Memory // Neural Computation. Vol. 9. No. 8. P. 1735–1780. (цит. по переизданию 2019).
18. Chen Y., Wang H. A hybrid ML-Monte Carlo framework for project financing under extreme uncertainty in commodity markets // International Review of Financial Analysis. Vol. 91. P. 103001.
19. Орлов П.А. Имитационное моделирование Монте-Карло при оценке инвестиционных проектов в электромонтаже: выбор числа итераций // Инвестиционный анализ. 2023. № 6. С. 18–27.
20. Mnih V., Badia A.P., Mirza M. et al. Asynchronous methods for deep reinforcement learning for dynamic financial control // Proceedings of the 33rd International Conference on Machine Learning. P. 1928–1937. (цит. по переизданию 2021).
21. Семенов В.Н. Практика применения машинного обучения в финансовом контроллинге электромонтажных организаций с учетом ESG-факторов (углеродный след кабельной продукции) // Управленческий учет. 2024. № 2. С. 105–113.