2025. — Т 17. — № s6 - перейти к содержанию номера...

Постоянный адрес этой страницы - https://esj.today/66favn625.html

Полный текст статьи в формате PDF (объем файла: 545.5 Кбайт)

Ссылка для цитирования этой статьи:

Федосеева, К. В. Современные информационно-аналитические системы проверки деловых партнеров в металлургии и их уязвимости / К. В. Федосеева // Вестник Евразийской науки. — 2025. — Т 17. — № s6. — URL: https://esj.today/PDF/66FAVN625.pdf (дата обращения: 26.07.2026).

Современные информационно-аналитические системы проверки деловых партнеров в металлургии и их уязвимости

Федосеева Карина Витальевна
ФГОБУ ВО «Финансовый университет при Правительстве Российской Федерации», Москва, Россия
E-mail: karina_fedoseeva.2016@mail.ru

Научный руководитель: Капустина Надежда Валерьевна
ФГОБУ ВО «Финансовый университет при Правительстве Российской Федерации», Москва, Россия
Профессор кафедры «Логистики»
Доктор экономических наук, доцент
E-mail: nvkapustina@fa.ru

Аннотация. Данная научная статья является исследовательской (эмпирической). В современном мире, где экономика становится все более глобальной и цифровой, для металлургических компаний очень важно проверять надежность своих деловых партнеров, чтобы избежать проблем. В этой статье автор делает обзор на то, какие информационные системы используют российские металлурги для оценки тех, с кем работают, и выделяет их уязвимости. Автор анализирует как международные инструменты (например, Dun & Bradstreet, LexisNexis), так и российские (СПАРК, 1С: Контрагент, СБИС), и их использование в крупных компаниях, такие как Северсталь, ММК и Евраз. По итогам анализа автор пришел к выводу, что действующие системы не совершенны, так как обладают следующими уязвимостями: зависимость от сторонних технологий, ошибки в алгоритмах, разрозненность систем и недостаточно глубокий ESG-факторов. Для снижения рисков от этих уязвимостей автор предлагает создать Адаптивную интеллектуальную систему (АИС «Деловой партнер») для всесторонней проверки и наблюдения за партнерами. Эта система будет состоять из трех уровней: глубокий сбор данных из открытых источников, обработка информации с применением машинного обучения и модуль NLP на основе RuBERT для анализа репутации и рисков, связанных с экологией и социальной ответственностью. Предварительные результаты показывают, что внедрение этой системы позволит точнее прогнозировать риски (до 90 %), значительно ускорить проверки (на 79 %) и избежать больших убытков.

Ключевые слова: благонадежность контрагентов; информационно-аналитические системы; металлургия; управление рисками; машинное обучение; ESG-анализ; OSINT; кибербезопасность; комплаенс; дью-дилидженс

Скачать