Цифровой профиль как механизм развития экосистемы промышленных компаний

Введение, цель

Актуальность исследования заключается в проблематике формирования и внедрения цифровых профилей предприятий промышленной индустрии. Это определяется интенсивной цифровизацией российской экономики и переходом к новым моделям государственного регулирования, корпоративной отчетности и межведомственного информационного обмена [1–5]. Постановление Правительства Российской Федерации от 03.06.2019 № 710 [6], утвердившее эксперимент по повышению качества и связанности данных в государственных информационных ресурсах, положило начало созданию инфраструктуры цифрового профиля юридического лица – единого структурированного и верифицированного набора сведений о компании, агрегируемого из государственных реестров и корпоративных источников. К 2025 г. инфраструктура цифрового профиля организации уже интегрирована в более чем 40 государственных и коммерческих сервисов, однако ее распространение в промышленном секторе остается ограниченным из-за технологической, нормативной и организационной фрагментации [7].

Анализ научной литературы и нормативноправовой базы выявляет существенный исследовательский пробел: несмотря на активное развитие цифровой инфраструктуры, в научном сообществе отсутствует единое понимание термина «цифровой профиль организации», а существующие подходы к классификации цифровых профилей не учитывают отраслевую специфику промышленного сектора. Это затрудняет разработку дифференцированных мер государственной поддержки для отдельных компонентов промышленных экосистем.

Целью исследования является обоснование роли цифрового профиля как инструмента формирования цифровой экосистемы промышленных компаний, обеспечивающей структурированное взаимодействие с ключевыми заинтересованными сторонами – государством, инвесторами и регуляторами.

В исследовании данной проблематики вы-делается несколько ключевых направлений.

В отечественной литературе цифровой профиль рассматривается через призму корпоративной финансовой отчетности как структурированный набор финансовых и нефинансовых показателей, обеспечивающих прозрачность данных для внешних пользователей [1; 8]. Распространен также подход, ориентированный на изучение государственных цифровых платформ, в этом случае профиль рассматривается как механизм динамического предоставления верифицированных данных в распределенной цифровой среде на основе систем идентификации [2; 3]. В зарубежных исследованиях цифровой профиль организации рассматривается преимущественно в контексте управления качеством данных. В условиях больших данных полнота, достоверность и согласованность корпоративных данных становятся ключевыми факторами конкурентоспособности [8], сам профиль – структурированным массивом данных, соответствующим определенному уровню зрелости процессов управления [9]. В капиталоемких отраслях, включая промышленность, данный аспект приобретает особое значение ввиду высокой сложности технологических процессов и объема генерируемых данных [4; 10; 11]. Принципиально важным для разграничения является понятие цифрового двойника – динамической модели физического объекта для мониторинга и прогнозирования [10], в отличие от которого цифровой профиль характеризует юридическое лицо как участника экономических и правовых отношений.

Отдельного внимания заслуживает направление, связывающее цифровые профили с ESG- и ЭКГ-оценкой компаний. Зарубежные авторы показывают, что структурированные данные о компании позволяют автоматизировать присвоение ESG-типов с использованием методов машинного обучения [12], а в российском контексте проводится сравнительный анализ ESG-стратегий и ЭКГ-рейтинга, фиксирующий их концептуальные различия [12; 13]. Теоретическим основанием для анализа взаимодействия цифрового профиля с заинтересованными сторонами служит теория стейкхолдеров, в рамках которой устойчивое развитие компании рассматривается как результат сбалансированного учета интересов государства, инвесторов, регуляторов и контрагентов [14].

Вместе с тем в существующих исследованиях практически отсутствуют работы, предлагающие системную классификацию цифровых профилей именно для промышленного сектора с учетом уровня зрелости данных. Большинство известных моделей зрелости управления данными (DMMA, DCAM, DCMM и др.) создавались как универсальные инструменты для организаций различных отраслей и ориентированы преимущественно на повышение качества данных, совершенствование внутренних процессов управления и развитие корпоративной аналитики. При этом они не учитывают особенности промышленных предприятий, связанные с высокой капиталоемкостью производства, наличием сложных технологических цепочек, использованием промышленных информационных систем и необходимостью интеграции производственных, финансовых и регуляторных данных. Кроме того, данные модели были разработаны вне российского институционального пространства и не отражают требования отечественного нормативного регулирования, включая развитие инфраструктуры цифрового профиля юридического лица, реализацию национального проекта «Экономика данных» и использование ЭКГ-рейтинга как инструмента государственной оценки ответственного бизнеса. Указанные обстоятельства обусловливают необходимость разработки специализированных подходов к оценке и классификации цифровых профилей промышленных компаний в российском регуляторном контексте [9].

Методы исследования

Исследование реализовано в три последовательных этапа. На первом этапе проведен систематический обзор литературы (Systematic Literature Review – SLR), позволяющий обеспечить воспроизводимость и прозрачность процедуры отбора источников, что особенно важно в условиях терминологической неоднородности исследуемой области. Поиск публикаций осуществлялся в базах данных Scopus, Web of Science, eLibrary/РИНЦ и ScienceDirect за период 2019–2025 гг. Нижняя граница периода обусловлена датой принятия

Табл. 1. Критерии включения и исключения источников

Table. 1. Criteria for inclusion and exclusion of sources

Критерий	Включение	Исключение
Тема + область исследования	Цифровые профили юридических лиц, управление качеством данных, ЭКГ/ESG-рейтинги, цифровизация промышленных компаний	Цифровые профили физических лиц, цифровые двойники, смежные темы без прямой связи с объектом исследования
Язык	Русский, английский, французский	Иные языки
Тип публикации	Рецензируемые статьи в научных журналах	Тезисы конференций, препринты, материалы без рецензирования
Качество издания	Q1–Q2 (Scopus/WoS); К1–К2 (ВАК)	Ниже Q2/К2
Период	2019–2025	До 2019 г.
Доступность	Полный текст доступен	Ограниченный доступ

Источник: составлено авторами по собственным материалам.

Source: made by the authors based on their own materials.

Постановления Правительства РФ № 710, положившего начало институционализации цифрового профиля юридического лица в России. Поиск проводился на русском и английском языках по ключевым словам: цифровой профиль организации/digital profile of organization, барьеры цифровизации/digitalization barriers, качество данных/data quality, зрелость данных/ data maturity, ЭКГ-рейтинг, промышленный сектор/industrial sector, нормативное регулирование цифровой экономики/digital economy regulation. Отбор источников осуществлялся по критериям, указанным в табл. 1.

Представленные критерии обеспечивают воспроизводимость процедуры отбора и позволяют разграничить источники, непосредственно посвященные цифровым профилям юридических лиц, от смежных публикаций о цифровых профилях физических лиц и цифровых двойниках, которые нередко смешиваются с предметом настоящего исследования в научной литературе.

На втором этапе настоящей работы применялся сравнительный анализ понятийного аппарата: определения цифрового профиля организации, представленные в отечественных, зарубежных и нормативных источниках, сопоставлялись по ключевым признакам: объекту описания, целевому назначению, субъекту верификации данных и правовому статусу. Представленный метод позволил устранить терминологическую неопределенность.

На третьем этапе использовался структурнологический синтез: на основании систематизированных в литературе моделей зрелости управления данными (Data Governance Maturity Models) и требований нормативной базы к интеграции информационных систем были выделены два классификационных критерия – уровень зрелости данных и степень интеграции, которые позволили образовать матрицу из четырех типов цифрового профиля. Каждый тип охарактеризован через набор параметров: структурированность данных, наличие внешней интеграции, степень автоматизации и готовность к ESG/ЭКГ-мониторингу. В рамках данного этапа также проведен сравнительный анализ ведущих международных и отечественных моделей зрелости управления данными с целью обоснования пороговых значений интегрального показателя.

Результаты и дискуссия

Проведенное исследование позволило получить результаты по следующим взаимосвязанным направлениям: уточнение понятийного аппарата, разработка типологии цифровых профилей, апробация типологии на материалах открытой отчетности промышленных компаний.

В рамках систематического обзора литературы были изучены и сопоставлены подходы к определению цифрового профиля организации, представленные в отечественных, зарубежных и нормативных источниках. Анализ

Табл. 2. Сравнительный анализ подходов к определению цифрового профиля организации

Tab. 2. Comparative analysis of approaches to determining the digital profile of an organization

Автор, год	Подход	Ключевые признаки	Специфика
Виноградова, Полякова, Минбалеев [15], 2021	Нормативноправовой (расширенный)	Совокупность актуальных и достоверных данных о физических и юридических лицах; формирование в государственных информационных системах (ЕСИА и др.); ориентация на предоставление данных по запросу через инфраструктуру цифрового профиля; учет механизма согласий субъектов данных	Фокус преимущественно на государственном контуре и правовом регулировании; недостаточная проработка вопросов интеграции корпоративных данных и уровня их зрелости
Рожнова, Сафонова [8], 2024	Корпоративная отчетность	Структурированный набор финансовых и нефинансовых показателей для внешних пользователей	Не учитывает юридическую значимость и верификацию данных
Локтионова, Янина [3], 2023	Государственные платформы	Механизм динамического предоставления данных на основе систем идентификации	Ориентирован преимущественно на физических лиц
Измайлова [1], 2024	ESG-повестка	Инструмент реализации цифровой экономики в ESG-контексте	Отсутствует операционализация структуры данных
Kurniawan, Ruldeviyani, Adrian, Handayani [9], 2019	Управление качеством данных	Массив данных, соответствующий уровню зрелости процессов управления	Не учитывает российский регуляторный контекст
Постановление Правительства РФ № 710 [6], 2019	Нормативный	Машиночитаемый набор данных из государственных реестров и корпоративных источников	Экспериментальный статус, нестабильность регулирования

Источник: составлено авторами по материалам [1; 3; 6; 8; 9; 15].

Source: made by the authors based on [1; 3; 6; 8; 9; 15].

показал, что в научном сообществе отсутствует единое устойчивое понимание данного термина: авторы опираются на различные целевые назначения понятия – от инструмента корпоративной отчетности до инфраструктурного механизма межведомственного обмена данными. Результаты сопоставления представлены в табл. 2.

С помощью синтеза представленных подходов сформулировано авторское определение: цифровой профиль компании – это структурированный набор данных о юридическом лице, формируемый и верифицируемый на основе сведений из государственных информационных ресурсов и официальных корпоративных информационных систем, обладающий юридической значимостью и предназначенный для автоматизированного предоставления государственных и коммерческих сервисов и поддержки управленческих и регуляторных решений. Принципиально важным является разграничение цифрового профиля и цифрового двойника, последний представляет собой динамическую модель физического объекта для симуляции и прогнозирования, тогда как цифровой профиль характеризует юридическое лицо как участника экономических и правовых отношений и не предполагает моделирования производственных процессов [10].

На следующем этапе исследования посредством структурно-логического синтеза теоретических подходов к моделям зрелости управления данными и требований нормативной базы к интеграции информационных систем разработана двухкритериальная типология цифровых профилей [9]. В качестве классификационных критериев выделены уровень зрелости данных – степень их структурированности, полноты, достоверности и согласованности, и степень интеграции, т. е. наличие и глубина связей с внешними государственными и коммерческими системами. Пересечение

Связанный (интегрированный)

Динамический (экосистемный)

Базовый (фундаментальный)

Стандартизированный (внутренний)

Уровень зрелости данных

Типология цифрового профиля компании Typology of the company’s digital profile

Источник: составлено авторами по материалам [6; 7; 9; 16; 17].

Source: made by the authors based on [6; 7; 9; 16; 17].

данных критериев образует матрицу из четырех типов, представленную на рисунке.

Базовый (фундаментальный) профиль характеризуется низким уровнем зрелости данных и отсутствием внешней интеграции: данные представлены в неструктурированном виде, процессы их сбора и хранения не стандартизированы.

Стандартизированный (внутренний) профиль предполагает высокий уровень зрелости данных при низкой степени внешней интеграции: компания располагает ERP-системами и стандартизированными внутренними данными, однако они не раскрываются во внешние сервисы в машиночитаемом формате.

Связанный (интегрированный) профиль отличается высокой степенью внешней интеграции при относительно невысокой зрелости данных: компания осуществляет автоматизированный обмен данными с внешними системами, однако их качество и полнота остаются недостаточными для ЭКГ-мониторинга.

Динамический (экосистемный) профиль представляет наиболее зрелую форму: высокая зрелость данных сочетается с глубокой интеграцией в государственные и коммерческие экосистемы, данные верифицированы, машиночитаемы и пригодны для автоматизированного ЭКГ-мониторинга.

Наибольший практический эффект проявляется при переходе организации к динами- ческому профилю. Развитый цифровой профиль создает для организации преимущества, выходящие за рамки участия в ЭКГ-рейтинге. Наличие структурированных и верифицированных данных способствует сокращению административных издержек при взаимодействии с государственными органами, ускоряет процедуры получения мер государственной поддержки и участия в государственных закупках, повышает прозрачность деятельности для инвесторов и кредитных организаций и снижает транзакционные издержки при взаимодействии с контрагентами. Кроме того, высокий уровень зрелости данных обеспечивает более качественную управленческую аналитику, повышает точность прогнозирования и способствует внедрению технологий искусственного интеллекта и предиктивного управления производственными процессами.

Вместе с тем достижение высокого уровня развития цифрового профиля сопровождается рядом рисков. Расширение интеграции с государственными и коммерческими информационными системами увеличивает потенциальную поверхность кибератак и повышает требования к информационной безопасности. Концентрация значительных объемов данных в едином цифровом контуре создает риски несанкционированного доступа, утечки конфиденциальной информации и нарушения коммерческой тайны. Дополнительными угрозами являются зависимость от внешней цифровой инфраструктуры и поставщиков программных решений и возможные репутационные и юридические последствия, связанные с распространением недостоверных или некорректно верифицированных данных. Поэтому развитие цифрового профиля должно сопровождаться совершенствованием механизмов защиты информации, управления доступом и контроля качества данных.

Обоснование параметров типологии и введение количественного инструмента оценки потребовали сравнительного анализа ведущих международных и отечественных моделей зрелости управления данными, результаты которого представлены в табл. 3.

Проведенный анализ позволяет сделать три ключевых вывода. Во-первых, все рассмотренные модели используют от пяти до восьми уровней зрелости, при этом граница между

«базовым» и «операционально устойчивым» состоянием во всех системах приходится на третий уровень из пяти. Во-вторых, методика Минпромторга (ГИСП), взятая за основу А. А. Афанасьевым [21; 22] – единственная из рассмотренных, разработанная непосредственно для промышленного сектора РФ и верифицированная на реальных предприятиях, – фиксирует, что значение индекса в диапазоне от 0 до 25 % соответствует единичной или отсутствующей автоматизации, от 25 до 60 % – частичной и средней автоматизации, 60 % и выше – зрелой автоматизации с развитием аналитических и прогностических функций.

В-третьих, методика ЦБ РФ [17] демонстрирует, что уровень зрелости управления данными менее двух из пяти соответствует состоянию, при котором организация еще не сформировала базовых элементов руководства

Табл. 3. Сравнительный анализ моделей зрелости управления данными

Tab. 3. Comparative analysis of data management maturity models

Наименование модели	Разработчик	Шкала	Контент	Релевантность задаче построения цифрового профиля
Data Management Maturity Assessment (DMMA) [18; 19]	KPMG’s Data Management Center [19]	5 уровней	11 направлений: архитектура, качество, безопасность, интеграция данных и др.	Широкий охват, но не адаптирована к регуляторному контексту РФ
Data Management Capability Assessment Model (DCAM v2) [18]	EDM Council [20]	6 уровней	7 направлений, акцент на финансовых институтах	Высокая детализация, ориентирована на внутренние процессы
Data Management Capability Maturity Model (DCMM) (GB/ T36073-2018) [16]	SAC (Китай) [16; 17]	5 уровней	8 направлений: стратегия, архитектура, безопасность, жизненный цикл данных	Учитывает государственный контекст, ближайший аналог для РФ
Методика ЦБ РФ [17]	Центральный Банк РФ [17]	5 уровней	8 направлений (30 вопросов): руководство данными, качество, интеграция, безопасность	Российский регуляторный контекст, верифицирована на участниках финансового рынка
Методика Минпромторга (ГИСП) [21; 22]	Минпромторг РФ	8 категорий (0–100 %)	Автоматизация основных, вспомогательных процессов и технологического развития	Разработана для промышленного сектора, обязательна для предприятий с 2023 г.
Индекс цифровой зрелости	Сформулирован Чурсиным и Кокуйцевой [23]	От 0 до 1 (нормированный)	Внутренняя и внешняя цифровая зрелость как два самостоятельных субиндекса	Структурная основа для двухкритериального интегрального показателя

Источник: составлено авторами по материалам [16–23].

Source: made by the authors based on [16–23].

данными, тогда как уровни 4 и 5 означают централизованное управление, измеримое повышение качества данных и готовность к интеграции во внешние экосистемы.

На основе синтеза указанных подходов введен интегральный показатель цифрового профиля (ИПЦП). Структурной основой послужила модель Чурсина и Кокуйцевой, предложивших рассчитывать индекс цифровой зрелости как взвешенную сумму субиндексов внутренней и внешней зрелости: R = α · Rвтр + + β · Rвш, где Rвтр – это внутренняя цифровая зрелость организации (анализ иерархий и сумма оценок экспертов) и Rвш – оценка субиндекса внешней цифровой зрелости (вектор внешней цифровой зрелости [23]. Применительно к специфике цифрового профиля организации внутренняя составляющая соответствует уровню зрелости данных (УЗД), а внешняя – степени интеграции с государственными и коммерческими информационными системами (ИИС):

ИПЦП = α · УЗД + β · ИИС, где УЗД – нормированный показатель уровня зрелости данных (от 0 до 1), отражающий степень их структурированности, полноты, достоверности и согласованности; ИИС – нормированный показатель степени интеграции (от 0 до 1); α и β – весовые коэффициенты, при равнозначности критериев α = β = 0,5, сумма α + β = 1.

Интерпретация значений формулы ИПЦП в разрезе четырех типов цифрового профиля основана на трех методологических ориентирах. Первый – пятиуровневая шкала методики ЦБ РФ, в которой границы между базовым, развивающимся и зрелым состоянием систем управления данными приходятся на значения 0,20; 0,40 и 0,60 от максимума. Второй – восьмикатегорийная шкала Минпромторга [21; 22], где граница между категориями «малая» и «средняя» цифровизация находится на уровне 45 %, а граница зрелой автоматизации – на уровне 60 %, что в нормированной шкале соответствует значениям 0,45 и 0,60. Третий ориентир – структура DCMM, в которой третий уровень («достаточный») означает наличие стандартизированных процессов управления, что соответствует переходу от базового к стандартизированному профилю. Совмещение трех шкал дает следующую интерпретационную сетку: значение формулы ИПЦП от 0 до 0,40 соответствует базовому профилю; от 0,41 до 0,60 – стандартизированному или связанному, от 0,61 до 1,0 – динамическому. Представленная формула носит инструментальный характер и требует эмпирической апробации на репрезентативной выборке промышленных предприятий для уточнения весовых коэффициентов и пороговых значений.

Составленная типология показала, что переходы между типами профилей носят эволюционный характер и требуют достижения пороговых значений по обоим критериям. Переход от базового к стандартизированному профилю предполагает достижение уровня зрелости данных не ниже третьего уровня по шкале DCAM, что на практике означает внедрение инструментов контроля качества данных (DQ-инструменты – Data Quality tools), стандартизацию форматов хранения и введение регламентов управления данными [9]. Переход от стандартизированного к динамическому профилю дополнительно требует обеспечения технической интеграции с государственными сервисами через программный интерфейс (API) Федеральной налоговой службы (ФНС) и Единую систему идентификации и аутентификации (ЕСИА) и перехода к машиночитаемым форматам в соответствии с требованиями нацпроекта «Экономика данных» [7].

Для верификации предложенной типологии проведен анализ открытых данных четырех крупных российских промышленных компаний – ПАО «Газпром Нефть», ПАО «ЕВРАЗ», ПАО «НК “Роснефть” и ПАО «НОВАТЭК», отобранных по критериям принадлежности к капиталоемким отраслям промышленного сектора и наличия публичной нефинансовой отчетности в открытом доступе – на основе годовых отчетов и отчетов об устойчивом развитии за 2024 г. (отчеты за 2025 г. еще не были опубликованы в открытом доступе). Данные компании выбраны в качестве объекта исследования в связи с их широкой диверсификацией и активным применением цифровых технологий, что позволяет рассматривать их с позиции экосистемного подхода. Анализ показал, что все четыре предприятия соответствуют критериям стандартизированного профиля: компании располагают собственными цифровыми платформами и внедренными ERP-системами, обеспечивающими стандартизацию внутренних данных и оптимизацию информационно-технологической инфраструктуры. Вместе с тем ни одна из рассмотренных компаний не демонстрирует признаков связанного или динамического профиля: в открытых источниках отсутствуют сведения об интеграции корпоративных данных с внешними государственными сервисами, и данные не раскрываются в машиночитаемом виде. Это свидетельствует о том, что цифровые решения указанных предприятий ориентированы преимущественно на внутреннюю операционную эффективность и не обеспечивают готовности к автоматизированному ЭКГ-мониторингу. Полученные результаты согласуются с данными о цифровой зрелости российских промышленных предприятий [24; 25].

Предложенная типология отличается от существующих подходов рядом принципиальных особенностей. Модели зрелости данных, разработанные в зарубежной литературе [10], ориентированы на общекорпоративное управление данными и не учитывают специфику регуляторного взаимодействия промышленных предприятий с государством. Подходы, описанные в работах по инфраструктуре государственных платформ [4], рассматривают цифровой профиль преимущественно применительно к физическим лицам. В отличие от указанных подходов, предлагаемая типология интегрирует критерий внешней интеграции как самостоятельное измерение и напрямую связывает уровень профиля с готовностью к ЭКГ-мониторингу, что делает ее применимой в российском регуляторном контексте. Отметим, что при разработке цифровых профилей необходимо разграничить концепции ESG и ЭКГ, нередко отождествляемые в научной литературе. ESG-рейтинг представляет собой международную систему оценки нефинансовых показателей компании, ориентированную прежде всего на интересы иностранных инвесторов и глобальных рынков капитала. ЭКГ- рейтинг, закрепленный в ГОСТ Р 71198–2023, является российским аналогом, адаптированным к национальной системе регулирования и приоритетам государственной политики [26–28]. Ключевое отличие состоит в том, что ЭКГ-рейтинг предполагает верификацию данных через государственные информационные ресурсы, тогда как ESG-оценка основана преимущественно на декларативной корпоративной отчетности [13]. Цифровой профиль организации выступает инфраструктурной основой именно для ЭКГ-мониторинга, поскольку обеспечивает машиночитаемость и юридическую значимость данных, необходимых для автоматизированной оценки.

Заключение

Таким образом, цифровой профиль организации представляет собой не только технологический инструмент, но и стратегический механизм, обеспечивающий промышленным предприятиям готовность к функционированию в условиях цифровой экономики и автоматизированного ЭКГ-мониторинга, создавая условия для сбалансированного взаимодействия промышленных предприятий с государством, инвесторами и регуляторами. Разработанная двухкритериальная типология – базовый, стандартизированный, связанный и динамический профили – формирует методологическую основу для самодиагностики предприятий и дифференцированного подхода к управлению цифровой трансформацией. Введенный интегральный показатель цифрового профиля позволяет перевести качественные характеристики зрелости данных и степени интеграции в измеримые параметры стратегического планирования. Апробация типологии показала, что крупнейшие российские промышленные компании сосредоточены преимущественно на внутренней стандартизации данных, не достигают уровня внешней интеграции, необходимого для участия в государственных цифровых экосистемах. Преодоление этого разрыва требует как совершенствования нормативного регулирования, так и целенаправленных инвестиций в управление качеством данных. В перспективе предложенная типология может стать основой для разработки отраслевых дорожных карт цифровой трансформации и количественной оценки ее экономического эффекта.