Применение метода анализа среды функционирования для оценки эффективности цифровых технологий в снижении финансовых рисков горнодобывающих компаний

Горнодобывающая индустрия в России за последние несколько лет столкнулось с неопределённостью, вызванной: колебани‑ ями мировых цен на металлы; санкционны‑ ми ограничениями со стороны стран Запа‑ да; технологическими рисками; дефицитом профессиональных кадров; недоступность в «дешёвом» кредите и другими рисками, которые влияют на финансовое состояние индустрии в 2026 годом. При всех этих перечисленных условиях – цифровизация становится ключом к оптимизации расту‑ щих затрат компаний из рассматриваемой области, которая напрямую влияет на эко‑ номическое состояние России в наши дни. В связи трансформации экономике и вне‑ дрению новых технологий в бизнес – тра‑ диционные методы управления рисками перестали быть столь эффективны. В связи с этим, вопрос об использовании передо‑ вых цифровых технологий важен, так как Российская горнодобывающая индустрия не только снизит всевозможные риски пу‑ тём автоматизации процессов через техно‑ логии. Но и усилит свой цифровой суве‑ ренитет и независимость от зарубежного оборудования. Именно потому, автор пред‑ лагает использовать для внедрения в гор‑ нодобывающие компании России – модель DEA, при помощи которой будет описан алгоритм внедрения самой эффективной технологии для конкретной рассматривае‑ мой компании из отрасли.

Анализ среды функционирования – это непараметрический метод линейного про‑ граммирования, который необходим для осуществления оценки относительной эф‑ фективности единиц принятия решений при наличии нескольких входов и выходов. Ба‑ зовая модель была предложена А. Чарнсом, У. Купером и Э. Родсом [1], а её развитие позволило учитывать переменный эффект масштаба [2].

Далее в исследования были также раз‑ работаны модели, которые учитывали за‑ пасы по определенным входам и выходам [3], были собраны рекомендации по выбо‑ ру спецификации DEA‑модели [4], а также сведены направления, в рамках которых может применяться метод [5]. Благодаря этому DEA может использоваться не толь‑ ко для оценки подразделений или предпри‑ ятий, но и для сравнительного анализа про‑ ектов и технологий при условии корректно‑ го определения единиц принятия решений, входов и выходов.

Цель исследования – разработать DEA‑ ориентированный подход к выбору цифро‑ вых технологий, способных снизить сово‑ купное воздействие финансовых рисков на горнодобывающую компанию. В качестве единиц принятия решений рассматриваются альтернативные цифровые технологии, а ре‑ зультатом анализа должна стать обоснован‑ ная последовательность их внедрения.

Материалы и методы исследования

Для построения модели необходимо определить:

• •    единицы принятия решений (Decision Making Units, DMU);

• •    входные показатели (Inputs);

• •    выходные показатели (Outputs).

В предлагаемом подходе единицами принятия решений являются цифровые технологии. Выходы предполагают ожида‑ емое снижение определенных финансовых рисков, а входы остаточные значения дан‑ ных рисков уже после внедрения техноло‑ гии. Данная постановка ориентирует модель на то, чтобы минимизировать остаточный риски и максимизировать совокупный эф‑ фект цифрового решения.

Входо‑ориентированная постановка вы‑ брана так как управленческая задача фор‑ мулируется через сокращение сохраняюще‑ гося риска при заданном наборе цифровых решений. В модели, где наблюдается посто‑ янная отдала от масштаба предполагается, что имеется пропорциональная связь между входом и выходом, а в модели с переменной отдачей от масштаба позволяет отделить техническую эффективность от влияния масштаба проекта [1, 2]. Для пилотных вне‑ дрений целесообразно рассчитывать обе спецификации – совпадение результатов повышает устойчивость вывода, а различие показывает от чего зависит оценка – от мас‑ штаба или же от зрелости технологии.

Отметим, что еще до решения задачи показатели должны приведены к сопостави‑ мому виду – вход и выход задаются в каче‑ стве неотрицательных величин, измеряются за один период и относятся к одинаковому объекту оценки. Показатели, отражающие одно и то же свойство риска, не следует дублировать, поскольку это искусственно усиливает их влияние. Одновременно коли‑ чество входов и выходов должно быть со‑ размерно числу единиц принятия решений при избыточном наборе переменных значи‑ тельная часть объектов может формально оказаться эффективной, что снижает разли‑ чающую способность модели [4, 5].

На первом этапе выявляются риски, вли‑ яющие на финансовую устойчивость компа‑ нии, после чего выполняется их ранжиро‑ вание. Для перевода качественной оценки в количественную форму каждому уровню влияния присваивается вес. При использова‑ нии матриц риска необходимо учитывать их ограниченную разрешающую способность и субъективность категорий [6], поэтому окончательные веса должны подтверждать‑ ся данными компании или согласованной экспертной процедурой.

Информационной базой для определе‑ ния весов могут служить корпоративный реестр рисков, сведения о фактических потерях, отклонениях денежных потоков, простоях и нарушениях договорных обяза‑ тельств. Если статистических наблюдений недостаточно, используется экспертная оценка с едиными критериями вероятности и последствий (таблица 1). Полученные веса необходимо проверить в нескольких сцена‑ риях, последовательно изменяя их значения и фиксируя, меняется ли состав эффектив‑ ных технологий. Такая проверка особенно важна для матриц риска, поскольку воспри‑ ятие категорий и границ между ними может различаться у экспертов [6].

Таблица 1

Шкала весов для ранжирования финансовых рисков

Уровень риска	Степень влияния	Вес (wᵢ)
Риск 1	Доминирующий	10
Риск 2	Высокий	8
Риск 3	Средний	5
Риск 4	Средний	5
Прочие учитываемые риски	Низкий или средний	1–5

Примечание: составлено автором как при‑ мер шкалы; конкретные веса устанавливаются по результатам анализа рисков рассматривае‑ мой компании.

На втором этапе формируется перечень цифровых решений. В ресурсном и энерге‑ тическом секторах цифровая трансформа‑ ция связывается прежде всего с сокраще‑ нием операционных затрат, повышением прозрачности данных и улучшением управ‑ ляемости процессов [7].

После формирования перечня (в горно‑ добывающей промышленности значимую роль играют цифровые двойники, аналитика данных, Интернет вещей, сенсорные систе‑ мы и автоматизация [9, 10]. Обзоры Mining 4.0 также показывают необходимость ком‑ плексного внедрения цифровых и кибер‑ физических технологий [11], а сенсорный мониторинг позволяет получать данные о состоянии оборудования и производствен‑ ной среды в режиме, близком к реальному времени [12]) – был прописан возможный механизм воздействия выбранной из списка цифровой технологий конкретному риску.

Для иллюстрации рассмотрены четыре технологии: Интернет вещей (IoT), токени‑ зация активов, роботизированная автома‑ тизация процессов (RPA) и блокчейн. Их связь с финансовыми рисками представлена в таблице 2. RPA применяется для автома‑ тизации повторяющихся операций, контро‑ ля исполнения правил и уменьшения числа ручных ошибок в учёте и аудите [13, 14]. Блокчейн обеспечивает неизменяемость за‑ писей, прозрачность операций и снижение контрагентского риска в финансовых про‑ цессах [15]. Токенизация позволяет показать права на активы в цифровой форме, а также расширить возможность их обращения, но, конечно, при этом требует учета рисков [16].

Таблица 2

Соответствие цифровой технологии и направлений снижения риска

Финансовый риск	Цифровая технология	Возможный механизм воздействия
Риск ликвидности	Токенизация (циф‑ ровые финансовые активы)	Цифровое представление прав на активы может расширять круг потенциальных участников рынка и ускорять отдельные операции с активами.
Кредитный риск	Блокчейн	Неизменяемый распределённый реестр повышает прослеживае‑ мость записей о договорах, обеспечении и исполнении обязательств.
Валютный риск	RPA; Блокчейн	RPA может автоматизировать мониторинг курсов и выполнение регламентных операций; блокчейн упрощает сверку данных при трансграничных расчётах.
Риск снижения финансовой устойчивости	IoT; RPA; Блокчейн	IoT повышает оперативность данных о производстве и обору‑ довании, RPA снижает число ручных ошибок, а блокчейн уси‑ ливает прослеживаемость операций.
Операционный риск	IoT; RPA	Сенсорный мониторинг позволяет раньше выявлять отклоне‑ ния, а RPA стандартизирует повторяющиеся контрольные и расчётные процедуры.

Примечание: составлено автором на основе источников [11, 12, 14, 15].

Таблица 3

Балл / Оценка	Описание эффекта от внедренной технологии по воздействию на риск	Значения δᵢⱼ после нормирования
1	Крайне слабый или «нулевой» эффект (Данная рассматриваемая технология не влияет на данный рассматриваемый риск)	0,00 – 0,20
2	Низкий эффект (Рассматриваемая технология частично автоматизирует рутину и косвенно снижает негативное влияние риска)	0,21 – 0,40
3	Умеренный эффект (Рассматриваемая технология заметно снижает / устраняет ошибки из‑за человеческого фактора по выбранному риску и ускоряет процессы)	0,41‑ 0,60
4	Высокий эффект (Рассматриваемая технология устраняет целые классы ошибок, обеспечивает прозрачность данных и оказывает сильное воз‑ действие на негативный эффект рассматриваемого риска)	0,61‑0,80
5	Максимальный эффект (Рассматриваемая технология полностью исключает негативное воздействие рассматриваемого риска)	0,81‑1,00

Рекомендуемая балльная / оценочная шкала соответствия (δᵢⱼ)

Примечание: составлено автором как демонстрационный пример описания функции желатель‑ ности Харрингтона [8].

Иллюстративные коэффициенты снижения риска (δᵢⱼ)

Таблица 4

Технология (DMU)	Риск ликвидности	Кредитный риск	Операционный риск	Прочие риски
DMU₁ (IoT)	0,10	0,20	0,60	0,10
DMU₂ (Токенизация)	0,70	0,50	0,10	0,20
DMU₃ (RPA)	0,20	0,15	0,25	0,40
DMU₄ (Блокчейн)	0,30	0,60	0,15	0,30

Примечание: составлено автором как демонстрационный пример. Коэффициенты должны быть уточнены с участием отраслевых и финансовых экспертов.

На следующем этапе каждой технологии присваивается определенный коэффициент снижения риска δᵢⱼ в диапазоне от 0 до 1, где 0 – отсутствие ожидаемого эффекта, а 1 – максимально возможное снижение соответ‑ ствующего риска. Рекомендуемая бальная шкала соответствия в таблице 3 перетекает в значения таблицы 4 являются иллюстра‑ тивными экспертными оценками и не за‑ меняют эмпирическую проверку на данных конкретной компании.

Для формализации качественных экс‑ пертных суждений о степени снижения не‑ гативного воздействие рассматриваемого риска путём внедрения рассматриваемых технологий (DMU) – автором был предло‑ жен метод линейного интервального нор‑ мирования для процедуры перевода каче‑ ственных суждений в нормированные коли‑ чественные коэффициенты представленные в таблицы 3 в диапазоне [0,00 – 1,00]. В ос‑ нову построения шкалы положен классиче‑ ский метод суммарных оценок Р. Лайкерта [17] и методология экспертных оценок в тру‑ дах А. И. Орлова [18]. Формула:

A-B ij   C-B где A – балл /оценка, которая выстелена экс‑ пертом (от 1 до 5 баллов);

B = 1 – это минимальный возможный бал/оценка;

C = 5 – это максимальный возмож‑ ный бал.

Поскольку математическое ожидание экспертного балла/ оценки может прини‑ мать дробные значения – то непрерывное множество функций было разбито на пять равных интервалов с шагом 0,20.

Итоговый коэффициент δᵢⱼ рассчитыва‑ ется как среднее арифметическое оценок всей группы экспертов (результат агрегиро‑ вания). Расчёт по формуле:

N

Sj=N S«# (k)

N k = 1

где N – количество привлечённых экспертов;

δij(k) – нормированная оценка k‑го экс‑ перта для i‑й технологии по j‑му риску.

Полученные значения – это результат агрегирования оценок группы экспертов. В таблице 4 приведен пример демонстраци‑ онный пример, как может итоговый коэффи‑ циент δᵢⱼ по каждой технологии в результате агрегирования n‑ого количества экспертов.

Разберём данную таблицу 4 на конкрет‑ ных примерах:

• •    DMU₁ (IoT, Интернет вещей) – данная технология базируется на физических дат‑ чиках или оборудовании. Собирает данные в режиме реального времени. Как можно увидеть, максимальный фокус наблюдается именно на Операционном риске (δ = 0,60), так как сенсорный мониторинг позво‑ ляет раньше выявлять отклонения. Если описывать практическое применение IoT по исследованию McKinsey – снижает за‑ траты и обслуживание вероятности аварий в промежутке от 20‑30%. Однако на Риск ликвидности (δ = 0,10) данная техноло‑ гия имеет минимальное влияние, так как не предназначена для управления денеж‑ ными потоками.

• •    DMU₂ (Токенизация (ЦФА)) – данная технология направлена на трансформацию («оцифровку») активов в цифровые токены для последующей покупке/продали и рас‑ чётов. В связи с этим, влияние на Риск лик‑ видности будет максимальное (δ = 0,70) так как токены (ЦФА) расширяют круг участ‑ ников рынка и ускоряют операции. Соглас‑ но отчётом BCG и инвестбанков – токениза‑ ция неликвидных активов (недвижимость, права требования, искусство и так далее) дробными долями ускоряет, повышает их оборачиваемость. Также наблюдается вы‑ сокая эффективность при снижении Кре‑ дитного риска (δ = 0,50), так как постав‑ ка через смарт контракты исключает того, что одна из сторон либо просрочит оплату, либо вовсе не выполнит условия заклю‑ ченной сделки. Помимо этого, при покуп‑ ке/продажи токенов на площадке – могут быть заключены более гибкие условия, не‑

жели при кредитовании при высокой став‑ ке. А также, при покупке/продаже токенов транзакции ниже.

Таким образом, при переходе от демон‑ страционной матрицы к осуществлению расчетов по данным компании в рамках каж‑ дой технологии необходимо осуществить определение базового, а также последую‑ щего периода наблюдения. При этом, пока‑ затель «до» внедрения и «после» внедрения должен быть рассчитан по определенной единой методике, а те изменения, которые были вызваны ценовой конъюнктурой, се‑ зонностью или разовым событием, важно отделить от эффекта цифрового проекта. Пропуск, выброс и различие в единицах из‑ мерения должен быть устранен до процес‑ са формирования входной матрицы. Если используются денежные показатели за не‑ сколько лет, они приводятся к сопостави‑ мым ценам.

Сопоставимость единиц принятия ре‑ шений означает, что технологии оценива‑ ются в рамках одной управленческой задачи и на близкой стадии жизненного цикла. Не‑ корректно напрямую сравнивать небольшой пилот и полностью развернутую систему без учёта различий в объёме инвестиций, сроке эксплуатации и охвате процессов. При на‑ личии соответствующих данных стоимость внедрения, продолжительность проекта и потребность в персонале могут быть до‑ бавлены как входы. В настоящей постановке используются остаточные риски, поскольку задача состоит в демонстрации логики моде‑ ли, а не в получении числового рейтинга без данных конкретной компании.

Результаты исследования и их обсуждение

Для каждой технологии j взвешенное снижение риска и остаточный риск опреде‑ ляются следующим образом:

Y wW = E wA;

i

X W = E ^wi ( 1 - j

i где wᵢ – вес i‑го риска; δᵢⱼ – коэффициент снижения i‑го риска при применении техно‑ логии j; Yjw – взвешенное снижение риска; Xjw – остаточный взвешенный риск.

В упрощённой форме отношение Yjw / Xjw показывает, насколько ожидаемый эф‑ фект сопоставим с сохраняющимся риском.

Однако полноценная DEA‑оценка требует решения задачи линейного программирова‑ ния, в которой веса входов и выходов опре‑ деляются эндогенно для каждой единицы принятия решений при общем ограничении эффективности остальных DMU:

∑ vryrj maxEj = r .

ux i ij

i

Ограничения модели имеют вид:

∑ v_ry_rk r ∑ u_ix_ik

i

≤ 1, k = 1,…,n; u_i,v_r ≥ ε .

В данной постановке yᵣⱼ отражает сни‑ жение r‑го риска, xᵢⱼ – остаточный i‑й риск, vᵣ и uᵢ – оптимизируемые веса, а ε – малое положительное число. Данная запись схожа с базовой логикой DEA [1–3]. При этом вы‑ бор спецификации модели и системы огра‑ ничений обоснован в работах [4, 5].

Значение эффективности, которое равно единицы может значить что техно‑ логия находится на границе эффективно‑ сти в рамках данной выборки, но при этом не доказывает ее абсолютного превосход‑ ства. Отметим также, что для неэффектив‑ ной единицы модель способствует форми‑ рованию ориентира одной или нескольких технологий. Именно сопоставление с та‑ ким ориентиром способно показать – какое сокращение входов или увеличение выхо‑ дов нужно для достижения границы. Нену‑ левые резервы по отдельным показателям дополнительно указывают, по каким видам риска сохраняется недоиспользованный по‑ тенциал улучшения [1, 3].

Результат может зависеть от ориен‑ тации модели, предположения об отдаче, от масштаба и от состава переменных. Та‑ ким образом, итоговый расчет должен со‑ держать, как минимум, сравнение входо‑ и выходо‑ориентированной постановок, или обоснование выбора одной из них, и, конечно, проверку моделей с постоянной и переменной отдачей от масштаба. Здесь важно заметить, что отдельно осуществля‑ ется оценка устойчивости к исключению одного показателя и к изменению эксперт‑ ных коэффициентов. Такой порядок позво‑ ляет отличить стабильный управленческий вывод от результата, обусловленного кон‑ кретной спецификацией [2, 4].

Иллюстративная матрица показывает – отдельные технологии имеют разные про‑ фили воздействия – IoT связан с операци‑ онным контролем, токенизация – с лик‑ видностью, блокчейн – с прозрачностью и кредитными отношениями, RPA – с ав‑ томатизацией финансовых и контрольных процедур. Поэтому выбор только по одно‑ му риску может привести к иной последо‑ вательности внедрения, чем оценка сово‑ купного эффекта.

Разница в профиле технологий способ‑ ствует тому, что их можно рассматривать как последовательные элементы цифровой программы. Сенсорные системы и интер‑ нет вещей осуществляют процесс форми‑ рования первичных данных о том, в каком состоянии находится оборудование и про‑ изводственная среда [9, 12]. RPA исполь‑ зует данные для выполнения процедур, ко‑ торые повторяются, а также для контроля правил [13, 14]. Блокчейн может быть при‑ менен там, где важна подтверждаемая исто‑ рия операций и согласование записей [15], при этом токенизация связана с цифровым представлением прав на активы и зависит от правового режима [16].

С учетом такой связи порядок внедрения должен учитывать технологическую готов‑ ность организации – сначала должно быть обеспечено качество данных, единые спра‑ вочники и устойчивый сбор показателей, а уже потом осуществляется автоматизация процессов и контрольных процедур. Реше‑ ния важно оценивать после того как опреде‑ лены участники, права доступа, юридически значимые события и требования к защите информации [7, 10, 11].

Применение модели предполагает сбор данных о рисках, которые были до и после пилотного внедрения; проверка сопоста‑ вимости технологий; анализ устойчивости результатов. При малом количестве DMU и большом числе входов и выходов дискри‑ минирующая способность DEA снижается, поэтому часть показателей целесообраз‑ но агрегировать либо расширять выбор‑ ку проектов.

Для того, чтобы проверить модель важно сопоставить расчетную эффективность с ее фактическими изменениями именно после пилотного проекта, и проверка предпола‑ гает повторный расчет на ином временном интервале, обсуждение результатов со спе‑ циалистами и анализ причин расхождений. Метод показывает относительное поло‑ жение технологии по выбранным входам и выходам. Поэтому окончательное решение должно объединять DEA‑оценку с финансо‑ вым анализом и оценкой кибернетических, правовых и организационных ограничений.

Некоторым ограничением данного примера является малое число единиц принятия решений, а также использо‑ вание иллюстративных коэффициентов. При четырех технологиях расширение перечня рисков достаточно быстро спо‑ собно снизить различающую способность модели. Далее в выборку важно увели‑ чивать посредством отдельных проектов, или вариантов внедрения, при этом коэф‑ фициенты надо заменить наблюдаемыми показателями. При этом дополнительно можно учитывать инвестиционные затра‑ ты, длительность внедрения, надежность данных. До получения такой информации корректным результатом статьи является методическая схема расчёта, а не числовое ранжирование технологий.

Заключение

Таким образом, рассмотренный и пред‑ ложенный подход позволяет установить связь между выбором цифровых технологий и задачами снижения финансовых рисков. Технология рассматривается как единица принятия решения, взвешенное снижение риска является результатом, а остаточный риск является используемым входом. Пере‑ численное создает основу для того, чтобы сопоставить альтернативы при ограничен‑ ности инвестиционных ресурсов, посколь‑ ку представленные коэффициенты, по своей природе, носят скорее демонстрационный характер. При этом, для получения финаль‑ ного рейтинга важно получить данные опре‑ деленной компании, экспертную процедуру, а также решение полной DEA‑задачи. По‑ сле данной проверки модель может быть использована в качестве инструмента для формирования последовательности пилот‑ ных проектов, а также оценки фактического экономического эффекта.

Исходя из всего сказанного, чётко под‑ тверждается тот факт, что описанное ис‑ пользование автором метода DEA должно работать таким образом, что потенциальный эффект от внедрённой цифровой технологии или группы технологий должен быть такое, что чем больше будет этот эффект, распро‑ страняющийся на все наиболее весомые (до‑ минирующие и высокие) выявленные риски (в данном случае наиболее существенными были продемонстрированы именно финан‑ совые риски) – тем лучше.

Для определения выхода в модели DEA важно осуществить оценку того, насколько каждая из технологий цифровизации, кото‑ рая была выбрана по определенной выбор‑ ке может снижать совокупный риск со всех отдельно рассматриваемых финансовых рисков.