Перейти до вмісту
Наукові вісті КПІ
ISSN 2617-5509 · e‑ISSN 2663-7472 Відкритий доступ · CC BY 4.0
Т. 142 · № 1 · 2026 бер 30, 2026 статті

МОДЕЛІ ДИНАМІЧНОЇ ЛОГІСТИЧНОЇ РЕГРЕСІЇ ДЛЯ ПРОГНОЗУВАННЯ РИЗИКУ БАНКРУТСТВА У БУДІВЕЛЬНІЙ ГАЛУЗІ УКРАЇНИ

ВР
Вадим Романюк Відповідальний Vinnytsia Institute of Trade and Economics of State University of Trade and Economics, Faculty of Economics, Management and Law, Department of Innovative Economics and Digital Technologies , Ukraine Україна
Опублікованобер 30, 2026
PDF
НВКПІ 1 ТОМ 142 · 1
ТОМ 142 · № 1 · 2026 Переглянути випуск

Анотація

Проблематика. Прогнозування фінансової неспроможності та банкрутства набуває дедалі більшої актуальності в умовах післявоєнного економічного відновлення та реструктуризації українських промислових галузей. Підприємства сектору виробництва будівельних матеріалів працюють в умовах високої невизначеності, де раннє виявлення ризику неплатоспроможності є критично важливим для підтримання фінансової стабільності. Логістичні регресійні моделі, широко застосовувані в екологічній та ризик-аналітиці, можуть бути адаптовані для відображення нелінійного переходу від платоспроможності до банкрутства як ймовірнісного процесу. Мета дослідження. Метою є розробити та оцінити статичні й динамічні логістичні регресійні моделі для прогнозування потенційного банкрутства репрезентативного українського виробника будівельних матеріалів. Динамічне розширення моделі спрямоване на врахування часової інерційності фінансових показників шляхом включення лагових предикторів. Методика реалізації. Згенеровано синтетичний помісячний набір даних (5 років, 60 спостережень), що імітує реалістичні фінансові коефіцієнти, зокрема ліквідність, левередж, рентабельність, ефективність та коефіцієнт покриття відсотків (платоспроможність). Оцінювання моделей виконано в MATLAB методом логістичної регресії максимальної правдоподібності з L2-регуляризацією (ридж-штрафом) для збереження корельованих предикторів. До динамічної моделі включено одноперіодні лаґи всіх фінансових коефіцієнтів і одноперіодний лаґ реакції. Прогнозну якість оцінено за точністю, прецизійністю, повнотою, F1-мірою та матрицею сплутувань. Результати дослідження. Статична логістична модель досягла середньої точності приблизно 89 %, але пропустила два, ризикові щодо банкрутства місяці, з шести. Динамічна модель підвищила точність до 94 %, не пропустивши жодного ризикового місяця, хоча й помилково класифікувала один неризиковий місяць як ризиковий. Знаки оцінених коефіцієнтів узгоджуються з економічною логікою: більший левередж підвищує ймовірність банкрутства, тоді як зростання ліквідності, рентабельності, ефективності та платоспроможності її знижує. Висновки. Динамічна логістична регресія з L2-регуляризацією забезпечує інтерпретовану й обчислювально ефективну основу для раннього прогнозування банкрутства українських промислових підприємств. Включення лагових фінансових індикаторів підвищує стабільність і своєчасність прогнозів, що робить модель придатною для практичних систем раннього попередження. Ключові слова: прогнозування банкрутства; логістична регресія; динамічне моделювання; фінансові коефіцієнти; L2-регуляризація; система раннього попередження; будівельний сектор України.

Ключові слова

#прогнозування банкрутства #логістична регресія #динамічне моделювання #фінансові коефіцієнти #L2-регуляризація #система раннього попередження #будівельний сектор України

Посилання

  1. P. du Jardin, “Bankruptcy prediction using terminal failure processes”, European Journal of Operational Research, 2015, vol. 242, iss. 1, pp. 286–303.
  2. Available: https://doi.org/10.1016/j.ejor.2014.09.059
  3. D. S. Nugroho and T. Dewayanto, “Application of statistics and artificial intelligence for corporate financial distress prediction models: a systematic literature review”, Journal of Modelling in Management, 2025, vol. 20, iss. 6, pp. 1999–2023.
  4. Available: https://doi.org/10.1108/JM2-12-2024-0412
  5. F. Fasano et al., “The dilemma of accuracy in bankruptcy prediction: a new approach using explainable AI techniques to predict corporate crises”, European Journal of Innovation Management, 2025, vol. 28, iss. 11, pp. 1–22.
  6. Available: https://doi.org/10.1108/EJIM-06-2024-0633
  7. E. Lyandres and A. Zhdanov, “Investment opportunities and bankruptcy prediction”, Journal of Financial Markets, 2013, vol. 16, iss. 3, pp. 439–476.
  8. Available: https://doi.org/10.1016/j.finmar.2012.10.003
  9. E. I. Altman, “Financial ratios, discriminant analysis and the prediction of corporate bankruptcy”. Journal of Finance, 1968, vol. 23, no. 4, pp. 589–609.
  10. Available: https://doi.org/10.2307/2978933
  11. J. A. Ohlson, “Financial Ratios and the Probabilistic Prediction of Bankruptcy”, Journal of Accounting Research, 1980, vol. 18, no. 1, pp. 109–131.
  12. Available: https://doi.org/10.2307/2490395
  13. M. Hesse and T. Loy, “Unlocking bankruptcy clues: A novel sentence-based machine learning approach”, International Journal of Accounting Information Systems, 2025, vol. 56, Art. no. 100751. Available: https://doi.org/10.1016/j.accinf.2025.100751
  14. X. Chen et al., “Multi-class financial distress prediction based on hybrid feature selection and improved stacking ensemble model”, Expert Systems with Applications, 2025, vol. 282, Art. no. 127832. Available: https://doi.org/10.1016/j.eswa.2025.127832
  15. D. W. Hosmer Jr. et al., Applied Logistic Regression, 3rd Edition, Wiley, 2013.
  16. Available: https://doi.org/10.1002/9781118548387
  17. D. G. Kleinbaum and M. Klein, Logistic Regression. A Self-Learning Text, Springer New York, NY, 2010. Available: https://doi.org/10.1007/978-1-4419-1742-3
  18. A. Magrini,“Bankruptcy risk prediction: A new approach based on compositional analysis of financial statements”, Big Data Research, 2025, vol. 41, Art. no. 100537.
  19. Available: https://doi.org/10.1016/j.bdr.2025.100537
  20. T. Hastie et al., The Elements of Statistical Learning, Springer Series in Statistics, Springer, New York, NY, 2009. Available: https://doi.org/10.1007/978-0-387-84858-7
  21. C. M. Bishop, Pattern Recognition and Machine Learning, Springer New York, NY, 2006.
  22. Available: https://link.springer.com/book/9780387310732
  23. K. P. Murphy, Machine Learning: A Probabilistic Perspective, The MIT Press, 2012.
  24. Available: https://mitpress.mit.edu/9780262018029/machine-learning/
  25. J. H. Friedman et al., “Regularization paths for generalized linear models via coordinate descent”, Journal of Statistical Software, 2010, vol. 33, iss. 1, pp. 1–22.
  26. Available: https://doi.org/10.18637/jss.v033.i01
  27. Tay et al., “Elastic net regularization paths for all generalized linear models”, Journal of Statistical Software, 2023, vol. 106, iss. 1, pp. 1–31.
  28. Available: https://doi.org/10.18637/jss.v106.i01
  29. M. Kuhn and K. Johnson, Applied Predictive Modeling, Springer New York, NY, 2013.
  30. Available: https://doi.org/10.1007/978-1-4614-6849-3
  31. G. James et al., An Introduction to Statistical Learning with Applications in Python, Springer Texts in Statistics, Springer Cham. Available: https://doi.org/10.1007/978-3-031-38747-0
  32. J.-P. Danthine et al., “Chapter 22 – Financial Equilibrium with Differential Information”, In: J.-P. Danthine, J. B. Donaldson, and S. Danthine (Eds.), Intermediate Financial Theory (Fourth Edition), Academic Press, 2025, pp. 641–657.
  33. Available: https://doi.org/10.1016/B978-0-443-28902-6.00022-1
  34. S. V. Merinova and V. V. Romanuke, “Perspectives of blockchain technology in business and management: advantages and challenges”, Systems and Technologies, 2025, vol. 69, no. 1, pp. 138–144. Available: https://doi.org/10.32782/2521-6643-2025-1-69.17
  35. A. Sutrisno and R. A. Hamka, “Development and stabilization in small open economies”, Journal of Enterprising Communities: People and Places in the Global Economy, 2025, vol. 19, iss. 3, pp. 700–701. Available: https://doi.org/10.1108/JEC-06-2025-272
§ 06 — Пов'язані

Схожі статті в цьому журналі

Пов'язані рецензовані дослідження, опубліковані в цьому журналі.
Усі випуски

МЕТОДИКА ФОРМУВАННЯ ІНФОРМАТИВНОГО ПРОСТОРУ ОЗНАК ТЕХНІЧНИХ ІНДИКАТОРІВ ФІНАНСОВИХ ПРОЦЕСІВ НА ОСНОВІ НЕЙРОМЕРЕЖЕВИХ МОДЕЛЕЙ

Роман Тертичний, Денис Чупрін, Петро Бідюк

Проблематика. Фінансові часові ряди характеризуються нелінійністю, нестаціонарністю та високим рівнем шуму, що суттєво ускладнює їх моделювання та прогнозування.…

#методика формування інформативного простору ознак #технічні індикатори #волатильність Паркінсона #нейронні мережі
10.20535/kpisn.2026.3.359610

МЕТОДИ ЗАБЕЗПЕЧЕННЯ ЦІЛІСНОСТІ ОБРОБКИ ТА ПЕРЕДАЧІ ДАНИХ У ПРОМИСЛОВИХ СИСТЕМАХ АВТОМАТИЗАЦІЇ

Ярослав Корпань, Євген Федоров, Ольга Нечипоренко

Проблематика. Сучасні промислові системи контролю характеризуються високим рівнем інтеграції інформаційних і фізичних процесів та використанням розподілених…

#промислові системи автоматизації #SCADA-системи #цілісність даних #кібербезпека ICS
10.20535/kpisn.2026.3.361520

МЕТОДИКА ПАРАМЕТРИЧНОГО СИНТЕЗУ ЗУМ-АФОКАЛЬНИХ СИСТЕМ НА ОСНОВІ НЕРУХОМИХ ВАРІОЛІНЗ

Ігор Г. Чиж

Проблематика Зум-оптичні системи, в яких використовуються механічно нерухомі електрично керовані варіолінзи, не можуть вважатися такими, що мають нерухомі оптичні…

#зум-афокальні системи #головні точки варіолінз #синтез зум-афокальних систем #стабільна афокальність зум-системи
10.20535/kpisn.2026.3.351645

Статті цього автора (цих авторів), які найбільше читають

Схожі статті

1-10 з 37

Ви також можете розпочати розширений пошук схожих статей для цієї статті.