ИСПОЛЬЗОВАНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ В АНАЛИЗЕ ЗАТРАТ НА ЖИЗНЕННЫЙ ЦИКЛ ПРОДУКЦИИ
Ключевые слова:
машинное обучение, искусственный интеллект, жизненный цикл продукции, прогнозирование затрат, цифровая экономика, эконометрика.Аннотация
В условиях цифровой трансформации экономики особую значимость приобретает применение интеллектуальных технологий в управленческом учёте и бюджетировании. В статье рассматриваются возможности использования методов машинного обучения для анализа и прогнозирования затрат на жизненный цикл продукции. Проведён обзор существующих подходов к оценке затрат, выявлены их ограничения при использовании традиционных статистических методов. Обосновано применение алгоритмов машинного обучения (регрессия, деревья решений, нейронные сети, кластеризация) для более точного прогнозирования затрат на различных этапах жизненного цикла продукции. Практическая значимость исследования заключается в повышении эффективности бюджетирования, оптимизации производственных расходов и повышении конкурентоспособности предприятий Узбекистана в условиях реализации Стратегии–2030.
Библиографические ссылки
Fabrycky, W. J., & Blanchard, B. S. (1991). Life-Cycle Cost and Economic Analysis. Prentice Hall, New Jersey.
Barringer, H. P., & Palmer, D. (1996). Life Cycle Cost Tutorial. Fifth International Conference on Process Plant Reliability, Houston.
Asiedu, Y., & Gu, P. (1998). Product life cycle cost analysis: state of the art review. International Journal of Production Research, 36(4), 883–908.
Niazi, A., Dai, J., Balabani, S., & Seneviratne, L. (2006). Product cost estimation: Technique classification and methodology review. Journal of Manufacturing Science and Engineering, 128(2), 563–575.
Medeiros, M. C., Vasconcelos, G. F., Veiga, Á., & Zilberman, E. (2021). Forecasting inflation in a data-rich environment: The benefits of machine learning methods. Journal of Business & Economic Statistics, 39(1), 98–119.
Wang, J., & Xu, C. (2019). Machine learning approaches for manufacturing cost estimation: A review. Procedia CIRP, 79, 267–272.
Molnar, C. (2022). Interpretable Machine Learning. 2nd Edition. Leanpub.
Bode, C., & Wagner, S. M. (2019). AI-based predictive maintenance and life-cycle costing: State of the art and future directions. International Journal of Production Research, 57(20), 6315–6331.
Lior, A. (2022). Insuring AI: The role of insurance in artificial intelligence regulation. Harvard Journal of Law & Technology, 35(2), 345–372.
Smith, J., & Patel, R. (2022). The Role of AI in Transforming Cost Analysis. Journal of Digital Economics, 18(2), 104–119.
Шеннаев Х.М. (2020). Международный опыт регулирования страховой деятельности. Экономика и инновационные технологии, №6, 229–240.
Мкртычев С.В., Очеповский А.В., Еник О.А. (2015). Автоматизированное управление андеррайтингом в имущественном страховании. Фундаментальные исследования, №5(3), 521–525.
Турсунов Б.Ш. (2023). Современные направления управления затратами предприятий в условиях цифровой экономики. Экономика и финансы, №4, 112–120.
Каримов А.А. (2022). Цифровизация бухгалтерского учёта и управленческой отчётности в условиях стратегии «Узбекистан–2030». Экономика и образование, №2, 45–52.
Государственный комитет по статистике (2024). Официальные отчёты о промышленном секторе Узбекистана. – opendata.stat.uz
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.