Разработка регуляризированного байесовского инструментария для системного управления малыми и средними предприятиями и его апробация на основе построения адаптивной модели
(Стр. 33-46)

Основной задачей при построении сложных прогностических моделей является предотвращение переобучения, особенно на небольших выборках, что может привести к неверным управленческим выводам. Это обусловлено высокой динамикой рынка, ограниченностью ресурсов и характером информационных потоков (неполнота, зашумленность) в малых и средних предприятиях (МСП), где требуется создание устойчивых и точных интеллектуальных инструментов для поддержки управленческих решений. Для решения этой проблемы в интеллектуальном анализе данных широко используется регуляризация, которая, по сути, накладывает ограничения на сложность модели. Сочетание байесовского вывода и принципов регуляризации формирует регуляризирующий байесовский подход, который создает стабильные и обобщающие модели. Роль байесовской регуляризации заключается в отборе весовых коэффициентов, для точности прогнозирования, а при обобщении этот подход становится основой для создания цифровых платформ управления сложными системами в Индустрии 4.0 и высокотехнологичных МСП. Таким образом, актуальность исследования в данной статье обусловлена необходимостью разработки интегрированного методологического аппарата, сочетающего принципы системного анализа с регуляризирующим байесовским подходом. Исследование призвано внести вклад в повышение качества управленческих решений в МСП через внедрение интеллектуальных, статистически обоснованных и устойчивых к неполноте данных моделей – которые были интегрированы в новую адаптивную иерархическую регуляризирующую байесовскую модель (АИРБМ) принятия решений. АИРБМ успешно реализует принцип системного анализа, связывая внешнюю системную неопределенность с внутренней настройкой модели, что обеспечивает надежную и стабильную основу для интеллектуального управления МСП в условиях цифровой экономики.

ОБРАЗЕЦ ЦИТИРОВАНИЯ: Звягин Л.С. Разработка регуляризированного байесовского инструментария для системного управления малыми и средними предприятиями и его апробация на основе построение адаптивной модели // Computational Nanotechnology. 2026. Т. 13. № 1. С. 33-46. DOI: 10.33693/2313-223X-2026-13-1-33-46. EDN: MCLOCR

Бормотов И.В., Жуков Р.А., Прокопчина С.В. Методология байесовских интеллектуальных измерений для информационных систем и ее применение к изучению ценностного мира российской молодежи // Сборник докладов XXVI Междунар. конф. по мягким вычислениям и измерениям (SCM’2023). В 2 т. СПб.: СПбГЭТУ «ЛЭТИ», 2023. Т. 1. С. 3–6.
Дмитрюк Т.Г., Зори С.А. Системный анализ функциональных особенностей предприятия как объекта управления // Вестник Донецкого национального университета. Серия Г: Технические науки. 2024. № 2. С. 137–153. DOI: 10.5281/zenodo.14514826.
Евсеева О.А. Управление развитием малых и средних промышленных предприятий с применением методов системного анализа // Известия высших учебных заведений. Серия: Экономика, финансы и управление производством. 2015. № 1 (23). С. 75–80.
Зайцев С.В. Прикладной системный анализ и системотехника как инструменты оптимизации экономических процессов // Мягкие измерения и вычисления. 2022. Т. 52. № 3. С. 70–84. DOI: 10.36871/2618-9976.2022.03.008.
Заславская В.Л., Заславский Р.К., Прокопчина С.В. Интеллектуальная обработка больших данных в задачах малого бизнеса на основе байесовских интеллектуальных технологий // Мягкие измерения и вычисления. 2022. Т. 61. № 12. С. 65–74. DOI: 10.36871/2618-9976.2022.12.005.
Золотаревский А.Ю. Система аналитики и поддержки принятия решений малого производственного предприятия на базе регуляризирующего байесовского подхода // Мягкие измерения и вычисления. 2024. Т. 75. № 2-2. С. 38–48. DOI: 10.36871/2618-9976.2024.02-2.004.
Кожомбердиева Г.И., Бураков Д.П., Хамчичев Г.А. Разработка программ для поддержки принятия решений на основе байесовских вероятностных моделей // Программные продукты и системы. 2022. Т. 35. № 2. С. 184–194.
Прокопчина С.В. Интеллектуальные сенсорные сети в Industry 5.0. Обобщенная концепция создания цифровых платформ управления сложными системами на основе регуляризирующего байесовского подхода // Сборник докладов XXV Междунар. конф. по мягким вычислениям и измерениям (SCM’2022). СПб.: СПбГЭТУ «ЛЭТИ», 2022. Т. 1. С. 3–10.
Шарабура Е.А., Тин Ю.А. Применение системного анализа в решении проблем малого бизнеса // Современные проблемы экономического развития предприятий, отраслей, комплексов, территорий: матер. Междунар. науч.-практ. конф. // ред. А.Е. Зубарев и др. Хабаровск: Тихоокеанский государственный университет, 2020. С. 429–432.
Abonguie D.F., Nyam Y.S., Hoeyi P.K. A systematic analysis of systems thinking and the sustainability of small and medium size enterprises (SMEs): A global evaluation // Scientific African. 2025. Vol. 28. Art. e02738. DOI: 10.1016/j.sciaf.2025.e02738.
Hahn E., Doh J. Using Bayesian methods in strategy research: An extension of Hansen et al. // Strategic Management Journal. 2006. Vol. 27. No. 8. Pp. 783–798. DOI: 10.1002/smj.539.
Liao R., Chai Y. Research on the business performance evaluation method for small and medium-sized enterprises in cross-border e-commerce based on artificial bee colony optimized LSTM model // Scientific Reports. 2025. Vol. 15. Art. 31698. DOI: 10.1038/s41598-025-17435-x.
Nuzhny A. Bayes regularization in the selection of weight coefficients in the predictor ensembles // Proceedings of the Institute for System Programming of the RAS. 2019. Vol. 31. No. 4. Pp. 113–120. DOI: 10.15514/ISPRAS-2019-31-4-7.
Wüthrich M.V., Merz M. Bayesian methods, regularization and expectation-maximization // Statistical foundations of actuarial learning and its applications. Cham: Springer, 2023. Pp. 393–440. DOI: 10.1007/978-3-031-12409-9_6.

системный анализ, малое и среднее предпринимательство (МСП), байесовский подход, регуляризация, адаптивная модель, управление рисками.