ISSN 1729-7427 · EISSN 2618-6977

· Языки: ru / en

Статья: ОПРЕДЕЛЕНИЕ ОСНОВНЫХ ФИНАНСОВЫХ ПОКАЗАТЕЛЕЙ РИСКА БАНКРОТСТВА РОССИЙСКИХ ПРОМЫШЛЕННЫХ ПРЕДПРИЯТИЙ (2025)

Читать

Читать онлайн

Целью данного исследования является определение основных финансовых показателей потенциального банкротства средних и крупных российских горнодобывающих и производственных компаний на основе методов машинного обучения, а также определение пороговых значений для этих показателей, позволяющих измерить степень риска корпоративного банкротства.

Методология: выборка включает данные о 3624 компаниях за период с 2013 по 2022 год и состоит из 32613 наблюдений за фирмами за год. На первом этапе исследования используется метод случайного леса для выявления наиболее значимых переменных, влияющих на риск банкротства компаний. На втором этапе исследования применяется метод дерева классификации для формулирования количественных критериев, определяющих степень риска банкротства компаний на основе ранее выявленных показателей.

Выводы: определены основные финансовые показатели риска банкротства российских компаний горнодобывающей и обрабатывающей промышленности. Наиболее значимыми показателями, влияющими на риск банкротства для всей выборки данных, являются показатели рентабельности (чистая прибыль/продажи, операционная прибыль/продажи от продаж) и объем оборотного капитала. Анализ промышленных подвыборок позволил нам определить пороговые значения этих показателей для моделей прогнозирования банкротства, апробированных на разных временных периодах.

Оригинальность и вклад: мы расширяем результаты предыдущих исследований по прогнозированию банкротства российских компаний, использующих методы машинного обучения, применяя эти методы к большой выборке российских производственных и горнодобывающих компаний за длительный период времени в 10 лет и проводя межотраслевое сравнение. Кроме того, в нашей статье эмпирически исследуется возможность прогнозирования банкротства российских предприятий с различным количеством лет до этого, т. е. одна, две, три и четыре года. Исследование показывает, что наиболее точные прогнозы делаются только в течение одного–двух лет, предшествующих событию банкротства.

The goal of this study is to determine the main financial indicators of potential bankruptcy of medium-sized and large Russian mining and manufacturing companies on the basis of machine learning methods, and to identify the thresholds for these indicators that allow for measuring the degree of risk of corporate bankruptcy. Methodology: the sample comprises data on 3624 companies from 2013 to 2022 and consists of 32613 firm-year observations. During the first stage of research, random forest method is used in order to identify the most significant variables affecting bankruptcy risk of companies. During the second stage of research, classification tree method is applied to formulate quantitative criteria that determine the degree of bankruptcy risk of companies on the basis of the indicators identified previously. Findings: the main financial indicators of bankruptcy risk for Russian companies in the mining and manufacturing industries have been identified. The most significant indicators affecting the bankruptcy risk for the whole sample of data are profitability indicators (Net Profit/Sales, Operating Profit/Sales) and the amount of working capital. Analysis of industrial subsamples allowed us to specify the thresholds for these indicators for bankruptcy prediction models tested on different time periods. Originality and contribution: we extend the results of prior research on bankruptcy prediction of Russian companies that use machine learning methods by applying these methods to a large sample of Russian manufacturing and mining companies over an extensive time period of 10 years and by providing a cross-industry comparison. Additionally, our paper empirically studies the possibility of predicting bankruptcy of Russian companies a varying number of years beforehand, i. e. one, two, three, and four years. The research shows that the most accurate predictions occur only during the range of one–two years prior to the bankruptcy event.

Ключевые фразы: bankruptcy risk, financial indicators, mining and manufacturing industries, corporate bankruptcy, MACHINE LEARNING, random forest, classification trees, риск банкротства, ФИНАНСОВЫЕ ПОКАЗАТЕЛИ, горнодобывающая и обрабатывающая промышленность, корпоративное банкротство, машинное обучение, СЛУЧАЙНЫЙ ЛЕС, деревья классификации

Автор (ы): Жуков А. А. (ZHukov A. A.), Никулин Егор Дмитриевич (Nikulin E. D.)

Журнал: РОССИЙСКИЙ ЖУРНАЛ МЕНЕДЖМЕНТА

Предпросмотр статьи

Идентификаторы и классификаторы

SCI: Экономика
УДК: 343.535. Банкротство

Для цитирования:

ЖУКОВ А. А., НИКУЛИН Е. Д. ОПРЕДЕЛЕНИЕ ОСНОВНЫХ ФИНАНСОВЫХ ПОКАЗАТЕЛЕЙ РИСКА БАНКРОТСТВА РОССИЙСКИХ ПРОМЫШЛЕННЫХ ПРЕДПРИЯТИЙ // РОССИЙСКИЙ ЖУРНАЛ МЕНЕДЖМЕНТА. 2025. Т. 23 № 3

Текстовый фрагмент статьи

Моя история просмотров (7)

01. Статья: ЭКСПЕРТНАЯ ДИПЛОМАТИЯ В УРЕГУЛИРОВАНИИ КОНФЛИКТОВ: ПРИДНЕСТРОВЬЕ И МОЛДОВА

02. Статья: ПРАГМАТИЧЕСКИЙ ПОТЕНЦИАЛ ИНТЕРТЕКСТУАЛЬНОСТИ ВО ФРАНКОЯЗЫЧНОМ ИНТЕРНЕТ-ДИСКУРСЕ

03. Статья: ТЕНДЕНЦИИ И ПРОБЛЕМЫ РАЗВИТИЯ ГОРНОДОБЫВАЮЩЕЙ ОТРАСЛИ В НАЦИОНАЛЬНОЙ ЭКОНОМИКЕ: АНАЛИЗ ТЕКУЩЕГО СОСТОЯНИЯ И ПЕРСПЕКТИВЫ РАЗВИТИЯ

04. Статья: СИСТЕМА ФОРМИРОВАНИЯ КОНКУРЕНТНЫХ ПРЕИМУЩЕСТВ НА РЫНКЕ ГРУЗОВЫХ ПЕРЕВОЗОК НА ОСНОВЕ ЭФФЕКТИВНОГО УПРАВЛЕНИЯ ЛОКОМОТИВНЫМ ПАРКОМ

05. Статья: ИНФРАСТРУКТУРА ЭКОНОМИКИ ЗАМКНУТОГО ЦИКЛА И ЕЁ РОЛЬ В ЦИРКУЛЯРНОЙ ТРАНСФОРМАЦИИ ТУРИЗМА

06. Статья: МОДЕЛЬ СИСТЕМЫ ПЕРЕДАЧИ ВИДЕОДАННЫХ С ТЕХНИЧЕСКИМИ НАЗЕМНЫМИ ОБЪЕКТАМИ МАЛОЙ СТЕПЕНИ ПОДВИЖНОСТИ

07. Статья: ТРИЗ И УПРАВЛЕНИЕ РИСКАМИ В ДЕЯТЕЛЬНОСТИ ВЫСОКОТЕХНОЛОГИЧНЫХ ПРЕДПРИЯТИЙ, СОДЕРЖАЩИХ ИННОВАЦИОННЫЕ ПОДХОДЫ К МИНИМИЗАЦИИ НЕОПРЕДЕЛЕННОСТИ И ПОВЫШЕНИЮ НАДЕЖНОСТИ, В Т. Ч. ТЕХНОЛОГИЙ СПЛОШНЫХ СРЕД

Список литературы

1. Alaka H. A., Oyedele L. O., Owolabi H. A., Kumar V., Ajayi S. O., Akinade O. O., Bilal M. 2018. Systematic review of bankruptcy prediction models: Towards a framework for tool selection. Expert Systems with Applications 94: 164-184. DOI: 10.1016/j.eswa.2017.10.040
2. Altman E. I. 1968. Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. The Journal of Finance 23 (4): 589-609. 10.1111/J.1540-6261.1968.TB 00843.X. DOI: 10.1111/J.1540-6261.1968.TB00843.X
3. Aly S., Alfonse M., Roushdy M. I., Salem A. -B. M. 2022. Developing an intelligent system for predicting bankruptcy. Journal of Theoretical and Applied Information Technology 100 (7): 2068-2087. EDN: SUDYKB
4. Arinichev I. V., Bogdashev I. V. 2017. Estimation of bankruptcy risk of small business companies using methods of machine learning. RUDN Journal of Economics 25 (2): 242-254. (In Russian). DOI: 10.22363/2313-2329-2017-25-2-242-254
5. Barboza F., Altman E. 2024. Predicting financial distress in Latin American companies: A comparative analysis of logistic regression and random forest models. The North American Journal of Economics and Finance 72: 102158.
6. Bates S., Hastie T., Tibshirani R. 2024. Cross-validation: What does it estimate and how well does it do it? Journal of the American Statistical Association 119 (546): 1434-1445. DOI: 10.1080/01621459.2023.2197686 EDN: FVSQPC
7. Bellovary J. L., Giacomino D. E. Akers M. D. 2007. A review of bankruptcy prediction studies 1930 to present. Journal of Financial Education 1: 3-41.
8. Brenes R. F., Johannssen A., Chukhrova N. 2022. An intelligent bankruptcy prediction model using a multilayer perceptron. Intelligent Systems with Applications 16: 200136. EDN: JLOOXS
9. Chen H. J., Huang S. Y., Lin C. S. 2009. Alternative diagnosis of corporate bankruptcy: A neuro fuzzy approach. Expert Systems with Applications 36 (4): 7710-7720. DOI: 10.1016/j.eswa.2008.09.023
10. Correa A. 2023. Predicting business bankruptcy in Colombian SMEs: A machine learning approach. Journal of International Commerce, Economics and Policy 14 (3): 2350027. EDN: YHOQZU
11. Dasilas A., Rigani A. 2024. Machine learning techniques in bankruptcy prediction: A systematic literature review. Expert Systems with Applications 255: 124761. EDN: AHIJCQ
12. Devi S., Yalavarthi R. 2018. A survey on machine learning and statistical techniques in bankruptcy prediction. International Journal of Machine Learning and Computing 8: 133-139. DOI: 10.18178/ijmlc.2018.8.2.676 EDN: YIGFOX
13. du Jardin P. 2010. Predicting bankruptcy using neural networks and other classification methods: The influence of variable selection techniques on model accuracy. Neurocomputing 73 (10-12): 2047-2060. DOI: 10.1016/j.neucom.2009.11.034
14. Fedorova E. A., Gilenko E. V., Dovzhenko S. E. 2013. Bankruptcy prediction models: Features of Russian enterprises. Forecasting Issues 2: 85-92. (In Russian).
15. Fedorova E. A., Musienko S. O., Fedorov F. Yu. 2018. Prediction of bankruptcy of small and medium-sized business entities in Russia. Finance and Credit 24 (11): 2537-2552. (In Russian). DOI: 10.24891/fc.24.11.2537
16. Fedorova E., Ledyaeva S., Drogovoz P., Nevredinov A. 2022. Economic policy uncertainty and bankruptcy filings. International Review of Financial Analysis 82 (July): 102174. DOI: 10.1016/j.iRFa.2022.102174 EDN: HVHSQE
17. Gajdosikova D., Gadrikova B. 2023. Corporate bankruptcy prediction: A systematic literature review and comprehensive bibliometric analysis. Economics & Law 5 (1): 105-132. DOI: 10.37708/el.swu.v5i1.8 EDN: WJFDMB
18. Giordani P., Jacobson T., Von Schedvin E., Villani M. 2014. Taking the twists into account: Predicting firm bankruptcy risk with splines of financial ratios. Journal of Financial and Quantitative Analysis 49 (4): 1071-1099. DOI: 10.1017/S0022109014000623
19. Haciefendioğlu K., Başağa H. B., Kahya V., Özgan K., Altunışık A. C. 2024. Automatic detection of collapsed buildings after the 6 February 2023 Türkiye earthquakes using post-disaster satellite images with deep learning-based semantic segmentation models. Buildings 14: 582. DOI: 10.3390/buildings14030582 EDN: OUPMKD
20. Insani F., Pontoh G. T., Said D. 2024. Corporate bankruptcy prediction model: A systematic literature review. International Journal of Business, Economics and Management 7 (3): 143-159. DOI: 10.21744/ijbem.v7n3.2222 EDN: YQBVKQ
21. Iparraguirre-Villanueva O., Cabanillas-Carbonell M. 2024. Predicting business bankruptcy: A comparative analysis with machine learning models. Journal of Open Innovation: Technology, Market and Complexity 10: 100375. EDN: MWSXFW
22. Jabeur S. B, Stef N., Carmona P. 2023. Bankruptcy prediction using the XGBoost algorithm and variable importance feature engineering. Computational Economics 61: 715-741. DOI: 10.1007/s10614-021-10227-1 EDN: GRHPJG
23. Karminsky A. 2015. Credit Ratings and Their Modeling. Publishing house “Higher School of Economics”: Moscow.
24. Karminsky A., Burekhin R. N. 2019. Comparative analysis of methods for forecasting bankruptcies of Russian construction companies. Business Informatics 13 (3): 52-66 (In Russian). EDN: XVXMGN
25. Kazakov A., Kolyshkin A. 2018. The development of bankruptcy prediction models in the modern Russian economy. St Petersburg University Journal of Economic Studies 34 (2): 241-266. (In Russian). DOI: 10.21638/11701/spbu05.2018.203
26. Kolyshkin A. V., Gilenko E. V., Dovzhenko S. E., Zhilkin S. A., Choe S. E. 2014. Forecasting the financial insolvency of enterprises. St Petersburg University Journal of Economic Studies (2): 122-142. (In Russian).
27. Korableva A. 2024. The number of bankrupt individuals increases, while that of organizations decreases. Expert. [Electronic resource]. https://expert.ru/ekonomika/bankrotov-fizlits-stalo-bolshe-a-bankrotov-organizatsiy-menshe/?ysclid=lslxfllbgn493925267 (accessed: 18.02.2024). (In Russian).
28. Kuizinienė D., Krilavičius T., Damaševičius R., Maskeliūnas R. 2022. Systematic review of financial distress identification using artificial intelligence methods. Applied Artificial Intelligence 36 (1): 2138124.
29. Li Y., Wang Y. 2018. Machine learning methods of bankruptcy prediction using accounting ratios. Open Journal of Business and Management 6 (1): 1-20. DOI: 10.4236/ojbm.2018.61001
30. Lipton Z. C., Elkan C., Balakrishnan N. 2014. Optimal thresholding of classifiers to maximize F1 measure. Proceedings: Machine Learning and Knowledge Discovery in Databases, European Conference; 225-239. DOI: 10.1007/978-3-662-44851-9_15
31. Mingazov S. 2023. Lawyers promised a prominent rise in corporate bankruptcies by the beginning of 2024. Forbes.ru. [Electronic resource]. https://www.forbes.ru/biznes/492520-eksperty-sprognozirovali-zametnyj-rost-korporativnyh-bankrotstv-k-nacalu-2024-goda?ysclid=lslv811zo9584624412 (accessed: 15.02.2024). (In Russian).
32. Ohlson J. 1980. Financial ratios and the probabilistic prediction of bankruptcy. Journal of Accounting Research 18 (1): 109-131. DOI: 10.2307/2490395
33. Panigrahi S. K., Farsi M. J. A., Kumaraswamy S., Waris M., Rana F. 2022. Working capital management and shareholder’s wealth creation: Evidence from manufacturing companies listed in Oman. International Journal of Financial Studies 10 (4): 89. DOI: 10.3390/ijfs10040089 EDN: QYGEYJ
34. Pisula T., Mentel G., Brożyna J. 2013. Predicting bankruptcy of companies from the logistics sector operating in the Podkarpackie region. Journal of Business Research 20 (3): 113-133.
35. Pompe P. P. M., Feelders A. J. 1996. Using machine learning, neural networks and statistics to predict corporate bankruptcy: A comparative study. In: Ein-Dor P. (eds) Artificial Intelligence in Economics and Management. Springer: Boston. DOI: 10.1007/978-1-4613-1427-1_1
36. Radovanovic J., Haas C. 2023. The evaluation of bankruptcy prediction models based on socio-economic costs. Expert Systems with Applications 227: 120275. EDN: YXOAGJ
37. Rahman M. J., Zhu H. 2024. Predicting financial distress using machine learning approaches: Evidence China. Journal of Contemporary Accounting & Economics 20 (1): 100403. EDN: RXVYXF
38. Shafaf N., Malek H. 2019. Applications of Machine Learning approaches in emergency medicine; A review article. Archives of Academic Emergency Medicine 7 (1): e34.
39. Shen F., Liu Y., Wang R., Zhou W. 2020. A dynamic financial distress forecast model with multiple forecast results under unbalanced data environment. Knowledge-Based Systems 192: 105365. EDN: CQVJTY
40. Shetty S., Musa M., Brédart X. 2022. Bankruptcy prediction using machine learning techniques. Journal of Risk and Financial Management 15 (1): 1-10.
41. Soukal I., Maĉi J., Trnková G., Svobodova L., Hedviĉáková M., Hamplova E., Maresova P., Lefley F. 2024. A state-of-the-art appraisal of bankruptcy prediction models focussing on the field’s core authors: 2010-2022. Central European Management Journal 32 (1): 3-30. DOI: 10.1108/CEMJ-08-2022-0095 EDN: OTEWLB
42. Zan A., Xie Z. R., Hsu Y. C., Chen Y. H., Lin T. H., Chang Y. S., Chang K.Y. 2022. DeepFlu: A deep learning approach for forecasting symptomatic influenza A infection based on pre-exposure gene expression. Computer Methods and Programs in Biomedicine 213: 106495. EDN: CWRPGX
43. Zhdanov V. Yu., Afanaseva O. A. 2011. Bankruptcy risk diagnostics model for aviation enterprises. Journal of Corporate Finance Research 5 (4): 77-89. (In Russian). DOI: 10.17323/j.jcfr.2073-0438.5.4.2011.77-89
44. Zhukov A. A., Nikulin E. D., Shchuchkin D. A. 2022. Bankruptcy risk factors of Russian companies. Finance: Theory and Practice 26 (6): 131-155 (In Russian). EDN: ZDQHIY
45. Zieba M., Tomczak S. K. Tomczak J. M. 2016. Ensemble boosted trees with synthetic features generation in application to bankruptcy prediction. Expert Systems with Applications 58: 93-101.
46. Zmijewski M. 1984. Methodological issues related to the estimation of financial distress prediction models. Journal of Accounting Research 22: 59-82. DOI: 10.2307/2490859

Выпуск

Т. 23 № 3 (2025)

Кол-во страниц: 142 страницы

Другие статьи выпуска

БИЗНЕС-МОДЕЛИ ОРГАНИЗАЦИЙ РОЗНИЧНОЙ ТОРГОВЛИ: ИННОВАЦИОННЫЕ ВОЗМОЖНОСТИ ЦИФРОВОЙ ТРАНСФОРМАЦИИ (НА ПРИМЕРЕ ДНР) (2025)

Авторы: Германчук А. Н., Комарницкая Е. В.

Цель исследования: дать оценку готовности бизнес-моделей организаций розничной торговли Донецкой Народной Республики (ДНР) к цифровой трансформации на основе анализа инновационных возможностей организаций.

Методология исследования: эмпирическая часть исследования построена на проведении оценки готовности бизнес-моделей организаций розничной торговли ДНР к цифровой трансформации через использование инновационной компоненты. Основными методами исследования являются методы интервьюирования и анкетирования с представителями торговых организаций (руководителями профильных ведомств, торговых организаций, ИТ-специалистами, руководителями служб маркетинга и финансового отделов). Проведен анализ 15 торговых организаций, бизнес-модели которых имеют различный формат.

Результаты исследования: дана характеристика современных форматов бизнес-моделей организаций; предложена авторская трактовка понятия «готовность к цифровой трансформации»; выделена инновационная компонента бизнес-модели; разработана методика оценки готовности бизнес-модели организаций к цифровой трансформации; проведен анализ готовности бизнес-модели различных форматов к цифровой трансформации на примере организаций ДНР; предложена матрица готовности бизнес-моделей ретейла к цифровой трансформации на примере организаций ДНР.

Оригинальность и значимость результатов: в исследовании предложена методика оценки и матрица готовности бизнес-моделей организаций розничной торговли ДНР к цифровой трансформации на основе инновационной компоненты.

Сохранить в закладках

ОПЕРАЦИОННЫЕ СТРАТЕГИИ В РОССИЙСКОМ ПРОФЕССИОНАЛЬНОМ ФУТБОЛЕ (2025)

Авторы: Зеленков Ю. А., ШУЛИКОВ А. П.

Цель исследования: изучение операционных стратегий российских футбольных клубов на основе предложенного метода идентификации доминирующей модели операций.

Методология исследования: выделены две базовые модели операционных стратегий - приобретение подготовленных игроков и получение доходов за счет спортивных достижений, а также развитие молодых талантов и генерация выручки за счет их продажи. Динамика производственных активов (состав команды) и спортивных результатов сильно различается для клубов, реализующих указанные модели, что позволяет идентифицировать операционную стратегию.

Результаты исследования: российские футбольные клубы не имеют стабильных операционных стратегий, модель меняется в зависимости от финансирования спонсоров. Перечислены основные факторы, препятствующие реализации основных моделей операций в российском футболе.

Оригинальность и значимость результатов: представленный метод опирается на количественный анализ открытых данных, что позволяет сформировать объективные суждения о характере операционной стратегии конкретного клуба. Понимание особенностей операционной деятельности футбольного клуба является важным для владельцев, инвесторов, аналитиков и менеджеров. Предложен метод измерения спортивного результата, который может быть использован при анализе эффективности футбольного менеджмента.

Сохранить в закладках

КАК МЕТОДЫ УПРАВЛЕНИЯ ТАЛАНТАМИ ВЛИЯЮТ НА ЖИЗНЕСТОЙКОСТЬ СОТРУДНИКОВ: КОНТЕКСТУАЛЬНЫЙ АНАЛИЗ ТУРБУЛЕНТНОСТИ ОКРУЖАЮЩЕЙ СРЕДЫ (2025)

Авторы: YAN K.

Цель: развитие жизнестойкости считается эффективным способом борьбы со стрессом и неопределенностью окружающей среды и привлекает большое внимание.

Цель исследования - изучить, влияют ли методы управления талантами на жизнестойкость сотрудников в условиях технологической турбулентности и если да, то каким образом. Методология: эмпирическое исследование было проведено с помощью опроса 531 китайского сотрудника в 2024 году. Затем для проверки гипотез был использован подход PLS-SEM.

Результаты: методы управления талантами прямо или косвенно связаны с устойчивостью сотрудников через агентское мышление и поиск путей развития. В условиях высокой турбулентности технологического контекста влияние методов управления талантами на жизнестойкость сотрудников становится все более ощутимым.

Оригинальность и вклад: оригинальность данного исследования заключается в изучении механизма взаимосвязи между методами управления талантами и жизнестойкостью сотрудников, а также в сдерживающей роли технологических потрясений. Полученные результаты помогают компаниям реагировать на технологические изменения и сбои с помощью методов управления талантами.

Сохранить в закладках

ПЕРЕРАБОТКИ СОТРУДНИКОВ В ИНДУСТРИИ ВИДЕОИГР (2025)

Авторы: Маликов Т. Р., Мондрус О. В., КАБАЛИНА В. И.

Цель исследования: изучение взаимосвязей между переработками, страстью к работе, выгоранием и намерением сотрудников покинуть организацию в сфере индустрии видеоигр.

Методология исследования: проведение опроса 96 разработчиков видеоигр (менеджеров, гейм-дизайнеров, программистов/разработчиков программного обеспечения); анализ количественных данных методами дескриптивной статистики, корреляционного и регрессионного анализа.

Результаты исследования: выявлены статистические значимые связи между переработками, выгоранием и намерениями сотрудников покинуть организацию. Частично подтверждены гипотезы о позитивной связи переработок с выгоранием сотрудников, а также выгорания и переработок - с намерением покинуть организации игровой индустрии. Не получили статистического подтверждения гипотезы о том, что выгорание сотрудников частично опосредовано связью между переработками и намерением уйти из организации, а также о позитивной связи между страстью к работе и переработками. Результаты анализа могут быть использованы специалистами по управлению человеческими ресурсами и руководителями компаний в игровой индустрии для разработки инструментов управления переработками в целях удержания сотрудников и сокращения текучести персонала.

Оригинальность и значимость результатов: данная работа является первым количественным исследованием феномена переработок в российской индустрии видеоигр и их последствий, которое основывается на теоретическом системном анализе таких понятий, как «переработки» (или «кранч»), «страсть к работе», «выгорание», «намерение покинуть организацию».

Сохранить в закладках

НАУЧНО-ИССЛЕДОВАТЕЛЬСКИЕ ЭКОСИСТЕМЫ В ИННОВАЦИОННОМ АРСЕНАЛЕ КОМПАНИЙ "БОЛЬШОЙ ФАРМЫ" (2025)

Авторы: БЕРЕЗНОЙ А. В., АБОТК А.

Цель исследования: определить ключевые драйверы формирования научно-исследовательских экосистем глобальными фармацевтическими корпорациями Big Pharma («Большой фармы»), проанализировать специфику их возникновения в фармацевтической отрасли и установить архетипы управленческих механизмов, используемых в таких экосистемах.

Методология исследования: качественный контент-анализ зарубежных эмпирических исследований в целях выделения схожих паттернов инновационной активности и идентификации основных форм взаимодействия компаний «Большой фармы» с внешними партнерами в области разработки лекарственных препаратов; стратегический анализ организационного поведения этих компаний для выявления применяемых ими механизмов управления в экосистемной среде.

Результаты исследования: в работе определены характерные черты основных видов экосистем, создаваемых компаниями; выявлены ключевые драйверы перехода «Большой фармы» к экосистемной модели развития корпоративной науки; выделены три основных архетипа механизмов управления - инвестиционный, контрактный и платформенный, - которые используются фармацевтическими гигантами для координации совместной деятельности в рамках научно-исследовательских экосистем.

Оригинальность и значимость результатов: новизна исследования связана прежде всего с определением понятия научно-исследовательских экосистем, включая отличительный набор их характеристик. Еще одним вкладом работы являются выводы о многоуровневом характере типичной для фармацевтической отрасли архитектуры управления научно-исследовательскими экосистемами, в рамках которых глобальные фармацевтические корпорации параллельно используют механизмы управления разного типа.

Сохранить в закладках

Издательство

Издательство: СПБГУ
Регион: Россия, Санкт-Петербург
Почтовый адрес: Россия, 199034, Санкт-Петербург, Университетская наб., д. 7–9
Юр. адрес: 199034, г Санкт-Петербург, Василеостровский р-н, Университетская наб, д 7/9
ФИО: Кропачев Николай Михайлович (РЕКТОР)
E-mail адрес: spbu@spbu.ru
Контактный телефон: +7 (812) 3282000
Сайт: https://spbu.ru/

Все права на тексты и товарные знаки принадлежат их законным владельцам. Подробнее...

Сайт https://scinetwork.ru (далее – сайт) работает по принципу агрегатора – собирает и структурирует информацию из публичных источников в сети Интернет, то есть передает полнотекстовую информацию о товарных знаках в том виде, в котором она содержится в открытом доступе.

Сайт и администрация сайта не используют отображаемые на сайте товарные знаки в коммерческих и рекламных целях, не декларируют своего участия в процессе их государственной регистрации, не заявляют о своих исключительных правах на товарные знаки, а также не гарантируют точность, полноту и достоверность информации.

Все права на товарные знаки принадлежат их законным владельцам!

Сайт носит исключительно информационный характер, и предоставляемые им сведения являются открытыми публичными данными.

Администрация сайта не несет ответственность за какие бы то ни было убытки, возникающие в результате доступа и использования сайта.

Спасибо, понятно.

Сказать «Спасибо»

Вы можете поблагодарить автора за публикацию. Ему (ей) будет приятно.

Наведите камеру на QR-код, чтобы открыть моб. версию страницы.