338.3 519.7

фінансовий стан, банкрутство, багатофакторний дискримінантний аналіз, інтегральний показник, нечітка логіка, нейромережева модель

У статті досліджено проблему своєчасної та об’єктивної діагностики фінансового стану підприємств в умовах нестабільності економіки, посилення конкуренції та зростання фінансових ризиків. Показано, що традиційні методи аналізу, засновані на коефіцієнтах, дискримінантних моделях та експертних оцінках, обмежені через складність врахування нелінійних взаємозв’язків між показниками, динаміку зовнішніх факторів та галузеву специфіку. Проаналізовано вітчизняні та зарубіжні наукові підходи до оцінювання фінансового стану та ризику банкрутства підприємств, визначено їх переваги й обмеження в умовах трансформаційної економіки України. Доведено доцільність застосування інтелектуальних методів аналізу даних, зокрема нейромережевого моделювання, як інструменту комплексної та адаптивної фінансової діагностики. Обґрунтовано переваги штучних нейронних мереж, що полягають у здатності навчатися на історичних даних, виявляти приховані закономірності, адаптуватися до змін зовнішнього середовища та забезпечувати більш високу точність оцінювання порівняно з традиційними методами. У межах дослідження сформовано систему фінансово-економічних показників машинобудівного підприємства та здійснено їх відбір методом «центру тяжіння», що дозволило визначити репрезентативні індикатори для побудови нейромережевої моделі. На основі фінансової звітності ПрАТ «Новокраматорський машинобудівний завод» побудовано та апробовано нейромережеву модель типу багатошарового персептрона з використанням програмного комплексу Statistica Neural Networks. Проведено оцінку точності класифікації рівнів фінансового стану та підтверджено практичну придатність запропонованої моделі для прогнозування фінансової стабільності підприємства. Зроблено висновок, що нейромережеве моделювання підвищує точність фінансової діагностики, забезпечує інформаційну основу для управлінських рішень та прогнозування можливих кризових сценаріїв. Перспективи подальших досліджень пов’язані з інтеграцією методів нечіткої логіки та розширенням вибірки машинобудівних підприємств для підвищення точності оцінки їх фінансової стабільності.

1. Altman, E. I. Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. Journal of Finance. 1968.  Vol. 4.  Р. 589–609. DOI: https://doi.org/10.2307/2978933
2. Springate, G. L. (1978). Predicting the Possibility of Failure in a Canadian Firm: A Discriminant Analysis. Doctoral dissertation, Simon Fraser University.
3. Taffler, R. J. The Assessment of Company Solvency and Performance Using a Statistical Model .  Accounting and Business Research. 1983.  Vol. 13.  Р. 295–307. DOI: https://doi.org/10.1080/00014788.1983.9729767
4. Lis, R. (1972). A Four‑Factor Discriminant Model for Predicting Corporate Bankruptcy in the United Kingdom. (Original publication 1972, University of East Anglia, UK).
5. Fulmer J.G.Jr., Moon J.E., Gavin T.A., Erwin J.M. A Bankruptcy Classification Model for Small Firms. The Journal of Commercial Bank Lending. July l984, Vol. 66. No. 11. Р.25-37.
6. Zmijewski, M. E. (1984). Methodological issues related to the estimation of financial distress prediction models. Journal of Accounting Research, 22 (Supplement). Р. 59–82. DOI: http://dx.doi.org/10.2307/2490859
7. Терещенко, О. О. (2025). Емпіричні моделі прогнозування фінансового дистресу підприємств. Фінанси України, (9), 71-87. DOI: https://doi.org/10.33763/finukr2025.09.071 (дата звернення: 02.01.2026).
8. Матвійчук А.В. Нечіткі, нейромережеві та дискримінантні моделі діагностування можливості банкрутства підприємств. Нейронечіткі технології моделювання в економіці. 2013. No 2. С. 71–118. URL:  http://nbuv.gov.ua/UJRN/Nntm_2013_2_6 (дата звернення: 02.01.2026).
9. Кушніренко О. М., Гахович Н. Г. Стратегічні напрями повоєнного відновлення машинобудування в Україні. Економічний вісник університету. 2023. №56. С.5-14. DOI: https://doi.org/10.31470/2306-546X-2023-56-05-15
10. Клебанова Т. С. Нейромережеві моделі оцінки фінансових криз на підприємствах корпоративного типу: монографія / Т. С. Клебанова, О. В. Димченко, О. О. Рудаченко, В. С. Гвоздицький. Харків. нац. ун-т міськ. госп-ва ім. О. М. Бекетова. Х.: ХНУМГ ім. О. М. Бекетова, 2018. 171 с. URL: http://repository.hneu.edu.ua/handle/123456789/21 933 (дата звернення: 02.01.2026).

1. Altman E. I. (1968) Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. Journal of Finance, vol. 4, pp. 589–609. DOI: https://doi.org/10.2307/2978933.
2. Springate G. L. (1978) Predicting the Possibility of Failure in a Canadian Firm: A Discriminant Analysis (PhD Thesis), Simon Fraser University.
3. Taffler R. J. (1983) The Assessment of Company Solvency and Performance Using a Statistical Model. Accounting and Business Research, vol. 13, pp. 295–307. DOI: https://doi.org/10.1080/00014788.1983.9729767.
4. Lis R. (1972) A Four Factor Discriminant Model for Predicting Corporate Bankruptcy in the United Kingdom (PhD Thesis), University of East Anglia.
5. Fulmer J. G. Jr., Moon J. E., Gavin T. A., Erwin J. M. (1984) A Bankruptcy Classification Model for Small Firms. The Journal of Commercial Bank Lending, vol. 66, no. 11, pp. 25–37.
6. Zmijewski M. E. (1984) Methodological issues related to the estimation of financial distress prediction models. Journal of Accounting Research, vol. 22 (Supplement), pp. 59–82. DOI: http://dx.doi.org/10.2307/2490859
7. Tereshchenko O. O. (2025) Empirychni modeli prohnozuvannia finansovoho dystresu pidpryiemstv [Empirical models for predicting financial distress of enterprises]. Finansy Ukrainy, no. 9, pp. 71–87. DOI: https://doi.org/10.33763/finukr2025.09.071.
8. Matviichuk A. V. (2013) Nechitki, neiromerezhevi ta dyskryminantni modeli diahnostuvannia mozhlyvosti bankrutstva pidpryiemstv [Fuzzy, neural network and discriminant models for diagnosing the probability of enterprise bankruptcy]. Neironechitki tekhnolohii modeliuvannia v ekonomitsi, no. 2, pp. 71–118.
9. Kushnirenko O. M., Hakhovych N. H. (2023) Stratehichni napriamy povoiennoho vidnovlennia mashynobuduvannia v Ukraini [Strategic directions of post-war recovery of mechanical engineering in Ukraine]. Ekonomichnyi visnyk universytetu, no. 56, pp. 5–14. DOI: https://doi.org/10.31470/2306-546X-2023-56-05-15.
10. Klebanova T. S., Dymchenko O. V., Rudachenko O. O., Hvozdytskyi V. S. (2018) Neiromerezhevi modeli otsinky finansovykh kryz na pidpryiemstvakh korporatyvnoho typu [Neural network models for assessing financial crises at corporate-type enterprises]. Kharkiv: O. M. Beketov National University of Urban Economy in Kharkiv (in Ukrainian).