Өнеркәсіп кәсіпорнының басқарушылық есеп деректеріне негізделген қорлардың мақсатты деңгейінің моделі

Өндірістік процестердің күрделенуі және белгісіздіктің артуы жағдайында өнеркәсіптік кәсіпорындардың қаржылық тұрақтылығын қамтамасыз етуде қорларды тиімді басқару шешуші мәнге ие. Нормативтік есептеулер мен ретроспективтік бақылауға негізделген дәстүрлі тәсілдер барған сайын жеткіліксіз болып отыр, бұл басқарушылық есеп әдістері мен үнемді өндіріс (Lean) құралдарын интеграциялау қажеттілігін айқындайды. Зерттеудің мақсаты – басқарушылық есеп деректеріне негізделген, қорлардың нақты және нормативтік деңгейлері арасындағы басқарушылық алшақтықты сандық бағалауға бағытталған қорлардың мақсатты деңгейі моделін әзірлеу және оны эмпирикалық тұрғыдан апробациялау. Зерттеу 2021–2025 жж. аралығындағы Қазақстан Республикасының машинажасаусаласындағы жинақтаушы кәсіпорын материалдары негізінде жүргізілді. Қорлардың динамикасы, құрылымы және қалыптасу ағындарының кешенді талдауы жүргізілді, оған айналымдылықты, қор сыйымдылығын, материалдық ресурстардың түсуі мен шығуы арасындағы теңгерімсіздікті, сондай-ақ қызмет ауқымының өзгеруі мен қор деңгейлері арасындағы уақытша лагтарды бағалау кірді. Қорларды басқарудың реактивті сипатта екені және басқару режимдерінің ауысуымен қатар жүретіні анықталды: аяқталмаған өндірістің жинақталуынан бастап жинақтаушы бөлшектер мен материалдардың шамадан тыс қорлануына дейін. Зерттеудің ғылыми жаңалығы қорлар шотының қосалқы шоттарын талдауға арналған құрылымдық-ағындық тәсілді әзірлеуде, ол басқару режимдерінің ауысуын анықтауға және кәсіпорынның нақты есеп деректері негізінде басқарушылық алшақтықты сандық өлшеуге мүмкіндік береді. Алынған нәтижелер негізінде қор сыйымдылығының нормативтік дәлізін айқындайтын және қорлардың нақты деңгейінің нормативтік ориентирден ауытқуын сандық бағалауды қамтамасыз ететін қорлардың мақсатты деңгейі моделі ұсынылды. Зерттеудің практикалық маңыздылығы ұсынылған тәсілді машина жасау саласындағы жинақтаушы кәсіпорынның қорларды басқару жүйесіндегі тар орындарды диагностикалау және басқарушылық шешімдерді қолдау үшін қолдану мүмкіндігімен айқындалады.

1. Комплексный план по развитию машиностроительной отрасли Республики Казахстан на 2024– 2028 годы: утв. постановлением Правительства РК от 30.10.2023 № 991. URL: https://adilet.zan.kz/rus/docs/P2300000991 (дата обращения: 26.03.2026)

2. Appelbaum D., Kogan A., Vasarhelyi M., Yan Z. Impact of business analytics and enterprise systems on managerial accounting // International Journal of Accounting Information Systems. 2017. Vol. 25. P. 29–44. DOI: 10.1016/j.accinf.2017.03.003

3. Agostino D., Arnaboldi M., Lema M. Digitalization, accounting and accountability: A literature review and reflections on future research // Financial Accounting & Management. 2022. Vol. 38. Iss. 2. P. 143–321. DOI: 10.1111/faam.12301

4. Möller K., Schäffer U., Verbeeten F. Digitalization in management accounting and control: an editorial // Journal of Management Control. 2020. Vol. 31. P. 1–8. DOI: 10.1007/s00187-020-00300-5

5. Korabayev B., Amanova G., Akimova B., Saduakassova K., Nurgaliyeva A. The model of environmental accounting and auditing as a factor in increasing the efficiency of management decisions at industrial enterprises in the Republic of Kazakhstan // Regional Science Policy & Practice. 2024. Vol. 16. Iss. 3. Art. 12727. DOI: 10.1111/rsp3.12727

6. Rikhardsson P., Yigitbasioglu O. Business intelligence & analytics in management accounting research: Status and future focus // International Journal of Accounting Information Systems. 2018. Vol. 29. P. 37–58. DOI: 10.1016/j.accinf.2018.03.001

7. Rosin F., Forget P., Lamouri S., Pellerin R. Impacts of Industry 4.0 technologies on Lean principles // International Journal of Production Research. 2020. Vol. 58. No. 6. P. 1644–1669. DOI: 10.1080/00207543.2019.1672902

8. Rossini M., Costa F., Tortorella G.L., Portioli-Staudacher A. Industry 4.0 and Lean Production: an empirical study // Procedia Manufacturing. 2019. Vol. 42. P. 59–66.

9. Zheng T., Ardolino M., Bacchetti A., Perona M. The applications of Industry 4.0 technologies in manufacturing context: a systematic literature review // International Journal of Production Research. 2021. Vol. 59. No. 6. P. 1922–1954. DOI: 10.1080/00207543.2020.1824085

10. Seifullina A., Er A., Nadeem S.P., et al. A Lean Implementation Framework for the Mining Industry // Procedia Manufacturing. 2018. Vol. 51. P. 1149–1154.

11. Goltsos T.E., Syntetos A.A., Glock C.H., Ioannou G. Inventory-forecasting: Mind the gap // European Journal of Operational Research. 2022. Vol. 299. No. 2. P. 397–419. DOI: 10.1016/j.ejor.2021.07.040

12. van der Haar J.F., Wellens A.P., Boute R.N., Basten R.J.I. Supervised learning for integrated forecasting and inventory control // European Journal of Operational Research. 2024. Vol. 319. No. 2. P. 573–586.

13. Huber J., Müller S., Fleischmann M., Stuckenschmidt H. A data-driven newsvendor problem: From data to decision // European Journal of Operational Research. 2019. Vol. 278. No. 3. P. 904–915. DOI: 10.1016/j.ejor.2019.04.043

14. Petropoulos F., et al. Forecasting: theory and practice // International Journal of Forecasting. 2022. Vol. 38. No. 3. P. 705–871. DOI: 10.1016/j.ijforecast.2021.11.001

15. Serrano B., Minner S., Schiffer M., Vidal T. Bilevel optimization for feature selection in the data-driven newsvendor problem // European Journal of Operational Research. 2024. Vol. 315. No. 2. P. 703–714.

16. Makridakis S., Spiliotis E., Assimakopoulos V. The M4 Competition: Results, findings, conclusion and way forward // International Journal of Forecasting. 2018. Vol. 34. No. 4. P. 802–808. DOI: 10.1016/j.ijforecast.2018.06.001

17. Ulrich M., Jahnke H., Langrock R., Pesch R., Senge R. Distributional regression for demand forecasting in e-grocery // European Journal of Operational Research. 2021. Vol. 294. No. 3. P. 831–842. DOI: 10.1016/j.ejor.2019.11.029

18. Ngoc Anh Nguyen, Thi Xuan Hoa Nguyen, Ngoc Thang Tran, Thi Ha Nguyen, Phuong Anh Nguyen, Hai Anh Vu. Optimizing supply chain operations using advanced Time-Series Mixer models for demand forecasting and inventory under uncertain demand // Expert Systems with Applications. 2026. Vol. 296. Part B. Art. 128955. DOI: 10.1016/j.eswa.2025.128955

19. Lingkon L.R., Hossain M.S., Chakrabortty R.K. An analytics-driven hybrid method for multi-item demand forecasting in supply chains // Supply Chain Analytics. 2026. Vol. 13. Art. 100194. DOI: 10.1016/j.sca.2026.100194

20. Liu Y., Kalaitzi D., Wang M., Papanagnou C. A machine learning approach to inventory stockout prediction // Journal of Digital Economy. 2025. Vol. 4. P. 144–155. DOI: 10.1016/j.jdec.2025.06.002

21. Mahin M.P., Shahriar M., Das R., Roy A., Reza A.W. Enhancing sustainable supply chain forecasting using machine learning for sales prediction // Procedia Computer Science. 2025. Vol. 252. P. 470–479. DOI: 10.1016/j.procs.2025.01.006

22. Zabraoui O., Hmamou Y., Alami S. A comparative study of multi-algorithm optimization for inventory analytics in supply chains // Supply Chain Analytics. 2025. Vol. 12. P. 1–22. DOI: 10.1016/j.sca.2025.100154

23. Guo Y., Liu F., Song J.-S., Wang S. Supply chain resilience: A review from the inventory management perspective // Fundamental Research. 2025. Vol. 5. Iss. 2. P. 450–463. DOI: 10.1016/j.fmre.2024.08.002

24. Dikhanbayeva D., Shaikholla S., Suleiman Z., Turkyilmaz A. Assessment of Industry 4.0 Maturity Models by Design Principles // Sustainability. 2020. Vol. 12. No. 23. Art. 9927. DOI: 10.3390/su12239927

25. ТОО «Машиностроительный завод МТЗ-Казахстан». Официальный сайт. URL: https://tractorbelarus.kz/ (дата обращения: 29.05.2026)