Модель целевого уровня запасов на основе данных управленческого учета промышленного предприятия

В условиях усложнения производственных процессов и роста неопределенности эффективное управление запасами приобретает ключевое значение для обеспечения финансовой устойчивости промышленных предприятий. Традиционные подходы, основанные преимущественно на нормативных расчетах и ретроспективном контроле, все чаще оказываются недостаточными, что обусловливает необходимость интеграции методов управленческого учета и инструментов бережливого производства (Lean). Целью исследования является разработка и эмпирическая апробация модели целевого уровня запасов на основе данных управленческого учета, ориентированной на количественную оценку управленческого разрыва между фактическим и нормативным уровнем запасов. Исследование выполнено на материалах машиностроительного предприятия сборочного типа Республики Казахстан за 2021–2025 гг. Проведен комплексный анализ динамики, структуры и потоков формирования запасов, включая оценку оборачиваемости, запасоемкости, дисбаланса притока и выбытия материальных ресурсов, а также временных лагов между изменением масштабов деятельности и уровнем запасов. Установлено, что управление запасами носит реактивный характер и сопровождается сменой управленческих режимов – от накопления незавершенного производства к избыточному накоплению комплектующих и материалов. Научная новизна работы состоит в разработке структурно-потокового подхода к анализу субсчетов счета запасов, позволяющего идентифицировать смену управленческих режимов и количественно измерить управленческий разрыв на основе реальных учетных данных предприятия. На основе полученных результатов предложена модель целевого уровня запасов, задающая нормативный коридор запасоемкости и обеспечивающая количественную оценку отклонения фактического уровня от нормативного ориентира. Практическая значимость исследования заключается в возможности применения предложенного подхода для диагностики узких мест и поддержки управленческих решений в системе управления запасами машиностроительного предприятия сборочного типа.

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)