@misc{Գրիգորյան_Անի_Արհեստական,
 author={Գրիգորյան, Անի},
 address={Երևան},
 howpublished={online},
 publisher={«Ալվարդ Օհանջանյան Վառլենի»},
 abstract={Արդի տնտեսական մարտահրավերների պայմաններում Հայաստանի Հանրապետության հանքարդյունաբերական ոլորտի ֆինանսական կայունության ապահովումը դուրս է եկել զուտ կորպորատիվ կառավարման շրջանակներից՝ դառնալով մակրոտնտեսական անվտանգության առաջնահերթություն։ Լինելով երկրի արտահանման և հարկային մուտքերի առանցքային աղբյուրը՝ այս ճյուղը բնութագրվում է բարձր կապիտալատարությամբ և էկզոգեն ռիսկերով, ինչը պահանջում է անցում ավանդական վիճակագրական մեթոդներից դեպի արհեստական բանականության (ԱԲ) վրա հիմնված կանխատեսող վերլուծության։ Գիտական գրականության վերլուծությունը ցույց է տալիս, որ կապիտալի կառուցվածքի դասական տեսությունները, չնայած իրենց հիմնարար նշանակությանը, հաճախ չեն կարողանում արտացոլել ֆինանսական ցուցանիշների միջև առկա բարդ, ոչ գծային կապերը, որոնք բնորոշ են զարգացող շուկաներում գործող արդյունաբերական հսկաներին։ Այս համատեքստում ԱԲ մոդելները, մասնավորապես՝ մեքենայական ուսուցման ալգորիթմները, ինչպիսիք են XGBoost-ը և Random Forest-ը, հնարավորություն են տալիս իրականացնելու ընկերությունների վարկանիշավորում (scoring) ավելի բարձր՝ 91-94% ճշգրտությամբ՝ գերազանցելով դասական Ալտմանի Z-score կամ Օհլսոնի O-score մոդելները։ Հետազոտության մեթոդաբանությունը հիմնված է ֆինանսական գործակիցների կլաստերավորման վրա, որտեղ առանձնացվում են իրացվելիության (G1), կապիտալի կառուցվածքի (G2) և շահութաբերության (G3) ցուցանիշները։ ՀՀ հանքարդյունաբերության ոլորտի համար առանցքային նշանակություն ունի կորպորատիվ ֆինանսավորման գործակցի (CFR) և կապիտալի միջին կշռված արժեքի (WACC) փոխկապվածության գնահատումը։ Վերլուծության արդյունքում ձևավորված վարկանիշային սանդղակը (AAA-ից մինչև D) հստակ տարանջատում է ընկերությունները ըստ իրենց կայունության ինդեքսի։ ՀՀ հանքարդյունաբերության ոլորտի ընդհանուր պատկերը ցույց է տալիս, որ ընկերությունների մեծ մասը գտնվում է բավարար կայունության (A-BBB) և անկայուն (BB-B) տիրույթներում, ինչը վկայում է կապիտալի կառուցվածքի օպտիմալացման անհրաժեշտության մասին։ Ամփոփելով՝ կարող ենք արձանագրել, որ ԱԲ մոդելների ներդրումը ոչ միայն բարձրացնում է առանձին ձեռնարկությունների ֆինանսական թափանցիկությունը, այլև բարձր օգտավետության գործիք է պետական մարմինների համար՝ ոլորտային ռիսկերը մոնիտորինգի ենթարկելու և տնտեսական ցնցումներին նախապատրաստվելու և դիմակայելու գործում։ Սա միջգիտակարգային նորարարական մոտեցում է, որը համադրում է տնտեսագիտական խորը գիտելիքները և տվյալագիտության ժամանակակից հնարավորությունները՝ ի նպաստ Հայաստանի հանքարդյունաբերական ոլորտի կայուն զարգացման։ In the face of contemporary economic challenges, ensuring the financial stability of the mining sector in the Republic of Armenia has transcended the boundaries of corporate governance, becoming a priority for macroeconomic security. As a key source of the country’s exports and tax revenues, this industry is characterised by high capital intensity and exogenous risks, necessitating a transition from traditional statistical methods to predictive analytics based on Artificial Intelligence (AI). Analysis of the scientific literature demonstrates that classical theories of capital structure, despite their fundamental significance, often fail to capture the complex, non-linear relationships among financial indicators typical of industrial giants operating in emerging markets. In this context, AI models, specifically machine learning algorithms such as XGBoost and Random Forest, enable corporate scoring with a significantly higher accuracy of 91-94%, outperforming classical Altman Z-score or Ohlson O-score models. The research methodology is based on the clustering of financial ratios, categorising indicators into liquidity ( G1), capital structure (G2), and profitability (G3). For the mining sector of Armenia, assessing the interconnection between theCorporate Financing Ratio (CFR) and the Weighted Average Cost of Capital (WACC) is of paramount importance. The rating scale developed as a result of the analysis (ranging from AAA to D) clearly distinguishes companies according to their stability index. The overall picture of the Armenian mining sector reveals that most companies fall within the ranges of adequate stability (A-BBB) and instability (BB-B), indicating a vital need for capital structure optimisation. In conclusion, the implementation of AI models not only enhances the financial transparency of individual enterprises but also serves as a powerful tool for state authorities to monitor sectoral risks and prepare for economic shocks. This represents an innovative interdisciplinary approach that combines deep economic knowledge with modern data science capabilities for the sustainable development of Armenia’s mining sector. В условиях современных экономических вызовов обеспечение финансовой устойчивости горнодобывающего сектора Республики Армения вышло за рамки чисто корпоративного управления, став приоритетом макроэкономической безопасности. Являясь ключевым источником экспорта и налоговых поступлений страны, эта отрасль характеризуется высокой капиталоемкостью и экзогенными рисками, что требует перехода от традиционных статистических методов к прогностической аналитике на основе искусственного интеллекта (ИИ). Анализ научной литературы показывает, что классические теории структуры капитала, несмотря на их фундаментальное значение, часто не способны отразить сложные нелинейные связи между финансовыми показателями, характерные для промышленных гигантов, работающих на развивающихся рынках. В этом контексте модели ИИ, в частности алгоритмы машинного обучения, такие как XGBoost и Random Forest, позволяют проводить рейтингование (скоринг) компаний с более высокой точностью 91-94%, превосходя классические модели Z-счета Альтмана или O-счета Олсона. Методология исследования основана на кластеризации финансовых коэффициентов, где выделяются показатели ликвидности (G1), структуры капитала (G2) и рентабельности (G3). Для горнодобывающей отрасли РА ключевое значение имеет оценка взаимосвязи между коэффициентом корпоративного финансирования (CFR) и средневзвешенной стоимостью капитала (WACC). Сформированная в результате анализа рейтинговая шкала (от AAA до D) четко разграничивает компании по их индексу устойчивости. Общая картина горнодобывающей отрасли РА показывает, что большинство компаний находится в диапазонах достаточной устойчивости (A-BBB) и неустойчивости (BB-B), что свидетельствует о необходимости оптимизации структуры капитала. Подводя итог, можно констатировать, что внедрение моделей ИИ не только повышает финансовую прозрачность отдельных предприятий, но и служит мощным инструментом для государственных органов в мониторинге отраслевых рисков и подготовке к экономическим потрясениям. Это инновационный междисциплинарный подход, сочетающий глубокие экономические знания и современные возможности науки о данных в интересах устойчивого развития горнодобывающей отрасли Армении.},
 type={Միջազգային գիտաժողովի նյութեր},
 title={Արհեստական բանականության մոդելների կիրառումը ՀՀ հանքարդյունաբերական ընկերությունների ֆինանսական կայունության գնահատման և վարկանիշավորման գործընթացում},
 keywords={Տնտեսագիտություն},
}