1. ELARTU — Інституційний репозитарій ТНТУ імені Івана Пулюя
  2. Факультет економіки та менеджменту (ФЕМ)
  3. Кафедра економіки та фінансів (ЕФ)
  4. Наукові публікації працівників кафедри економіки та фінансів
Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал: http://elartu.tntu.edu.ua/handle/lib/54102
Повний запис метаданих
Поле DCЗначенняМова
dc.contributor.authorРадинський, Сергій-
dc.contributor.authorПанчишин, Тарас-
dc.contributor.authorМіщук, Наталія-
dc.contributor.authorВаськів, Степан-
dc.contributor.authorПанчишин, Володимир-
dc.contributor.authorМельник, Богдан-
dc.date.accessioned2026-09-11T08:07:06Z-
dc.date.available2026-09-11T08:07:06Z-
dc.date.issued2026-09-02-
dc.date.submitted2026-08-11-
dc.identifier.urihttp://elartu.tntu.edu.ua/handle/lib/54102-
dc.descriptionRadynskyy S. and other Transformation of Local Finance Management in Ukraine Using Data Science Technologies and Predictive Analytics. ACIT'2026. (Zlin, Czech Republic on 2-4 September 2026). С.700-705.uk_UA
dc.description.abstractУ цій статті представлено основу для трансформації управління місцевими фінансами в Україні за допомогою прогнозної аналітики на основі науки про дані та машинного навчання, а також демонструється один із компонентів цієї основи — короткострокове прогнозування доходів — на реальних фіскальних даних. Ми визначаємо три системні прогалини в даних, що обмежують фінансову автономію громад: розподіл податку на доходи фізичних осіб (ПДФО) за реєстрацією роботодавців, неповні реєстри власності та неформальна зайнятість. Як методологічну основу ми використовуємо чотирирівневу ієрархію описово-діагностично-прогнозно-прескриптивної аналітики [1], адаптовану до сфери державних фінансів. Експериментальний компонент оцінює чотири моделі машинного навчання (Ridge, Random Forest, Gradient Boosting, XGBoost), класичну SARIMA та сезонну наївну базову лінію для щомісячного прогнозування доходів місцевих бюджетів Львівської області з використанням даних BOOST (openbudget.gov.ua), 2018–2026. На головному етапі (тест 2024, навчання 2019–2023, 5-кратне збільшення часових рядів) Ridge досягає MAPE = 7,365%, R² = 0,464, MAE = 311,4 млн. гривень — перевершуючи SARIMA (MAPE 18,643%) більш ніж на десять процентних пунктів та всі методи на основі дерев. Експеримент з міжрегіональним перенесенням даних між 26 областями ще більше знижує MAPE Ridge на Львівській області за 2024 рік до 5,186% (R² = 0,764). У стрес-тесті поза розподілом 2025 року (+19% зростання порівняно з попереднім роком) моделі дерев зазнають різкого колапсу R², що емпірично підтверджує добре відоме обмеження екстраполяції регресорів на основі дерев [2]. Результати показують, що вибір алгоритму є критичним для фіскальних часових рядів зі структурними зрушеннями на рівні, і що прості регуляризовані лінійні моделі в поєднанні з міжрегіональним навчанням забезпечують розгортання прогнозів для українських територіальних громад.uk_UA
dc.language.isoenuk_UA
dc.publisher@ACITuk_UA
dc.subjectмісцеві фінанси,uk_UA
dc.subjectУкраїна,uk_UA
dc.subjectнаука про дані,uk_UA
dc.subjectмашинне навчання,uk_UA
dc.subjectгребенева регресія,uk_UA
dc.subjectSARIMA,uk_UA
dc.subjectXGBoost,uk_UA
dc.subjectфіскальна децентралізація,uk_UA
dc.subjectпредиктивна аналітика,uk_UA
dc.subjectпрогнозування доходів,uk_UA
dc.subjectтериторіальні громади,uk_UA
dc.subjectBOOSTuk_UA
dc.titleТрансформація управління місцевими фінансами в Україні з використанням технологій науки про дані та предиктивної аналітикиuk_UA
dc.title.alternativeTransformation of Local Finance Management in Ukraine Using Data Science Technologies and Predictive Analyticsuk_UA
dc.typeArticleuk_UA
dc.coverage.placenameТернопільuk_UA
dc.subject.udc336.14:352:004.8(477)uk_UA
dc.relation.referencesT. H. Davenport, “Competing on Analytics,” Harvard Business Review, vol. 84, no. 1, pp. 98–107, Jan. 2006.uk_UA
dc.relation.referencesT. Hastie, R. Tibshirani, and J. H. Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2nd ed. New York: Springer, 2009.uk_UA
dc.relation.referencesO. Latysheva, V. Rovenska, I. Smyrnova, M. Tripak, and M. Tepliuk, “Ensuring operational efficiency of mining and metallurgical enterprises on the basis of sustainable development,” Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu, no. 6, pp. 200–206, 2024uk_UA
dc.relation.referencesO. Dmytrenko, O. Yarmoliuk, N. Kudlaieva, I. Sysoieva, V. Borkovska, and O. Demianyshyna, “Application of Modern Software for Improving the Economic Analysis Accounting Efficiency at Enterprises,” Journal of Management Information and Decision Sciences, vol. 23, no. 5, pp. 649–660, 2020.uk_UA
dc.relation.referencesMinistry of Finance of Ukraine, “In 2025, the general fund of local budgets received 514 billion UAH,” Jan. 12, 2026.uk_UA
dc.relation.referencesMinistry of Finance of Ukraine, “Report on general fund revenue execution of local budgets for 2025 (operational data),” 2026.uk_UA
dc.relation.referencesK. Shvabii, “Recommendations on digitalization of property tax administration in Ukraine,” 2024.uk_UA
dc.relation.referencesE. Libanova, “Where do Ukrainians live, work and pay taxes,” 2021.uk_UA
dc.relation.referencesV. Teremetskyi, Y. Duliba, V. Kroitor, N. Korchak, and O. Makarenko, “Corruption and strengthening anti-corruption efforts in healthcare during the pandemic of COVID-19,” Medico-Legal Journal, vol. 89, no. 1, pp. 25–28, 2021.uk_UA
dc.relation.referencesT. Haiduchok, I. Sysoieva, S. Vasylishyn, A. Lysiuk, O. Kundrya-Vysotska, and A. Kostyrko, “Accounting and control of settlements with counterparties under the conditions of quarantine measures,” International Journal of Advanced Research in Engineering and Technology, vol. 11, no. 5, pp. 141–152, 2020.uk_UA
dc.relation.referencesM. Dyvak, A. Melnyk, S. Mazepa, and M. Stetsko, “An Ontological Approach to Detecting Irrelevant and Unreliable Information on Web-Resources and Social Networks,” in Future Intent-Based Networking, Lecture Notes in Electrical Engineering, vol. 831. Cham: Springer, 2022.uk_UA
dc.relation.referencesW. Baer, T. Buss, and J. Kamensky, “Analytics-driven public finance management,” IBM Center for The Business of Government, 2017.uk_UA
dc.relation.referencesV. Mayer-Schonberger and K. Cukier, Big Data: A Revolution That Will Transform How We Live, Work and Think. John Murray, 2014.uk_UA
dc.relation.referencesM. Lyzun, O. Desyatnyuk, Y. Savelyev, V. Kuryliak, S. Sachenko, and I. Lishchynskyy, “Architectonics of the European Currency Integration: Cluster and Gravity Modeling,” in Proc. 2023 IEEE 12th Int. Conf. Intelligent Data Acquisition and Advanced Computing Systems (IDAACS), Dortmund, Germany, 2023, pp. 661–664.uk_UA
dc.relation.referencesP. Dunleavy and H. Margetts, Digital Era Governance: IT Corporations, the State, and E-Government. Oxford University Press, 2015.uk_UA
dc.relation.referencesG. Mamediieva, “Ukraine’s digital transformation: Innovation for resilience,” 2025.uk_UA
dc.relation.referencesO. Desyatnyuk, V. Muravskyi, and O. Shevchuk, “Accounting Automation in Agroindustrial Enterprises Using Drones (UAVs),” in Proc. 2021 11th Int. Conf. Advanced Computer Information Technologies (ACIT), Deggendorf, Germany, 2021, pp. 337–341.uk_UA
dc.relation.referencesO. Androshchuk, R. Berezenskyi, O. Lemeshko, A. Melnyk, and O. Huhul, “Model of Explicit Knowledge Management in Organizational and Technical Systems,” International Journal of Computing, vol. 20, no. 2, pp. 228–236, 2021.uk_UA
dc.relation.referencesS. Mukherjee and S. Bhattacharya, “Revenue forecasting of corporate income tax (CIT) in India,” Indian Economic Review, vol. 58, no. 2, pp. 329–349, 2023.uk_UA
dc.relation.referencesA. Aliyu et al., “Modelling and forecasting Nigeria’s tax revenue: A comparative analysis of SARIMA and Holt-Winters models,” UMYU Scientifica, 2024.uk_UA
dc.relation.referencesY. Kotukh, M. Riabokini, O. Bliuma, and O. Denysiuk, “Economic potential of AI technologies for optimizing local community finance management in Ukraine,” Ekonomika Ukrainy, 2025.uk_UA
dc.relation.referencesM. Riabokini, O. Bliuma, and Y. Kotukh, “Methodological and software framework for implementing electronic document management at local budget levels using IPK Local Budget,” Finansy Ukrainy, 2024.uk_UA
dc.relation.referencesY. Kaziuk and V. Ventsel, “Financial capacity of communities in 2024 by regions,” Decentralization, Apr. 23, 2025.uk_UA
dc.relation.referencesL. Semiv and I. Krupka, “Digital analytics in public finance: Regional dimension,” Institute of Regional Studies, NAS Ukraine, 2022.uk_UA
dc.relation.referencesMinistry of Finance of Ukraine, “BOOST analytics — methodological note on local-budget data,” openbudget.gov.ua, 2024.uk_UA
dc.relation.referencesState Web Budget Portal for Citizens of Ukraine, “BOOST analytics — Lviv region and other oblast-level local-budget revenue execution, 2018–2026,” openbudget.gov.ua, exported 2026-05-28.uk_UA
dc.relation.referencesM. Dyvak and A. Pukas, “Criterion of Design of Experiments for Tasks of Decision Support Interval Model Creation,” in Proc. 2005 IEEE Intelligent Data Acquisition and Advanced Computing Systems, Sofia, Bulgaria, 2005, pp. 495–497.uk_UA
dc.relation.referencesM. Dyvak, V. Manzhula, and O. Kozak, “New Method Tolerance Estimation of the Parameters Set of Interval Model Based on Saturated Block of ISLAE,” in Proc. 2007 9th Int. Conf. The Experience of Designing and Applications of CAD Systems in Microelectronics, Lviv, Ukraine, 2007, pp. 376–379.uk_UA
dc.relation.referencesM. Dyvak, M. Dyvak, P. Stakhiv, and A. Pukas, “Algorithms of parallel calculations in task of tolerance ellipsoidal estimation of interval model parameters,” Bulletin of the Polish Academy of Sciences: Technical Sciences, no. 1, pp. 159–164, 2012.uk_UA
dc.relation.referencesC. D. Lewis, Industrial and Business Forecasting Methods: A Practical Guide to Exponential Smoothing and Curve Fitting. London: Butterworth Scientific, 1982.uk_UA
dc.relation.referencesR. J. Hyndman and G. Athanasopoulos, Forecasting: Principles and Practice, 3rd ed. Melbourne: OTexts, 2021. [Online]. Available: https://otexts.com/fpp3/uk_UA
dc.relation.referencesV. Roleders, T. Oriekhova, G. Zaharieva, I. Sysoieva, V. Dobizha, V. Pidhaiets, and L. Kucher, “Economic justification of recycling in the processing industry,” Cleaner and Responsible Consumption, vol. 13, art. no. 100195, 2024.uk_UA
dc.relation.referencesV. Okulich-Kazarin, A. Artyukhov, L. Skowron, N. Artyukhova, O. Dluhopolskyi, and W. Cwynar, “Sustainability of Higher Education: Study of Student Opinions about the Possibility of Replacing Teachers with AI Technologies,” Sustainability, vol. 16, no. 1, art. no. 55, 2024.uk_UA
dc.relation.referencesO. Savenko, A. Sachenko, S. Lysenko, G. Markowsky, and N. Vasylkiv, “Botnet detection approach based on the distributed systems,” International Journal of Computing, vol. 19, no. 2, pp. 190–198, 2020.uk_UA
dc.relation.referencesS. Lysenko, N. Bobro, K. Korsunova, O. Vasylchyshyn, and Y. Tatarchenko, “The role of artificial intelligence in cybersecurity: Automation of protection and detection of threats,” Economic Affairs, vol. 69, pp. 43–51, 2024.uk_UA
dc.coverage.countryUAuk_UA
dc.identifier.citation2015Radynskyy S. and other Transformation of Local Finance Management in Ukraine Using Data Science Technologies and Predictive Analytics. ACIT'2026. (Zlin, Czech Republic on 2-4 September 2026). С.700-705.uk_UA
Розташовується у зібраннях:Наукові публікації працівників кафедри економіки та фінансів

Файли цього матеріалу:
Файл Опис РозмірФормат 
Transformation_of_Local_Finance_Management_editable.docx957,13 kBMicrosoft Word XMLПереглянути/відкрити
Transformation_of_Local_Finance_Management_clean_article.pdf7,8 MBAdobe PDFПереглянути/відкрити
Показати базовий опис матеріалу Перегляд статистики


Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.

Інструменти адміністратора