Журнал "Системы Безопасности" № 2‘2026

Б И З Н Е С . И Д Е И И М Н Е Н И Я 113 Прикладные следствия для выбора корректирующих воздействий Три выявленных режима функционирования системы требуют различных стратегий управ- ленческого реагирования, что обобщено в табл. 4. Обсуждение Связь модели с эмпирическими данными Полученные результаты имеют прямое подтвер- ждение в эмпирических исследованиях. Вывод о том, что первоначальный рост зафиксирован- ных потерь после внедрения системы монито- ринга является не свидетельством ее неэффек- тивности, а закономерным этапом переходного процесса, подтверждается практическим опы- том автора и данными других исследователей. В работе [7] описан конкретный кейс: 10 сотрудников безопасности за 10 дней не смогли выявить хищения в 10 магазинах; после подключения программного обеспечения с видеоаналитикой один человек за полчаса выявил хищения на сумму более 60 000 руб. Уравнение (4) дает этому факту математиче- скую интерпретацию: в первом случае k → 0 и G_loss_reg → 0 независимо от реального G_loss; во втором случае k резко возрастает, и G_loss_reg приближается к G_loss. Более того, модель объясняет результаты, полу- ченные в работе [8], где статистически доказано снижение доли операционных потерь на 1,2– 1,7 п.п. после внедрения дэшборда контроля автоуценки. Это снижение соответствует фазе 3 нашей модели – фазе предотвращения, когда рост k уже произошел и система перешла к реальному сокращению G_loss. Связь с кластерным анализом потерь Работа Русских Д.С. [1] показала, что "тихие" магазины (нижний квартиль индекса активно- сти) накапливают списания во фруктово-овощ- ной группе значительно быстрее "топовых" точек. Наша модель дает этому результату тео- ретическое обоснование. Для "тихого" магазина характерны пониженные G_in и G_out при относительно постоянном G_loss (воровство, порча происходят независимо от объема про- даж). Следовательно, правая часть уравне- ния (1) для таких магазинов с большей веро- ятностью становится отрицательной, что и при- водит к ускоренному истощению запасов. Из этого следует важный практический вывод: приоритетное внедрение систем мониторинга потерь (повышение k) должно осуществляться именно в "тихих" и "средних" кластерах, где соотношение G_loss/G_out максимально и, соответственно, отдача от инвестиций в конт- роль будет наибольшей. Интеграция в систему финансового контроллинга Предложенное уравнение (1) может служить аналитическим ядром для системы внутреннего финансового контроля торговой компании. Карапетян С.А. [11] предложил модель органи- зации финансового контроля торговых компа- ний на основе связки "регламент → карта рис- ков → матрица распределения полномочий → процедуры и метрики". Уравнение (1) органич- но встраивается в эту архитектуру, предоставляя количественные метрики для мониторинга. В частности, при наличии данных о G_in (из систем управления поставками) и G_out (из онлайн-ККТ и ОФД), уравнение (1) позволяет непрерывно рассчитывать ожидаемое изменение запасов и сравнивать его с фактическим. Систе- матическое расхождение dS_расчетное ≠ dS_фактическое сигнализирует о наличии неучтенного G_loss, что запускает контрольные процедуры, предусмотренные регламентом. Ограничения модели и направления дальнейших исследований Предложенная модель является базовой и имеет ряд ограничений, которые должны быть учтены при ее практическом применении: 1. Дискретность реальных процессов. Модель рассматривает потоки G_in, G_out, G_loss как непрерывные, в то время как на практике постав- ки осуществляются дискретно, а продажи имеют выраженную внутрисуточную и недельную сезонность. Для прикладного использования уравнение должно быть дополнено моделями прогнозирования временных рядов. 2. Внешние макроэкономические факторы. Модель абстрагируется от инфляции, измене- ний закупочных цен, валютных рисков, которые в реальных условиях оказывают существенное влияние на все компоненты уравнения [12]. Учет этих факторов требует введения дополни- тельных функциональных зависимостей G_in( τ ), G_out( τ ). 3. Гетерогенность товарных категорий. Модель оперирует агрегированной стоимостью запасов, не различая товарные группы с принци- пиально разной динамикой потерь (например, скоропортящиеся продукты и товары длительно- го хранения). Развитие модели в направлении векторизации S по товарным категориям пред- ставляет собой перспективное направление. 4. Предположение о постоянстве k после стабилизации. В реальных системах контроля коэффициент обнаружения может деградиро- вать со временем из-за привыкания персонала, устаревания алгоритмов, износа оборудования. Соответственно, k должен рассматриваться как динамическая переменная со своей моделью эволюции. Перспективным направлением является интег- рация предлагаемой модели в архитектуру цифрового двойника торговой точки, где урав- нение (1) будет решаться в реальном времени на основе потоковых данных от RFID-меток, онлайн-касс и систем видеоаналитики [13]. Такой двойник позволит не только мониторить текущее состояние, но и осуществлять сценар- ное моделирование "что, если…" для обоснова- ния управленческих решений. Заключение По результатам проведенного исследования можно сформулировать следующие выводы. 1. Существующий в научной литературе и отраслевой практике методологический про- бел – отсутствие инструмента прогнозного обоснования эффективности внедрения систем предотвращения потерь в ритейле может быть устранен через применение методов математи- ческого моделирования динамических систем. 2. Междисциплинарная аналогия между уравне- нием материального баланса пожара в помеще- нии и процессами движения товарно-материаль- ных ценностей торговой точки является продук- тивной основой для построения таких моделей. 3. Выведенное уравнение финансового баланса dS/d τ = G_in – G_out – G_loss является раз- мерностно однородным, экономически интер- претируемым и позволяет выделить три каче- ственно различных режима функционирования торговой точки (накопление, квазистационар- ный, истощение), для каждого из которых идентифицированы характерные бизнес-риски на основе практики автора в федеральной сети "Перекресток". 4. Введение коэффициента обнаружения потерь k позволяет математически строго опи- сать и спрогнозировать парадоксальный эффект временного роста зафиксированных потерь после внедрения системы мониторинга. Модель доказывает, что данный эффект являет- ся не свидетельством неэффективности систе- мы, а необходимым этапом переходного про- цесса. 5. Предложенная модель впервые предостав- ляет ритейлерам инструмент pre-hoc-прогнози- рования эффекта от инвестиций в системы предотвращения потерь, что позволяет преодо- леть ключевой барьер их внедрения – отсут- ствие методики экономического обоснования. Практическая значимость работы заключается в том, что разработанная модель является базой для создания цифровых двойников торговых точек, интеграции в системы финансового конт- роллинга и обоснования бюджетов на техноло- гические инновации в сфере безопасности ритейла. n Список литературы доступен на сайте www.secuteck.ru. Иллюстрации предоставлены автором. www.secuteck.ru апрель – май 2026 Таблица 4. Режимы работы системы и рекомендуемые корректирующие воздействия Режим Диагностический признак Основные риски Рекомендуемые воздействия Накопление G_in > G_out + G_loss Загромождение, порча, заморозка капитала Коррекция автозаказа, оптимизация логистики Квазистационар G_in ≈ G_out + G_loss Иллюзия благополучия при низком k Внедрение независимого мониторинга, повышение k Истощение G_in < G_out + G_loss Дефицит, отток клиен- тов, рост хищений Аудит процессов закупок, управленческие интервенции Ваше мнение и вопросы по статье направляйте на ss @groteck.ru