ШТУЧНИЙ ІНТЕЛЕКТ У СИСТЕМІ УПРАВЛІННЯ ДЕРЖАВНИМ БОРГОМ
DOI:
https://doi.org/10.30857/2786-5398.2026.3.10Ключові слова:
державний борг, штучний інтелект, управління державним боргом, боргова політика, публічні фінанси, цифрова трансформація, боргова стійкість, фіскальні ризики, сценарне моделювання, GovTechАнотація
Актуальність дослідження зумовлена зростанням складності управління державним боргом в умовах макрофінансової нестабільності, високої вартості запозичень, посилення фіскальних ризиків і швидкої цифрової трансформації публічних фінансів. У таких умовах державні інституції потребують інструментів, які дають змогу швидше обробляти великі масиви боргових, бюджетних, макроекономічних і ринкових даних, оцінювати альтернативні сценарії та своєчасно виявляти загрози борговій стійкості. Метою статті є обґрунтування можливостей, ризиків і напрямів використання штучного інтелекту для підвищення аналітичної спроможності системи управління державним боргом у межах цифрової трансформації публічних фінансів. Об’єктом дослідження є система управління державним боргом, а предметом – теоретико-методичні та прикладні аспекти інтеграції ШІ в процеси прогнозування, сценарного аналізу, ризик-менеджменту та підтримки управлінських рішень. Методологічну основу дослідження становлять системний підхід, аналіз і синтез, порівняльний аналіз, класифікація, групування, сценарний підхід, ризик-аналіз, наукова абстракція та графічне моделювання. У результаті дослідження систематизовано 12 напрямів застосування ШІ в управлінні державним боргом, зокрема прогнозування динаміки боргу, оцінювання боргової стійкості, моделювання валютного, процентного та рефінансингового ризиків, сценарний аналіз, оптимізацію структури запозичень і виявлення аномалій у фінансових даних. Також визначено 8 груп можливостей використання ШІ, 10 груп ризиків і відповідні запобіжники для їх мінімізації. Запропоновано цифрову архітектуру AI-based debt management system, яка включає 6 функціональних шарів: data layer, analytical layer, decision-support layer, institutional layer, governance layer та feedback layer. В результаті сформовано концептуальну модель інтеграції ШІ в систему управління державним боргом, що поєднує інституційну базу, цифрову інфраструктуру, якісні дані, AI-аналітику, сценарні розрахунки, управлінські рішення, контроль ризиків і моніторинг боргової стійкості. Практична цінність результатів полягає в можливості їх використання органами публічних фінансів для підготовки боргових стратегій, удосконалення фіскального прогнозування, підвищення прозорості аналітичних процедур і формування підходів до відповідального застосування ШІ за принципом human-in-the-loop.
Завантаження
Посилання
Agrawal, A., Gans, J., & Goldfarb, A. (2019). Exploring the impact of artificial intelligence: Prediction versus judgment. Information Economics and Policy, 47, 1–6. DOI: https://doi.org/10.1016/j.infoecopol.2019.05.001.
Araujo, D. K. G. de, Doerr, S., Gambacorta, L., & Tissot, B. (2024). Artificial intelligence in central banking (BIS Bulletin No. 84). Bank for International Settlements. URL: https://www.bis.org/publ/bisbull84.htm.
Athey, S., & Imbens, G. W. (2019). Machine learning methods that economists should know about. Annual Review of Economics, 11, 685–725. DOI: https://doi.org/10.1146/annurev-economics-080217-053433.
Bank for International Settlements (2024). Artificial intelligence and the economy: Implications for central banks. In BIS Annual Economic Report 2024 (Chapter III). URL: https://www.bis.org/publ/arpdf/ar2024e3.htm.
Bank for International Settlements (2025). Financial stability implications of artificial intelligence. URL: https://www.bis.org/fsi/fsisummaries/exsum_23904.htm.
Blanchard, O. J. (1990). Suggestions for a new set of fiscal indicators (OECD Economics Department Working Papers No. 79). OECD Publishing. DOI: https://doi.org/10.1787/435618162862.
Bohn, H. (1998). The behavior of US public debt and deficits. The Quarterly Journal of Economics, 113 (3), 949–963. DOI: https://doi.org/10.1162/003355398555793.
Danielsson, J., & Uthemann, A. (2024). On the use of artificial intelligence in financial regulations and the impact on financial stability. SSRN Electronic Journal. DOI: https://doi.org/10.2139/ssrn.4604628.
European Central Bank (2024). The rise of artificial intelligence: Benefits and risks for financial stability. Financial Stability Review, May 2024. URL: https://www.ecb.europa.eu/press/financial-stability-publications/fsr/special/html/ecb.fsrart202405_02~58c3ce5246.en.html.
European Commission (2024). Debt Sustainability Monitor 2023 (Institutional Paper No. 271). Publications Office of the European Union. DOI: https://doi.org/10.2765/860483.
European Parliament and Council of the European Union (2024). Regulation (EU) 2024/1689 of the European Parliament and of the Council of 13 June 2024 laying down harmonized rules on artificial intelligence. Official Journal of the European Union. URL: https://eur-lex.europa.eu/eli/reg/2024/1689/oj.
Financial Stability Board (2024). The financial stability implications of artificial intelligence. URL: https://www.fsb.org/uploads/P14112024.pdf.
Gasanov, S. S. (2023). International standards of public debt statistics and their implementation in the public finance management system of Ukraine. Finance of Ukraine, (1), 26-47. DOI: https://doi.org/10.33763/finukr2023.01.026.
International Monetary Fund (2022). Staff Guidance Note on the Sovereign Risk and Debt Sustainability Framework for Market Access Countries (Policy Paper No. 2022/039). URL: https://www.imf.org/en/publications/ policy-papers/issues/2022/08/08/staff-guidance-note-on-the-sovereign-risk-and-debt-sustainability-framework-for-market-521884.
International Monetary Fund (2025, November 24). Artificial intelligence as public financial management infrastructure. PFM Blog. URL: https://blog-pfm.imf.org/en/pfmblog/2025/11/artificial-intelligence-as-public-financial-management-infrastructure.
International Monetary Fund and World Bank (2014). Revised guidelines for public debt management. URL: https://www.imf.org/external/np/pp/eng/2014/040114.pdf.
Maslej, N., Fattorini, L., Perrault, R., Parli, V., Reuel, A., Brynjolfsson, E., Etchemendy, J., Ligett, K., Lyons, T., Manyika, J., Niebles, J. C., Shoham, Y., Wald, R., & Clark, J. (2024). Artificial Intelligence Index Report 2024. Stanford Institute for Human-Centered Artificial Intelligence. URL: https://aiindex.stanford.edu/report/
Mullainathan, S., & Spiess, J. (2017). Machine learning: An applied econometric approach. Journal of Economic Perspectives, 31 (2), 87–106. DOI: https://doi.org/10.1257/jep.31.2.87.
Mutai, N. C., Farag, K., Ibeh, L., Chelabi, K., Cuong, N. M., & Popoola, O. M. (2025). AI driven fiscal risk assessment in the Eurozone: A machine learning approach to public debt vulnerability. FinTech, 4 (3), 27. DOI: https://doi.org/10.3390/fintech4030027.
National Institute of Standards and Technology (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0) (NIST AI 100-1). US Department of Commerce. DOI: https://doi.org/10.6028/NIST.AI.100-1.
OECD (2025a). Governing with Artificial Intelligence: The state of play and way forward in core government functions. OECD Publishing. DOI: https://doi.org/10.1787/795de142-en.
OECD (2025b). Using artificial intelligence in public financial management (GOV/ SBO (2025)4). OECD. https://one.oecd.org/document/GOV/SBO(2025)4/en/pdf.
OECD (2026). Global Debt Report 2026: Sustaining debt market resilience under growing pressure. OECD Publishing. DOI: https://doi.org/10.1787/e9d80efd-en.
Pattanayak, S., Rivero del Paso, L., Tourpe, H., & Cho, C. (2026). Harnessing emerging digital technologies towards a new frontier of public financial management (Technical Notes and Manuals No. 2026/006). International Monetary Fund. DOI: https://doi.org/10.5089/9798229040440.005.
Petrukha, N., Oleksun, N., Petrukha, S., Nianko, V., & Kolomiiets, Y. (2026). Financial stability: from preservation to protection. The Journal of Ontario International Development Agency, 19(02), 137–150. DOI: https://doi.org/10.64211/oidaijsd190212.
Petrukha, S., Konovalenko, D., & Petrukha, N. (2026). Features of ensuring the stability of public finances during the war. Baltic Journal of Economic Studies, 12(1), 108–124. DOI: https://doi.org/10.30525/2256-0742/2026-12-1-108-124.
Petrukha, S., Petrukha, N., & Miakota, R. (2024a). The public debt of Ukraine: a new dimension of dynamics and architecture of the model framework of the management system. Baltic Journal of Economic Studies, 10(5), 305–314. DOI: https://doi.org/10.30525/2256-0742/2024-10-5-305-314.
Petrukha, S., Petrukha, N., & Miakota, R. (2024b). Debt policy of Ukraine in the conditions of modernization of public finances. Baltic Journal of Economic Studies, 10(3), 276–288. DOI: https://doi.org/10.30525/2256-0742/2024-10-3-276-288.
Petrukha, S., Petrukha, N., Gasanov, S., Miakota, R., & Konovalenko, D. (2025). Public debt and public debt administration under martial law in the process of post-war reconstruction. Journal of Law and Political Sciences, 47/2(Special Issue), 341–376. DOI: https://doi.org/10.5281/zenodo.17240064.
Petrukha, S., Petrukha, N., Mykolaichuk, M., Yefimenko, L., Bortniak, K., & Kononenko, I. (2026). Digital transformation of the budget process in the public administration system: global trends and national priorities. Aposta: Revista De Ciencias Social, 24 (113), e1058. DOI: https://doi.org/10.23900/ra.Ed.Esp.v24i113.1058.
Petrukha, S., Petrukha, N., Stoliarenko, O., Ortina, G., Plakhotnii, D., & Stuzhuk, R. (2026). Synergy in the economics of sustainable development and Artificial Intelligence: combining aspects of natural resources and financial security. Aposta: Revista De Ciencias Social, 24 (113), e1048. DOI: https://doi.org/10.23900/ra.Ed.Esp.v24i113.1048.
Rafie, F.-E., & Lekhal, M. (2024). Public external debt sustainability assessment: Towards a machine learning based approach. Cogent Economics & Finance, 12 (1), 2429770. DOI: https://doi.org/10.1080/23322039.2024.2429770.
Sica, E., Altınbaş, H., & Marini, G. G. (2023). Public debt forecasts and machine learning: The Italian case. Journal of Economic Studies, 51 (6), 1355–1370. DOI: https://doi.org/10.1108/JES-07-2023-0337.
Sofianos, E., Betti, T., Papadimitriou, T., Barbier-Gauchard, A., & Gogas, P. (2026). Using DSGE and machine learning to forecast public debt for France. Journal of Forecasting. DOI: https://doi.org/10.1002/for.70144.
Varian, H. R. (2014). Big data: New tricks for econometrics. Journal of Economic Perspectives, 28 (2), 3–28. DOI: https://doi.org/10.1257/jep.28.2.3.
World Bank (2021). Debt Management Performance Assessment (DeMPA) Methodology: 2021 edition. World Bank. URL: https://documents1.worldbank.org/curated/en/ 526391628746190611/pdf/Debt-Management-Performance-Assessment-Methodology-2021-Edition.pdf.
World Bank (2023). GovTech Maturity Index, 2022 update: Trends in public sector digital transformation. World Bank. DOI: https://doi.org/10.1596/38499.
Zarkova, S. (2023). Machine learning algorithm for mid-term projection of the government debt-to-GDP ratio. Risks, 11 (4), 71. DOI: https://doi.org/10.3390/risks11040071.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2026 N. Petrukha, S. Petrukha, R. Miakota, M. Miakota
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
